Valutare i dispositivi indossabili per gli avvisi di fibrillazione atriale

Recentemente, i dispositivi che monitorano la salute, come smartwatch e fitness tracker, sono diventati comuni. Questi gadget possono avvisare gli utenti su potenziali problemi cardiaci, come la Fibrillazione Atriale (FA), analizzando i dati del cuore. Anche se questi dispositivi indossabili vengono controllati prima di essere venduti per assicurarsi che funzionino correttamente, c'è ancora poca informazione su come si comportano una volta che la gente inizia a usarli nella vita di tutti i giorni.

Un grosso problema è che i sistemi di codifica medica attuali non includono termini relativi ai dispositivi indossabili. La maggior parte della ricerca medica si basa su codici diagnostici usati per la fatturazione, ma questi sistemi non menzionano come vengono usati gli indossabili. Questo significa che informazioni importanti spesso mancano dalle cartelle cliniche elettroniche (EHR), e tanti dati provengono da fonti non strutturate come le note dei dottori, che possono essere difficili da analizzare.

Grazie a nuovi metodi di deep learning e elaborazione del linguaggio naturale (NLP), i ricercatori sono riusciti a migliorare il modo in cui classificano le Note cliniche. Questi metodi hanno mostrato risultati migliori rispetto alle tecniche più vecchie che si basavano su regole specifiche. Tuttavia, impostare sistemi di deep learning richiede tanti dati che richiedono tempo e denaro per essere preparati. Serve un modo migliore per raccogliere e analizzare queste informazioni in modo efficiente.

#Obiettivi dello studio

Questo studio aveva lo scopo di creare un metodo per monitorare come i dispositivi indossabili performano nel rilevare avvisi di FA. Il primo obiettivo era testare due approcci per creare un set di addestramento per classificare le note cliniche: uno che si basava su codici esistenti e un altro che usava prompt per modelli di linguaggio ampi (LLM). È stato creato un modello di etichettatura per identificare se una nota menziona il dispositivo indossabile di un paziente che fornisce avvisi di FA.

Il secondo obiettivo era utilizzare questo modello di etichettatura per addestrare un classificatore che rileva le menzioni di FA nelle note cliniche. Infine, lo studio mirava a riassumere le caratteristiche dei pazienti identificati da questo classificatore e confrontarli con quelli che non hanno ricevuto avvisi relativi alla FA.

#Metodi

#Identificazione del gruppo

Per trovare dati pazienti adatti, i ricercatori hanno usato il Stanford Medicine Research Data Repository, che ha registri elettronici di vari accessi a Stanford Health Care. Hanno cercato note che menzionavano dispositivi indossabili, risultando in migliaia di note da molti pazienti. Per seguire le linee guida della FDA, hanno escluso pazienti più giovani, riducendo il tutto a poco più di cinquantaseimila note da circa ventunomila individui.

#Etichettatura manuale

Di queste note, seicento sono state etichettate manualmente per testare il modello di etichettatura e il classificatore. I ricercatori miravano a garantire diversità e copertura selezionando una nota da individui scelti casualmente. Due scienziati dei dati hanno esaminato e etichettato indipendentemente queste note, risolvendo eventuali differenze con medici. Una nota è stata segnata come positiva se indicava chiaramente che il paziente aveva ricevuto un avviso di FA dal proprio dispositivo indossabile o se aveva effettuato una misurazione che ha portato a una diagnosi.

Seicento note aggiuntive sono state etichettate per sviluppare il modello di etichettatura, seguendo linee guida specifiche create durante la preparazione del set di test.

#Sviluppo del modello di etichettatura

I ricercatori hanno sviluppato due strategie per creare il modello di etichettatura per classificare le note.

1. Etichettatura basata su codici: Questo metodo ha utilizzato la programmazione per creare regole basate sul linguaggio delle note. Le funzioni di etichettatura, che descrivevano diversi modi in cui le notifiche di FA possono essere menzionate, sono state sviluppate nel corso di alcune settimane. L'efficacia del modello è stata valutata in base ai risultati ottenuti dall'esecuzione su un dataset.

