Klinische onderzoeken

RESOURCES

Belangrijkste publicaties en klinische onderzoeken

Lees meer over Happitech fotoplethysmografie (PPG) in klinische omgevingen.

RESOURCES

Belangrijkste publicaties en klinische onderzoeken

Lees meer over Happitech fotoplethysmografie (PPG) in klinische omgevingen.

PUBLICATIES

KLINISCHE STUDIES

Publicaties

01. Prestaties van een geautomatiseerd algoritme op basis van kunstmatige intelligentie voor het detecteren van atriumfibrilleren

Mol D, Riezebos RK, Marquering HA, et al. Prestaties van een geautomatiseerd algoritme op basis van kunstmatige intelligentie voor het detecteren van boezemfibrilleren. Cardiovascular Digital Health Journal. 2020;1(2):107-110.
doi:10.1016/j.cvdhj.2020.08.004

Achtergronden

Onlangs werd door Happitech (Amsterdam, Nederland) een smartphonegebaseerd PPG-algoritme met kunstmatige intelligentie ontwikkeld voor de detectie van AF. Het algoritme werd getraind met 2560 geselecteerde opnames uit een wereldwijde online datadonatiecampagne (Heart for Heart) en bestaat uit 3 hoofdcomponenten: (1) piekdetectie om R-R intervallen te meten; (2) kwaliteit; en (3) ritmeklassen.

Doelstellingen

Het valideren van de prestaties van een geautomatiseerd algoritme op basis van kunstmatige intelligentie voor het detecteren van boezemfibrilleren.

Land van herkomst

Patiënten

We hebben het algoritme gevalideerd bij patiënten met AF die waren opgenomen in het OLVG Ziekenhuis (Amsterdam, Nederland) voor electieve elektrische cardioversie (ECV). PPG-opnamen werden direct voor en na ECV verkregen met een iPhone 8 (Apple Inc., Cupertino, CA). Continue elektrocardiografie werd gelijktijdig met de PPG-hartritmeregistratie gecontroleerd ter verificatie. Het onderzoek werd goedgekeurd door de plaatselijke medische ethische commissie en alle deelnemers gaven schriftelijk geïnformeerde toestemming.

Methoden

Stappen van het algoritme voor fotoplethysmografie (PPG) om hartritmemetingen te verkrijgen: De eerste stap is detectie van pieken met behulp van een ondiep neuraal netwerk; de tweede stap is kwaliteitsschatting met behulp van de support vector machine. Na selectie van 3 segmenten met de beste kwaliteit in de derde stap, wordt elk segment op basis van ritme-eigenschappen geclassificeerd als sinusritme (SR), atriumfibrilleren (AF) of onbepaald (UD). De uiteindelijke beslissing werd genomen als ≥2 segmenten in dezelfde groep werden ingedeeld.

Resultaten

Het ondiepe neurale netwerk vertoonde uitstekende prestaties voor piekdetectie. 98,1% gevoeligheid en specificiteit voor detectie van atriumfibrilleren werden verkregen met behulp van een nieuw algoritme voor geautomatiseerde plethysmografie (PPG). Vooraf gedefinieerde uitsluiting van opnamen met een lage betrouwbaarheid verhoogde de diagnostische prestaties van het algoritme, wat resulteerde in een toename van 1,8% in gevoeligheid en 4,6% in specificiteit.

Opmerkingen en conclusies

PUBLICATIES

KLINISCHE STUDIES

02. Computationeel efficiënt algoritme voor detectie van boezemfibrilleren op basis van fotoplethysmografie met smartphones

Schäck T, Safi Harb Y, Muma M, Zoubir AM. Computationeel efficiënt algoritme voor detectie van boezemfibrilleren op basis van fotoplethysmografie met smartphones. IEEE. 2017:104-108. doi: 10.1109/EMBC.2017.8036773

Achtergronden

Atriumfibrillatie (AF) is een van de belangrijkste oorzaken van beroertes, hartfalen, plotse dood en cardiovasculaire morbiditeit en het meest voorkomende type aritmie. De diagnose en het begin van de behandeling vereist momenteel echter hartritmemonitoring op basis van elektrocardiogrammen (ECG's). Het fotoplethysmogram (PPG) biedt een alternatieve methode, die handig is in termen van registratie en zelfmonitoring mogelijk maakt, waardoor klinisch personeel wordt ontlast en AF vroegtijdig kan worden gediagnosticeerd.

Doelstellingen

We stellen een aanpak voor om PPG-signalen van de videocamera van een smartphone te verkrijgen tegen lagere computerkosten en een set kenmerken te berekenen om AF van NSR te onderscheiden en automatisch metingen met sterke handbewegingen uit te sluiten. Met behulp van kenmerkselectie en support vector machines (SVM) bereiken we een perfecte detectie van AF op de klinisch opgenomen gegevens.

