COPD: Interaktive Handy-App lässt Rückschlüsse auf Stabilität der Erkrankung zu

Mit dem Einsatz einer Handy-App lassen sich Patienten mit Chronisch-obstruktiver Lungenerkrankung (COPD) identifizieren, bei denen eine akute Exazerbation bevorsteht. Das berichteten Forschende beim diesjährigen internationalen Kongress der European Respiratory Society (ERS).

Bei der App „myCOPD“ handelt es sich um eine Cloud-basierte interaktive Anwendung, die von Patienten und Ärzten entwickelt wurde und derzeit im Rahmen des britischen National Health Service verwendet werden kann. Nach ihrem Start im Jahr 2016 wird sie inzwischen von mehr als 15.000 COPD-Patienten als Hilfestellung bei der Bewältigung ihrer Erkrankung genutzt.

Die Forschenden sammelten zwischen August 2017 und Dezember 2021 insgesamt 45.636 Datensätze von 183 Patienten. Davon entfielen 45.007 Aufzeichnungen auf die stabile Phase der Erkrankung und 629 auf Exazerbationen. Vorhersagen zu Exazerbationen wurden ein bis acht Tage vor einem von den Probanden gemeldeten Exazerbationsereignis generiert. Glyde und seine Kollegen nutzten diese Daten, um KI-Modelle an 70 Prozent der Daten zu trainieren und an 30 Prozent zu testen.

Bei den in die Auswertung einbezogenen COPD-Patienten handelt es sich um „High-Engager“, die die App über Monate oder sogar Jahre wöchentlich genutzt hatten, um ihre Symptome und andere Informationen ihren Gesundheitszustand betreffend sowie verwendete Medikamente zu dokumentieren, Erinnerungen einzurichten und Zugriff auf aktuelle Gesundheits- und Lebensstilinformationen zu haben. Ärzte können die Daten über ein Dashboard auswerten, was ihnen eine Fernüberwachung der Patienten ermöglicht.

„Das neueste von uns entwickelte KI-Modell besitzt eine Sensitivität von 32 Prozent und eine Spezifität von 95 Prozent“, berichtete Henry Glyde, Doktorand an der Fakultät für Ingenieurwissenschaften der Universität Bristol (Großbritannien) beim ERS-Kongress. „Das bedeutet, dass das Modell den Patienten sehr gut vermitteln kann, wann sie nicht mit einer Exazerbation rechnen müssen. Dies kann ihnen helfen, unnötige Behandlungen zu vermeiden. [Das Modell] ist weniger gut darin, den Patienten zu sagen, wann sie kurz vor einer Exazerbation stehen. Dies zu verbessern, wird der Schwerpunkt der nächsten Phase unserer Forschung sein.“

Dr. James Dodd, außerordentlicher Professor für Pneumologie an der Universität Bristol und Projektleiter, erklärte anlässlich des Kongresses: „Soweit wir wissen, ist diese Studie die erste ihrer Art, die reale Daten von COPD-Patienten modelliert, die aus einer weithin verbreiteten therapeutischen App gezogen wurden. Infolgedessen besitzen die aus dieser Studie generierten Exazerbations-Vorhersagemodelle das Potenzial, nach weiteren Sicherheits- und Wirksamkeitstests bei Tausenden weiterer COPD-Patienten eingesetzt zu werden. Diesen würde auf diese Weise ermöglicht werden, mehr Autonomie und Kontrolle über ihre Gesundheit zu haben. Dies ist auch ein erheblicher Vorteil für deren Ärzte, da ein solches System wahrscheinlich die Abhängigkeit der Patienten von der Primärversorgung verringern würde. Darüber hinaus könnten besser kontrollierte Exazerbationen Krankenhausaufenthalte verhindern und das Gesundheitssystem entlasten. Weitere Untersuchungen zur Patientenbeteiligung sind erforderlich, um festzustellen, welches Maß an Genauigkeit akzeptabel ist und wie ein Exazerbationswarnsystem in der Praxis funktionieren würde. Die Einführung von Sensortechnologien kann die Überwachung weiter verbessern, ebenso wie die Vorhersageleistung von Modellen.“

Als eine Einschränkung der Studie wird die geringe Anzahl häufiger Nutzer der App genannt. Das derzeitige Modell erfordert, dass ein Patient ein Ergebnis eines COPD-Bewertungstests eingibt, sein Medikationstagebuch ausfüllt und dann Tage später genau meldet, wenn er eine Exazerbation erleidet. Normalerweise können nur Patienten, die sich intensiv mit der App beschäftigen und sie täglich oder wöchentlich verwenden, die für die KI-Modellierung erforderliche Datenmenge bereitstellen. Da es außerdem deutlich mehr Tage gibt, an denen die Nutzer stabil sind, als wenn sie eine Exazerbation haben, besteht ein erhebliches Ungleichgewicht zwischen den verfügbaren Daten für Exazerbationen und zum Zustand ohne Exazerbationen. Dies führt zu noch weiteren Schwierigkeiten bei der korrekten Vorhersage von Ereignissen nach dem Training der Modelle auf der Grundlage dieser unausgeglichenen Daten.

„Eine kürzlich eingegangene Partnerschaft zwischen Patienten, Ärzten und Betreuern zur Festlegung von Forschungsprioritäten bei COPD ergab, dass die am höchsten bewertete Frage darin bestand, bessere Möglichkeiten zur Verhinderung von Exazerbationen zu identifizieren. Wir haben uns auf diese Frage konzentriert und werden eng mit den Patienten zusammenarbeiten, um ein System zu entwerfen und zu implementieren“, schloss Glyde