文摘

心脏病的远程监控提供了手段,让患者在连续的监督下。在这篇文章中,我们介绍了设计和实现的远程监控医疗系统心脏衰竭的预测和管理。由三部分组成的系统包括一个patient-end数据收集、医疗数据中心数据存储和分析,以及doctor-end诊断和干预。系统的主要目标是预测心力衰竭(HF)的发生风险确认脑利钠肽的氨基端激素原的水平(中位数水平以上病人)的基础上,改变病人的血压(收缩压和舒张压)和体重测量无创在一个家庭环境。高频和non-HF患者的预测是通过一个结构化的支持向量机(SVM)分类算法。目前的系统,我们也提出了一个计分法来解释高频的长期风险。我们演示了系统的效率试验临床研究的34个样本,其中中位数水平以上病人测试是用来帮助训练预测模型以及检查系统的预测结果。结果显示79.4%的准确性预测高频7天根据每日体重和血压数据获得超过30天。

1。介绍

心力衰竭(HF),通常被称为充血性或慢性心力衰竭(CHF)是一种常见的心脏后引起的症状变得损坏或削弱了心脏疾病如心肌梗塞、冠状动脉、风湿性心脏病(1]。心力衰竭是一种危及生命的疾病和解决它应该被视为一个全球卫生优先级(2]。目前,全世界大约有2600万人生活在高频据统计报告Ponikowski et al。3]。在许多国家,基于高频的研究表明,大约2%的人有高频甚至更高的比例已报告在只有研究[4]。尽管许多先进的技术设计和用于治疗心力衰竭,死亡的风险仍然是今年约35%后诊断(5]。在中国,根据中国心血管疾病报告20136),有450万人生活在心力衰竭的发病率是0.9%个人35至74年。成人世界的人口患有心脏病的不断增长和老龄化7]。

高频是特异性的症状和体征(如呼吸困难、运动不耐受,疲劳,和弱点),通常与其他疾病如肺疾病、贫血、甲状腺功能减退,抑郁,和肥胖8]。一些传统的测试和程序通常用于诊断评估等高频的血液测试,b型利钠肽(BNP) (9]或氨基端片段的激素原法国巴黎(中位数水平以上病人)10)测试、心电图(ECG) (11),胸部x光片(12),超声心动图(13)和冠状动脉造影14]。这些方法需要专业知识的医生,生物学家和临床医生。例如,中位数水平以上病人是一个从内部产生神经激素主要由心室分泌的心脏作为响应的左心室壁拉伸或紧张时发生心衰的发展和恶化。的中位数水平以上病人被发现积极与年龄和肾功能(负相关15]。没有明确的共识出现了中位数水平以上病人的诊断筛查工具,但年龄调整切割点(450 pg / mL患者的< 50年,900 pg / mL患者50到75年,和1800 pg / mL患者> 75年)出现承诺和绩效更严格的审查和确认16]。在临床实践中,中位数水平以上病人测试被认为是一种有效的诊断方法对高频和它提供指导心力衰竭患者治疗或不收缩功能障碍(17]。

已知的文献中,高频通常是一个长期(长期)条件,通常恶化随着时间的推移,(18]。它需要频繁的和昂贵的住院病人的随访监测。心力衰竭患者数量的增加,显然,需要预测心力衰竭的发生,从而为早期干预提供家庭远程监控系统,以避免长期住院或频繁的中位数水平以上病人测试。进一步,降低心衰患者的发病率和死亡率和改善临床结果,其早期预测和长期监测是重要的在决定何时启动特定的疗法,尤其是严重心力衰竭患者,如心脏移植和机械循环支持(19]。因为治疗心力衰竭正在变得更加复杂,努力花在开发更高效的高频预后的风险及其变化,个性化医疗照顾每一个病人的需求和目标协调和沟通,以提供最好的解决方案的治疗。此外,由于不便地理障碍和/或经济约束,远程监控心脏健康似乎是一种很有前途的解决方案,它可以工作在规模提高高频预测和减少病人和医院相关费用。一个重大的挑战,实现远程监测系统是能够收集、存储、收集和处理大量的数据从传感器在一个有效的、健壮的、和自动时尚。另一方面,如何分析收集到的数据来支持心力衰竭诊断或治疗也是一个关键问题。使用传统的中位数水平以上病人的及时诊断心力衰竭通常需要一段住院(或频繁住院),它可能不是适合预测即将发生的临床随访中高频。

