Um dos grupos demográficos de maior crescimento na UE são os indivíduos com 65 anos ou mais, e dois terços desse grupo estão em situação de multimorbidade, ou seja, pessoas que sofrem de duas ou mais doenças crônicas. O tratamento ineficaz da multimorbidade foi apontado como um problema urgente a ser abordado pela Academia de Ciências Médicas em um relatório divulgado recentemente. Como parte de um projeto financiado pela UE H2020 chamado ProACT, nossa equipe na IBM Research - Irlanda está trabalhando com parceiros na academia e na indústria para encontrar novas maneiras de usar a IoT, IA e tecnologias de nuvem para aprimorar os recursos de autogerenciamento e atendimento integrado domiciliar para Pessoas com Multimorbidade (PwM).

O projeto ProACT está investigando maneiras de vestir, sensores domésticos e aplicativos de tablet podem ser usados ​​para ajudar pessoas com multimorbidade, bem como seus atores de apoio, que incluem cuidadores informais (por exemplo, família e amigos), cuidadores formais e profissionais de saúde (incluindo médicos e enfermeiras), gerenciar uma combinação de condições, incluindo insuficiência cardíaca crônica (ICC), diabetes e doença pulmonar obstrutiva crônica (DPOC).

O projeto inclui testes de prova de conceito na Irlanda e na Bélgica, envolvendo os serviços nacionais de saúde, com vários pacientes equipados com sensores vestíveis e domésticos, e seus atores de apoio. As provações estão começando agora. Os pacientes estão aprendendo a usar o ProACT CareApp, que agrega as leituras dos sensores e permite que os PwMs e seus atores de suporte monitorem seu status, e também sugere vídeos educacionais e tutoriais adaptados às necessidades de autogestão. A IU do ProACT CareApp foi co-projetada com o envolvimento de PwMs para garantir facilidade de uso. O principal objetivo da nossa pesquisa é usar os dados coletados para desenvolver um modelo holístico de PwM que pode ser usado para monitorar e prever a saúde e o bem-estar dos PwMs.

No âmbito do ProACT, nossa equipe de Sistemas de Conhecimento Centrados na Saúde e na Pessoa em Dublin está construindo um modelo holístico para pessoas com multimorbidade, usando dados sobre condições, sinais vitais, auto-relatos e avaliações comportamentais. O modelo se baseia em uma rede Bayesiana, uma ferramenta gráfica probabilística que tem sido amplamente aplicada no suporte à decisão em saúde. Representa a dependência probabilística entre várias variáveis, o que permite prever o estado mais provável de uma variável conhecendo o estado de outras variáveis. Isso o torna uma técnica promissora para ajudar nos desafios da multimorbidade.

Em nosso documento de conferência MIE 2018 (Medical Informatics Europe) "Um método analítico para gerenciamento de multimorbidade usando redes Bayesianas, "apresentamos nossa análise chamada Health and Wellness Profile Builder (HWProfile), que está sendo testado durante os testes ProACT. HWProfile é um modelo de IA que visa representar um PwM por meio de várias dimensões interconectadas:demografia, fatores médicos, auto-relatos e fatores comportamentais. O estado do PwM é avaliado por meio de sensores e questionários de autorrelato feitos por meio do ProACT CareApp. Perguntas diárias são um método valioso para coletar uma ampla variedade de informações de autorrelato, como escores de falta de ar para DPOC e ICC, níveis de humor e ansiedade ou informações sobre a adesão à medicação.

Para desenvolver o modelo HWProfile, selecionamos variáveis ​​que abrangem diversas dimensões:saúde / médica, estilo de vida, psicológico, bem estar, social e comportamento, junto com a identificação da faixa de valores que essas variáveis ​​podem atingir. Em seguida, o modelo teve que aprender por máquina as relações de probabilidade condicional que existem entre as variáveis, do ponto de vista estrutural, bem como de um ponto de vista numérico. Como fazer gênero, idade e sofrer impacto da artrite no risco de queda? Qual é o benefício esperado do aumento da atividade física no nível de dor para mulheres com DPOC? Esse é o tipo de pergunta que o HWProfile pode ajudar a resolver.

Treinamos o modelo usando dados extraídos do TILDA, um conjunto de dados aberto coletado de um estudo longitudinal de saúde da população irlandesa mais velha, liderado pelo Trinity College. No estudo TILDA, 8504 indivíduos com mais de 50 anos participaram de um questionário autopreenchido, uma entrevista assistida por computador e uma avaliação de saúde. Para testar a metodologia em um pequeno modelo, nossa equipe selecionou 12 variáveis ​​deste conjunto de dados, considerando a população-alvo e as condições cobertas nos ensaios ProACT e os métodos de coleta de dados usados:relógio de pressão arterial, escala, questionário de atividades. Este modelo treinado foi usado como base para desenvolver o HWProfile (veja a Figura 1).

Para explorar o modelo de rede bayesiana, construímos uma interface de usuário intuitiva e interativa. As variáveis ​​e seus níveis associados são agrupados por categorias codificadas por cores (consulte a Figura 1). A rede bayesiana mostra como as variáveis ​​influenciam umas às outras. As distribuições de probabilidade discretas correspondentes a cada variável são agrupadas por caixas no painel de risco interativo (à direita da Figura 1). Para uma determinada variável, as probabilidades marginais de cada nível possível são indicadas como uma porcentagem e por meio de um gráfico de barras horizontais no fundo.

O usuário pode atribuir um nível "observado" a qualquer variável, clicando no nível. Todo o conjunto de probabilidades marginais é então atualizado para refletir essas observações. Clicar novamente em uma variável observada a retorna ao estado não observado, com probabilidades marginais exibidas. Figura 1, direito, mostra a interface após a idade ter sido definida para 'acima de 70' e o nível de colesterol para 'Mais de 5 mmol / L'. A mudança resultante nas probabilidades para todas as variáveis ​​conectadas, como hipertensão, pode ser visto imediatamente.

O modelo HWProfile fornece uma variedade de resultados, incluindo estimativas probabilísticas para todas as variáveis ​​não observadas, sempre que uma nova observação é feita. Essas saídas podem ser alimentadas para outras análises do sistema ProACT, que incluem um objetivo e um recomendador de educação, um sistema de alerta e um monitor de exacerbação da condição. Nosso modelo de IA tem como objetivo potencializar todas as informações disponíveis sobre o PwM no âmbito do ProACT, a fim de dar insights sobre seu status e recomendações para autogestão e / ou suporte e cuidado.

Nossa equipe de pesquisa IBM também desenvolveu o InterACT, uma plataforma baseada em nuvem dentro da estrutura do ProACT. Interagir, construído em cima da nuvem da IBM, é exposto como um conjunto de serviços autenticados para gerenciar dados de saúde não identificados e coordenar a colaboração entre os provedores de dados, análise de dados (como HWProfile mencionado anteriormente) e consumidor de dados.

O trabalho futuro consiste em investigar a validade clínica do modelo. Observamos efeitos entre variáveis ​​em nosso modelo preliminar que estão de acordo com a literatura médica. Outros desenvolvimentos também incluem análise de desempenho do método para uma rede maior, inclusão da dimensão temporal e diferentes taxas de amostragem por variável. O modelo de Perfil HW será avaliado em conjunto com o trabalho adicional em torno dos sistemas de recomendação desenvolvidos no projeto ProACT.