Een van de grootste groeiende demografische groepen in de EU zijn personen van 65 jaar en ouder, en tweederde van deze groep verkeert in een situatie van multimorbiditeit, d.w.z., personen die aan twee of meer chronische ziekten lijden. De ineffectieve behandeling van multimorbiditeit is door de Academie voor Medische Wetenschappen genoemd als een urgent probleem dat moet worden aangepakt in een onlangs uitgebracht rapport. Als onderdeel van een door de EU H2020 gefinancierd project genaamd ProACT, ons team bij IBM Research – Ierland werkt samen met partners in de academische wereld en de industrie om nieuwe manieren te vinden om IoT te gebruiken, AI- en cloudtechnologieën om zelfmanagementmogelijkheden en geïntegreerde thuiszorg voor personen met multimorbiditeit (PwM) te bevorderen.

Het ProACT-project onderzoekt manieren waarop draagbare, thuissensoren en tablettoepassingen kunnen worden gebruikt om mensen met multimorbiditeit te helpen, evenals hun ondersteunende acteurs, waaronder mantelzorgers (bijv. familie en vrienden), formele zorgverleners en gezondheidswerkers (inclusief artsen en verpleegkundigen), een combinatie van aandoeningen te behandelen, waaronder chronisch hartfalen (CHF), diabetes en chronische obstructieve longziekte (COPD).

Het project omvat proof-of-concept-proeven in Ierland en België, waarbij de nationale gezondheidsdiensten betrokken zijn, met een aantal patiënten uitgerust met draagbare en thuissensoren, en hun ondersteunende acteurs. De proeven beginnen nu. Patiënten leren de ProACT CareApp te gebruiken, die de metingen van de sensoren verzamelt en de PwM's en hun ondersteunende actoren in staat stelt hun status te controleren, en stelt ook educatieve video's en tutorials voor die zijn afgestemd op de behoeften van zelfmanagement. De gebruikersinterface van de ProACT CareApp is mede ontworpen met de betrokkenheid van PwM's om het gebruiksgemak te garanderen. Het belangrijkste doel van ons onderzoek is om de verzamelde gegevens te gebruiken om een ​​holistisch model van PwM te ontwikkelen dat kan worden gebruikt om de gezondheid en het welzijn van PwMs te monitoren en te voorspellen.

In het kader van ProACT bouwt ons Health &Person-Centred Knowledge Systems-team in Dublin een holistisch model voor personen met multimorbiditeit, gebruik van gegevens over voorwaarden, vitale zaken, zelfrapportages en gedragsbeoordelingen. Het model is gebaseerd op een Bayesiaans netwerk, een probabilistische grafische tool die op grote schaal is toegepast in de ondersteuning van beslissingen in de gezondheidszorg. Het vertegenwoordigt de probabilistische afhankelijkheid tussen verschillende variabelen, waarmee men de meest waarschijnlijke toestand van een variabele kan voorspellen door de toestand van andere variabelen te kennen. Het maakt het een veelbelovende techniek om te helpen bij de uitdagingen van multimorbiditeit.

In onze MIE 2018 (Medical Informatics Europe) conferentiepaper "Een analytische methode voor multimorbiditeitsmanagement met behulp van Bayesiaanse netwerken, " presenteren we onze analyse genaamd Health and Wellness Profile Builder (HWProfile), dat wordt getest tijdens de ProACT-trials. HWProfile is een AI-model gericht op het representeren van een PwM via verschillende onderling verbonden dimensies:demografie, medische factoren, zelfrapportages en gedragsfactoren. De toestand van de PwM wordt beoordeeld via de sensoren en zelfrapportagevragenlijsten die via de ProACT CareApp worden afgenomen. Dagelijkse vragen zijn een waardevolle methode om een ​​breed scala aan zelfrapportage-informatie te verzamelen, zoals kortademigheidsscores voor COPD en CHF, stemmings- en angstniveaus of informatie over therapietrouw.

