Протокол интеллектуальных носимых испытаний обеспечивает непрерывный долгосрочный мониторинг децентрализованных когорт, страдающих бессонницей
Персонализированная медицина требует понимания состояния здоровья в реальных условиях, но традиционные клинические инструменты часто плохо подходят для продольного отслеживания из-за логистических препятствий, высокой нагрузки на участников и проблем с качеством данных. В то время как потребительские носимые устройства предлагают масштабируемую альтернативу, децентрализованные клинические испытания создают новые проблемы в наборе пациентов, постоянном взаимодействии и управлении данными. Бессонница служит подходящим вариантом использования этого протокола из-за его глобальной распространенности, частой гиподиагностики и хорошо документированного несоответствия между субъективными отчетами пациентов и объективными физиологическими показателями. Мы представляем протокол исследования для крупномасштабных децентрализованных клинических испытаний и сообщаем об эффективности его набора применительно к продольному исследованию бессонницы, называемому исследованием SLEEPI (Продольная оценка паттернов бессонницы на основе интеллектуальных устройств), с использованием устоявшейся базы коммерческих устройств с ограниченным дополнительным ручным вмешательством. Целью данного исследования является разработка модели машинного обучения, классифицирующей наличие субъективной бессонницы на уровне участников по сравнению с двумя потоками данных: субъективными, клинически привязанными отчетами пациентов и объективными физиологическими показателями (например, частотой сердечных сокращений и дыхания), регистрируемыми с помощью ненавязчивых носимых и близлежащих датчиков. Это исследование проводится с помощью цифрового протокола, предназначенного для проведения крупномасштабного продольного клинического исследования. Этот протокол заменяет ручные вмешательства в исследованиях на местах цифровыми инструментами, которые управляют полным процессом участия. Мы подробно описываем этот протокол, начиная с первоначального набора участников, участия, соблюдения требований, мониторинга исследования и управления данными до завершения или прекращения исследования. Собранные данные предназначены для обучения и оценки модели машинного обучения для классификации субъективной бессонницы. Цели набора были определены с помощью моделирования для определения минимального размера выборки для этой цели и применения модели предполагаемого истощения для расчета первоначального объема контактов, необходимого для достижения этой целевой выборки. Этот протокол позволяет осуществлять непрерывный монитори
## В чем суть открытия Протокол SLEEPI использует коммерческие носимые устройства и цифровую автоматизацию для проведения децентрализованных долгосрочных исследований бессонницы, охватывая более 10 000 участников всего за шесть недель без традиционной нагрузки на клинические центры. ## Как это устроено: принцип работы Протокол сочетает в себе отчеты о субъективных опросах пациентов с объективными физиологическими данными, такими как частота сердечных сокращений и дыхания, собранными с помощью носимых устройств. Цифровые инструменты полностью автоматизируют набор персонала, согласие и мониторинг соблюдения требований для обучения моделей машинного обучения классификации бессонницы. ## Что это меняет на практике Обеспечивает масштабируемую и несложную основу для реальных клинических испытаний, позволяющую осуществлять непрерывный 26-недельный мониторинг исследований бессонницы, сердечно-сосудистых заболеваний, иммунологии и психического здоровья. ## Границы метода и риски Опирается на уже существующие базы пользователей коммерческих устройств, потенциальную предвзятость самостоятельного выбора, зависимость от удержания участников в течение 26 недель и ожидает проверки модели классификации ML. ## Результаты и доказательства - **Комплексный скор значимости:** 9.5 / 10.0 - **Уровень доказательности:** клиническое испытание - **Бенчмарки и прирост:** Initial survey response rate: 16% (vs 10% projected); Consent rate: 96% (vs 77% projected); Final inclusion rate: 90% (vs 81% projected); Cohort: 10,823 participants - **Размер выборки / валидация:** N = 10,823 participants