Land van herkomst

Methoden

PPG-signaalverwerving en voorbewerking: De PPG-signalen worden van de smartphones verkregen met behulp van hun camera en flitser. In tegenstelling tot andere onderzoeken die het gemiddelde nemen van 50 x 50 pixels van elk videoframe, stellen wij een nieuwe methode voor om de variaties van het pulsatiele signaal beter vast te leggen en tegelijkertijd de computerkosten en geheugenvereisten te verlagen.

Statistische kenmerkextractie: Net als in andere onderzoeken berekenen we statistische kenmerken van het PPG-signaal om onderscheid te maken tussen AF en normaal sinusritme (NSR). Daarnaast maken we ook gebruik van de kenmerken om sterke handbewegingen tijdens de meting te detecteren en deze te labelen als vibratie (Vib). Geïmplementeerd in een smartphoneapplicatie kan de gebruiker onmiddellijk worden geïnformeerd dat de meting moet worden herhaald. De statistische kenmerken zijn onderverdeeld in twee categorieën die geassocieerd zijn met het tijdsdomein en het frequentiedomein van het PPG-signaal: Tijd-domein kenmerken en Frequentie-domein kenmerken.

Selectie van kenmerken en classificatie: We verdelen de classificatieprocedure in twee verschillende stappen: wrapper-type kenmerkselectie en classificatie via support vector machines (SVM). Beide fasen vergen veel rekenkracht, maar zijn niet bedoeld om te worden geïmplementeerd in smartphone-applicaties, omdat ze alleen de resulterende classificatieregels nodig hebben. Eerst is de kenmerkselectie gericht op het vinden van de beste kenmerkcombinatie van de gepresenteerde set kenmerken om onderscheid te maken tussen de klassen. Selectie van kenmerken verlaagt de computerkosten en onthult de verschillende niveaus van significantie van de kenmerken. Vervolgens wordt de SVM toegepast om de optimale beslissingsvergelijking te vinden om de klassen te scheiden. Uiteindelijk hoeven alleen de kenmerken van de beste combinatie te worden berekend in de smartphonetoepassing en kan de classificatie worden uitgevoerd op basis van beslislijnen voor paren van kenmerken of hypervlakken in het geval van meerdere kenmerken.

Resultaten

Classificatieresultaten: De kenmerkselectie geeft aan dat het gebruik van slechts twee kenmerken voldoende is voor AF-detectie. Tabel I toont de resultaten van de beste kenmerkenparen in termen van gevoeligheid, specificiteit en nauwkeurigheid. Het beste enkelvoudige kenmerk is de Shannon entropie van piekverschillen (ShE), die in combinatie met de mediaan van de piekstijghoogte (mPRH) een perfecte classificatienauwkeurigheid van 100% bereikt.

Opmerkingen en conclusies

In dit artikel hebben we een PPG-gebaseerd AF-detectiealgoritme voorgesteld dat gebruikmaakt van de videocamera van smartphones. De aanpak combineert een verbeterde PPG-acquisitie met een nieuwe set discriminerende kenmerken en een classificatieprocedure die de meest significante kenmerken selecteert en beslissingsvergelijkingen uitvoert voor het onderscheid tussen AF en NSR. De voorgestelde methode bereikt een perfecte classificatie op een set van 326 metingen die werden uitgevoerd tijdens een klinische voorstudie. De lage computationele complexiteit maakt een mobiele toepassing mogelijk die in de toekomst geïmplementeerd zou kunnen worden.

03. (Komende) Validatie van fotoplethysmografie met behulp van een mobiele telefoonapplicatie voor de beoordeling van hartslagvariabiliteit in de context van HRV-biofeedback

Van Dijk W, Huizink AC, Oosterman M, Lemmers-Jansen ILJ, de Vente W. Vrije Universiteit Amsterdam. 2022
Wordt gepubliceerd in 2022.

Doelstellingen

Hartslagvariabiliteit-biofeedback (HRV-BF) is een effectieve interventie om stress en angst te verminderen en vereist nauwkeurige metingen van HRV in realtime. HRV kan worden gemeten door middel van fotoplethysmografie (PPG) met behulp van de camera van een mobiele telefoon. Geen enkel onderzoek heeft HRV-BF ondersteund door PPG direct vergeleken met het klassieke elektrocardiogram (ECG). Daarom was de huidige studie gericht op het valideren van PPG HRV-metingen tijdens HRV-BF ten opzichte van ECG.

