Wearables and Artificial Intelligence in advanced heart failure care

Achtergrond: Patiënten met ernstig hartfalen (HF) hebben te maken met een verhoogd risico op problemen, zoals apparaatgerelateerde problemen bij patiënten met linkerventrikelondersteuningsapparaten (LVAD), waaronder infecties, bloedingen en verslechtering van HF. Opvallend is dat LVAD-heropnamepercentages oplopen tot wel 30%. Bovendien kunnen patiënten op de wachtlijst voor harttransplantatie een verslechtering van het HF ervaren, wat leidt tot decompensatie en opname vanwege vochtretentie.

Kunstmatige intelligentie (AI) is een snel opkomend vakgebied en behelst het brede concept van het simuleren van menselijke logica en intelligentie en omvat elk algoritme of model dat door een computer wordt uitgevoerd en dat de menselijke intelligentie nabootst.

Doelstelling: Door gegevens over patiëntenactiviteiten op afstand te verzamelen en deze te combineren met AI-analyse, streven we ernaar nieuwe methoden te ontwikkelen om vroege indicatoren van verslechtering te detecteren en ziekenhuisopnames te verminderen.

Opzet en methoden: In aanmerking komende patiënten met geavanceerd HF van UMC Utrecht worden uitgenodigd om deel te nemen aan het onderzoek. Gedurende ziekenhuisopnames zullen deelnemers de standaard draagbare technologie en gezondheidsapp van UMC ontvangen. Tijdens de duur van de studie krijgen ze ook een FitBit, waarmee ze continu gegevens thuis kunnen monitoren gedurende een jaar.      Medicine Men      zal hun vooruitstrevende telemonitoring platform, Viduet, introduceren. Dit stelt patiënten in staat om consistent extra metingen, zoals gewicht, vast te leggen en deel te nemen aan vervolgvragenlijsten. De voorspellende algoritmen zullen zich voornamelijk richten op (her)opname percentages. Secundaire parameters zijn dagelijkse bewegingsduur, de System Usability Scale (SUS) en de Kansas Cardiomyopathy Questionnaire (KCCQ) voor de evaluatie van de impact op de patiënt. De studie zal zich verdiepen in AI-methodologieën, voornamelijk eXtreme Gradient Boosting (XGBoost). De efficiëntie ervan zal worden beoordeeld aan de hand van een testdataset en vergeleken met andere gevestigde risicoadmissie-standaarden.

Verwachte sociale en economische impact: Een afname van opnames bij patiënten met ernstig HF kan resulteren in verminderde gezondheidszorgkosten en een lagere ziektelast. We onderzoeken strategieën voor vroege detectie om dit doel te bereiken.

Sitemap

• Aim
• Project team