实现远程监控的高频和潜在的减少病人住院进行测试,一些生理数据,可以使用非侵入式传感器测量在一个家庭环境是必需的。例如,乔杜里et al。20.]表明,体重的变化先于心力衰竭的住院治疗。海德尔et al。21]发现收缩压(SBP)、舒张压(菲律宾)和脉压(PP、SBP的区别和菲律宾)是瑞士法郎的预测风险。这些研究指出,体重和血压的使用是有前途的预测未来发生的高频和他们起我们的远程监控解决方案的要求。

在本文中,我们目前的设计和实现远程医疗监控系统高频预测。系统设计是一个端到端的解决方案,包括数据收集、数据存储和访问,数据分析,和干预的反馈。高频的系统提供预测估计基于中位数水平以上病人水平血压和体重的变化使用机器学习方法,共有29个特征提取。验证系统的有效性,中位数水平以上病人测试作为一个援助的高频模型预测预后估计和检查结果。有了这个系统,可以远程监控病人的心脏健康。

本文的其余部分组织如下:部分2介绍相关工作在高频的远程监控诊断/预测。部分3系统的概述及其设计原则。节4、数据采集、特征提取和分析,高频预测算法,计算风险评分的高频和飞行员的临床试验。部分5介绍了高频的预测结果和风险评分的计算使用我们的系统和部分6讨论了本研究。最后,部分7总结这项工作。

2。相关工作

传统的远程监控系统在医疗保健的概念通常是通过一个在线交互式语音应答系统。通常收集病人的日常信息,如症状相关,情感,和习惯通过问问题。后来,收集信息然后由临床医生了。乔杜里et al。22)建立了一个大型试验与1653名病人的远程控制,在826年被随机分配接受远程控制和827年接受常规治疗。遥控患者应每天需要六个月。在每次调用期间,病人问一系列的问题对他们的一般健康和心力衰竭症状。结果表明,远程控制策略与大型数据库的多中心试验未能提供一个好处在常规治疗和进一步的战略需要改善高频结果。

Suh et al。23,24)开发了一个系统远程监控瑞郎CHF患者,普遍的生物传感器构成的三层体系结构,一个web服务器,和一个后端数据库。它收购了四个健康相关措施:体重、血压、体育活动,和心脏衰竭自我意识量表(HFSAS) [25),反映了瑞士法郎的最常见的症状和体征。除此之外,他们的系统可以帮助患者指导和反馈通过短信或电子邮件。

其他研究人员使用CardioMEMS26心力衰竭患者心脏传感器(第三类据纽约心脏协会(NYHA)指南(27])进行单盲试验(28]。患者管理的无线植入血液动力学监测系统,收集肺动脉压力。所有患者在治疗和对照组每日压力读数,然后这些测量是通过调制解调器传输到数据库。随后,HF-related住院治疗组降低了37%。潜在的局限性试验包括维护病人的掩蔽和最小化investigator-patient和device-patient交互对高频的影响结果。

心力衰竭疾病管理的概念模型(HFDM)于2014年提出了Andrikopoulou et al。29日]。HFDM包含持续的耐心教育和增强自我保健行为,辅以数据来源于设备诊断。它有三个基本机制:(1)实施策略修改患者的基线风险;(2)监测日益恶化的症状和体征;(3)鼓励病人参与自己的医疗。这个模型已被建议作为一种高频系统地识别风险因素,因此,防止相关死亡率。

Bui和Fonarow30.)看到了一些临床试验和测试不同的高频监测策略。他们提出了一些未来的挑战和机遇等家庭血流动力学监测评估高频监测在一个更广泛的人口和更加多样化的临床设置,更好的定义最优人口监测,长期的可靠性和安全性,研究和分析家庭监控的成本效益。同样,Bhimaraj [31日]做了一个基于证据的审查各种家庭监测系统对于心力衰竭患者,包括监控电话,便携式技术、可穿戴传感器和植入型心律转复除颤器(ICD)或心脏再同步治疗(CRT)设备。他们提到社交媒体的爆炸式增长和智能手机的应用程序可能是一个尚未开发的资源在未来创建一个以病人为中心的系统。

