这是一篇开放获取的文章，根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布，允许在任何媒介上无限制地使用、分发和复制，前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息，//www.mybigtv.com/上的原始出版物的链接，以及此版权和许可信息。
体弱多病的老年人广泛使用紧急服务，远程监测健康的数字系统可以通过更早地发现健康状况恶化，从而减少这些就诊。
我们的目标是实现一个系统，当机器学习算法识别急诊科(ED)访问的短期风险时，该系统会产生警报，并检查这些警报和用户体验后提供的健康干预措施。本研究强调了通用系统的可行性及其在减少急诊科就诊方面的表现。它还评估警报预测的准确性。
在接受家庭助理(HAs)帮助的社区老年人中进行了一项不受控的多中心试验。我们实施了一个电子健康系统，可以对急诊科就诊的高风险发出警报。在每次家访后，HAs使用智能手机应用程序完成了一份关于参与者功能状态的问卷，信息由之前开发的机器学习算法实时处理，该算法可以在14天内识别出有急诊科就诊风险的患者。如果出现风险，电子健康系统会提醒协调护士，然后护士可以通知家庭护理人员和患者的护士或全科医生。主要结果是急诊就诊率和警报触发健康干预(ATHIs)后的死亡人数以及用户使用电子健康系统的经验;次要结果是电子健康系统预测急诊科就诊的准确性。
我们纳入206例患者(平均年龄85岁，SD 8岁;161/206(78%女性)接受了109个HAs的治疗，平均随访时间为10个月。民政事务总署监察了2656次探访，共发出405次警报。131次警报出现ATHI后记录了2次急诊科就诊(2/ 131,1.5%)，而274次警报未出现ATHI后记录了36次急诊科就诊(36/ 272,13.4%)，对应的优势比为0.10 (95% IC 0.02-0.43;
电子健康系统已成功实施，受到用户的赞赏，并产生了相关警报。ATHIs与较低的急诊率相关，这表明电子医疗系统可能有效地降低了该人群的急诊率。
clinicaltrials.gov NCT05221697;https://clinicaltrials.gov/ct2/show/NCT05221697。
世界范围内老龄化人口不断增加，他们的健康特点是慢性病和多种疾病发病率高，易患急性病[
患者(或家庭)报告结局测量(PROM)系统通过改善生活质量、降低死亡率、减少急诊科就诊次数和住院次数，使慢性疾病患者受益[
今天，主治医生或护士不再有时间和机会定期去家里看望老年人。HAs是照顾家中老年人的关键专业人员。他们经常与患者接触，可以为预防失代偿提供重要信息。该系统的理念是在真正必要时优化医疗干预措施，并通过健康建议或其他不需要主治医生的干预措施找到替代方案。它使我们能够重视HAs的工作，并基于他们与老年人的接近程度来优化护理途径，避免急诊科就诊。文献中很少有研究分析了以社区为基础的干预措施对预防老年人可避免的紧急住院的有效性[
我们进行了一个现实世界的实用试验，包括接受HAs援助的老年人。我们的目标是实现一个系统，当机器学习算法识别出急诊科就诊的短期风险时，该系统会产生警报，并在这些警报和用户体验后检查所需的健康干预措施。这项研究强调了一般系统的可行性，改善依从性的杠杆，以及它在减少居家老年人紧急住院治疗方面的最佳效果。
这项多中心非受控实用试验(NCT05221697)由位于马赛、凡尔赛和迪南3个法国城市的3家家庭援助机构参与。参加者年龄≥75岁，住在家里，接受过这些机构的社会工作者的帮助，在过去12个月内看过全科医生，根据法国国家抚养工具AGGIR量表，有轻度或中度的依赖程度[
干预措施总结在
该问卷主要关注功能和临床自主性(即日常生活活动)、可能的医学症状(如疲劳、跌倒和疼痛)、行为变化(如识别和攻击性)以及与医管局或周围环境的沟通。这份问卷由非常简单易懂的问题组成，可以全面了解患者的情况。对于23个问题，每个问题都要求回答“是”或“否”。由HAs记录的数据被实时发送到安全服务器，由我们的机器学习算法进行分析，该算法预测了风险水平，并将其显示在基于web的安全医疗设备上，称为PRESAGE CARE，该设备有CE标记。处理系统的简化图和数据处理系统的描述可以在
在警报发生的情况下，协调护士打电话给家庭护理人员，询问患者最近的健康状况变化并消除疑虑，然后可以根据研究开始前开发的健康干预模型决定要求健康干预。简而言之，这种警报触发的健康干预(ATHI)包括呼叫患者的护士(如果患者有定期的护士家访)或患者的全科医生，并根据电子健康系统算法告知他们患者的功能状态恶化，以及未来几天可能会出现急诊科就诊的风险。ATHI是在卫生系统的自然资源下进行的，而不是在研究中雇用的医生或护士。没有向这些保健专业人员提供任何具体指示或协议，他们可以自由作出自己的决定。该ATHI模型已由本研究涉及地区的机构(Régionales de Santé)提出并批准(