Methoden

In totaal kregen 57 gezonde deelnemers (70,69% vrouw, leeftijd 17-60 jaar) HRV-BF in het laboratorium. Deelnemers vulden vragenlijsten in en deden vijf keer een 5-min diafragmatische ademhalingsoefening op verschillende tempo's (bereik: ~6,5 tot ~4,5 ademhalingen/
min). Vier HRV-indices verkregen via PPG en ECG werden berekend en vergeleken, namelijk RMSSD, pNN50, LFpower, HFpower en resonantiefrequentie (optimaal ademhalingstempo).

Resultaten

Over het geheel genomen werden triviale tot middelgrote verschillen gevonden tussen PPG-afgeleide en ECG-afgeleide RMSSD, pNN50, LFpower en HFpower. Bovendien werden grote en statistisch significante correlaties en ICC's tussen PPG- en ECG-HRV-indices gevonden. Verder toonden alle Bland-Altman analyses (met slechts drie incidentele uitzonderingen) een goede uitwisselbaarheid van PPG- en ECG-afgeleide HRV indices. Voor geen van de HRV-indices werd systematisch bewijs voor proportionele bias gevonden. Bovendien was de resonantiefrequentieovereenkomst goed.

Opmerkingen en conclusies

PPG zoals berekend door Happitech-SDK is een zeer geschikte methode voor de beoordeling van HRV-indices die relevant zijn voor het uitvoeren van HRV-BF. PPG is een veelbelovende vervanging van ECG-beoordeling om de resonantiefrequentie te meten tijdens HRV-BF.

04.Overzicht van mobiele toepassingen voor de detectie en behandeling van atriumfibrilleren

Reading Turchioe M, Jimenez V, Isaac S, Alshalabi M, Slotwiner D, Masterson Creber R. Review of mobile applications for the detection and management of atrial fibrillation. Hartritme O2. 2020;1(1):35-43. doi: 10.1016/j.hroo.2020.02.005.

Achtergronden

Gratis mobiele toepassingen (apps) die gebruikmaken van fotoplethysmografie
(PPG)-golfvormen kunnen de detectie van
atriumfibrilleren (AF) uitbreiden naar minderbedeelde populaties, maar ze
zijn niet grondig geëvalueerd.

Doelstellingen

Het doel van deze studie was het systematisch beoordelen en evalueren van de kwaliteit, functionaliteit en naleving van zelfmanagementgedrag van bestaande mobiele apps
voor AF.

Land van herkomst

Methoden

We zochten systematisch in 3 app stores naar apps die gratis waren, beschikbaar in het Engels en bedoeld voor gebruik door patiënten om AF op te sporen en te beheren. Minimaal 2 beoordelaars beoordeelden (1) de kwaliteit van de app met behulp van de Mobile Application Rating Scale (MARS); (2) de functionaliteit met behulp van gepubliceerde criteria; en (3) de functies die 4 zelfmanagementgedragingen ondersteunen (waaronder het monitoren van de PPG-golfvorm) die zijn geïdentificeerd met behulp van op bewijs gebaseerde richtlijnen. De interbeoordelaarsbetrouwbaarheid tussen de beoordelaars werd berekend.

Resultaten

Van de 12 geïncludeerde apps scoorden er 5 (42%) bovengemiddeld op kwaliteit (MARS score ≥3.0). De kwaliteit van de apps was het hoogst voor hun gebruiksgemak, navigatie, lay-out en visuele aantrekkingskracht (bijv. functionaliteit en esthetiek) en het laagst voor hun ondersteuning van gedragsverandering en subjectieve indrukken van kwaliteit. De meest voorkomende app-functionaliteiten waren het vastleggen en grafisch weergeven van door gebruikers ingevoerde gegevens (n = 9 ). Bijna alle apps (n = 11 ) ondersteunden het monitoren van PPG-golfvormen, maar slechts 2 (17%) ondersteunden alle 4 zelfmanagementgedragingen. De interbeoordelaarsbetrouwbaarheid was hoog (0,75 0,83).

Opmerkingen en conclusies

De beoordeelde apps vertoonden grote verschillen in kwaliteit, functionaliteit en naleving van zelfmanagementgedrag. Gezien de toegankelijkheid van deze apps voor minderbedeelde bevolkingsgroepen en het enorme potentieel dat ze inhouden voor het verbeteren van AF-detectie en -beheer, moet hoge prioriteit worden gegeven aan het verbeteren van de kwaliteit en functionaliteit van de apps.

