條文本
PDF
文摘
介紹支持自我管理授權檢測早期惡化和哮喘患者及時采取行動減少哮喘發作的風險。智能手機和智能監控設備加上機器學習可以提高自我管理通過預測哮喘發作和提供量身定製的反饋。
我們的目標是開發和評估一個哮喘預測係統的可行性的基礎上收集的數據從一個範圍的智能設備。
和分析方法一個兩階段的觀察研究收集數據後哮喘狀態使用三個智能監控設備,和日常症狀問卷。我們將招募100人通過社交媒體和嚴重哮喘診所,攻擊的風險和使用高壓計量救援劑量吸入器(適合智能吸入器設備)。
後一個月初步的每日症狀問卷,30參與者能夠遵守定期監測將完成6個月使用智能設備(智能流量計,智能吸入器和smartwatch)和日常問卷調查監測哮喘狀態。這一監測的可行性將以任務完成的百分比。哮喘的發生(定義:美國胸科學會/歐洲呼吸學會特遣部隊2009)將被自我報告的使用(或增加)的口服糖皮質激素。他們會分析監測數據確定預測哮喘發作。在監控的結束,我們將評估用戶的觀點可接受性和效用與退出係統的問卷調查。
道德和傳播倫理批準提供的是英格蘭東部——劍橋中心研究倫理委員會。ira項目ID: 285 505與治理協議的批準(學術和臨床研究與發展中心辦公室),項目數量:AC20145。研究發起人協議,愛丁堡大學的。
結果將通過同行評議的出版物報道,抽象和會議海報。公共傳播將圍繞博客和社交媒體從英國哮喘網絡和共享的研究參與者。
- 哮喘
- 衛生信息學
- 信息技術
- 萬維網技術
這是一個開放的分布式條依照創作共用署名非商業性(4.0 CC通過數控)許可證,允許別人分發,混音,適應,建立這個工作非商業化,和許可他們的衍生產品在不同的協議,提供了最初的工作是正確地引用,給出合適的信用,任何更改表示,非商業使用。看到的:http://creativecommons.org/licenses/by-nc/4.0/。
來自Altmetric.com的統計
本研究的優點和局限性
本研究結合了客觀收集的數據來自多個智能監控設備在市場上供應。
分層分析和個性化哮喘預測模型並沒有預期,由於數量有限的參與者和學習時間。
參與者僅限於嚴重哮喘患者急性發作的風險,和那些使用高壓計量劑量吸入器,適合我們的智能設備。
介紹
哮喘是一個變量條件下,影響在英國約有540萬人。1每10年代僅在英國,有人在哮喘發作。這些攻擊是危及生命的超過1400年度死亡人數估計在英國。1 2因為沒有已知的治療哮喘,自我管理是一個關鍵的病人護理的一部分;這涉及到檢測惡化和采取適當行動來維持控製和防止攻擊的威脅。3最常見的症狀,哮喘是哮喘,咳嗽,胸悶,氣短。
傳統的自我管理行動計劃使用症狀評分,有時輔以最大流量測量,以確定患者的哮喘狀況。4 - 6跟蹤一口氣吸入器使用也可以幫助測量哮喘控製。7然而,病人可能認為這種級別的監控是乏味的,因為它涉及到高水平的積極參與他們的一部分。
越來越多的智能監控設備和“已經將移動-健康”(mHealth)技術正在開發支持哮喘自我管理。8一些著名的例子包括myAsthma9和哮喘。10myAsthma存儲個性化的行動計劃,包括教學視頻關於吸入器技術,跟蹤症狀和最大流量,並提供當地天氣預報。AsthmaMD10也有類似的功能來支持自我管理和可以提供定製通知。然而,這些工具仍然需要高水平的積極參與監測哮喘。
已經有越來越多的移動醫療研究預測哮喘發作和發展被動監測哮喘自我管理的支持,11包括使用最大流量的智能儀表,12夜間活動的跟蹤,13日14聰明的吸入器,15smartphone-administrated問卷6 16 17和天氣數據。18 19然而,可用的監控設備的結合使用哮喘患者哮喘預測模型在很大程度上是未知的。此外,雖然有一些研究,探討了使用機器學習算法的慢性疾病管理家庭監控數據中,20.仍然沒有移動醫療係統廣泛采用哮喘病人。進展有限的一個關鍵瓶頸是哮喘監測數據收集的難度和缺乏可用性這樣的數據集從現有的研究。除了移動健康研究哮喘,21沒有其他哮喘移動醫療數據集都公開能夠調查哮喘預測算法的開發和驗證。
