نظارت بی سیم و شاخص پیش بینی کننده سازگار در زمان واقعی وخیم

برای کمک به هشدار زودهنگام وخامت در کودکان بستری ، امکان جمع آوری داده های فیزیولوژیکی بی سیم مداوم را با استفاده از Lifetouch (ضربان قلب مشتق از ECG و میزان تنفس) و مچ پاس 2 (پالس اکیمتری و سرعت پالس مشتق شده) بررسی کردیم. ما نمره هشدار اولیه کودکان (PEW) و یک رویکرد خودکار یادگیری ماشین را مقایسه کردیم: یک شاخص پیش بینی کننده سازگار در زمان واقعی وخامت (RAPID) برای شناسایی کودکانی که وخامت بالینی قابل توجهی دارند. 982 بیمار در طی 1،263 جلسه نظارت بر 7،073،486 دقیقه کمک کردند. نسبت زمان نظارت در نظر گرفته شده برای LifeTouch 93 ٪ و 55 ٪ برای Wristox2 بود. داده های بالینی معتبر 63 ٪ از زمان نظارت در نظر گرفته شده برای LifeTouch و 50 ٪ Wristox2 بود. 29 بیمار 36 وخامت بالینی معنی دار را تجربه کردند. شاخص سریع وخامت قابل توجهی را بیشتر (77 ٪ به 97 ٪) و زودتر از نمره Pew 9/26 ≥ تشخیص داد. حساسیت بالا و ارزش پیش بینی منفی برای شاخص سریع با ویژگی کم و ارزش پیش بینی مثبت پایین همراه بود. نتیجه می گیریم که جمع آوری داده های فیزیولوژیکی معتبر بالینی به صورت بی سیم برای 50 ٪ از زمان نظارت در نظر گرفته شده امکان پذیر است. شاخص سریع قبل از نمره پیو وخامت بیشتری را مشخص کرد ، اما ویژگی کمتری دارد. با استفاده از شاخص سریع با سیستم Pew ممکن است برخی از وقایع تهدید کننده زندگی جلوگیری شود.

مقدمه

سیستم های هشدار اولیه کودکان (PEW) باعث کاهش بدتر شدن بالینی دیر یا کشف نشده توسط برخی از کودکان بستری 1،2،3 شده است. پس از معرفی نمره Pew کنار تختخواب در بیمارستان کودکان بیرمنگام ، یک تیم چند رشته ای فرصت های از دست رفته را شناسایی کرده و نظارت مداوم تری را برای تجسم روندها و زنگ خطر هوشمندانه برای تشخیص قبلی خراب توصیه می کند.

نظارت مداوم و متناوب منجر به شناسایی زودهنگام وخامت بیمار ، افزایش فعال سازی پاسخ سریع و پیشرفت در کامل بودن مستندات علائم حیاتی 4،5 شده است. مانیتورهای استاندارد به سنسورها نیاز دارند که برای بیماران سخت باشند و برای استخراج داده ها برای تجزیه و تحلیل پیشرفته 6 به نرم افزار اضافی نیاز دارند. نظارت بی سیم یک راه حل بالقوه راحت تر و اقتصادی را ارائه می دهد اگرچه دقت ، استمرار ، تحمل بیمار و مدیریت انرژی 7،8 به چالش کشیده است. تعدادی از سنسورها و سیستم های نظارتی توسعه یافته و نشان داده شده است که امکان پذیر است اما تعداد کمی از آنها به اندازه کافی توسعه یافته و در آزمایشات بالینی بزرگ 7،8،9،10،11،12،13،14،15 آزمایش شده اند. مزیت نظارت مداوم تر برای بیماران بخش این است که می توان از روندها و تجزیه و تحلیل داده های بزرگ برای بهبود تشخیص 16،17،18 استفاده کرد. هدف این نیست که هشدارهای هوشمند جایگزین نظارت بالینی شوند بلکه علاوه بر سیستم های فعلی برای پشتیبانی و افزایش تصمیم گیری 19،20،21 از آنها استفاده می شود.