目前,许多远程监控系统存在高频评估,其中一些使用侵入性和植入传感器(28)和其他监控日常信息通过互联网分析高频。我们建议由三部分组成的监测系统不仅建立在现有的技术,还介绍了新功能,规避其不足。远程系统可以实现诊断/心力衰竭的发生和预后提供干预措施对病人自我保健治疗。

3所示。系统概述和设计原则

3.1。系统架构

高频的远程医疗监控系统是由三个部分,如图1。第一部分是patient-end获取数据和发送/接收反馈。它包括非侵入式传感装置用于测量体重和收缩压/舒张压和平板电脑“终端用户”应用程序(应用程序)用于收集问卷答案,与病人交流。第二部分是医疗数据中心,数据从patient-end发送。医疗数据中心存储收集的数据,进行统计数据分析和高频预测,并生成数据统计和专利报道,可以给医生和病人。通过第三部分是doctor-end,病人报告被发送到医学医生可以提供干预措施/建议患者根据(当前和以前的)数据统计和报告。

这三个部分形成一个圆,因此远程医疗监控系统可以实现早期发现高频以及提供及时的干预措施。这个系统有几个显著的特点。首先,它可以评估病人的病情通过智能分析生理数据。其次,它提供了一个实时平台为医生和病人之间的询问和回答问题。第三,它提供了历史追踪患者的心脏健康相关数据和医疗记录。下面是系统的实现相关的更多细节。

3.2。系统硬件和软件

3.2.1之上。系统硬件

如图1该系统包括三个硬件设备:(我)一个电子体重秤测量体重(公斤)。(2)电子血压计测量收缩压(SBP mmHg)和舒张压(菲律宾,毫米汞柱)。(3)平板电脑“Heart-pad”,这是一个平台之间的病人和系统/医生的Android操作系统包括功能收集生理数据从其他两个设备,从病人收集问卷数据,向医生提问(患者),并将反馈发送给病人(由系统/医生)。注意,所有三个硬件设备连接使用嵌入式蓝牙4.0模块。

3.2.2。系统软件

几种不同类型的软件实现实现高频发生的预测。他们是(我)日期收集软件在平板电脑,用于控制体重和血压数据的采集,并自动上传数据到医疗数据中心;(2)问卷一代软件自动生成一定数量的病人每天的问题;(3)预测软件,采用数据挖掘算法结构(包括特征提取和支持向量机(SVM)分类)来分析历史数据和预测未来高频发生的可能性,之后计算得分表明心力衰竭的风险(见部分4.2);(iv)报告软件可视化数据并生成报告传递给患者,其中每个报告包括,例如,调查问卷统计,每日体重和血压的变化(SBP和菲律宾),心力衰竭风险评分(hfr)变化,和建议通过医生和/或系统本身;(v)医患交互软件,它提供了一个实时平台为医生和病人之间的询问和回答问题。

3.2.3。图形用户界面

在系统中,我们设计两个图形用户界面(gui),一个用于病人(patient-end)和其他医生(doctor-end)。(我)病人GUI:图2病人的GUI显示了一些示例页面,实现一个基于android系统的平板电脑。在主页面,病人可以看到不同的功能系统的执行(图,选择他们想要的东西2(一个))。例如,他们可以测量体重和血压通过语音指令(图2 (b)网络(图),回答问题2 (c)),或者读报告与建议(图生成的系统或医生2 (d))。(2)医生GUI:一些示例页图所示3,医生可以通过桌面计算机登录到系统(图3(一个)(图),搜索和管理病人3 (b)(图),检查病人的数据3 (c)),并立即与病人沟通,他们从他们的病人(图可能接收消息3 (d))。

4所示。心脏衰竭预测和心脏衰竭风险评分

4.1。高频预测

以下4.4.1。生理数据

正如上面提到的,我们考虑生理数据包括体重,SBP和菲律宾每天连续发生心力衰竭的风险预测7。预测是基于建模在30天内收集的目的。检查我们的预测模型,病人需要归类为有或没有根据他们的年龄调整高频发生的高风险中位数水平以上病人获得7天之后30天的血压和体重监测。因此,高频的预测是一个二进制(预测)分类问题,即高频和non-HF病人分类使用过去的数据。图4比较了体重、SBP和一段类似30天为高频和non-HF病人。它说明了体重的变化,SBP和菲律宾对心力衰竭患者似乎比non-HF患者。