05. Optimalisatie van een fotofletysmografisch algoritme voor de detectie van boezemfibrilleren met behulp van crowdsourcing van onderzoeksgegevens

Mol D, Safi Harb Y, Lobban TC, Riezebos RK, de Groot JR, de Jong JS. Optimizing a Photophletysmography Algorhythm for Atrial Fibrillation Detection Using Crowdsourcing Research Data. AHA Journals. 2018;138( Suppl_1). https://www.ahajournals.org/doi/abs/10.1161/circ.138.suppl_1.15538

Achtergronden

Fotoplethysmografie (PPG) registreert de weerkaatsing van licht in doorbloed weefsel en kan gebruikt worden voor hartritmeanalyse.
Dankzij de vooruitgang in smartphonetechnologie kan PPG in realtime opgenomen en geanalyseerd worden voor hartritmeanalyse. Atriumfibrillatie (AF) is de meest voorkomende hartritmestoornis. Vroege detectie van AF kan beroertes en de verwoestende gevolgen daarvan voorkomen. Vanwege de onregelmatigheid is een goede beoordeling van AF met PPG afhankelijk van de signaalkwaliteit en de signaal-ruisverhouding.

Doelstellingen

Het testen van de hypothese dat crowdsourcing een effectieve methode is om een groot aantal PPG-metingen te verzamelen om een AF-detectiealgoritme te trainen.

Land van herkomst

Methoden

In 2017 werd de Hart voor Hart-campagne gestart door een samenwerking van cardiologen, Happitech, Aritmie Alliantie en Sudler-team. In een online campagne werden deelnemers gevraagd om een PPG-meting van 90 seconden en een vragenlijst met demografische en aritmiegeschiedenis in te vullen. Deelnemers gaven
geïnformeerde toestemming via de Apple ResearchKit. Datasets werden verdeeld in 3 samples van 30 seconden. In deze samples werd de signaalkwaliteit handmatig geschat op basis van golfvorm en trillingen. We gebruikten een 0-2 scoreschaal per sample, een totaalscore van >=5 werd beschouwd als een meting van hoge kwaliteit. Na classificatie werden de gegevens gebruikt om een AF-algoritme te trainen.

Resultaten

De Hart voor Hart app was beschikbaar vanaf juni '17 en werd 9916 keer gedownload binnen de eerste 3 maanden:
- 15256 datasets werden verzameld uit 74 landen wereldwijd.
- De vragenlijst werd ingevuld door 12824 (84%) deelnemers, van wie 7390 (59%) man waren. De gemiddelde leeftijd was 45±16 jaar en 2749 (21%) hadden een voorgeschiedenis van hartritmestoornissen.
- Een steekproef van 2560 datasets werd handmatig beoordeeld op signaalkwaliteit. Opnames waren van hoge kwaliteit bij 2083 (81%) deelnemers.
- Logistische regressieanalyse toonde leeftijd (OR 0,995, 95%CI 0,997-1,013) of BMI (OR 1,013, 95%CI 0,961-1,014) niet aan als voorspellers voor metingen van lage kwaliteit.

Opmerkingen en conclusies

De online campagne bleek effectief en haalbaar om wereldwijd een grote hoeveelheid onderzoeksgegevens te verzamelen. Dit onderzoek toonde aan dat de instructies en het gebruiksgemak van de smartphone app toereikend waren om gegevens van hoge kwaliteit te verzamelen bij 81% van de gebruikers die zonder toezicht metingen uitvoerden. De kwaliteit van de gegevens was niet gerelateerd aan leeftijd of BMI.

06. Voorspelling van vasculaire veroudering op basis van smartphone verkregen PPG-signalen

Dall'Olio L, Curti N, Remondini D, et al. Prediction of vascular aging based on smartphone acquired PPG signals. Sci Rep. 2020;10(1):19756 doi: 10.1038/s41598-020-76816-6

Achtergronden

Fotoplethysmografie (PPG) gemeten met een smartphone heeft het
potentieel voor een grootschalig, niet-invasief en gebruiksvriendelijk screeningsinstrument. Met name vasculaire veroudering wordt gekenmerkt door een geleidelijke verandering van de vasculaire structuur en functie, en toenemende arteriële stijfheid wordt beschouwd als het kenmerk van vasculaire veroudering. Arteriële stijfheid kan worden gemeten met de Pulse Wave Velocity (PWV) of door gebruik te maken van
van de PPG-techniek. In het bijzonder kunnen sommige verouderingsindexen (AGI) worden berekend uit de tweede
afgeleide van de PPG-golfvorm (SDPPG).

Doelstellingen

Het onderzoeken van de haalbaarheid van het gebruik van PPG om gezonde vasculaire veroudering (HVA) te voorspellen op basis van twee benaderingen: machine learning (ML) en deep learning (DL). Zonder de zware computerkosten van DL zou ML voordelig kunnen zijn bij het vinden van potentiële biomarkers voor het voorspellen van HVA.