نه نظارت مداوم بی سیم و نه هشدارهای هوشمند یکپارچه در زمینه بخش های کودکان گزارش نشده است. این مطالعه امکان جمع آوری نظارت به اندازه کافی مفید بی سیم و امکان سنجی زنگ هوشمند در زمان واقعی را برای ارزیابی اینکه آیا این فناوری در سطح بالینی قابل قبول است ، آزمایش می کند. این گزارش استخدام مطالعه ، مدت نظارت بی سیم و شناسایی وخامت بالینی قابل توجه در مقایسه با نمره Pew را ارائه می دهد.

مواد و روش ها

مطالعه و جمعیت

این مطالعه در بیمارستان کودکان بیرمنگام ، یک بیمارستان متخصص کودکان ثانویه ، سوم و کواترنر در دو بخش از 36 تختخواب از نوامبر 2015 تا مارس 2018 انجام شد. بیماران در این مطالعه دارای شرایط قلبی و غیر کاردیسی سنوتیک و اکسینوتیک بودند و برای آنها بستری بودند. رویه های انتخابی و مراقبت های اضطراری. سطح مراقبت های ارائه شده در این زمینه عبارتند از: نظارت متناوب ، نظارت مداوم ، اکسیژن مداوم جریان خون رطوبت مداوم (HHFO) ، فشار مداوم هوایی مثبت بینی (CPAP) ، تزریق داروهای فعال وازو فعال (پروستاگلاندین ، دوبوتامین و میلرینون) و داخلی یا خارجی یا خارجیپشتیبانی از سرعت ساز. بیمارانی که نیاز به پذیرش فوری مراقبت ویژه کودکان (PICU) دارند ، اغلب در سطح بالایی از پشتیبانی (سطح دو مراقبت ویژه کودکان) 22 قرار دارند.

طرح مطالعه

قبل از شروع جمع آوری داده ها ، یک طرح مطالعه کوهورت آینده نگر با پروتکل تجزیه و تحلیل تهیه شد. تصویب کمیته اخلاق تحقیقات جنوب غربی (SWREC 13/SW/0001) برای کودکان برای پوشیدن دو سنسور بی سیم اضافی به دست آمد. پرستاران تحقیقاتی برای به دست آوردن رضایت آگاهانه آینده نگر ، به کودکان و نوجوانان و والدین یا سرپرست قانونی در بخش های مطالعه نزدیک شدند. تمام روشها مطابق با راهنمایی تنظیم اخلاقی و تنظیم داده ها انجام شد.

معیارهای صلاحیت

همه کودکان ، از بدو تولد تا 17 سال ، با یا بدون تشخیص اولیه قلبی ، به جز کسانی که نیاز به ضربان ساز دارند و کسانی که در آنها رضایت آگاهانه ای حاصل نمی شود ، واجد شرایط بودند.

انتقال داده ها

WiFi در بخش تأیید شد که کافی است و از پهنای باند دستگاه پزشکی استفاده شده است. سیستم موتور مشخص شده بیمار CE (Isansys ، آکسفورد ، انگلیس) برای 36 تخت در دو بخش تأسیس شد. این سیستم شامل یک دروازه (قرص اصلاح شده سامسونگ) در هر فضای تخت و یک سرور داده در پشت فایروال بیمارستان امن بود. سنسورها و دروازه برای یک بیمار خاص ثبت شده اند. دروازه های کنار تختخواب دارای یک صفحه نمایش گرافیکی ساده برای تأیید جمع آوری داده ها بودند. داشبورد برای مشاهده داده های بیمار سطح بالا و پایین با استفاده از نمودار سیستم آشنا Pew تهیه شده است. از دو سنسور بی سیم مشخص شده استفاده شد. Lifetouch (Isansys ، آکسفورد ، انگلیس) ضربان قلب مشتق از ECG (HR) و میزان تنفس (RR) را اندازه گیری کرد. مچ دست 2 (Nonin ، Plymouth ، MN) پالس اکسی متری اندازه گیری کرد (SPO₂) و نرخ پالس مشتق شده (PR). داده ها هر دقیقه توسط دندان آبی کم برق به دروازه ها منتقل می شدند. موقعیت سنسور برای تأیید جایگاه صحیح با استفاده از شکل موج ، بررسی شد.

