Ved at bruge IoT, AI og cloud-teknologier til at fremme hjemmebaseret integreret pleje

En af de største voksende demografiske grupper i EU er personer på 65 år og derover, og to tredjedele af denne gruppe er i en situation med multimorbiditet, dvs. personer, der lider af to eller flere kroniske sygdomme. Den ineffektive behandling af multimorbiditet er blevet påpeget som et presserende problem at løse af Academy of Medical Sciences i en nyligt udgivet rapport. Som en del af et EU H2020-finansieret projekt kaldet ProACT, vores team hos IBM Research – Ireland arbejder med partnere i den akademiske verden og industrien for at finde nye måder at bruge IoT på, AI og cloud-teknologier til at fremme selvstyringskapaciteter og hjemmebaseret integreret pleje til personer med multimorbiditet (PwM).

ProACT-projektet undersøger måder at bære på, hjemmesensorer og tabletapplikationer kan bruges til at hjælpe personer med multimorbiditet, såvel som deres støttespillere, som omfatter uformelle omsorgspersoner (f.eks. familie og venner), formelle plejere og sundhedsprofessionelle (herunder læger og sygeplejersker), håndtere en kombination af tilstande, herunder kronisk hjertesvigt (CHF), diabetes og kronisk obstruktiv lungesygdom (KOL).

Projektet omfatter proof-of-concept forsøg i Irland og Belgien, involverer nationale sundhedstjenester, med en række patienter udstyret med bærbare og hjemmesensorer, og deres støtteaktører. Retssagerne begynder nu. Patienter lærer at bruge ProACT CareApp, som samler sensoraflæsningerne og giver PwM'erne og deres supportaktører mulighed for at overvåge deres status, og foreslår også undervisningsvideoer og tutorials, der er skræddersyet til selvledelsesbehovene. Brugergrænsefladen til ProACT CareApp blev co-designet med involvering af PwM'er for at sikre brugervenlighed. Hovedmålet med vores forskning er at bruge de indsamlede data til at udvikle en holistisk model af PwM, der kan bruges til at overvåge og forudsige PwM'ers sundhed og velvære.

Inden for rammerne af ProACT bygger vores Health &Person-Centred Knowledge Systems-team i Dublin en holistisk model for personer med multimorbiditet, ved hjælp af data om forhold, vitale, selvrapportering og adfærdsvurderinger. Modellen er afhængig af et Bayesiansk netværk, et sandsynligt grafisk værktøj, som er blevet brugt bredt i sundhedsvæsenets beslutningsstøtte. Det repræsenterer den probabilistiske afhængighed mellem flere variabler, som gør det muligt at forudsige den mest sandsynlige tilstand af en variabel ved at kende tilstanden af ​​andre variable. Det gør det til en lovende teknik til at hjælpe med udfordringerne ved multimorbiditet.

I vores MIE 2018 (Medical Informatics Europe) konferenceoplæg "En analytisk metode til multimorbiditetshåndtering ved hjælp af Bayesianske netværk, " vi præsenterer vores analyser kaldet Health and Wellness Profile Builder (HWProfile), som bliver testet under ProACT forsøgene. HWProfile er en AI-model, der har til formål at repræsentere en PwM gennem flere indbyrdes forbundne dimensioner:demografi, medicinske faktorer, selvrapportering og adfærdsfaktorer. PwM'ens tilstand vurderes gennem sensorer og selvrapporteringsspørgeskemaer taget gennem ProACT CareApp. Daglige spørgsmål er en værdifuld metode til at indsamle en bred vifte af selvrapporteringsoplysninger såsom vejrtrækningsscore for KOL og CHF, humør og angstniveauer eller information om overholdelse af medicin.

For at udvikle HWProfile-modellen valgte vi variabler, der dækker forskellige dimensioner:sundhed/medicinsk, livsstil, psykologisk, velvære, social og adfærd, sammen med at identificere rækken af ​​værdier, som disse variabler kan nå. Derefter skulle modellen maskinlære de betingede sandsynlighedsforhold, der eksisterer mellem variablerne, fra et strukturelt synspunkt, såvel som fra et numerisk synspunkt. Hvordan gør køn, alder og lider af gigt påvirker risikoen for at falde? Hvad er den forventede fordel ved at øge fysisk aktivitet på smerteniveau for kvinder med KOL? Det er den slags spørgsmål, som HWProfile kan hjælpe med at løse.

Vi trænede modellen ved hjælp af data udtrukket fra TILDA, et åbent datasæt indsamlet fra en longitudinel sundhedsundersøgelse af den ældre irske befolkning, ledet af Trinity College. I TILDA-undersøgelsen, 8504 personer over 50 år deltog i et selvudfyldt spørgeskema, en computerstøttet samtale og en helbredsvurdering. For at teste metoden på en lille model, vores team udvalgte 12 variabler fra dette datasæt, i betragtning af målpopulationen og tilstande, der er dækket af ProACT-forsøgene og de anvendte dataindsamlingsmetoder:blodtryksur, vægt, aktivitets spørgeskema. Denne trænede model blev brugt som basis til at udvikle HWProfile (se figur 1).

For at udforske den Bayesianske netværksmodel, vi byggede en intuitiv og interaktiv brugergrænseflade. Variabler og deres tilknyttede niveauer er grupperet efter farvekodede kategorier (se figur 1). Det Bayesianske netværk viser, hvordan variable påvirker hinanden. De diskrete sandsynlighedsfordelinger, der svarer til hver variabel, er grupperet efter bokse på det interaktive risikopanel (højre i figur 1). For en given variabel, de marginale sandsynligheder for hvert muligt niveau er angivet både som en procentdel og gennem et vandret søjlediagram i baggrunden.

Brugeren kan tildele et "observeret" niveau til enhver variabel, ved at klikke på niveauet. Hele sættet af marginale sandsynligheder opdateres derefter for at afspejle disse observationer. Ved at klikke igen på en observeret variabel returnerer den til den uobserverede tilstand, med marginale sandsynligheder vist. Figur 1, ret, viser grænsefladen efter alder er blevet indstillet til 'over 70' og kolesterolniveau til 'Mere end 5 mmol/L'. Den resulterende ændring i sandsynligheder for alle forbundne variable, som hypertension, kan ses med det samme.

HWProfile-modellen giver en række output, inklusive probabilistiske estimater for alle uobserverede variable, hver gang der foretages en ny observation. Disse output kan føres til andre analyser af ProACT-systemet, som omfatter en mål- og uddannelsesanbefaling, et alarmsystem og en tilstandsforværringsmonitor. Vores AI-model er rettet mod at udnytte al den information, der er tilgængelig om PwM'en inden for rammerne af ProACT, for at give indsigt i deres status og anbefalinger til selvledelse og/eller støtte og pleje.

Vores IBM Research-team udviklede også InterACT, en Cloud-baseret platform inden for rammerne af ProACT. InterACT, bygget oven på IBM Cloud, er afsløret som et sæt af autentificerede tjenester til at administrere afidentificerede sundhedsdata og koordinere samarbejde mellem dataudbydere, dataanalyse (som før nævnt HWProfile) og dataforbruger.

Fremtidigt arbejde ligger i at undersøge modellens kliniske validitet. Vi har observeret effekter mellem variabler i vores foreløbige model, der stemmer overens med den medicinske litteratur. Yderligere udviklinger omfatter også præstationsanalyse af metoden for et større netværk, medtagelse af den tidsmæssige dimension og forskellige stikprøvefrekvenser pr. variabel. HW-profilmodellen vil blive evalueret i forbindelse med det yderligere arbejde omkring anbefalingssystemer udviklet inden for ProACT-projektet.