AI-assisterad kontinuerlig stratifiering vid neurorehabilitering efter stroke med personliga digitala tvillingar (STRATIF-AI)

Översikt av forskning Detta projekt är utformat för att bedöma genomförbarheten av STRATIF-AI-rehabiliteringsappen, dess tillgänglighet, användbarhet och personliga anpassning till patienter. Syftet med appen är att stödja patienter i deras återhämtning från stroke, men eftersom den är i ett tidigt utvecklingsstadium är huvudmålen för denna studie att testa genomförbarheten av att involvera en sådan app i en patients återhämtning och om patienter finner den användbar.

Dagens modernaste stratifieringsteknik är baserad på maskininlärningsalgoritmer (ML), tränade på stora kohortdata. Detta har två huvudsakliga begränsningar: a) sådana ML-modeller kan inte använda alla olika typer av data som genereras om en patient, b) stratifiering sker därför endast med viss mellanrum, vilket innebär föråldrade och suboptimala vårdbeslut. För att åtgärda detta utvecklades ett nytt koncept och en ny teknik - kontinuerlig stratifiering, med hjälp av STRATIF-AI-plattformen. I kontinuerlig stratifiering lagras alla data som genereras om en patient kumulativt i ett personligt datavalt, kontrollerat av patienten. Dessa personliga data uppdaterar kontinuerligt den digitala tvillingplattformen. Den unika potentialen med plattformen kommer från den hybrida arkitekturen, som kombinerar mekanistiska, flerskaliga och flerorganmodeller med ML och bioinformatik.

Denna teknik möjliggör simulering av patientspecifika svar på förändringar i behandling och identifiering av förändringar på intracellulär, organ- och helkroppsnivå, från sekunder till år för patienter efter en stroke. Semantisk harmonisering kombineras med federerad inlärning för att säkert omträna de olika delmodellerna när nya data blir tillgängliga i en av kohortdatabaserna. Detta projekt kommer att utforska användningen av digitala tvillingar i rehabiliteringsfasen efter stroke och kommer att utföras på rehabiliteringstjänsten vid Chapel Allerton Hospital i Leeds. Det är en av sex samtidiga studier som involverar åtta sjukhus över hela Europa med syftet att förfina och validera modellerna och visa hur digitala tvillingar kan följa patienter över olika appar, som täcker alla faser av stroke: från prevention till akut behandling och rehabilitering. Den skalningsbara plattformen för kontinuerlig stratifiering utgör grunden för ett nytt sammankopplat och patientcentrerat hälso- och sjukvårdssystem.

Detta projekt syftar till att utvärdera genomförbarheten av att använda en ny app för att utveckla en kontinuerlig stratifieringsmetod, genom att använda alla tillgängliga data för realtidsbedömning av patienter genom att sammanställa patientdata i en utvecklande digital tvilling. Hypotesen är att användningen av denna teknik jämfört med standardvård efter stroke kommer att förbättra patientens engagemang i rehabiliteringsvården efter stroke och skapa möjligheter för framtida arbete med digitala tvillingar inom hälso- och sjukvården.

Bakgrund och motivering Motivation att delta i ett rehabiliteringsprogram och överensstämmelse med rehabiliteringsprogrammet är två stora begränsningar för människors återhämtning efter stroke och som kan leda till suboptimala resultat. Ett relaterat och centralt problem i alla faser av strokevård är att data ligger i silos, patienter får inte tillgång till sina data och stratifiering av behandling sker endast med vissa mellanrum. Av dessa skäl skapades STRATIF-AI-plattformen, som är baserad på digitala tvillingar - en digital kopia av en patient - som möjliggör kontinuerlig stratifiering, inom och över alla faser av strokevård. Olika studier som drivs av partnersjukhus inom konsortiet kommer att fokusera på de tidigare stadierna av strokevård, såsom förebyggande åtgärder och akut övervakning av patienter. I dessa studier kommer data att samlas in för att möjliggöra utveckling av kontinuerliga modeller. I denna kliniska studie kommer hur patienter och sjukvårdspersonal upplever användningen av den nya plattformen i rehabilitering att studeras. Detta är en pilotstudie, som kommer att undersöka principbevis och samla in initiala data om genomförbarhet och acceptans.

Globalt är stroke den fjärde vanligaste orsaken till funktionsnedsättning för vuxna med 11,9 miljoner människor som drabbades av stroke 2021, med de senaste statistiken som visar en ökning av strokeincidensen från 1990-2021. Den globala ekonomiska påverkan av stroke är över 890 miljarder US dollar per år, en siffra som förväntas fördubblas till 2050. Förutom de ekonomiska konsekvenserna är effekten av stroke på livskvaliteten för den drabbade betydande, med över två tredjedelar av strokeöverlevare i Storbritannien som lämnar sjukhus med en funktionsnedsättning som kräver pågående vårdbehov. Medan mer arbete behövs inom området strokeförebyggande och akut behandling, erkänns alltmer vikten av rehabiliteringsfasen efter stroke internationellt av Världshälsoorganisationen som erkänner det "djupa, otillfredsställda behovet" av rehabilitering globalt, samt nationellt i den senaste brittiska riktlinjen för strokerehabilitering, som beskriver den avgörande rollen för rehabiliteringsfasen av stroke och den ökade mängden rehabilitering som krävs för att maximera återhämtningen.

