Refine
Is part of the Bibliography
- yes (4)
Document Type
- Doctoral Thesis (4)
Keywords
- Beschleunigungssensor (2)
- Chronotrope Inkompetenz (2)
- Herzfrequenz (2)
- Herzschrittmacher (2)
- accelerometer-sensor (2)
- acute heart failure (2)
- akute Herzinsuffizienz (2)
- cardiac device (2)
- cardiovascular implantable electronic device (2)
- chronotropic incompetence (2)
- heart rate (2)
- Ecological Momentary Assessments (1)
- Explainable AI (1)
- Explainable Artificial Intelligence (1)
- Herzinsuffizienz (1)
- Machine Learning (1)
- Maschinelles Lernen (1)
- Mobile Crowdsensing (1)
- Mobile Health (1)
Ziele
Diese Studie untersuchte, ob ein aktivierter R-Modus, als Surrogat für eine chronotrope Inkompetenz, bei Patienten mit kardialem Device (CIED), mit einer schlechteren Prognose während und nach einer Episode von akuter Herzinsuffizienz (AHF) verbunden ist.
Methoden und Ergebnisse
623 Patienten, die an einer laufenden prospektiven Kohortenstudie zur Phänotypisierung von Patienten mit akuter Herzinsuffizienz teilnahmen, wurden untersucht. Wir verglichen CIED-Träger mit R-Modus-Stimulation (n=37) mit CIED-Trägern ohne R-Modus (n=64) und Patienten ohne CIED (n=511). Die durchschnittliche Herzfrequenz bei Aufnahme lag bei Patienten im R-Modus signifikant niedriger als bei Patienten mit CIED, aber ohne R-Modus oder Patienten ohne CIED. Zwar war die Krankenhaussterblichkeit in allen Gruppen ähnlich, jedoch zeigte sich das für Alter und Geschlecht adjustierte 12-Monats-Mortalitätsrisiko in der R-Modus-Gruppe signifikant erhöht. Diese Effekte blieben auch nach multivariabler Adjustierung anhand der Komorbiditäten bestehen.
Schlussfolgerung
Bei Patienten, die wegen AHF aufgenommen wurden, war die Stimulation im R-Modus mit einem signifikant erhöhten 12-Monats-Mortalitätsrisiko verbunden. Unsere Ergebnisse legen nahe, dass chronotrope Inkompetenz per se mit einer erhöhten Vulnerabilität einhergeht und möglicherweise nicht angemessen durch Beschleunigungs-basierte R-Modus-Stimulation während und nach einer AHF-Episode behandelt wird.
Ziele
Diese Studie untersuchte, ob ein aktivierter R-Modus, als Surrogat für eine chronotrope Inkompetenz, bei Patienten mit kardialem Device (CIED), mit einer schlechteren Prognose während und nach einer Episode von akuter Herzinsuffizienz (AHF) verbunden ist.
Methoden und Ergebnisse
623 Patienten, die an einer laufenden prospektiven Kohortenstudie zur Phänotypisierung von Patienten mit akuter Herzinsuffizienz teilnahmen, wurden untersucht. Wir verglichen CIED-Träger mit R-Modus-Stimulation (n=37) mit CIED-Trägern ohne R-Modus (n=64) und Patienten ohne CIED (n=511). Die durchschnittliche Herzfrequenz bei Aufnahme lag bei Patienten im R-Modus signifikant niedriger als bei Patienten mit CIED, aber ohne R-Modus oder Patienten ohne CIED. Zwar war die Krankenhaussterblichkeit in allen Gruppen ähnlich, jedoch zeigte sich das für Alter und Geschlecht adjustierte 12-Monats-Mortalitätsrisiko in der R-Modus-Gruppe signifikant erhöht. Diese Effekte blieben auch nach multivariabler Adjustierung anhand der Komorbiditäten bestehen.
Schlussfolgerung
Bei Patienten, die wegen AHF aufgenommen wurden, war die Stimulation im R-Modus mit einem signifikant erhöhten 12-Monats-Mortalitätsrisiko verbunden. Unsere Ergebnisse legen nahe, dass chronotrope Inkompetenz per se mit einer erhöhten Vulnerabilität einhergeht und möglicherweise nicht angemessen durch Beschleunigungs-basierte R-Modus-Stimulation während und nach einer AHF-Episode behandelt wird.
