数字健康技术和机器学习增强了患者报告的结果,以远程描述类风湿性关节炎

科学领域:

• 数字卫生技术数字卫生技术
• 类风湿性关节炎研究研究
• 机器学习应用 机器学习应用

背景情况:

• 目前的类风湿性关节炎 (RA) 评估依赖于临床评估,这些评估可能无法完全捕捉疾病的进展和日常影响.
• 数字健康技术 (DHT) 为持续的,现实世界的健康监测提供了潜力.
• 增加DHT的传统方法可以提供一个更全面的了解RA.

研究的目的:

• 调查DHT的实用性,包括智能手机和可穿戴设备,评估RA状态和严重程度.
• 为了比较基于传感器的数据与患者报告的结果 (PRO) 相结合的有效性,与单独的PRO进行RA评估.
• 开发一种机器学习 (ML) 框架,以区分RA患者与健康对照,并量化RA严重程度.

主要方法:

• 一项为期14天的观察性研究 (可穿戴RA-PRO) 涉及30名RA患者和30名健康对照人群 (HC).
• 数据收集包括从果智能手表每天的iPhone指导测试,动图和心率.
• 开发一个ML框架来分析传感器数据和RA状态和严重程度估计的PRO.

主要成果:

• 穿戴式传感器数据强烈地区分了RA患者和HC参与者 (F1得分:0.807).
• 到第7天,已经获得了足够的数据来可靠地捕获RA特征.
• 与PRO单独使用 (F1得分:0.759) 相比,增加PRO的传感器功能改善了RA严重性检测 (F1得分:0.833).
• 结合的方法可靠地测量了持续的RA严重程度,与临床医生评估的RAPID-3得分相关 (r2:0.692).

结论:

• 来自可穿戴设备和智能手机的数字测量可以有效地增强类风湿关节炎的传统评估.
• 将客观传感器数据与主观PRO数据结合起来,可以更准确地评估RA严重程度.
• 这种方法可以为RA临床试验和日常管理提供以患者为中心的个性化测量.