Tragbare Gesundheitstracker sind an Handgelenken und Geschenkführern allgegenwärtig geworden. Aber wie können Angehörige der Gesundheitsberufe die Flut von Daten, die von in die Geräte der Patienten eingebetteten mobilen Sensoren erzeugt werden, in umsetzbare Erkenntnisse umwandeln, die Behandlungspläne informieren? Mason Ferlic, Doktorand für Statistik an der University of Michigan und Olympiasieger, entwickelt neue adaptive Interventionsmethoden und experimentelle Designs, die es Klinikern eines Tages ermöglichen werden, Metriken eine Bedeutung zuzuweisen, wenn sie klinisch durchgeführte Behandlungen personalisieren. Er stellt sich eine neue Generation technologiegestützter Gesundheitsinterventionen vor, die in der Lage sind, Patientendaten zu interpretieren, um zeitnahe, evidenzbasierte Behandlungsentscheidungen zu empfehlen, die zu besseren Gesundheitsergebnissen für alle führen.

Parallelen ziehen

Ferlic erwarb 2016 seinen Master in Luft- und Raumfahrttechnik an der University of Michigan, bevor er 2020 zurückkehrte, diesmal an das Department of Statistics, um seine Promotion zu beginnen. Er wurde von der Forschung im Bereich der Interventionsoptimierung zur Statistik hingezogen, wo Forscher Prinzipien aus dem Ingenieurwesen anwendeten, um die Qualität und Effizienz der verfügbaren Behandlungen für eine Vielzahl von Erkrankungen systematisch zu verbessern. „Ich habe diese enorme Verbindung zwischen der Ingenieurwelt und dem Abbau von Subsystemen und Komponenten einer Intervention gesehen, um sie für ein bestimmtes Gesundheitsergebnis zu optimieren“, sagte er. „Ich habe mich wirklich darauf konzentriert, mehr darüber zu erfahren, wie man Daten nutzt, um nicht nur Assoziationen und Korrelationen, sondern tatsächliche Empfehlungen bereitzustellen.“

Ferlics Interesse an der Wissenschaft adaptiver Interventionen wurde durch seine sportlichen Bemühungen vertieft, bei denen er lernte, auf Signale in seinem eigenen Körper zu hören und darauf mit kleinen Änderungen seiner Ernährung und seines Trainings zu reagieren, die einen großen Einfluss auf die Leistung am Renntag hatten. Als die Intuition nicht ausreichte, hatte er einen erfahrenen Coach zur Verfügung, der diese Signale in Empfehlungen übersetzen konnte. Er fragte sich, ob die mobile Gesundheitstechnologie es eines Tages auch anderen, nicht nur Spitzensportlern, ermöglichen könnte, auf diese Erfahrung zuzugreifen.

Etwa zu dieser Zeit kam eine Reihe tragbarer Geräte auf den Markt, von denen jedes in der Lage war, eine Kombination von Metriken wie Herzfrequenz, Herzfrequenzvariabilität, körperliche Aktivität und Schlafqualität zu messen und zu melden. Als ihm die Möglichkeit geboten wurde, ein am Handgelenk getragenes Gerät für Sportler zu testen, war er begeistert, erkannte aber schnell seine Grenzen. „Es hat Ihnen hauptsächlich Zahlen mitgeteilt, und diese Zahlen standen nicht im Zusammenhang mit dem, was Sie taten oder was Sie als Reaktion darauf tun sollten“, sagte Ferlic. Während sein Trainer in der Lage war, diese Zahlen zu interpretieren und seinen Trainingsplan entsprechend zu optimieren, wusste er, dass das Gerät nicht die Art von Informationen lieferte, die für eine durchschnittliche Person nützlich wäre. Im Laufe der Jahre probierte er andere Geräte aus, aber alle hatten ähnliche Mängel. „Ich wurde pessimistisch in Bezug auf diese ganze Seite der Technologie“, sagte er.

Als Ferlic im ersten Jahr seiner Promotion mit d3c-Co-Direktor Danny Almirall in Kontakt kam, wurde die Affinität zwischen seinen Interessen und der Arbeit des d3centers offensichtlich. „Ich dachte, das ist es. […] Damals hatte ich nicht die Sprache, um das Problem zu formulieren, aber als ich erfuhr, was d3c tut, wusste ich, dass es genau das war, was ich zu tun hoffte“, sagte er. Das Problem war, dass die Algorithmen, auf denen mobile Gesundheitsgeräte laufen, und ihre Anwendungen zu einfach waren, um die gesammelten Daten für Einzelpersonen nutzbar zu machen. Aber es gab eine große Chance, den Nutzen dieser Daten zu erhöhen, indem sie in die Gesundheitsversorgung integriert wurden, die die Menschen bereits erhalten. Was wäre, wenn Wearables und andere mobile Geräte Ärzten Zugang zu umsetzbaren Informationen über die tägliche Gesundheit ihrer Patienten verschaffen könnten? in der Rolle des Experten-Coaches gezielt Therapieanpassungen vornehmen können? Leider waren die Wissenschaftler hinter diesen Algorithmen noch nicht in der Lage, wichtige Fragen zu beantworten, wie die Daten in der Praxis nutzbar gemacht werden können. Die Methoden, die sie brauchen würden, um diese Fragen zu untersuchen, existierten einfach nicht.