Begleitend zu einer Herzinsuffizienz vorliegende Komorbiditäten haben sowohl auf den Krankheitsverlauf als auch auf die Behandlung und Prognose solcher Patienten einen entscheidenden Einfluss.
Ziel der vorliegenden Arbeit war es, Patienten mit Herzinsuffizienz mit erhaltener Pumpfunktion (HFpEF) anhand von elf begleitend zur Herzinsuffizienz vorliegenden Komorbiditäten einer von sechs Phänogruppen zuzuteilen und diese Phänogruppen prognostisch einzuschätzen. Dies wurde nach Vorlage der polytomen latenten Klassenanalyse (poLCA) von David Kao et al., veröffentlicht im Jahr 2015 im European Journal of Heart Failure, durchgeführt. Mithilfe einer poLCA können innerhalb einer Population Subgruppen mit ähnlichen Merkmalsausprägungen identifiziert werden. Die Patienten der vorliegenden Arbeit stammten aus dem Kollektiv des AHF (Acute-Heart-Failure-) Registers der Universitätsklinik Würzburg. Zusätzlich wurde mit denselben elf Variablen eine von der Vergleichspublikation unabhängige poLCA für die Patienten des AHF-Registers erstellt, sowie eine dritte poLCA, die zusätzlich die Höhe des NT-proBNP berücksichtigte.
Die Ergebnisse der Arbeit zeigten, dass die poLCA von Kao et al. durchaus auf andere Studienpopulationen übertragen werden kann, um Patienten mit HFpEF im klinischen Alltag mit wenig Aufwand prognostisch einschätzen zu können. Mehr statistisch signifikante Ergebnisse wurden allerdings bei Anwendung einer eigenen poLCA für das AHF-Register erzielt. Die Höhe des NT-proBNP hatte signifikanten Einfluss auf die Prognose und Klassenzuteilung eines Patienten.
Introduction.
Mobile health (mHealth) integrates mobile devices into healthcare, enabling remote monitoring, data collection, and personalized interventions. Machine Learning (ML), a subfield of Artificial Intelligence (AI), can use mHealth data to confirm or extend domain knowledge by finding associations within the data, i.e., with the goal of improving healthcare decisions. In this work, two data collection techniques were used for mHealth data fed into ML systems: Mobile Crowdsensing (MCS), which is a collaborative data gathering approach, and Ecological Momentary Assessments (EMA), which capture real-time individual experiences within the individual’s common environments using questionnaires and sensors. We collected EMA and MCS data on tinnitus and COVID-19. About 15 % of the world’s population suffers from tinnitus.
Materials & Methods.
This thesis investigates the challenges of ML systems when using MCS and EMA data. It asks: How can ML confirm or broad domain knowledge? Domain knowledge refers to expertise and understanding in a specific field, gained through experience and education. Are ML systems always superior to simple heuristics and if yes, how can one reach explainable AI (XAI) in the presence of mHealth data? An XAI method enables a human to understand why a model makes certain predictions. Finally, which guidelines can be beneficial for the use of ML within the mHealth domain? In tinnitus research, ML discerns gender, temperature, and season-related variations among patients. In the realm of COVID-19, we collaboratively designed a COVID-19 check app for public education, incorporating EMA data to offer informative feedback on COVID-19-related matters. This thesis uses seven EMA datasets with more than 250,000 assessments. Our analyses revealed a set of challenges: App user over-representation, time gaps, identity ambiguity, and operating system specific rounding errors, among others. Our systematic review of 450 medical studies assessed prior utilization of XAI methods.
Results.
ML models predict gender and tinnitus perception, validating gender-linked tinnitus disparities. Using season and temperature to predict tinnitus shows the association of these variables with tinnitus. Multiple assessments of one app user can constitute a group. Neglecting these groups in data sets leads to model overfitting. In select instances, heuristics outperform ML models, highlighting the need for domain expert consultation to unveil hidden groups or find simple heuristics.
Conclusion.
This thesis suggests guidelines for mHealth related data analyses and improves estimates for ML performance. Close communication with medical domain experts to identify latent user subsets and incremental benefits of ML is essential.