جمع آوری داده ها

داده ها به صورت آینده نگر در استخدام بیمار ، جمعیت شناسی و نتایج بالینی جمع آوری شد. کمیت ، کیفیت و دقت داده های فیزیولوژیکی در طول مطالعه اندازه گیری شد. برای محاسبه داده های بالینی معتبر ، ما برای هر پارامتر از فیلترهای گسترده استفاده کردیم تا سر و صدای فنی را حذف کنیم. اگر مقادیر خارج از محدوده: HR بودند ، داده ها حذف شدند<20/min or HR>300/دقیقه ، RR<5/min or RR>200/دقیقه و SPO₂ <30%. In the absence of a standard for wireless monitoring we chose duration of intended monitoring time with clinically relevant data. We chose the usual 24 h and a longer exploratory 72 h window for identification of deterioration.

نمره پیو

سیستم پیو ما ترکیبی از آموزش ، نمره جمع شده پیو ، استانداردهای نظارت ، آستانه های خاص بیمار و داوری بالینی 23 است. پرستاران مشاهدات را اندازه گیری می کنند و هر یک تا چهار ساعت نمره Pew را اندازه می گیرند و راهنمایی های مربوط به نظارت روتین و پیشرفته را دنبال می کنند. نمره Pew شامل هفت پارامتر است: میزان تنفس ، پریشانی تنفسی ، پالس اکسیمتری ، اکسیژن الهام گرفته شده ، ضربان قلب ، فشار خون سیستولیک و زمان پر کردن مویرگی 1،3. نمره پیو از 9 پوند از 26 یا نگرانی قابل توجه باعث ایجاد درخواست برای بررسی PICU می شود. آنها می توانند از تیم پزشکی بیمار ، یک بیمار تحت رهبری پرستار در تیم خطر (بخشی) ، یک پزشک ارشد PICU یا تیم بازداشت قلبی درخواست کمک کنند. از آستانه نمره Pew 9 برای مقایسه با شاخص سریع استفاده شد.