Land van herkomst

Patiënten

Onze motiverende crowd-sourced gegevens zijn afkomstig van het Heart for Heart (H4H) initiatief, gepromoot door de Arrhythmia Alliance, de Atrial Fibrillation Association, Happitech en andere partners. Het doel van H4H is om miljoenen hartmetingen te verzamelen en het tempo van de vooruitgang op het gebied van AF-diagnostiek te verhogen.
De belangrijkste voordelen van het gebruik van deze populatiecohortgegevens zijn: een overvloed aan PPG-opnames in grote steekproeven (ca. 10.000) en relatief lange sequenties (90 seconden), en gratis toegang tot ruwe
PPG-signalen via de Happitech app.

Methoden

De PPG wordt voorbewerkt door een gecentreerd voortschrijdend gemiddelde (CMA) te berekenen en dit van het ruwe signaal af te trekken (om een hoogdoorlaatfilter uit te voeren). Vervolgens wordt feature-extractie toegepast op het PPG-signaal voor een machine learning-benadering met behulp van zowel Ride Regression als Convolution Neural Networks.

Resultaten

Om de resultaten te valideren werd de onafhankelijke testset gebruikt. De AUC verkregen met slechts één kenmerk (d.w.z. a, slope-AC of tpr) was ongeveer 0,8 . De volgende modellen zijn overwogen: (i) covariaten (gewicht, lengte, geslacht, roken), (ii) de beste twee PPG-kenmerken (a en tpr) van ML, (iii) covariaten en deze twee kenmerken, (iv) de best presterende CNN en (v) covariaten en alle PPG-kenmerken. Merk op dat model (v) niet wordt aanbevolen vanwege de overfitting, die mogelijk niet tot zulke goede prestaties leidt op een andere dataset. Om de voorspellingsprestaties van de vijf modellen te vergelijken, werd de oppervlakte onder de ROC-curve (AUC) berekend. Door de PPG kenmerken (tpr en a) toe te voegen aan de covariaten, steeg de AUC van 0,742 naar 0,947. Het ResNet-model met 12 lagen (AUC=0,953) presteerde vergelijkbaar met het opnemen van alle variabelen (AUC=0,954).

Opmerkingen en conclusies

We toonden aan dat PPG gemeten met een smartphone het potentieel heeft voor grootschalige, niet-invasieve, patiëntgestuurde screening. Dit werk draagt bij aan het vaststellen van een algemeen geaccepteerd algoritme op basis van open data en software, wat van groot belang is voor het reproduceren van de procedures en het verder verbeteren en ontwikkelen van methoden.

07. Studieprotocol stress- en rookvrije zwangerschap: een gerandomiseerde gecontroleerde trial van een gepersonaliseerde eHealth-interventie inclusief biofeedback van de hartslagvariabiliteit om zwangere vrouwen te ondersteunen bij het stoppen met roken via stressreductie

van Dijk W, Oosterman M, Jansen I, de Vente W, Huizink A. Stress- and smoke free pregnancy study protocol: a randomized controlled trial of a personalized eHealth intervention including heart rate variability-biofeedback to support pregnant women quit smoking via stress reduction. BMC Public Health. 2021;21(1). doi:10.1186/s12889-021-10910-w

Achtergronden

Roken van de moeder en stress tijdens de zwangerschap worden in verband gebracht met schadelijke gezondheidseffecten voor de vrouw zelf en zijn risicofactoren voor ongunstige ontwikkelingsresultaten van het ongeboren kind. Roken en stress lijken op verschillende manieren met elkaar verweven te zijn. Ten eerste heeft de meerderheid van de rokende zwangere vrouwen een lagere sociaaleconomische status, wat geassocieerd wordt met hogere niveaus van ervaren stress. Ten tweede geven rokende vrouwen vaak aan dat ze roken omdat ze zich gestrest voelen. Ten derde, stoppen met roken verhoogt vaak het ervaren stressniveau in het begin.
Daarom zijn effectieve interventies nodig om vrouwen te ondersteunen bij het stoppen met roken door stress te verminderen.

Doelstellingen

Het doel van dit onderzoek is om
de effectiviteit van een eHealth
interventie op stressreductie en stoppen met roken te testen.

Land van herkomst

Type onderzoek

Dit onderzoek is een parallel, enkelvoudig geblindeerd, gerandomiseerd gecontroleerd onderzoek (RCT) met twee armen en vier meetmomenten: pre-interventie of baseline (t0), post-interventie (t1), twee weken na de geboorte (t2) en drie maanden na de geboorte (t3). Zwangere, rokende vrouwen worden gerandomiseerd naar een van de volgende twee groepen: 1) gepersonaliseerde eHealth-interventie ("Samen met Eva") op de smartphone gedurende 8 weken; of 2) actieve controleconditie met psycho-educatie over stress, roken en zwangerschap via een website.