Eine neue Grundlage legen

Heute arbeitet Ferlic an der Entwicklung der Methoden, die Forscher benötigen, um intelligente technologiegestützte klinische Interventionen zu entwickeln, die in ihrer Ausgereiftheit den Plattformen entsprechen, auf denen sie ausgeführt werden. Im traditionellen klinischen Umfeld, erklärt Ferlic, erfolgt der Anpassungsprozess in einer KI relativ langsam: „Bei adaptiven Interventionen, bei denen Sie nur durch klinische Besuche mit einem Patienten interagieren, können Sie sich nicht wirklich so schnell wie möglich anpassen. Es gibt eine Verzögerung zwischen dem Zeitpunkt, an dem Sie das Ansprechen bewerten können, und dem Zeitpunkt, an dem Sie die Behandlung aktualisieren können. Dies liegt daran, dass der Arzt nur bei bestimmten Klinikbesuchen, die typischerweise zwischen zwei und acht Wochen auseinander liegen, Zugriff auf die Daten hat. Aber mit dem Hinzufügen eines digitalen Gesundheitstools können wir die persönliche Überwachung bei Klinikbesuchen durch kontinuierlichere Check-ins erweitern. Das bedeutet, dass wir überwachen und erkennen können, wann ein bestimmtes Ereignis im Leben des Patienten eintritt, was dem Arzt mitteilt, ob er die Behandlung intensivieren, ergänzen oder auf eine alternative Behandlung umstellen muss.“ Um zu erfahren, welche Echtzeitmessungen einen Bedarf für eine Anpassung der Behandlung anzeigen, und um zu erfahren, wie man auf der Grundlage dieser Messungen am besten reagiert, benötigen Forscher eine neue Klasse randomisierter Studiendesigns und zugehöriger Datenanalysemethoden.

Betrachten Sie als Beispiel eine Intervention zur Gewichtsabnahme zur Behandlung von Fettleibigkeit. Eine typische klinisch durchgeführte adaptive Intervention zur Gewichtsabnahme kann den Fortschritt des Patienten nur während der Klinikbesuche überprüfen, die das Ende der zweiten, vierten und achten Behandlungswoche markieren. Wenn an einem dieser Punkte die Gewichtsverlustrate des Patienten unter einem bestimmten Schwellenwert liegt, wird dem Patienten eine neue Intervention angeboten. Was bei einer solchen adaptiven Intervention fehlt, sind Informationen aus der Zeit zwischen den Klinikbesuchen – beispielsweise Gewichtsschwankungen zwischen Klinikbesuchen oder wie schnell jemand die Kriterien für das Nichtansprechen auf die Intervention erfüllt hat – die einem Kliniker helfen könnten, den besten Weg zu bestimmen die Behandlung zu den zwei-, vier- und achtwöchigen Zeitpunkten ändern.

„Indem wir eine Variable wie die Zeit bis zur Nichtreaktion in die Entscheidungsregel aufnehmen, können wir die adaptive Intervention besser anpassen“, erklärt Ferlic. Bei einer Gewichtsabnahme-Intervention, die durch ereignisgesteuertes Tailoring verbessert wird, benötigt jemand, der die Kriterien für Nichtansprechen in Woche zwei erfüllt, möglicherweise eine kräftige Ergänzung der Behandlung, um sein Gewichtsabnahmeziel zu erreichen, während jemand, der die Kriterien für Ansprechen bis zur Mitte erfüllt der siebten Woche benötigen möglicherweise nur eine geringfügige Vergrößerung, um ihr Gewichtsverlustziel zu erreichen.

Sequential Multiple-Assignment Randomized Trials (SMARTs) können entwickelt werden, um optimierte ereignisgesteuerte adaptive Interventionen zu entwickeln. Zusammen mit neuen Methoden werden diese Studien es Forschern ermöglichen, adaptive Interventionen zu entwickeln, die in der Lage sind, zeitnahe Empfehlungen zu geben, die den Kontext jedes Patienten berücksichtigen, insbesondere seinen Reaktionsverlauf. Sobald Ferlic die Designprinzipien und Analysemethoden entwickelt hat, die für die Verarbeitung von Daten aus dieser Vielzahl von SMART erforderlich sind, möchte er Kapazitäten für komplexere Anwendungen des ereignisgesteuerten Tailoring-Konzepts aufbauen. Er stellt sich eine Zukunft vor, in der Forscher lernen können, mehrere Anpassungsvariablen zu berücksichtigen, die in Echtzeit gesammelt werden,

Wo auch immer die Wissenschaft ihn hinführt, Ferlic ist sich sicher, dass eine Kombination aus kostengünstiger tragbarer Technologie und evidenzbasiertem Interventionsdesign es eines Tages für jeden einfacher machen wird, seine Gesundheits- und Fitnessziele zu erreichen: „Ich bin wirklich gespannt, die reale Welt zu sehen Auswirkungen der neuen Methoden, die wir bei d3c entwickeln. Langfristig hoffe ich, dass unschätzbares Fachwissen zur Entscheidungsfindung zumindest teilweise in adaptive Algorithmen für digitale Geräte verpackt werden kann, wodurch die Barriere für qualitativ hochwertiges Gesundheitscoaching für die Bedürftigsten abgebaut wird.“

Besuchen Sie die d3center-Website , um mehr über unsere Arbeit zu erfahren.

Durchsuchen Sie die FAQs zu adaptiven Interventionen und SMARTs .

Entdecken Sie unsere Open-Source-Software-Tools .

Nehmen Sie an Online-Kursen zu adaptiven Interventionen, SMARTs und Interventionsoptimierung teil .