一個相關的研究是myAirCoach研究中,22研究哮喘家庭監控使用連接設備中。然而,他們的參與者進行日常監控的第一個月額外的隨機分配了2周,而7個月總共提出了研究。據我們所知,myAirCoach不是公開的數據集,它尚未測試基於任何機器學習算法用於哮喘的預測。23日24
在這項研究中,我們將收集小說哮喘監測數據,以促進哮喘預測算法的開發利用,通過哮喘監測設備市場。本研究也將使我們能夠測試是否不引人注目的,被動監測和機器學習可以幫助減少需要活躍的病人數據收集,同時保持精度預測攻擊。我們設想一個移動醫療係統,利用機器學習與被動監測預測哮喘發作會提高患者依從性,提高患者自我管理。
本研究的首要目標是開發和評估的可行性和可接受性哮喘自我管理係統利用現有的智能設備,收集小說的監測數據,利用機器學習的可行性探索哮喘預測算法基於被動監測。
和分析方法
研究人群
最大化的機會收集數據相關的攻擊在很短的一段時間,我們將關注患者中度到重度的攻擊的風險。兩個關鍵因素是近年來攻擊和患有嚴重哮喘。25日26日我們將關注成人哮喘患者至少有一個的口服皮質類固醇對急性哮喘發作在過去12個月裏,人們參加一個次要嚴重哮喘治療診所。看到表1包含和排除標準。
社交媒體招聘由發送tweets在Twitter和Facebook上發布通過英國和英國哮喘哮喘肺+應用研究中心(AUKCAR)賬戶,總約175 000追隨者。諾福克和諾裏奇大學醫院將幫助識別潛在的合格研究病人和直接他們感興趣的在線信息和表達。
潛在參與者將完成在線問卷調查來確定是否有資格參加。知情同意將通過網上調查收集,收集問卷數據安全的在線平台。潛在的參與者將得到時間閱讀參與者信息表,然後再決定是否參與。
樣本大小的計算
為了實現本研究的目標,我們需要收集足夠的數據需要訓練一個哮喘預測模型。
在英國最佳的病人護理研究數據庫的研究和臨床實踐研究數據鏈接,41%的患者基線中的多個(兩個或兩個以上)攻擊在第二年也多次襲擊。26
基於3098參與者日常監控、錄音(= 30人××30天(保留85%基線,-50%保留6個月27 28 30 31)×85%的依從性29 30)為每個每日測量可以預計在第二階段。預計12記錄哮喘發作,假設平均每參與一個攻擊觀察第二階段的參與者在研究期間的41%。26使用新奇檢測算法iForest(可以訓練即使收集的數據不包括任何攻擊),一個樣本的256記錄或數據點就足夠了。32其他機器學習分類算法也將獲得高精度樣本大小。
招聘策略
使用一個類似的招聘方法,回族等招募了87名參與者僅使用社交媒體,大多數後第一個月內最初的邀請信息,盡管那些繼續使用應用程序的數量下降到15(最初招募參與者總數的17%)後30天。27此外,隻有5%的參與者通過實踐同意加入他們的研究中,參與者總計28從五個實踐。27然而,參與者通過實踐招募的損耗率低,63% vs 83%減少社會媒體的參與者;隻有25%的用戶仍在使用應用程序後30天。27合格標準(≥16年,前一年的哮喘處方,在英國注冊全科醫生(GP))比提出更放鬆標準。然而,這項研究激勵輸入的數據在第一28天給附著參與者進入第二階段(參與者發送智能設備)可能會導致比25%經過30天的參與。監控的堅持4周每日調查問卷和活動監測值超過95%。29日
先前的研究後,英國社會媒體招募參與者通過哮喘(當時的寫作175 000粉絲),大約87名參與者預計將有資格加入這項研究。此外,大約6參與者識別並通過預計將有資格邀請,加入來自諾福克和諾裏奇大學醫院。93年的47人(50%的受訪者)預計完成第一階段。因此,包括30個參與者使用列出的招聘方法是可以實現的。