4.1.2。问卷调查

除了生理数据,远程医疗监控系统还收集问卷数据,5到8问题(即被发送到病人。Heart-pad终端)。问题是选择从一个大问卷池100多个问题。选择的问题是医生或护士根据病人的病史。病人被要求作出回应和答案然后自动上传到医疗数据中心。使用问卷是协助医生与理解的客观数据,提供建议,并为进一步的行为提出建议。一些例子的问题与心力衰竭症状和确认为相关基于医学临床实践的数据如下所示。

问卷调查的一个例子(1)你遭受缺乏胃口吗?(2)你汗还是感到恶心吗?(3)你经验说话突然混乱或有困难吗?(4)你经验严重头痛吗?(5)你有气短(呼吸困难)吗?(6)你觉得疲劳吗?(7)你有物理限制或限制吗?(8)你有抑郁症的症状,的活动失去兴趣,改变睡眠,损失的能量,和绝望的感觉吗?

4.1.3。预测框架

获得生理数据,我们设计了一个框架来自动预测/心力衰竭的发生和测试我们的分类器进行分类。它包含一个训练和一个分类阶段。在训练阶段,从训练数据中提取一组特性,用于训练分类模型。在分类阶段,特征提取和分类是基于训练模型来执行的。之后,结果与测试样本的注释。预测框架见图与不同的块5。

4.1.4。特征提取和区别的能力

为了预测心力衰竭的发生,我们提取共有29个特征的高频特性。从体重,SBP菲律宾,PP(脉冲压力,计算是SBP和菲律宾)之间的差异值在一段时间内。表1列出所有的29特性和定义。

重要的是要理解哪些特性检测高频信息更丰富。量化的特性区别的能力,Mahalanobis距离(MD)指标(32可以使用)。一个特性,它计算绝对的标准化指的是两个类之间的区别。的医学博士的计算公式 在哪里是意味着积极的类,是负类的意思,总体标准偏差。MD意味着更大的功能是分离的两个类包含更多的信息。注意,我们考虑高频和non-HF积极和消极类,分别。

4.1.5。预测模型

如上所述,一个著名的结构化SVM分类器(33)是用来分类高频和non-HF病人在这工作。支持向量机训练原理是找到最优线性超平面,这样看不见的样本是最小化预期分类错误。这里分类的支持向量机内核是一个多项式与订单3。更详细的结构的支持向量机分类算法可以找到其他地方(33]。

4.1.6。评价指标和交叉验证

这项工作中所使用的分类性能的评价指标包括总体精度、灵敏度(或召回),特异性和精确度(或阳性预测值,PPV)。整体精度计算正确分类患者总数的比例的患者;特异性是一种测量,指示正确分类的比例实际底片;灵敏度是正确分类实际阳性的比例;和精确计算为真阳性的比率为真阳性+假阳性。这些指标可以从混淆矩阵(表计算2)生成基于分类结果等(我)精度= (TP + TN) / (TP + TN + FP + FN)×100%;(2)敏感性= TP / (TP + FN)×100%;(3)特异性= TN / (FP + TN)×100%;(iv)精度= TP / (TP + FP)×100%。

此外,接受者操作特征(ROC)曲线(绘制敏感性与1 -特异性)的结果可以用来提供一个概览的分类器的性能。一般来说,一个更大的ROC曲线下的面积(AUROC)对应于一个更好的性能。

验证分类器没有偏压预测结果,我们应用一个分析交叉验证(LOOCV) 34个迭代。在LOOCV的每一次迭代过程中,33名患者被用来训练分类器,剩下的一个是用于测试。上述评价指标然后计算LOOCV后根据分类结果。

4.2。心力衰竭风险评分

为了给病人提供有意义的信息关于他们的心力衰竭的风险,我们创建一个可以量化的评分系统高频的未来发生的风险,产生一个高频风险评分(hfr)。事实上,结构化的SVM分类器时也提供了后验概率分配类决策。这个后验概率表示样本的概率被分类为一个特定的类,该协会与心力衰竭的发生的可能性。因此,这个输出可以用来生成一个分数表明心力衰竭的风险。