2. Etichettatura basata su prompt: In questo metodo, i ricercatori hanno utilizzato LLM e presentato note in prompt in linguaggio naturale. Questo approccio ha permesso al modello di comprendere il contenuto di una nota e assegnare etichette di conseguenza. Anche se questo modello ha impiegato solo un giorno per essere creato, ha raggiunto prestazioni simili al modello basato su codici.

I modelli sono stati testati per assicurarsi che fossero accurati, con aggiustamenti fatti in base a metriche di prestazione.

#Sviluppo del classificatore

Utilizzando le note etichettate dal modello di etichettatura, i ricercatori hanno addestrato un classificatore chiamato Clinical-Longformer. Questo classificatore è stato ottimizzato per identificare note che menzionavano avvisi di FA in base al loro contenuto. I ricercatori hanno valutato varie dimensioni del set di addestramento e hanno scoperto che, man mano che il set di addestramento cresceva, le prestazioni del classificatore miglioravano significativamente.

Il classificatore con le migliori prestazioni ha identificato un gran numero di note come contenenti eventi di pre-diagnosi di FA.

#Studio retrospettivo del gruppo

Con i risultati del classificatore, i ricercatori hanno identificato pazienti che hanno ricevuto avvisi di pre-diagnosi di FA e hanno condotto uno studio confrontando questi pazienti con quelli che non hanno ricevuto. Hanno esaminato fattori come età, storia medica e dati demografici. L'attenzione era rivolta ai pazienti che non avevano una diagnosi precedente di FA.

I ricercatori hanno stabilito le caratteristiche dei pazienti al momento della nota indice. Tra quelli che ricevevano avvisi, una percentuale significativa aveva punteggi che indicano la necessità di terapia anticoagulante, suggerendo che una rilevazione precoce potrebbe portare a una migliore pianificazione del trattamento.

#Riassunto dei risultati

I risultati hanno rivelato che i pazienti che ricevevano avvisi di FA tendevano ad essere più anziani e avevano più problemi di salute rispetto a quelli che non ricevevano avvisi. C'erano differenze di razza e genere anche tra i pazienti che ricevevano avvisi dai dispositivi indossabili.

Inoltre, molti pazienti che ricevevano un avviso indossabile erano più propensi a ricevere una diagnosi clinica reale poco dopo, indicando il potenziale impatto della tecnologia indossabile sulle interventi sanitari.

#Discussione

Lo studio evidenzia il potenziale dei dispositivi indossabili nel migliorare la diagnosi precoce della FA. Monitorando in modo efficiente come questi dispositivi performano, i fornitori di assistenza sanitaria possono comprendere meglio la loro influenza sui risultati dei pazienti. L'uso di supervisione debole per sviluppare un sistema che monitora i dispositivi indossabili è un passo importante nell'ottimizzazione della cura dei pazienti.

Le pubblicazioni attuali si concentrano principalmente su quanto bene questi dispositivi rilevino problemi di salute prima di essere commercializzati, mentre questa ricerca sottolinea la necessità di una valutazione continua del loro utilizzo reale e dell'efficacia.

Con l'aumento dell'uso di dispositivi indossabili, è essenziale un framework strutturato per monitorare le loro prestazioni. Gli avvisi precoci dai dispositivi indossabili potrebbero portare a interventi medici più tempestivi e a migliori risultati di salute per i pazienti.

#Conclusione

In conclusione, questo studio ha dimostrato con successo come un nuovo metodo possa essere utilizzato per monitorare le prestazioni dei dispositivi indossabili che forniscono avvisi precoci per la fibrillazione atriale. L'approccio di combinare strategie basate su codici e basate su prompt mostra potenziale per migliorare la cura dei pazienti facilitando l'identificazione e l'analisi delle note cliniche pertinenti. La continua ricerca e implementazione di tali sistemi potrebbe trasformare il modo in cui i dati sanitari vengono monitorati e utilizzati nella pratica medica quotidiana.