結果
主要的端點
這項研究的主要終點是堅持監控,這是由使用不同的設備收集的數據。對於每個任務,我們將測量總天完成的百分比。
二次端點
本研究的第二個端點是哮喘發作。主要,我們使用嚴重哮喘發作的定義在美國胸科學會(ATS) /歐洲呼吸學會(ERS)特遣部隊2009的聲明。33的定義如下:
嚴重哮喘發作事件,需要采取緊急行動的病人和醫生,以防止嚴重的結果。這樣的攻擊被定義為一個惡化需要係統性皮質類固醇的使用(或從一個穩定的維持劑量增加)。33
嚴重哮喘發作將確定使用係統性皮質類固醇的使用問題每周自我報告的問卷。課程的糖皮質激素1周或更多的將被視為單獨的嚴重攻擊。
我們還將探索使用中度哮喘發作,ATS /人特遣部隊2009中定義的語句。33的定義如下:
中度哮喘發作是一個事件,當認可,會導致一個臨時改變治療防止攻擊變得嚴重。這樣的攻擊被定義為一個係統性皮質類固醇的惡化,不需要使用。33中度哮喘發作包括惡化症狀,肺功能和/或增加救援支氣管擴張劑使用,持續2天或以上但不嚴重到足以係統性皮質類固醇使用。
中度哮喘發作將確定使用問題緩解吸入器使用,症狀(天症狀、夜間症狀,幹擾正常活動,氣短、氣喘),和計劃外保健(全科醫生,急診和住院治療上)的每日和每周自我報告的問卷。
數據收集
數據收集時間分為兩個階段:
問卷調查監測,每天1個月。
智能設備和問卷調查監測,每天6個月。30參與者保持定期的日記在第一階段將有三個智能設備(智能吸入器,智能流量計,smartwatch)自動收集數據時使用的設備,除了完成每天和每周的問卷。我們將為這一階段選擇參與者的年齡、性別、吸煙狀態,與不同類型的哮喘誘因。
第二階段結束時,我們將發送問卷要求反饋使用智能設備和是否參與者認為他們可能有助於幫助他們照顧他們的哮喘。
我們將使用Mobistudy最集中的數據收集,隻有聰明的吸入器使用和退出問卷不會收集通過Mobistudy(見圖1)。
AAMOS-00係統概述。AAMOS哮喘管理網絡係統。
數據收集手機應用程序(Mobistudy)
Mobistudy34是一個開源平台促進健康管理的研究可以在Android和iOS馬爾默大學、瑞典。平台有三個關鍵組件:參與者的手機應用程序,其他應用程序編程接口(API)服務器,和一個門戶網站的人員(見圖2)。平台支持多種研究和哮喘管理網絡係統的參與者(AAMOS-00)研究將獲得一個邀請碼加入Mobistudy AAMOS-00研究。
Mobistudy係統概述。API,應用程序編程接口。
每個每天和每周的評估,如調查問卷和峰值流量測量,會出現作為一個個體的任務參與者的應用上的主頁(請參閱圖3)。一旦任務完成,它將被刪除從今天的待辦事項列表和數據直接發送到服務器通過電話網絡連接。實時,研究團隊將能夠查看收集到的數據通過研究人員的在線門戶網站。
參與者的應用主頁。AAMOS哮喘管理網絡係統。
第一階段
總共會有四個問卷調查:
每天問卷,要求六個問題對日常經驗的症狀,藥物使用情況和遇到的觸發器。這將需要大約2分鍾才能完成。
每周的問卷,詳細問十個問題關於哮喘的症狀,藥物使用和醫療訂婚。這將需要大約5分鍾才能完成。
11一個問卷調查,詢問問題的第一階段對當前哮喘和曆史條件。
一個問卷調查,詢問五個問題關於種族和吸煙狀況。此外,一些人口統計信息將從Mobistudy概要文件收集的參與者,如身高、體重和年齡。
完成比例(50%)的每日和每周的問卷將被用來確定一個參與者的資格加入第二階段。
第二階段
除了每天和每周的問卷調查(見圖4),在第二階段的參與者將被要求收集數據使用三個智能監控設備:智能流量計(峰值智能哮喘35),FindAir (FindAir之一36)智能吸入器和MiBand3(通過小米37)smartwatch。
問卷由Mobistudy。