Om het HWProfile-model te ontwikkelen, hebben we variabelen geselecteerd die verschillende dimensies bestrijken:gezondheid/medisch, levensstijl, psychologisch, welzijn, sociaal en gedrag, samen met het identificeren van het waardenbereik dat deze variabelen kunnen bereiken. Vervolgens moest het model de voorwaardelijke waarschijnlijkheidsrelaties tussen de variabelen machinaal leren, structureel gezien, ook vanuit een numeriek oogpunt. Hoe geslacht, leeftijd en lijden aan artritis invloed op het valrisico? Wat is het verwachte voordeel van het verhogen van fysieke activiteit op pijnniveau voor vrouwen met COPD? Dit zijn het soort vragen dat HWProfile kan helpen oplossen.

We hebben het model getraind met behulp van gegevens die zijn geëxtraheerd uit TILDA, een open dataset verzameld uit een longitudinaal gezondheidsonderzoek van de oudere Ierse bevolking, onder leiding van Trinity College. In de TILDA-studie 8504 personen ouder dan 50 jaar namen deel aan een zelf ingevulde vragenlijst, een computerondersteund interview en een gezondheidsbeoordeling. Om de methodologie op een klein model te testen, ons team selecteerde 12 variabelen uit deze dataset, rekening houdend met de doelgroep en aandoeningen die in de ProACT-onderzoeken worden behandeld en de gebruikte methoden voor het verzamelen van gegevens:bloeddrukbewaking, schaal, activiteitenvragenlijst. Dit getrainde model werd gebruikt als basis om HWProfile te ontwikkelen (zie figuur 1).

Om het Bayesiaanse netwerkmodel te verkennen, we hebben een intuïtieve en interactieve gebruikersinterface gebouwd. Variabelen en de bijbehorende niveaus zijn gegroepeerd op kleurgecodeerde categorieën (zie afbeelding 1). Het Bayesiaanse netwerk laat zien hoe variabelen elkaar beïnvloeden. De discrete kansverdelingen die overeenkomen met elke variabele zijn gegroepeerd in vakjes op het interactieve risicopaneel (rechts van figuur 1). Voor een bepaalde variabele, de marginale kansen van elk mogelijk niveau worden zowel in procenten als via een horizontaal staafdiagram op de achtergrond aangegeven.

De gebruiker kan een "geobserveerd" niveau toewijzen aan elke variabele, door op het niveau te klikken. De hele reeks marginale kansen wordt vervolgens bijgewerkt om deze waarnemingen weer te geven. Door nogmaals op een waargenomen variabele te klikken, keert deze terug naar de niet-geobserveerde staat, met weergegeven marginale kansen. Figuur 1, Rechtsaf, toont de interface nadat Leeftijd is ingesteld op 'boven 70' en Cholesterolniveau op 'Meer dan 5 mmol/L'. De resulterende verandering in kansen voor alle verbonden variabelen, zoals hypertensie, direct te zien.

Het HWProfile-model biedt een verscheidenheid aan resultaten, waaronder probabilistische schattingen voor alle niet-geobserveerde variabelen wanneer een nieuwe waarneming wordt gedaan. Deze outputs kunnen worden ingevoerd in andere analyses van het ProACT-systeem, die een doel en onderwijsaanbeveling bevatten, een waarschuwingssysteem en een conditie-exacerbatiemonitor. Ons AI-model is erop gericht om alle beschikbare informatie over de PwM in het kader van ProACT te benutten om inzicht te krijgen in hun status en aanbevelingen voor zelfmanagement en/of ondersteuning en zorg.

Ons IBM Research-team heeft ook InterACT ontwikkeld, een Cloud-based platform in het kader van ProACT. InterACT, gebouwd bovenop IBM Cloud, wordt weergegeven als een reeks geverifieerde services om geanonimiseerde gezondheidsgegevens te beheren en de samenwerking tussen gegevensproviders te coördineren, data-analyse (zoals eerder genoemd HWProfile) en dataconsument.

Toekomstig werk ligt in het onderzoeken van de klinische validiteit van het model. We hebben in ons voorlopige model effecten tussen variabelen waargenomen die overeenkomen met de medische literatuur. Verdere ontwikkelingen zijn onder meer prestatieanalyse van de methode voor een groter netwerk, opname van de temporele dimensie en verschillende bemonsteringsfrequenties per variabele. Het HW-profielmodel zal worden geëvalueerd in samenhang met de aanvullende werkzaamheden rond aanbevelingssystemen die binnen het ProACT-project zijn ontwikkeld.