这项工作分析的基础上提出了确定hfr值(即分类结果。特异性和敏感性)。我们使用一个简单的分段线性函数和阈值的三个“水平”(1 - 3)映射后验概率变成hfr从0到100不等。第一级的后验概率范围应该确保所有的患者他们的后验概率落在这个范围内正确归类为non-HF,表明高频的低风险。同样,第三层次的后验概率范围应该确保所有的病人他们的后验概率在这个范围内正确归类为高频,表明心力衰竭的风险很高。外的其他后验概率值第一和第三层次范围在第二层次,指示一个中度心衰的风险,可能发生误分类。的目的使用hfr介于0到100之间是提供一个全面的得分给病人,这样他们可以很容易地理解和评估其风险水平。

4.3。一个试点研究

评估我们的系统,一个飞行员执行临床试验基于共有34个中国患者(18个女性,年龄年)被临床诊断为患有心脏病(冠状动脉、肺动脉或风湿性心脏病、扩张型心肌病、心律失常,或心肌梗死)。心脏病诊断的确认是通过血液检查,胸部x光片、超声心动图、心电图、射血分数、血管造影、心脏电脑断层扫描,和/或磁共振成像。在临床实践中,患者分为有不同的严重程度的心脏功能(从一个d阶段)根据更新的指南的美国心脏病学院/美国心脏病协会(ACC / AHA指南)34),一个病人是在上演一场(高危高频未来但没有结构性心脏病和心力衰竭症状),七是b阶段(结构性心脏病但没有高频迹象或症状),19日在c阶段(与以前或现在根本的结构性心脏病心力衰竭症状),和7在d阶段(耐火高频需要专门的发明或医院支持)。

在本试验研究中,我们不断地测量病人的体重,SBP和菲律宾以及问卷数据每天30天,在测量之前执行他们的早餐在早上为了减少食物摄入量的影响。病人又问来衡量他们的价值中位数水平以上病人在医院6天后(7天),收益率注释22高频和12 non-HF病人。心血管医院,收集到的数据是在山西太原,中国,期间4月到8月间,2014年。远程医疗监控系统的设备与安装的软件提供的Sennotech Inc .)、中国(35]。

在这里,我们考虑了两种预测方案包括预测高频基于生理数据在过去30天,在过去的7天。这个服务调查上使用不同的历史数据长度的影响最终的分类性能。换句话说,我们想知道如果我们可以获得可接受的预测结果当病人参加了远程监控的只有一个星期。正如前面提到的,预测结果验证了中位数水平以上病人测试。本试验研究的目的是初步检查我们的系统从高频预测的有效性和实现的观点。

5。结果

图6显示了歧视的能力(以Mahalanobis距离(MD))的所有29生理特性(基于过去30天计算)。它表明平均和最大的身体重量、每日体重增加超过1和1.5公斤,SBP的数量大于100毫米汞柱,平均值和标准偏差的区别的能力高于其他类似功能。这是因为患者体重增加,更大的每日体重增加,血压和大变化将有更高的可能性为高频发生一个星期后。

如表所示3,我们的系统和一个支持向量机分类器实现了79.4%的HF预测精度在使用每日体重和血压的措施收集在过去30天,特异性,灵敏度和精确度也提出了。然而,精度下降到67.6%时只使用过去7天的数据,这表明包括更长期的历史数据可以提高预测的性能。这也可以观察通过观察他们的ROC曲线(图7),曲线获得30天的数据更大“ROC曲线下的面积”相比,使用数据从过去7天。

正如之前提到的,hfr得分可以通过转换实现支持向量机后验概率输出hfr值通过一个分段线性映射的方法。基于后验概率和预测结果,我们生成的线性映射的三个不同水平以下。第一级别(一级),后验概率从0到0.15是线性映射到hfr从0到50,特异性为100%。病人分类在此级别的风险低高频和他们被要求继续监视。在第三级(3级)、后验概率0.25和1之间呈正线性相关hfr值在80年和100年之间的敏感性为100%这个范围。这是一个高风险水平,建议患者去医院。第二层次(要求等级2)对应的后验概率之间的线性映射(0.15 - 0.25)和hfr从50到80年,表明中度心衰的风险,病人会收到数据根据他们的反馈和干预措施(生理和问卷)测量数据。在这三个层次,体重和血压也表现不同。表4总结了hfr的水平。