參與者將獲得智能流量計峰值最大呼氣流量測量一天兩次,一次在早上,一次在晚上;每個測量需要最好的(見三次圖5)。他們還將應用內提供書麵指示在每組測量使用峰值流量計。此外,參與者通過諾福克和諾裏奇大學醫院招募訓練使用峰值流量計的實踐。智能流量計峰值連接到智能手機,參與者可以使用音頻插口連接或藍牙適配器。
智能流量計峰值的任務。
FindAir一聰明的吸入器高度的高壓計量劑量吸入器,它記錄的時間使用吸入器。設備可以移動到一個新的吸入器如果參與者改變藥物治療。該設備將連接到參與者的智能手機通過藍牙FindAir移動應用,數據將從FindAir服務器和那裏轉移到研究小組使用FindAir的API。在後台數據收集會發生一旦參與者設置他們的移動應用程序和AAMOS-00研究之間的聯係。
使用MiBand3,我們將收集實時數據在心率、步數,活動強度和活動類型。手表將連接到參與者的智能手機通過藍牙和Mobistudy應用。參與者將被要求上傳的數據表每三天至少一次。這也給了一個機會(見用戶查看他們的活動圖6)。
Smartwatch數據。
當地每日天氣預報將使用手機的位置結合獲得的數據開放天氣圖”38和Ambee39API。天氣數據將包括溫度、濕度、雲、風、空氣質量指數和花粉的草、樹和雜草以決議(見1公裏圖7)。
當地的氣象數據。
退出問卷的第二階段
第二階段結束時,將調查收集數據對用戶的可接受性和效用的角度的監控係統。調查結合問卷調查對可用性和驗收(SUS進行驗證40和奧馬爾41),關於動機使用技術(mTEI問題42一個哮喘管理係統)和所需的特性。
看到表2總結研究的活動。
在研究結束時,參與者將補償移動數據的指控可能發生參與這項研究,£每月5。參與者還能繼續使用智能設備的研究。
倫理批準後在2020年12月,我們的目標是2023年6月完成的研究。
數據分析計劃
從使用數據(可行性)
結合使用數據從階段1和2問卷完成和設備使用會計算合規監控製度評估如果是可行的患者在日常生活中使用監控設備。
我們還將使用服務器上的活動日誌,和與病人溝通通過電子郵件,來識別技術的主要技術問題和不足。
可接受性(從調查數據)
最終問卷將主要的數據順序數據,與一些自由文本的答案。免費的文本將被處理的主題文本分析,確定總體可接受性和重複出現的主題出現在反饋。順序數據從答案李克特規模將提供可接受性的措施。
探索哮喘預測(使用監控數據)
嚴重的哮喘發作的報告將被口服皮質類固醇的使用(或增加劑量從正常)。中度和重度哮喘發作將從每日和每周的數據,確定觀察的變化控製的規範持續2天或更多。靈敏度分析將使用不同的特性來定義一個哮喘發作,如住院和最大流量的變化。收集的數據來自參與者退出這項研究將使用到最後錄音。
線性的方法,bin-algorithms將用於整理和生產總結變量在不規則的時間序列和處理缺失數據。6處理數據後,機器學習分類器將被訓練預測哮喘發作。這些分類器將使比較的評價基準設置單獨使用每日調查問卷。6然而,由於參與者的選擇堅持較高的監控在第二階段AAMOS-00研究,縱向研究中收集的數據可能比所收集的數據更完整的廣泛的參與哮喘的移動健康研究。43
使用不同的數據子集和特性,我們將測試的性能預測使用不同模式的監控,如自我報告的數據,僅自我和客觀數據(主動和被動監測),和被動監測數據(見圖8)。我們之前隻使用自我報告數據分析實現曲線下的麵積(AUC) > 0.87,我們預計的性能提高的客觀數據。6
探索哮喘發作的預測。
沒有共識的最優算法分類,以往的研究沒有可比性。11因此,我們采取了一個廣泛的方法使用五個最先進的算法類包括貝葉斯網絡、決策樹、iForest、邏輯回歸和支持向量機。44 45從分類器,嚴重哮喘預測將建在設備上和問卷調查數據,在病人水平和人口水平。同時,特征選擇將用於確定預測模型中的最重要的功能。
