Обнаружение и коррекция физиологической нестабильности при сердечной недостаточности с помощью искусственного интеллекта: результаты рандомизированного исследования LINK-HF2

Введение: Носимые устройства с искусственным интеллектом (ИИ) позволяют выявлять индивидуальные физиологические отклонения, предшествующие декомпенсации сердечной недостаточности (СН), однако пока неясно, приводит ли использование этих сигналов к улучшению исходов.

Цель: Оценить возможность включения уведомлений, генерируемых ИИ, и структурированного алгоритма действий врача в постгоспитальное ведение пациентов с СН, а также изучить связь такого подхода с событиями, связанными с СН, после госпитализации.

Методы: LINK-HF2 (Detection of Physiological Anomaly Using Artificial Intelligence and Prevention of Heart Failure Hospitalization) — проспективное рандомизированное открытое исследование с ослеплённой оценкой конечных точек, проведённое в пяти медицинских центрах Управления по делам ветеранов США. В исследование включали взрослых пациентов, госпитализированных по поводу острой СН, при выписке их распределяли в группу мониторинга с использованием ИИ и уведомлением врача или в группу стандартного лечения. Все участники носили непрерывно работающий многосенсорный пластырь до 90 дней. Персонализированная модель на основе оценки сходства выявляла отклонения кардиореспираторных показателей и двигательной активности и генерировала уведомления. Оценивали возможность реализации подхода, его приемлемость и удобство использования. Основной поисковый клинический исход — повторная госпитализация по поводу СН. К дополнительным поисковым клиническим исходам относили комбинированный показатель, включавший внеплановую повторную госпитализацию по любой причине, обращение в отделение неотложной помощи и смерть от любой причины. Все клинические исходы сравнивали с помощью моделей пропорциональных рисков Кокса за период наблюдения.

Результаты: В анализ включён 171 участник: 80 (46,8%) распределены в группу вмешательства, 91 (53,2%) — в контрольную группу. Медианная доля дней наблюдения с соблюдением режима мониторинга составила 72,4%; врачи реагировали на полученные уведомления в течение медианы 1 дня (диапазон 1–5 дней). Качественный анализ показал высокую приемлемость подхода для пациентов и активное участие врачей; основными препятствиями были интеграция мониторинга в рабочий процесс и неопределённость в отношении необходимых действий. В поисковом анализе повторная госпитализация по поводу СН произошла у 13 (16,3%) пациентов в группе вмешательства и у 17 (18,7%) в контрольной группе (HR 0,90; 95% ДИ 0,43–1,84; P = 0,76). Различий между группами по комбинированному клиническому исходу также не выявлено (HR 1,03; 95% ДИ 0,63–1,70; P = 0,89). Частота выявляемой с помощью ИИ физиологической нестабильности была ниже в группе вмешательства, чем в контрольной группе (HR 0,76; 95% ДИ 0,60–0,97; P = 0,025).

Выводы: Непрерывный физиологический мониторинг с использованием ИИ оказался осуществимым и снизил частоту выявляемой физиологической нестабильности. Хотя в этом исследовании осуществимости не удалось показать снижение поисковых клинических событий, полученные данные указывают, что одного точного выявления физиологического риска может быть недостаточно для его снижения без соответствующих механизму риска и заслуживающих доверия лечебных действий. (Detection of Physiological Anomaly Using Artificial Intelligence and Prevention of Heart Failure Hospitalization [LINK-HF2]; NCT04502563.)