Patiënten

De Stress- en Rookvrije Start van het Leven (SSFSL) studie is een gerandomiseerde gecontroleerde studie (RCT) die een gepersonaliseerde eHealth-interventie vergelijkt met een controleconditie. Inclusiecriteria voor de vrouwen zijn: (1) >18 jaar oud, (2) <28 weken zwanger bij rekrutering, (3) momenteel roken.

Methoden

Toestemmende deelnemers worden willekeurig toegewezen aan de interventie- of controlegroep. Deelnemers die aan de interventiegroep worden toegewezen, krijgen een 8 weken durende interventie op hun smartphone. De applicatie omvat psycho-educatie over zwangerschap, stress en (stoppen met) roken; stressmanagementtraining bestaande uit hartslagvariabiliteit-biofeedback; en een gepersonaliseerd stoppen-met-roken-plan. Deelnemers aan de controleconditie worden uitgenodigd om een webpagina te bezoeken met informatie over - 12 - zwangerschap, stress en (stoppen met) roken. Uitkomsten van de studie worden verzameld via online vragenlijsten, op vier tijdstippen: pre-interventie (baseline; t0), post-interventie (8 weken + 1 dag na t0; t1), follow-up twee weken na de geboorte (t2), en follow-up drie maanden na de geboorte (t3).

Uitkomstmaten

De primaire uitkomstmaat is zelfgerapporteerd stoppen met roken. Secundaire uitkomsten zijn onder andere het dagelijks zelfgerapporteerde aantal gerookte sigaretten, ervaren stress, zwangerschapservaring, geboorteuitkomsten en negatieve affectiviteitsscores van de baby. Bovendien zal het mediërende effect van stressvermindering op stoppen met roken worden onderzocht en zullen mogelijke moderatoren worden getest.

Resultaten

Na toestemming te hebben gekregen van de Medisch Ethische Commissie om te beginnen met het includeren van deelnemers, werden de eerste deelnemers geïncludeerd in juli 2020. Op dit moment is de gegevensverzameling nog gaande. De belangrijkste resultaten zullen naar verwachting in 2022 worden gepubliceerd.

08. Kwantitatieve analyse van smartphone PPG-gegevens voor hartbewaking

Bussola F. Kwantitatieve analyse van smartphone PPG-gegevens voor hartmonitoring
Alma Mater Studiorum - Universita di Bologna. 2017/2018. https://core.ac.uk/download/pdf/211577183.pdf

Achtergronden

Heart for Heart is een crowd-sourced initiatief van de Arrhythmia Alliance, de Atrial Fibrillation Association, Happitech en andere partners, dat tot doel heeft een miljoen hartmetingen te verzamelen [9]. Het is ook bedoeld om het bewustzijn over boezemfibrilleren te vergroten en het tempo van de vooruitgang op het gebied van diagnosetechnologie voor boezemfibrilleren te versnellen. Happitech heeft in het verleden klinische trials uitgevoerd met zijn technologie in samenwerking met ziekenhuizen in Amsterdam (Nederland) en voert nu (op het moment van schrijven, in 2018 en 2019) meer trials uit waarbij ook het UMC Utrecht betrokken is.

Doelstellingen

1. de beschikbare gegevens karakteriseren;

2. mogelijke technieken identificeren die geschikt zijn om twee verschillende ritmes in gegevens te classificeren,

3. Normaal sinusritme (NSR) en atriumfibrilleren (Afib);

4. de signaalkwaliteit analyseren

Land van herkomst

Methoden

Het doel is om een dataset van 1572 proefpersonen te karakteriseren, waarvan de signalen door crowdsourced zijn verzameld via een speciale smartphone app, met behulp van de ingebouwde camera. We evalueren de verdelingen van drie kenmerken van onze signalen: het piekgebied, de amplitude en het tijdsinterval tussen twee opeenvolgende pulsen. We evalueren of sommige factoren de verdelingen hebben beïnvloed en ontdekken dat de sterkste effecten optreden bij leeftijds- en BMI-groepen. We evalueren de resultaten overeenkomst tussen de R G B kanalen van acquisitie, het vinden van een goede overeenkomst tussen de eerste twee.

Nadat we in de literatuur indexen voor signaalkwaliteit hebben gevonden, gebruiken we een subset daarvan in een classificatietaak, gecombineerd met de dynamische time warping-afstand, een techniek die een signaal matcht met een sjabloon. We bereiken een nauwkeurigheid van 89% op de testset, voor binaire kwaliteitsclassificatie.