شاخص سریع

شاخص سریع با استفاده از تکنیک های یادگیری ماشین Bespoke که برای این مطالعه طراحی شده است ، توسعه داده شد. این یک "شاخص غافلگیرکننده" بیمار-سازگار است که معادل دیجیتالی از نمره Pew را نشان می دهد. برای توسعه شاخص سریع ، نمونه ای از 410 جلسه نظارت بر آموزش بیش از 4 ساعت بین ماه مه 2015 و مارس 2016 انتخاب شد. جلسات بیمارانی که وخامت بالینی را تجربه کرده بودند و فقط با داده های فریبنده جلسات را حذف کردند. این الگوریتم در داده های خام ، پر سر و صدا و بدون فیلتر آموزش داده شده ، آزمایش شده و مورد استفاده قرار گرفت تا بتواند در زمان واقعی با داده های واقعی در زندگی کار کند. از نمونه آموزش برای شناسایی "فنوتیپ" بیمار استفاده شد. این فنوتیپ ها گروه هایی از بیماران هستند که HR ، RR و SPO آنها₂با روشی مشابه تعامل داشته و دامنه مورد انتظار را فراهم می کند که در برابر هر بیمار قابل مقایسه است. مشابه محدوده طبیعی مورد استفاده در نمرات Pew. هنگامی که بیماران رو به زوال می شوند ، از خوشه فنوتیپ ها به نمایندگی از رفتار معمولی دور می شوند. شاخص سریع یک اندازه گیری فوری از انحراف بین توزیع احتمال داده های تعامل فیزیولوژیکی بیمار مشاهده شده واقعی و پویایی بیمار مورد انتظار بر اساس داده های فیزیولوژیکی اخیر آنها را فراهم می کند. به طور خلاصه ، روش الگوریتمی شامل مراحل: تهویه سیگنال و استخراج ویژگی ها ، مدل سازی سری زمانی ، خصوصیات عدم تفاوت ، درون یابی یادگیری ماشین ، تجسم داده ها و محاسبه شاخص سریع است. تهویه سیگنال و استخراج ویژگی شامل تأیید داده ها و ایجاد ویندوز بخش های سری زمانی در تمام سنسورها و استفاده از بردارهای مفرد برای از بین بردن وقایع فرکانس بالا غیر فیزیکی است. چند مدل سری چند متغیره خطی پیش بینی کننده برای مدل سازی بردارهای سری زمانی فضایی ویژگی ایجاد شد و باقیمانده ها در یک بازه زمانی برای توصیف اعتبار مجموعه مدل ها استفاده شد. از اندازه گیری تفاوت بین مدل های سری زمانی و داده ها استفاده شد تا استنباط شود که بیوپاتن هر بیمار چقدر متمایز است. این مدل های بیمار در یک طرح ریزی دو بعدی توسط یک رویکرد یادگیری ماشین عصبی با استفاده از تفاوت های مدل برای توصیف پاسخ جمعیت همانطور که از طریق داده های سنسور آنها نشان داده شده است ، تجسم شدند. رفتار جدید می تواند در این توزیع مدل های بیمار از جمعیت منتخب به عنوان مسیرهایی که به مناطق جدید یا پراکنده در این فضای تجسم می پردازند ، مشاهده شود. این نشان دهنده رفتار جدید بیمار بود و برای تعریف "فنوتیپ" بیمار مورد استفاده قرار گرفت. یعنی خصوصیات بیماران به اندازه کافی متمایز با ویژگی های جمعیت مشاهده شده موجود برای تضمین ایجاد "نوع رفتار بیمار" جدید که ما به عنوان یک فنوتیپ تفسیر کردیم. بنابراین فنوتیپ ها دارای یک فضای خصوصیات پزشکی ، نماینده جمعیت بیمار در نظر گرفته شده است. مدل عصبی آموزش دیده ، یک فضای تجسم ایجاد می کند که هندسه آن آموزنده گروه آموزش گروه بیمار است. به طور خاص ، انحنای محلی فضای تجسم نشان دهنده نابرابری داده ها است. هنگامی که بیماران جدید همانطور که در بالا توضیح داده شد به معماری آموزش دیده ارائه می شود ،

اگر رفتار پاسخ آنها از داده های سنسور آنها مطابق با داده های بیمار قبلاً مشاهده شده باشد ، همانطور که در فضای تجسم ضبط شده است ، پس آن بیماران جدید توسط فنوتیپ های موجود به خوبی نماینده هستند. معیار "وضعیت" پزشکی فوری آنها با انحنای محلی در مورد مکان های داده های آنها در فضای تجسم تعیین می شود. این اندازه گیری از انحنای محلی به عنوان یک شاخص "غافلگیرکننده" استفاده می شود ، زیرا نشان می دهد که پاسخ سنسور خاص یک بیمار خاص (یا نه) نسبت به داده های آموزش تاریخی در بسیاری از صدها بیمار است. اینگونه است که شاخص سریع محاسبه می شود. در حالی که پیش بینی داده های بیمار با رفتار تاریخی فنوتیپ های داده های آموزش سازگار است ، شاخص سریع آنها نیز با داده های آموزش سازگار است. با این حال ، اگر داده های جدید بیمار در مناطق جدید پیش بینی شود ، تغییر انحنای و افزایش شاخص سریع افزایش می یابد. افزایش شاخص سریع در این مطالعه به عنوان معیار استرس خاص بیمار و آستانه ای از نظر تجربی تعیین شده برای ایجاد زنگ هشدار برای پرستاران مورد استفاده قرار گرفت.