干预协议在警报管理中的应用。急诊室。
主要结果是由协调护士记录的急诊科就诊率和死亡人数，以及由问卷记录的用户使用HAs和协调护士的经验。电子卫生系统的组织结果，根据高级电子卫生系统评价指南Autorité de Santé，法国国家卫生机构[
次要结果是确认人工智能在现实条件下的预测能力。通过敏感性、特异性、阳性和阴性预测值以及似然比来评估eHealth系统警报预测急诊科就诊的诊断准确性。准确性分析和报告是根据诊断准确性研究报告标准指南进行的。急诊科就诊和住院的情况和日期由民政事务总署和家庭辅助设施经理记录。
连续变量用均值和标准差描述，如果不是正态分布，则用中位数和IQRs描述;分类变量用相对频率来描述。的2-tailed
该研究方案得到了法国国家生物医学研究伦理委员会、Comité de Protection des人身保护协会和法国健康产品安全局(2021-A02131-40-CPP 1-21-072 / 21.02093.000019)的批准。
参加者、民政事务总署及家居辅助设施的管理人员均获告知研究的性质及目的，并就此提供书面同意。
在房屋援助设施的受益者中，有293人符合资格，其中206/293人(71%)同意参与研究并被纳入研究。他们的平均年龄为85岁(SD 8岁)，206名参与者中有161名(78%)是女性，94名(45%)的依赖水平为GIR 3或4(即中等依赖水平;
平均随访时间为10个月，试验期间无患者死亡。总共有10名家庭辅助设施的护理经理(9名护士和1名药剂师)和109名HAs参与了这项研究。在4753次家访中，2656次(56%)由应用程序监测，并为电子健康系统提供输入(
参与者的特征、活动和电子健康系统;参与其运作的工作人员;以及警报触发的健康干预措施。
| 参与者的特征 | 中心1 (n=67) | 中心2 (n=16) | 中心3 (n=123) | 总(N = 206) | |||||
| 年龄(年)，平均值(SD) | 86 (4) | 88 (6) | 86 (5) | 86 (5) | |||||
| 性别(女性)，n (%) | 57 (86) | 13 (80) | 106 (86) | 176 (85) | |||||
| 轻度依赖(GIR 5或6)，n (%) | 10 (15) | 3 (19) | 4 (3) | 17日(8) | |||||
| 中度依赖(GIR 3或4)，n (%) | 23日(34) | 8 (50) | 63 (51) | 94 (46) | |||||
| 严重依赖(GIR 1或2)，n (%) | 0 (0) | 1 (6) | 13 (11) | 14日(7) | |||||
| 未知依赖级别，n (%) | 34 (51) | 4 (25) | 43 (35) | 81 (39) | |||||
|
|
|||||||||
|
|
家庭助理，n (%) | 46 (42) | 11 (10) | 52 (48) | 109 (100) | ||||
|
|
护理经理，n (%) | 6 (60) | 2 (20) | 2 (20) | 10 (100) | ||||
|
|
通过app监控的访问量，n (%) | 1130 (43) | 324 (12) | 1202 (45) | 2656 (100) | ||||
|
|
符合率，% | 56.2 | 67·5 | 52.8 | 56.0 | ||||
|
|
警报，n (%) | 188 (46) | 47 (12) | 170 (42) | 405 (100) | ||||
|
|
每次被监测的访问的警戒率，% | 16.6 | 14.5 | 14.1 | 16.9 | ||||
|
|
|||||||||
|
|
干预，n (%) | 45 (34) | 46 (35) | 40 (31) | 131 (100) | ||||
|
|
每个警报的干预率，% | 23.9 | 97.9 | 23.5 | 32.3 | ||||
警报(指数测试)、健康干预和急诊科(ED)访问流程图(参考标准)。
在206名参与者中，29人(14%)在研究期间访问了急诊科。其中11人就诊2次或以上(最多6次)，急诊总次数为46次;共有32次急诊科就诊(19人)后住院。
5名受试者在没有经过急诊科就诊的情况下直接入院(