Op de chaotische temporele reeksen evalueren we het verschijnen van verschillende soorten ritmes op Poincaré-plots en we kwantificeren de resultaten door een maat voor hun 3D-spreiding. We voeren dit uit op een set van 20 proefpersonen, 10 NSR en 10 Afib, en vinden significante verschillen tussen hun 3D-morfologieën. We breiden onze analyse uit naar de grotere dataset en verkrijgen enkele significante resultaten.

Opmerkingen en conclusie

Het veelbelovende en uitgebreide gebied van PPG-gebaseerde cardiale gezondheidsmonitoring staat voor grote uitdagingen als het real-time feedback en diagnostiek wil bieden aan eindgebruikers of zorgverleners. Zo is er het openstaande probleem van het omgaan met ruis bij metingen van verschillende soorten ritmes voor klinische doeleinden.

Ons onderzoek wijst in de richting van de sterke behoefte aan nauwkeurig gelabelde metingen en multivariate analyse, om een sluitend antwoord te kunnen geven op de vragen naar onderliggende effecten in verschillende groepen. Een hartritmeklassificatie die ook rekening houdt met de signaalkwaliteit lijkt binnen handbereik, vooral door gebruik te maken van de kracht van machinaal lerende technieken voor gegevensanalyse.

De natuurkundige benadering van het terugkeren van de chaotische tijdreeksen levert veelbelovende resultaten op wat betreft het onderscheid tussen NSR- en Afib-ritmes. In dit stadium is classificatie mogelijk via analyse van de 3D-spreiding van de Poincaré-plots van de tijdsintervallen van een signaal.

09. Opportunistische screening op atriumfibrilleren met behulp van een fotoplethysmografietechniek bij geriatrische patiënten, een voorlopige analyse van de Nederlandse-GERAF-studie

De heer Zwart LAR; Dokter Jansen RWMM; Mevrouw Spruit JR; Dokter Pisters R; Dokter Riezebos RK; Professor De Groot JR; Dokter Hemels MEW - EP Europace, Volume 25, Issue Supplement_1, Juni 2023, euad122.554

Achtergronden

Niet-gediagnosticeerd atriumfibrilleren (AF) vormt een groot risico op een beroerte bij hoogrisicopatiënten. Er zijn verschillende screeningsstrategieën ontwikkeld om deze patiënten te identificeren. Geriatrische patiënten hebben vaak multimorbiditeit en moeten worden beschouwd als een populatie met een zeer hoog risico op de ontwikkeling van AF en cardiovasculaire voorvallen, maar hebben mogelijk minder toegang tot draagbare screeningapparaten.

Doelstellingen

De Nederlandse multicentrische studie naar opportunistische screening van geriatrische patiënten op boezemfibrilleren met behulp van een PPG smartphone App (de DutchGERAF Study) past opportunistische screening toe op ambulante geriatrische patiënten, om nieuwe gevallen van AF te identificeren en de preventie van beroertes te optimaliseren. Deze voorlopige analyse beschrijft de haalbaarheid en bereidheid om een smartphone fotoplethysmografie (PPG) applicatie te gebruiken in een ambulant cohort.

Land van herkomst

Methoden

Analyse van deelnamegegevens en PPG-gebruik van alle geïncludeerde patiënten van 70 jaar of ouder binnen de GERAF-studie. De GERAF-studie is een multicentrisch onderzoek naar opportunistische screening op AF met behulp van een PPG-applicatie onder patiënten die een geriatrische polikliniek bezoeken. Alle patiënten zonder pacemaker/ICD, ernstige tremor of ernstige dementie werden uitgenodigd om deel te nemen gedurende een screeningsperiode van 6 maanden. Patiënten werden gestimuleerd om de applicatie thuis op hun eigen mobiele apparaat minstens 3 keer te gebruiken binnen 6 maanden na inclusie. Indien de patiënt dit verkoos, werd de applicatie geïnstalleerd op het mobiele apparaat van een echtgenoot of ander familielid. De PPG-signalen werden geanalyseerd met behulp van het in de handel verkrijgbare algoritme.