مشاهده داده های بیمار آموزش ، انتخاب یک مقدار آستانه مناسب از شاخص سریع را برای تشخیص وخامت امکان پذیر می کند. شاخص سریع را می توان به عنوان یک نقشه فرکانس زمان مشاهده کرد یا در 5 دقیقه از شروع نظارت بر روی خوشه فنوتیپ ها در زمان واقعی نقشه برداری شد. اگر انحراف از مسیر پایدار مورد انتظار شدید باشد ، شاخص سریع از آستانه بالاتر خواهد بود و هشدار از طریق داشبورد می تواند بررسی بالینی را توصیه کند. شاخص سریع هنگامی که یکی از سنسورها به طور موقت از انتقال داده های معتبر متوقف شد ، همچنان به نظارت بیماران ادامه می دهد. داده های گمشده را می توان با استفاده از سیگنال های فضای فنوتیپ بیمار برای تهیه سیگنال های مداوم واقع بینانه به مدت 15 دقیقه به وجود آورد.

استاندارد مرجع - خراب شدن بالینی مهم

وضعیت نتیجه هدف وخامت بالینی قابل توجهی بود که شامل ایست قلبی (تعریف شده به عنوان هر ماساژ قلبی) ، دستگیری تنفسی (تعریف شده به عنوان نیاز به حمایت از دستگاه تهویه) ، سایر حوادث تهدید کننده زندگی در بخش و پذیرش های غیر برنامه ریزی شده PICU بود. دو پزشک تحقیقاتی (HD ، BF) کلیه موارد را با وخامت قابل توجهی بررسی کردند و در همه موارد به توافق رسیدند. شروع وخامت به عنوان درمان تشدید شده در بخش از جمله شروع آنتی بیوتیک ها ، شروع پشتیبانی تنفسی یا افزایش از پس زمینه پایدار پشتیبانی ، افزودن داروهای فعال و ضد آریتمی تعریف شده است.

تحلیل آماری

از آمار توصیفی برای توصیف گروه کلی و در نظر گرفتن امکان سنجی نظارت بی سیم استفاده شد. در صورت عدم وجود داده ها برای اطلاع از اندازه نمونه 1200 جلسه انتخاب شد (20 ٪ از 6000 پذیرش پیش بینی شده).

برای مقایسه شاخص سریع و نمره PEW 9 ، جلسات با وخامت بالینی قابل توجهی با تعداد مساوی از بیماران کنترل تصادفی انتخاب شده مقایسه شد. برای مواردی که همه هشدارها مثبت واقعی در نظر گرفته می شدند و افراد بدون هشدار به عنوان منفی کاذب در نظر گرفته می شدند. برای کنترل ، همه هشدارها مثبت کاذب در نظر گرفته می شدند و کسانی که هشدار ندارند منفی واقعی در نظر گرفته می شدند. فراوانی اندازه گیری نمره Pew هر یک تا چهار ساعت است و فرکانس شاخص سریع هر دقیقه است.

برآوردهای اساسی دقت آزمون [حساسیت ، ویژگی ، ارزش پیش بینی مثبت (PPV) و ارزش پیش بینی منفی (NPV)] برای هر دو شاخص سریع و نمره PEW به همراه فواصل اطمینان مربوطه برآورد شد. تفاوت در حساسیت و ویژگی با استفاده از آزمون McNemar محاسبه شد. برآورد PPV و NPV با فرض شیوع واقعی 5. 6 ٪ محاسبه شد ، همانطور که در مطالعه سریع به طور کلی مشاهده می شود. فواصل اطمینان برای برآورد PPV و NPV با استفاده از روش Mercaldo 24 محاسبه شد.

نتایج

جمعیت شناسی