使用智能手表远程监测心力衰竭恶化
摘要
心力衰竭涉及缓解与恶化的循环，静态疾病指标难以准确描述其特征。消费者可穿戴设备在每日监测心力衰竭症状方面具有未被充分研究的潜力。研究报告了TRUE-HF观察性队列研究的结果，该研究对自由生活的患者进行了中位94.5天的随访。研究测量了某品牌智能手表数据预测峰值摄氧量的能力，峰值摄氧量通过诊所内心肺运动测试测量。使用154名患者的数据训练了一个深度学习模型，并在63名患者的保留集上进行了验证，用于确定可穿戴设备衍生的每日pVO2，该值与CPET测量的pVO2强相关（皮尔逊相关系数 = 0.85）。可穿戴设备衍生的每日pVO2每下降10%，与非计划医疗事件的风险比增加3.62倍相关，这些事件在可穿戴设备衍生的pVO2首次下降10%后中位7.4天发生。这些发现在一个独立的外部队列中得到了外部验证。结果表明，与现有的可穿戴设备健康估计和已建立的临床标志物相比，可穿戴设备衍生的每日pVO2能够更早且更优地进行风险鉴别，并为纵向心力衰竭研究和监测提供了一种可扩展且可泛化的方法。
引言
心力衰竭是全球性健康危机。尽管医学不断进步，心力衰竭患者仍然面临不良结局的高风险，表明迫切需要更好的预后标志物来加强风险分层。心力衰竭的特点是相对稳定期与急性恶化期交替出现，而传统的风险评估依赖间歇性和静态的临床评估工具。许多心脏中心使用CPET来评估预后，但其高成本、有限的地理可及性和患者负担使得每日或每周监测不切实际。远程患者监测模式从静态、间歇性的患者状态测量转向每日测量。可穿戴技术和人工智能的进步为应对这些挑战提供了有希望的途径。消费者可穿戴设备能够近乎连续地捕获广泛的生理数据，为被动的、非侵入性的、实时的健康监测提供了有前景的途径。然而，目前在非患病人群中验证的基于可穿戴设备的算法是否能可靠地应用于心力衰竭患者尚不清楚。
TRUE-HF可穿戴队列
这是一项前瞻性、为期3个月的观察性队列研究，纳入了217名心力衰竭患者。患者获配某品牌智能手表，并被指示在参与活动时使用手表捕捉步行活动。每位患者完成了入组和3个月研究结束时的诊所访视，期间进行正式CPET测试、血液检查、临床检查、 supervised 6分钟步行测试等。中位观察期为94.5天。通过HealthKit收集智能手表数据。非计划医疗利用被定义为入院、非计划诊所访视或静脉注射呋塞米治疗。191名患者完成了研究，其中187名完成了研究结束时的CPET。最终分析排除了30名患者。
TRUE-HF基于可穿戴设备的预测模型
开发了一个自回归Transformer框架（TRUE-HF模型），该框架结合可穿戴数据与患者特定的临床信息来预测每日结果。模型处理30天的可穿戴数据，最初以90分钟为间隔聚合，然后逐步合并到更大的时间窗口。预先指定CPET pVO2临床意义的下降为≥10%。
在All of Us队列中的外部验证
在某机构All of Us研究计划中识别出193名匹配TRUE-HF纳入标准的患者（使用某品牌可穿戴设备）。由于数据可用性限制，训练并测试了一个简化传感器版本的TRUE-HF pVO2模型（TRUE-HF-RS），该模型仅依赖心率、步数和简化的临床特征集。
TRUE-HF模型中绝对CPET pVO2预测的分析
TRUE-HF模型通过评估前30天的数据提供每日预测，在研究期间平均每天一个预测。相比之下，某品牌的算法由于需要最低体力活动水平，产生的预测较少。在保留测试集上，TRUE-HF预测与金标准CPET pVO2测量值之间观察到强一致性。TRUE-HF的皮尔逊r为0.85，平均绝对误差为0.25 l/min。TRUE-HF模型pVO2预测在检测研究结束时CPET pVO2下降方面显示出显著准确性，AUROC为0.82，而某品牌算法为0.52。
TRUE-HF中每日pVO2监测与非计划医疗利用
在TRUE-HF保留队列中，可穿戴设备衍生的每日pVO2下降的患者发生非计划医疗利用的风险显著更高。预测这些事件的AUROC为0.77。TRUE-HF模型预测非计划医疗利用的能力在统计上高于基线临床指标。在≥10%下降阈值下，TRUE-HF的灵敏度为88%，特异性为62%。在26名出现下降的患者中，7名经历了非计划医疗利用，而未检测到下降的32名参与者中只有1名。TRUE-HF模型检测到的下降中位提前非计划医疗利用7.4天。每个10%的pVO2下降与风险显著升高相关（HR 3.62）。
All of Us外部验证中的非计划医疗利用
在All of Us队列中使用TRUE-HF-RS模型进行外部验证，揭示了非计划医疗利用风险表征的积极趋势。每日预测pVO2每下降10%与非计划医疗利用风险增加相关（HR 1.32）。TRUE-HF-RS模型中位提前21天预测非计划医疗利用。
方法扩展至6分钟步行距离
将框架扩展至6MWTD。某品牌的六分钟步行距离测试与6MWTD研究模型在所有相关性指标上表现相当，并能有效检测6MWTD性能下降。但两者均未对非计划医疗利用达到统计学显著性。
TRUE-HF模型的特征分析
排除结构化运动会话数据导致预测性能差异可忽略。较短的输入窗口（20天和10天）会降低模型性能。基于显著性的分析显示，可穿戴传感器数据对模型预测有贡献，较高的活动水平通常与较高的预测pVO2相关。临床变量也影响预测。消融分析表明，仅可穿戴数据就提供了可观的预测能力，而仅基于临床变量的预测较弱，但两者的集成产生了最强的性能。
讨论
研究结果提供了强有力的证据，支持消费者可穿戴设备数据在估计心肺健康和构建心力衰竭远程监测方法方面的潜力。TRUE-HF模型与金标准CPET pVO2测量实现了高度一致性。每日pVO2监测使得在非计划医疗利用之前检测到临床上有意义的心肺健康下降成为可能。每日pVO2的连续可穿戴衍生的变化与非计划医疗利用强相关。外部验证分析重申了每日可穿戴衍生的pVO2下降作为短期非计划医疗利用的有意义预测因子。研究还发现，依赖特定的运动阈值会阻碍对病情较重患者的健康跟踪，而使用长期趋势则能产生更一致的测量结果。尽管可穿戴设备的远程监测前景广阔，但挑战依然存在，例如数据量巨大，需要深度学习等现代人工智能技术进行分析。研究存在一些局限性，包括样本量限制了亚组分析，以及传统预后标志物在本分析中预后效用有限。TRUE-HF观察性队列研究的结果为使用消费者可穿戴设备远程监测门诊、自由生活环境中心力衰竭患者的每日心肺健康提供了令人信服的证据。FINISHED
