Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

O sensor adesivo Wearable da correcção de programa previu exactamente o agravamento da parada cardíaca

Vestindo um sensor removível, adesivo da correcção de programa previu exactamente o agravamento da parada cardíaca e da necessidade para a hospitalização diversos dias antes que a hospitalização da parada cardíaca ocorreu entre veteranos com parada cardíaca, de acordo com a pesquisa publicada hoje na circulação do jornal da associação americana do coração: Parada cardíaca.

Os participantes no estudo multicentrado de LINK-HF consistiram em cem pacientes que (HF) eram veteranos, idade média da parada cardíaca de 68 anos, registrada em quatro hospitais dos casos (VA) dos veteranos -- em Salt Lake City; Palo Alto, Califórnia; Houston, e Gainesville, Fla. -- após uma admissão aguda inicial da parada cardíaca ao hospital. Os participantes vestiram uma correcção de programa adesiva do sensor em sua caixa 24 horas um o dia para um mínimo de 30 dias e de até três meses depois que sua descarga inicial do hospital para um evento da parada cardíaca. Dos participantes elegíveis, 90% continuou a vestir o sensor em 30 dias, e em 90 dias; os dados foram recolhidos desde agosto de 2015 até dezembro de 2016.

O sensor monitorou a frequência cardíaca, o ritmo do coração, a taxa respiratória e actividades físicas como, andando, postura do sono e do corpo para cada participante. Os dados foram transmitidos do sensor através de Bluetooth a um smartphone, e transferidos ficheiros pela rede então do smartphone a uma plataforma da analítica em um server seguro do computador. Um algoritmo de aprendizagem da máquina, um tipo de aproximação da inteligência artificial à análise de dados, estabeleceu uma linha de base normal para cada paciente e examinou então os dados entrantes. Quando os dados observados se afastaram “do comportamento previsto da linha de base normal”, o algoritmo gerou um alerta para indicar que a parada cardíaca do paciente estava obtendo mais ruim. A tecnologia previu exactamente o risco da hospitalização mais de 80% do tempo. Esta previsão da hospitalização ocorreu uma média de 6,5 dias antes do readmission.

“Com o uso de dados remotos do sensor e com a análise de dados pela aprendizagem de máquina, nós mostramos que nós podemos prever o futuro. Em seguida, nós olharemos se nós podemos mudar o futuro,” dissemos o estudo Josef Stehlik autor, M.D., M.P.H., professor de Christi T. Smith de medicina na Faculdade de Medicina da Universidade de Utah, director médico do chumbo do programa da transplantação de coração e dos co-director do programa avançado da parada cardíaca no hospital da Universidade de Utah e no centro médico dos casos dos veteranos de Salt Lake City.

A parada cardíaca (HF) é um problema de saúde público principal - impacta aproximadamente 6,2 milhão adultos dos E.U. e é o diagnóstico da descarga do hospital do no. 1 no coração que dos E.U. os custos falha-relacionados dos cuidados médicos eram uns $30,7 bilhões calculados em 2012 e são esperados alcançar em 2030 $53 bilhões. Aproximadamente 80% destes custos são para a hospitalização de acordo com um estudo mencionado pelos pesquisadores e publicado em 2011. Nos primeiros 90 dias após a descarga do hospital para a parada cardíaca, os pacientes estão em uma elevação, até 30%, risco de readmission. Dado este risco significativamente aumentado de HF que agrava-se após a hospitalização, os pesquisadores centraram-se sobre o teste de uma solução não invasora para melhorar a gestão do HF durante este período de momento crítico.

Na parada cardíaca crônica, a condição de uma pessoa pode obter mais ruim com falta de ar, fadiga e acúmulo fluido, ao ponto muito termine acima nas urgências e passe dias no hospital para recuperar. Se nós podemos identificar pacientes antes que a parada cardíaca se agravar e se os doutores têm a oportunidade de mudar a terapia baseada nesta previsão nova, nós poderíamos evitar ou reduzir hospitalizações, melhoramos as vidas dos pacientes e reduzimos extremamente custos dos cuidados médicos. Com a evolução da tecnologia e com métodos estatísticos da inteligência artificial, nós temos as novas ferramentas para fazer isto acontecer.”

Josef Stehlik, autor do estudo do chumbo

Limitações do estudo incluídas:

  • Os participantes do estudo eram homem de 98%, assim que é desconhecido se estes resultados seriam consistentes nas fêmeas;
  • Uma maioria dos participantes teve HFrEF (parada cardíaca com a fracção reduzida da ejecção), tão mais estudo nos pacientes com HFpEF (parada cardíaca com a fracção preservada da ejecção) é necessário; e
  • A pesquisa adicional é necessária para determinar se as mudanças do tratamento baseadas nos alertas poderiam conduzir aos resultados pacientes melhorados.

Em um estudo futuro, os pesquisadores testarão o tratamento paciente em mudança baseado no alerta gerado pelo algoritmo. “Nós estamos esperando que com esta informação, nós podemos intervir e diminuir a taxa da hospitalização, melhoramos a qualidade de vida, e, para os pacientes que terminam acima a admissão ao hospital, encurtamos o comprimento da estada,” Stehlik concluído.

Source:
Journal reference:

Stehlik, J., et al. (2020) Continuous Wearable Monitoring Analytics Predict Heart Failure Hospitalization. Circulation: Heart Failure. doi.org/10.1161/CIRCHEARTFAILURE.119.006513.