此外,如果有足夠的數據,回顧性分析將模擬的影響限製使用積極的監測數據,模擬病人隻有采取積極的測量(如最大流量和症狀日記)當提示。此外,將會有模擬的一般人群使用的樣本數據,在堅持監測低於選擇人口。評估模型建立的性能在這項研究中,我們將使用k-fold交叉驗證。44性能指標將包括常見的機器學習指標如AUC接受者操作特征曲線,敏感性和特異性。
優勢和局限性
本研究結合了客觀收集的數據來自多個智能監控設備在市場上供應。這不僅可以獨立測試監控設備在現實世界中,而且患者能夠繼續使用的設備之外的研究他們發現有用。它還允許其他研究人員複製研究與當前或最新版本的設備。
由於有限數量的參與者,研究期間,分層分析和個性化哮喘發作的預測模型是出乎意料的時候。然而,7個月的日常監控每個參與者將提供深刻的數據。
本研究僅限於嚴重哮喘患者急性發作的風險,以及發現可能不適用於所有人口廣泛的哮喘。此外,隻有參與者使用高壓計量劑量吸入器,適合我們的智能設備能夠加入到研究中,這是英國哮喘的人口的80%左右。46如果有足夠的數據,我們將探索結果通過模擬不同的generalisability堅持監測。
匿名的調查數據將存儲在愛丁堡DataShare(數字存儲庫的研究數據產生了愛丁堡大學的),47這對自己的研究人員可以訪問。
病人和公眾參與
病人和公眾參與(PPI)項目的一部分。這項研究是嵌套在哮喘AUKCAR和回顧了AUKCAR PPI成員。
所有的參與者和麵向公眾和研究目標文件已經審查AUKCAR PPI成員開始之前的研究和相應的編輯。這樣一個接近PPI參與確保材料麵臨的參與者和公共訪問。作為一個例子,我們試圖解釋一些術語(如pMDI)參與者的詳細文檔和添加圖片後壓力計量劑量吸入器的反饋PPI成員。
研究結果的可行性和可接受性將被輸入PPI成員。此外,我們計劃繼續與PPI成員合作開發一個係統,支持哮喘自我管理。
傳播
我們將報告結果在同行評議的期刊出版物和會議報告。傳播結果還將包括AUKCAR網絡博客和社交媒體達成觀眾感興趣的是誰的智能監控設備用於哮喘。
我們也將與研究參與者分享鏈接出版物和總結。
道德
這項研究受到倫理批準英格蘭東部——劍橋中心研究倫理委員會。ira項目ID: 285 505。
數據可用性
在研究結束時,匿名研究數據將存儲在愛丁堡DataShare(數字存儲庫的研究數據產生了愛丁堡大學的)永久。研究人員將能夠訪問和下載數據從網站為自己的研究。
結論
本研究將收集一個重要的和新穎的數據集,在哮喘患者使用多個市場提供移動健康監測設備的組合在現實世界中。我們計劃使用豐富的數據集來提高現有哮喘預測算法和使用參與者的反饋來設計一個哮喘病人自我管理係統。本研究的第一步發展哮喘管理網絡係統(AAMOS),這將支持哮喘患者實時定製的基於機器學習的移動醫療數據的反饋。
倫理語句
病人同意出版
確認
我們感謝AUKCAR PPI的評價研究。我們感謝馬爾默大學的支持與數據收集。我們感謝智能呼吸產品有限公司提供智能流量計峰值和相關軟件。我們感謝FindAir提供FindAir設備和FindAir的API。我們感謝Ambee花粉提供數據。我們感謝莎拉·布朗博士(英國愛丁堡大學愛丁堡創新)組織學習所需的合同。
引用
腳注
貢獻者KCHT、惠普、AMW和情景應用程序設計的研究。SAS是研究擔保人。KCHT和DS設置數據采集係統。KCHT起草手稿由惠普,批判修正AMW, DS和SAS。所有作者批準了最終版本的手稿。
資金這項工作是由英國哮喘+肺部哮喘的一部分英國應用研究中心授予號碼雀- ac - 2018 - 01。支持KK-stiftelsen馬爾默大學共同出資的知識基礎。
相互競爭的利益沒有宣布。
病人和公眾參與病人和/或公眾參與設計,或行為,或報告,或傳播本研究計劃。是指部分進一步了解細節的方法。
出處和同行評議不是委托;外部同行評議。