利用智能手表和智能戒指传感器数据，通过深度学习模型预测外科患者的再入院情况

医院再入院率已被广泛确立为医疗质量的关键指标，尤其是在术后环境中。非计划性再入院通常反映了未能完全预测或充分管理的并发症，给医疗系统带来了巨大的财务和临床负担。在美国，2018年有380万成年患者在30天内再次入院，平均每次事件成本为15,200美元。在巴西，同样报告了较高的再入院率，超过22,000例住院患者中有13.4%导致再次就诊，主要原因是医院感染、阻塞性睡眠呼吸暂停和心律失常。睡眠障碍——包括阻塞性睡眠呼吸暂停——是导致术后并发症和再入院的最重要因素之一。它们会延迟恢复、增加疼痛敏感性、损害认知能力并提高心血管风险。高血压、糖尿病和高脂血症等血管合并症通过增加缺血事件、伤口愈合受损和呼吸不稳定的可能性进一步恶化预后。了解生理、行为和睡眠相关变量如何相互作用以影响术后恢复，对于设计早期检测和预防策略至关重要。

人工智能（AI）在预测临床恶化和识别多个外科领域的高风险患者方面显示出越来越大的前景。最近对26项研究的系统综述表明，基于人工智能的模型——包括自然语言处理、经典机器学习算法和深度学习方法——可以准确预测大手术后的医院再入院。然而，大多数可用数据集并未结合从可穿戴设备实时收集的术前、术中、术后和连续生理信号，这代表了文献中的一个主要空白。这项前瞻性队列研究旨在通过将从可穿戴设备——特别是智能手表和智能戒指——捕获的高分辨率生理和行为数据整合到统一的围手术期数据库中来解决这一空白，总体目标是开发能够预测术后30天内非计划性医院再入院的人工智能模型。

该研究旨在建立一个接受中到大型择期手术患者的综合数据库，从可穿戴设备和多参数监测仪中捕获术前和术后期间的生理和行为数据，包括在需要时在重症监护的前48小时内进行连续监测。数据收集将包括通过CETELI/UFAM开发的基于Web的界面进行连续可穿戴监测、术前和术后临床评估、实验室测试、影像学研究、肺功能评估、多导睡眠图和经过验证的睡眠问卷。该研究将评估从智能手表和智能戒指得出的生理和睡眠相关变量与医院再入院风险之间的相关性。

此外，该研究将开发用于智能手表和智能戒指在围手术期数据捕获中的应用，并采用机器学习方法——包括因果卷积网络和循环神经网络等深度架构，以及支持向量机和决策树等经典方法——来预测医院再入院。将分析可穿戴设备得出的睡眠参数与30天再入院风险之间的关联，术前和术后睡眠数据将与多导睡眠图和问卷结果相关联，并比较术前和术后期间的睡眠质量。

这项研究是通过Getúlio Vargas大学医院（HUGV-UFAM/Ebserh）与电子和信息技术研发中心（CETELI/UFAM）之间的多学科合作进行的。CETELI将负责开发数据收集软件、存储架构和预测算法，而临床监督、招募和方案执行将由HUGV领导。

除了科学相关性外，该项目还具有重要的实际意义。在亚马逊等地理复杂地区，使用可穿戴设备进行连续远程监测可以加强随访，减少术后护理获取方面的差异，并能够更早地识别并发症。将基于人工智能的预测模型与医院工作流程整合，最终可能降低成本、优化患者流量，并提高外科护理的安全性和质量。