(PREventing COPD URgent States Of Relapse)

Στη Σύμπραξη του έργου συμμετέχουν :

• Η Πανεπιστημιακή Πνευμονολογική Κλινική του Πανεπιστημιακού Γενικού Νοσοκομείου Ιωαννίνων (Τμήμα Ιατρικής Πανεπιστημίου Ιωαννίνων)
• Η Πανεπιστημιακή Πνευμονολογική Κλινική του Πανεπιστημιακού Γενικού Νοσοκομείου Λάρισας (Τμήμα Ιατρικής Πανεπιστημίου Θεσσαλίας)
• Η εταιρία MOKAAL που εδρεύει στο ΕΤΕΠΗ (Πανεπιστημιούπολη Ιωαννίνων)

Περιγραφή

Τα άτομα που υποφέρουν από Χρόνια Αποφρακτική Πνευμονοπάθεια (ΧΑΠ) αποτελούν μια ιδιαίτερα ευπαθή αλλά και πολυπληθή ομάδα του πληθυσμού[1], έχουν δε το χαρακτηριστικό ότι κινδυνεύουν από αιφνίδιες παροξύνσεις της νόσου ενώ είναι εκτεθειμένα και σε συννοσηρότητες (αρτηριακή υπέρταση, ταχυαρρυθμίες, στεφανιαία νόσος, κλπ.) σε πολύ μεγαλύτερο βαθμό σε σύγκριση με τα άτομα χωρίς τη νόσο. Ως εκ τούτου, πρωταρχικής σημασίας στην ευάλωτη περίοδο που έπεται της παρόξυνσης είναι η παρακολούθηση και σωστή διαχείριση της νόσου και των συννοσηροτήτων, η πρόληψη και έγκαιρη ανίχνευση υποτροπών. Είναι λοιπόν προφανές ότι η πρόβλεψη σε πραγματικό χρόνο των επερχόμενων “επεισοδίων υγείας” σε ασθενείς που πάσχουν από ΧΑΠ, αποτελεί μεγάλη πρόκληση για την ιατρική κοινότητα αλλά και για τις εταιρίες τεχνολογίας που παρέχουν υπηρεσίες τηλεπαρακολούθησης ασθενών εκτός νοσοκομείου (Remote Patient Monitoring systems – RPM) οι οποίες βασίζονται σε καινοτόμες τεχνολογίες ΤΠΕ και λειτουργούν σε συνδυασμό με συστήματα προγνωστικής ανάλυσης και με μοντέλα λήψης αποφάσεων σε πραγματικό χρόνο.

Το αντικείμενο του προτεινόμενου Έργου PRECURSOR είναι η ερευνητική προσέγγιση, η πειραματική επίδειξη και η ολοκλήρωση στο σύστημα IFS_RPM της “Εταιρίας” (βλ. συνοπτική αναφορά στη συνέχεια) ενός ολοκληρωμένου προγνωστικού εργαλείου για την πρόβλεψη των επερχόμενων “επεισοδίων υγείας” σε χρόνιους ασθενείς που υποφέρουν από ΧΑΠ.

Η τηλεπαρακολούθηση εκτός νοσοκομείου ασθενών με ΧΑΠ, επωφελείται από την εξέλιξη της τεχνολογίας στο έπακρο. Η τηλεπαρακολούθηση δίνει τη δυνατότητα συλλογής μεγάλου όγκου δεδομένων τα οποία σε συνδυασμό με τα υπάρχοντα ηλεκτρονικά ιατρικά αρχεία ασθενών, βελτιώνουν την διαχείριση των ασθενειών και αυξάνουν την αποτελεσματικότητα και την αποδοτικότητα της. Η μηχανική μάθηση (ή “διδασκαλίας μηχανής”) χρησιμοποιεί πολλά δεδομένα για να παράγει υποθέσεις και να οικοδομεί αλγοριθμικά μοντέλα προβλέψεων. Η συλλογή και η ανάλυση μεγάλων δεδομένων (big data) προσφέρει λύσεις και υποστηρίζει τη λήψη αποφασιστικών μέτρων σε κρίσιμα θέματα όπως ο περιορισμός των επανεισαγωγών των ασθενών σε κλινικές, η πρόληψη της επιδείνωσης της υγείας τους καθώς και η πρόβλεψη των επερχόμενων “επεισοδίων υγείας”, η βελτιστοποίηση των θεραπειών των συννοσηροτήτων της ΧΑΠ, αλλά και η περιστολή του κόστους διαχείρισης της ασθένειας.

