En av de största växande demografierna i EU är individer som är 65 år och äldre, och två tredjedelar av denna grupp är i en situation med multisjuklighet, dvs. personer som lider av två eller flera kroniska sjukdomar. Den ineffektiva behandlingen av multisjuklighet har pekats ut som ett akut problem att ta itu med av Akademin för medicinska vetenskaper i en nyligen släppt rapport. Som en del av ett EU H2020-finansierat projekt kallat ProACT, vårt team på IBM Research – Ireland arbetar med partners inom akademi och industri för att hitta nya sätt att använda IoT, AI och molnteknik för att främja självförvaltningskapacitet och hembaserad integrerad vård för personer med multisjuklighet (PwM).

ProACT-projektet undersöker sätt att bära, hemsensorer och surfplattor kan användas för att hjälpa personer med multisjuklighet, såväl som deras stödaktörer, som inkluderar informella vårdgivare (t.ex. familj och vänner), formella vårdgivare och vårdpersonal (inklusive läkare och sjuksköterskor), hantera en kombination av tillstånd inklusive kronisk hjärtsvikt (CHF), diabetes och kronisk obstruktiv lungsjukdom (KOL).

Projektet inkluderar proof-of-concept-försök i Irland och Belgien, involverar nationella hälsotjänster, med ett antal patienter utrustade med bärbara sensorer och hemsensorer, och deras stödaktörer. Rättegångarna börjar nu. Patienter lär sig att använda ProACT CareApp, som samlar sensoravläsningarna och låter PwM:erna och deras supportaktörer övervaka deras status, och föreslår också utbildningsvideor och handledningar som är skräddarsydda för självförvaltningsbehoven. Användargränssnittet för ProACT CareApp designades tillsammans med PwM:er för att säkerställa enkel användning. Huvudmålet med vår forskning är att använda insamlade data för att utveckla en holistisk modell av PwM som kan användas för att övervaka och förutsäga hälsa och välbefinnande hos PwM.

Inom ramen för ProACT bygger vårt Health &Person-Centred Knowledge Systems-team i Dublin en holistisk modell för personer med multisjuklighet, använda uppgifter om villkor, livsviktiga, självrapporter och beteendebedömningar. Modellen bygger på ett Bayesianskt nätverk, ett probabilistiskt grafiskt verktyg som har använts flitigt i sjukvårdens beslutsstöd. Det representerar det probabilistiska beroendet mellan flera variabler, vilket gör att man kan förutsäga det mest sannolika tillståndet för en variabel genom att känna till tillståndet för andra variabler. Det gör det till en lovande teknik för att hjälpa till med utmaningarna med multisjuklighet.

I vår MIE 2018 (Medical Informatics Europe) konferensartikel "En analytisk metod för multimorbiditetshantering med hjälp av Bayesianska nätverk, "Vi presenterar vår analys som heter Health and Wellness Profile Builder (HWProfile), som testas under ProACT-försöken. HWProfile är en AI-modell som syftar till att representera en PwM genom flera sammanlänkade dimensioner:demografi, medicinska faktorer, självrapporter och beteendefaktorer. Tillståndet för PwM bedöms genom sensorerna och självrapporteringsfrågeformulär som tas via ProACT CareApp. Dagliga frågor är en värdefull metod för att samla in en mängd olika självrapporteringsinformation såsom andnödspoäng för KOL och CHF, humör och ångestnivåer eller information om medicinering.

För att utveckla HWProfile-modellen valde vi variabler som täcker olika dimensioner:hälsa/medicin, livsstil, psykologisk, välbefinnande, socialt och beteende, tillsammans med att identifiera intervallet av värden som dessa variabler kan nå. Sedan var modellen tvungen att maskinlära de villkorade sannolikhetsförhållandena som finns mellan variablerna, ur ett strukturellt perspektiv, såväl som ur numerisk synvinkel. Hur gör kön, ålder och lidande av artrit påverkar risken att falla? Vilken är den förväntade fördelen med att öka fysisk aktivitet på smärtnivå för kvinnor med KOL? Det är den här typen av frågor som HWProfile kan hjälpa till att lösa.

Vi tränade modellen med hjälp av data extraherad från TILDA, en öppen datauppsättning insamlad från en longitudinell hälsostudie av den äldre irländska befolkningen, leds av Trinity College. I TILDA-studien, 8504 personer över 50 år deltog i ett självfyllt frågeformulär, en datorstödd intervju och en hälsobedömning. För att testa metodiken på en liten modell, vårt team valde ut 12 variabler från denna datauppsättning, med tanke på målpopulationen och tillstånden som omfattas av ProACT-studierna och de datainsamlingsmetoder som används:blodtrycksövervakning, skala, aktivitetsformulär. Denna tränade modell användes som bas för att utveckla HWProfile (se figur 1).

För att utforska den Bayesianska nätverksmodellen, vi byggde ett intuitivt och interaktivt användargränssnitt. Variabler och deras associerade nivåer är grupperade efter färgkodade kategorier (se figur 1). Det Bayesianska nätverket visar hur variabler påverkar varandra. De diskreta sannolikhetsfördelningarna som motsvarar varje variabel är grupperade efter rutor på den interaktiva riskpanelen (höger i figur 1). För en given variabel, de marginella sannolikheterna för varje möjlig nivå anges både i procent och genom ett horisontellt stapeldiagram i bakgrunden.

Användaren kan tilldela en "observerad" nivå till vilken variabel som helst, genom att klicka på nivån. Hela uppsättningen av marginella sannolikheter uppdateras sedan för att återspegla dessa observationer. Genom att klicka igen på en observerad variabel återgår den till det oobserverade tillståndet, med marginella sannolikheter som visas. Figur 1, höger, visar gränssnittet efter att ålder har ställts in på "över 70" och kolesterolnivån till "Mer än 5 mmol/L". Den resulterande förändringen i sannolikheter för alla anslutna variabler, som högt blodtryck, kan ses direkt.

HWProfile-modellen ger en mängd olika utdata inklusive probabilistiska uppskattningar för alla oobserverade variabler närhelst en ny observation görs. Dessa utdata kan matas till annan analys av ProACT-systemet, som inkluderar en mål- och utbildningsrekommendator, ett varningssystem och en tillståndsexacerbationsmonitor. Vår AI-modell syftar till att utnyttja all tillgänglig information om PwM inom ramen för ProACT för att ge insikter om deras status och rekommendationer för självförvaltning och/eller stöd och vård.

Vårt IBM Research-team utvecklade också InterACT, en molnbaserad plattform inom ramen för ProACT. Påverka varandra, byggd ovanpå IBM Cloud, exponeras som en uppsättning autentiserade tjänster för att hantera avidentifierade hälsodata och koordinera samarbete mellan dataleverantörer, dataanalys (som tidigare nämnt HWProfile) och datakonsument.

Framtida arbete ligger i att undersöka modellens kliniska validitet. Vi har observerat effekter mellan variabler i vår preliminära modell som överensstämmer med den medicinska litteraturen. Vidareutvecklingar inkluderar även prestandaanalys av metoden för ett större nätverk, inkludering av den tidsmässiga dimensionen och olika samplingsfrekvenser per variabel. HW Profile-modellen kommer att utvärderas i samband med det ytterligare arbetet kring rekommendatorsystem som utvecklats inom ProACT-projektet.