Ursprungligen utvecklad för industrin, och ett relativt nytt koncept inom hälso- och sjukvården, kan en digital tvilling definieras som en virtuell motsvarighet till ett fysiskt objekt, system eller process som speglar dess verkliga motsvarighet i både funktion och utseende. Den pågående utvecklingen av digital tvilling-teknik har lett till utvecklingen av avancerade modeller som kontinuerligt anpassar sig över tid för att kunna simulera komplexa beteenden. Digitala tvillingar skiljer sig från traditionell digital modellering, eftersom de kräver tvåvägsdatautbyte mellan den fysiska entiteten och den digitala entiteten, vilket möjliggör att den fysiska entiteten får återkoppling från sin digitala motsvarighet, vilket underlättar kontinuerlig stratifiering av data. Med tanke på rörelsen mot en personlig behandlingsansats inom hälso- och sjukvården utforskas potentialen för digitala tvillingar alltmer. Men komplexiteten i mänsklig känsla och beteende, tillsammans med variationen i faktorer som individuella preferenser, motivation, trötthet och allmän hälsa, kräver sofistikerade digitala tvillingar för användning inom hälso- och sjukvården.

Ett lovande område för användning av digitala tvillingar är inom strokerehabilitering, där de kan användas för att stödja rehabiliteringsperioden som ofta krävs av strokeöverlevare genom att modellera individuella återhämtningsmönster och optimera terapier. Genom att integrera realtidsdata från patienter, såsom rörelsemönster, kommunikation och kognitiv förmåga, kan digitala tvillingar simulera rehabiliteringsresultat för att skräddarsy behandlingar som passar individuella patienter, justera terapi i realtid och erbjuda beslutsstöd och motivationsåterkoppling, vilket potentiellt kan öka patientens engagemang och förbättra återhämtningen. Konceptet med digitala tvillingar har redan använts i analys av mänsklig rörelse genom kommersiellt tillgängliga plattformar som OpenSim, som har validerats för muskuloskelettal modellering, vilket visar genomförbarheten av digitala tvillingar inom hälso- och sjukvården.

STRATIF-AI-projektet är ett Horizon Europe-finansierat projekt som syftar till att kanalisera digitala tvillingar för användning i rehabilitering efter stroke. Traditionell patientstratifiering i rehabilitering förlitar sig på periodisk målställning som utförs av det multidisciplinära teamet, där rehabiliteringsmål överenskommits varannan till var tredje vecka med patienter och deras familjemedlemmar eller vårdare för att styra aktiviteterna i rehabiliteringsprogrammet. Men detta tillvägagångssätt kan missa värdefulla data mellan målställningsepisoder, vilket innebär att de senaste målen inte exakt och fullständigt återspeglar en patients nuvarande status. Denna förlust av data mellan målställningsepisoder kan vara begränsande i nuvarande hälso- och sjukvårdspraxis, eftersom behandlingar förblir oförändrade till nästa formella interaktion mellan patienten och sjukvårdspersonal, även om en patients tillstånd har utvecklats. Av denna anledning föreslår STRATIF-AI att utveckla en kontinuerlig stratifieringsmetod för att använda alla tillgängliga data för realtidsbedömning av patienter genom att sammanställa dessa data i en utvecklande digital tvilling, som sedan kommer att erbjuda realtidsåterkoppling till patienten och sjukvårdsteamet.

Data som traditionellt används i stratifiering inom strokevård, såsom patientens diagnos, riskfaktorer för stroke, tidigare medicinsk historia, baslinjeobservationer och skanning- och blodprovsresultat, kommer att kompletteras med interimsinformation från wearables (färdiga smartklockor), patientdagböcker och det formaliserade rehabiliteringsbedömningsverktyget Functional Independence Measure and Functional Assessment Measure (FIM+FAM). Dessa data kommer att användas för att uppdatera en individualiserad digital tvilling för patienten med hybridteknik, som integrerar mekanistiska modeller för kroppens huvudfunktioner med maskininlärnings- och bioinformatikmodeller.

STRATIF-AI-projektet kommer att implementera kontinuerlig stratifiering över rehabiliteringsfasen av stroke för berättigade patienter inom Leeds Teaching Hospitals NHS Trust, och resultaten av projektet kommer att komplettera pågående studier om användningen av plattformen under förebyggande och akut behandlingsfaser av stroke som utförs på andra centra.