Οι δικαιούχοι της Σύμπραξης PRECURSOR έχουν αναπτύξει, ο καθένας από τη σκοπιά του, σημαντική ερευνητική δράση τόσο στο ιατρικό αντικείμενο του έργου όσο και στις τεχνολογικές πτυχές του.

Από ιατρική άποψη οι κυρίαρχες προκλήσεις του Έργου, που αναγνωρίζονται από τις δύο Πνευμονολογικές Πανεπιστημιακές Κλινικές που συμμετέχουν στη σύμπραξη PRECURSOR, περιλαμβάνουν :

• Την αξιολόγηση της δυνατότητας επιχειρησιακής εκμετάλλευσης μιας καινοτόμου διαγνωστικής – προληπτικής ιατρικής υπηρεσίας που εδράζεται στα πρωτοποριακά συστήματα τηλεπαρακολούθησης ασθενών (Remote Patient Monitoring – RPM) και η οποία μπορεί να συνεισφέρει αποτελεσματικά στη πρόληψη παροξύνσεων της ΧΑΠ και γενικότερα στη βελτίωση της διαχείρισης της νόσου
• Την αποτίμηση της προοπτικής βελτίωσης της ποιότητας της ζωής των ασθενών που επηρεάζεται από τη νόσο (Health-Related Quality of Life – ΗRQL), καθώς και τη προοπτική βελτίωσης της φροντίδας τους
• Από κοινωνική σκοπιά, τα αποτελέσματα του έργου – εκτός της συνεισφοράς τους στη πρόληψη και στη βελτίωση της ποιότητας της ζωής των ασθενών με ΧΑΠ – αναμένεται να έχουν και θετικές οικονομικές επιπτώσεις, καθώς η έγκαιρη πρόβλεψη επερχόμενων επεισοδίων υγείας που συνδέονται με την ΧΑΠ μπορεί να μειώσει δραστικά το κόστος διαχείρισης της νόσου.

Σε τεχνολογικό τέλος επίπεδο το έργο επικεντρώνεται σε 3 κεντρικές αναζητήσεις :

• Στην έρευνα στα συστήματα προγνωστικής ανάλυσης με τη χρήση τεχνικών “διδασκαλίας μηχανής”, με στόχο την ανάπτυξη ενός αξιόπιστου μοντέλου λήψης αποφάσεων που θα χρησιμοποιηθεί στο προγνωστικό εργαλείο του συστήματος PRECURSOR για τη πρόβλεψη επεισοδίων παρόξυνσης ή εμφάνισης συννοσηροτήτων σε ασθενείς με ΧΑΠ
• Στη προσαρμογή των προσεγγιστικών αλγορίθμων της πρότυπης πλατφόρμας PRESAGE που έχει αναπτύξει η “Εταιρία” ώστε το προγνωστικό εργαλείο PRECURSOR (που θα ενσωματώνει τους αλγορίθμους της PRESAGE) να παράγει μια, σχεδόν βέλτιστη, λύση και σε πραγματικό χρόνο, για το συνδυαστικό πρόβλημα επιλογής των βέλτιστης ενέργειας, με παραμέτρους τις πληροφορίες που μεταφέρονται από ομάδες βιοσημάτων ενός “φορέα” συσκευής τηλεπαρακολούθησης (εν προκειμένω ασθενούς ΧΑΠ), τα στοιχεία του Ηλεκτρονικού Φακέλου Υγείας του “φορέα” και τις εισηγήσεις του μοντέλου λήψης αποφάσεων
• Στην απρόσκοπτη ολοκλήρωση του συστήματος PRECURSOR στη σουίτα των υπηρεσιών του συστήματος IFS_RPM της Εταιρίας.

[1] Η Πνευμονολογική Εταιρία εκτιμά ότι ο πληθυσμός των ασθενών με ΧΑΠ υπερβαίνει σήμερα τα 750.000 άτομα στην Ελλάδα