Данни за носимите устройства с висока разделителна способност, използвани за прогнозиране на риска от кардиометаболитно заболяване

Изследователите разработиха рамка за извличане на цифрови фенотипове с висока разделителна способност от носими устройства и използването им за прогнозиране на риска от кардиометаболично заболяване.

Цифрови фенотипове с висока разделителна способност, събрани от носими устройства може да се използва за по-добро прогнозиране на риска от кардиометаболитни заболявания и подобряване на персонализираното управление на здравето, проучване, публикувано в Journal of Medical Internet Research предложения.

Носимите устройства от потребителски клас като смарт часовници и фитнес тракери записват сърдечен ритъм, брой стъпки и други здравни данни в нормални ежедневни условия. Скорошни изследвания също показаха, че обобщената статистика от такива носими устройства има потенциални приложения за надлъжно наблюдение на здравословни и болестни състояния.

„За разлика от чистите данни от контролирани експериментални настройки, носимите записи в реалния свят обикновено са нередовни, съдържат липсващи участъци, липсват чисти контекстни анотации и имат променлива дължина“, пишат авторите на изследването. „Като такива, анализите, базирани на наивното приложение на методите за извличане на характеристики от времеви серии с общо предназначение, може да нямат екологична валидност.“

Поради тези причини авторите предположиха, че физиологичната динамика и фенотипове с по-висока разделителна способност, записани от носими устройства, могат да бъдат приложими към модифицируеми и присъщи маркери на риск от кардиометаболични заболявания.

За да наблюдават това, авторите са използвали рамка за извличане на данни за фенотип с висока разделителна способност от носими устройства и са я приложили към мултимодален набор от данни, използвайки машинно обучение за моделиране на нелинейни връзки и сравнения на модели за оценка на предсказуемата стойност на фенотипове с висока разделителна способност.

Те откриха, че тези физиологични характеристики с висока разделителна способност имат по-висока прогностична стойност в сравнение с типичните базови линии за клинични маркери на риск от кардиометаболични заболявания.

В сравнение с изходните линии, моделите, които се представят най-добре при използване на функции с висока разделителна способност, имат 17,9% по-добър резултат на Brier, когато се базира на възраст и пол, и 7,36% по-добър резултат, когато се основава на сърдечната честота в покой.

Сърдечните честоти в различни състояния на активност също съдържат различни видове информация, установяват авторите.

„Динамиката на сърдечната честота в заседнали състояния е най-предсказваща за липидни аномалии и затлъстяване, докато моделите в активни състояния са най-предсказващи за аномалии на кръвното налягане“, казаха те. “Освен това, в сравнение със стандартните мерки, моделите с по-висока разделителна способност в записите на сърдечния ритъм, които могат да се носят, са по-способни да представят фината физиологична динамика, свързана с геномния риск за кардиометаболично заболяване.”

Според авторите фенотипите с по-висока разделителна способност са довели до подобряване на резултатите на Brier между 11,9% и 22,0% за прогнозиране на геномния риск. Освен това казусите показват, че има връзки между фенотипове с висока разделителна способност и клинични събития.

Въз основа на тези открития авторите подчертаха 2 потенциални приложения на разработената рамка.

Първо, проучването разкрива нови връзки между динамиката на сърдечната честота с висока разделителна способност и риска от кардиометаболитни заболявания.

„Тези констатации подчертават добавената стойност на оценката на физиологията в състояния на свободен живот (извън контролираните клинични настройки) за наблюдение и управление на риска от заболяване“, казаха авторите.

Второ, резултатите предлагат нова перспектива за връзките между данните, събрани от носими устройства, и генетичните предразположения при кардиометаболитни заболявания.

„Тъй като изглежда, че тези асоциации не зависят от наличието или отсъствието на явни клинични рискови маркери, ние приемаме, че фенотипове с висока разделителна способност от носими устройства могат да уловят фини субклинични физиологични промени, произтичащи от латентни предразположения към заболяване“, заключават те.

Препратки

Zhou W, Chan YE, Foo CS и др. Цифрови фенотипове с висока разделителна способност от потребителски носими устройства и техните приложения в машинното обучение на маркери за кардиометаболичен риск: кохортно проучване. J Med Internet Res. Публикувано онлайн на 29 юли 2022 г. doi:10.2196/34669

.