Resultaten

Gegevens over PPG-gebruik voor patiënten waren beschikbaar voor 568 patiënten. Hiervan hadden 122 (21,5%) een voorgeschiedenis van AF en werden daarom niet meegenomen in deze analyse. Gegevens over PPG-gebruik werden geanalyseerd van 446 patiënten, 240 waren vrouw (54%), de gemiddelde leeftijd was 79 ± 5,5 jaar, de oudste patiënt was 95 jaar. In totaal voerden patiënten 2232 PPG-opnames uit binnen 6 maanden, waarbij een voldoende signaal werd verkregen in 1874 (84%) opnames. Het signaal bleek voldoende bij de eerste poging in 79,3% van de opnamen. In het geval van een mislukte eerste poging voerde 60,5% van de patiënten onmiddellijk ten minste één extra opname uit totdat voldoende signaalkwaliteit werd bereikt en in totaal voerde 61,2% van de patiënten ten minste 2 PPG-opnamen uit. Slechts 69 (15,5%) patiënten die toestemming gaven voor deelname, voerden geen enkele opname uit.

Conclusie

Conclusie: Deze analyse van voorlopige GERAF PPG-gegevens laat zien dat zeer oude proefpersonen (met een gemiddelde leeftijd van bijna 80 jaar) bereid en in staat zijn om eHealth-toepassingen op een mobiel apparaat te gebruiken. De meeste PPG-opnamen waren van voldoende signaalkwaliteit en meer dan de helft van de patiënten was bereid om herhaalde opnamen te maken.

10. Eerste ervaringen met een virtuele atriumfibrillatiekliniek na isolatie van de longader

M ReijrinkDe Boer1, I Wolsink1, I Frenaij2, KF Beukema1, B Brouns1, VF Van Dijk1, M Liebregts1, MCEF Wijffels1, LVA Boersma1, JC Balt1, 1StAntonius Ziekenhuis Nieuwegein Nederland (The) , 2AmsterdamUMC Amsterdam Nederland (The) ,

Gepresenteerd op de jaarlijkse bijeenkomst van de European Heart Rhythm Association (EHRA), Berlijn, 9 april 2024

Achtergronden

Om terugkerend atriumfibrilleren (AF) op te sporen worden verschillende methoden gebruikt, variërend van incidenteel elektrocardiogram tot ritmebewaking met implanteerbare lusrecorders (ILR's). In de klinische praktijk is routinematig gebruik van ILR's niet haalbaar vanwege de kosten. Herhaalde (week)Holters veroorzaken een aanzienlijke belasting voor zowel patiënten als ziekenhuizen en zijn bovendien inadequaat voor het detecteren van recidiverend AF.

Doelstellingen

Onderzoeken of monitoring op afstand (RM) haalbaar is bij patiënten met AF na isolatie van de longader.

Land van herkomst

Nederland

Methoden

We hebben een virtuele AF-kliniek opgezet. Patiënten werden uitgerust met een toepassing voor fotoplethysmografie (PPG) en werden gevraagd om een opname te maken wanneer ze symptomen hadden. De opnames werden geüpload naar het Elektronisch Patiënten Dossier van het ziekenhuis en gecontroleerd door speciale eNurses. Het aantal ziekenhuiscontacten, ziekenhuisbezoeken, elektrocardiogrammen en holteropnames werden genoteerd. Patiënttevredenheid en kwaliteit van leven werden gemeten met (gevalideerde) vragenlijsten. Vergelijkingen werden gemaakt met een historische controlegroep uit jan-maart 2019 met een traditionele follow-up van polikliniekbezoeken, elektrocardiogrammen en Holters.

Resultaten

Er werden 157 patiënten onderzocht, 78 in de RM-groep en 79 in de controlegroep. De gemiddelde leeftijd was 63 ± 10 jaar, 64% man. AF was paroxysmaal in 68% van de patiënten. Follow-up was 1 jaar en werd voltooid bij alle patiënten. In de RM-groep verrichtten de patiënten 16±29 opnamen/jaar. AF werd gedetecteerd bij 37 (47%) patiënten met RM. Terwijl er meer geplande contacten op afstand werden uitgevoerd in de RM-groep, vonden er significant minder geplande en ongeplande polikliniekbezoeken, AF-gerelateerde ziekenhuisopnames en Holters plaats. Patiënten geven aan zeer tevreden te zijn over deze vorm van bewaking op afstand.

Conclusie

Een virtuele AF-kliniek is haalbaar. Wanneer patiënten gevraagd wordt om te registreren wanneer ze symptomen hebben, voeren ze weinig metingen uit. Vergeleken met patiënten met een traditionele follow-up, hebben patiënten met een RM op basis van PPG minder ziekenhuisbezoeken en opnames nodig en ondergaan ze minder Holters. De patiënttevredenheid over RM is hoog.

Onze Onderzoekspartners

We hebben meerdere onderzoeks-partnerschappen met toonaangevende ziekenhuizen en academische instellingen, waaronder Mount Sinai, Boston Children's Hospital, OVLG, Vrije Universiteit Amsterdam, Hartstichting en UMC Utrecht.