为每一个病人,只要发生高频预计,之后计算hfr hfr的报告(称为hfr报告)得分,一些可视化(体重和血压)的数据,和建议从我们的远程医疗监控系统或从一名医生将交付给他/她Heart-pad通过无线网络连接。图8显示了一个示例的hfr报告。

6。讨论

在我们的临床试验中,我们只有34个病人的初步研究执行。这个小的数据集可能导致限制得到一个准确的高频预测和足够的范围计算hfr的水平。因此,扩大临床试验涉及的专利数量对于未来的研究是必要的。另外,包括更长一段数据(例如,3到6个月)可能有助于提高预测结果和需要的天数来获得一个聚合性能。

虽然预测结果(表3)是远比随机猜测,他们仍然在我们的预期。提取更先进的特性,可以表达更多HF-related病理生理信息的理想在预测其未来的风险,如非线性entropy-based措施单一来源(36和多个来源37]。在这里,基于svm算法用于执行高频和non-HF分类。尽管它是一种先进的算法,并已成功应用在许多不同的领域,其他分类器(例如,逻辑回归,随机森林,和神经网络)仍然值得进一步调查和比较。

我们的监控系统要求患者定期与它交互(每日)。尽管数据收集和传输与病人自动输入,它仍将是一个挑战对病人遵守,即使他们有心力衰竭的风险。病人的依从性与我们系统应进一步研究和分析。减少因病人的变化和之间的日子收集他们的生理数据,我们需要他们来衡量他们的数据在一个固定的时间(即。在早上,午饭前)。然而,这可能导致不便对病人或病人未能测量数据,因此产生缺失的数据。提供替代的时候病人需要收集数据可以帮助解决这个时间效应在我们的预测模型。为此,使用一个较大的数据集,为每个病人测量更多的数据在不同的时间为未来的研究建议。

如上所述,本研究只集中在高频诊断心脏疾病患者。与我们的系统,然而,目前尚不清楚如何同时处理所有的临床资料,其中许多可能导致潜在冲突的警报警报与各种意想不到的并存状况时,产生的药物。例如,对于老年房颤患者和伴随的高频,病原钙通道阻滞剂是第一条件有效但对第二个潜在的危险。

未来发生的高频与中位数水平以上病人在这项研究估计文本。这不是最准确的参数作为一个“真实”的心力衰竭的发生。未来研究必须基于历史的验证我们的系统无创测量数据(体重和血压)有心力衰竭的患者,而不是使用NT-proBNP-based参数,只表明心力衰竭的风险。

最后,由于hfr是基于数据驱动的高频预测结果评分方法,它需要进一步的验证与更长期的临床数据和纠正了医生的专业知识在临床实践中。正如前面提到的,患者加入这项研究包括几种不同类型的心脏疾病过程中应该考虑高频预测在未来的工作中。除了心脏疾病类型,病人可能不统计代表整个人口,民族和病人人口统计数据(例如,年龄和性别)可能会影响预测模型。为了提高高频性能预测,并提供特定的干预措施,实现个性化(预测和干预)系统,分析更广泛的多种族多样化的组织需要进一步调查。

7所示。结论

一个有效的远程医疗监控系统对心力衰竭(HF)预测和管理的设计和实现。系统实现早期预测或预测未来的高频出现,估计未来的中位数水平以上病人水平基于病人的历史数据(体重和血压),数据获得远程使用的设备(例如,一个是基于蓝牙体重秤和血压计)。心力衰竭风险评分(hfr)提出了评估未来的风险发生的高频根据预测结果,hfr评分的设计,使它可以很容易地理解和被病人。这个系统优化早期为患者提供多个建议/干预措施在不同的风险水平。这个端到端系统也可以用来管理病人和他们的数据由医生或系统的数据中心。来验证我们的系统,从34个病人一组真实的数据收集在一个飞行员的临床试验。我们高频预测算法实现了79.4%和67.6%的总体精度在使用收集的数据在30天,7天期间,分别。因此,从临床的角度来看,这个系统承诺帮助减少发病率和死亡率造成的高频,因此改善临床结果。

利益冲突

作者宣称没有利益冲突有关的出版。