由于电子卫生系统产生了405次警报，由卫生专业人员执行了131次ATHI: 96次(73%)由护士执行，35次(27%)由医生执行。131次ATHI后，仅记录了2次急诊科就诊(2/ 131,1.5%)，而在272次未导致健康干预的警报后，我们记录了32次急诊科就诊(13.2%)，对应的优势比为0.10 (95% IC 0.02-0.43;
5名患者在研究期间死亡。所有患者均有警报，4人未出现ATHI并住院治疗，1人出现ATHI (
根据实施由警报触发的健康干预措施，在电子健康系统生成警报后14天内发生的急诊科(ED)访问。
| 特征 | 急诊科就诊(38例) | 无急诊就诊(n=367) | 优势比(95% CI) |
| 没有警报触发的运行状况干预，n (%) | 36 (13.1) | 238 (86.9) | 参考 |
| 警报触发的健康状况干预，n (%) | 2 (1.5) | 129 (98.5) | 0.10 (0.02 - -0.43)一个 |
一个
干预和死亡之间的关系
|
|
警报触发的卫生干预措施 |
|
||||
|
|
没有(n = 74) | 是的(n = 132) |
|
|||
|
|
.04点 | |||||
|
|
没有(n = 201) | 70 (94.6) | 131 (99.2) |
|
||
|
|
是的(n = 5) | 4 (5.4) | 1 (0.8) | |||
用户体验调查由参与研究的109名护士中的81名(72%)和10名协调护士中的8名(80%)完成。在理解方法方面，83%(90/109)的HAs报告筛查问题很容易理解。在整体可用性方面，90%(73/81)的医院使用数字系统方便，89%(72/81)的医院响应时间可接受(
电子健康系统也得到协调护士的认可(
家庭护理人员对电子健康系统的满意度。
用户与收到警报并完成问卷调查的8名协调护士的经验。
在研究期间，共显示了405次警报(每月22至49次)，占监测次数的15.2%(405/2656)。在46例急诊科就诊中，8例(17%)在过去14天内未收到警报，38例(82%)在该时间段内收到警报(
电子健康系统在家庭健康助理访问后产生的警报和在警报发生后14天内发生的急诊科访问的应急表，以及准确性评估。
| 特征 | 家庭助理的来访及随后的警报(n=2656) |
|
|
|
|
是的(n = 405) | 没有(n = 2251) |
|
| 急诊就诊次数，n (%) | 38 (18.5) | 8 (0.3) |
|
| 无急诊就诊，n (%) | 367 (81.5) | 2243 (99.7) |
|
用于预测急诊科就诊的警报的特征。
| 家庭助理的来访及随后的警报(n=2656) | 准确性评估(95% CI) |
| 灵敏度，% (95% CI) | 83年(72 - 94) |
| 特异性，% (95% CI) | 86年(85 - 87) |
| 正似然比 | 5.87 (4.99 - -6.92) |
| 负似然比 | 0.20 (0.11 - -0.38) |
| 阳性预测值，% (95% CI) | 9.4 (6.5 - -12.2) |
| 阴性预测值，% (95% CI) | 99.6 (99.3 - -99.9) |
在这项干预研究中，我们成功地实施了一个基于HAs观察和预测算法的电子健康系统，该系统能够告知医疗保健专业人员未来两周的急诊科就诊风险。总共有109名HAs参与了4753次访问。超过一半的访问受到监控。该电子健康系统自动显示的警报准确地预测了急诊室就诊，其中32%(131/405)的患者由护士或全科医生进行干预。
该电子医疗系统得到了医院及其管理人员的认可和赞赏，准确性非常好。
警报的准确性评估可能会因警报传递给护理经理而产生偏差。尽管如此，研究表明，护理经理的干预措施可以减少紧急住院治疗，证实了系统的高预测能力。
假阴性和假阳性之间的平衡一直是人们反思的主题。为了避免潜在的不必要的急诊科就诊(对于假阳性，这是极其罕见的)，同时尽可能避免机会的损失(假阴性)，我们建议
本研究报告的电子健康系统克服了此类系统面临的经典障碍。首先，基于智能手机的、以客户为中心的诊断工具的完成情况很好，90%(72/81)的HAs认为可以接受。这与强调护理人员或临床医生使用e- prom的障碍主要与完成时间长和可用性差有关的研究形成对比[
有趣的是，在我们的研究中，在警报后护士或医生干预后，急诊科就诊的概率非常低，与警报后未进行此类干预时相比，下降了10倍。即使这项试验不是为了检验这样的结果而设计的，但这一观察结果非常有希望，并促使我们实施对照试验来记录电子医疗系统的有效性。此外，该设备还可改善专业人员之间的沟通，并促进HAs的赋权。它对真正的公共卫生问题作出回应，以防止老年人在家中丧失自主权。
我们的研究面临一些局限性。首先，这项研究是在COVID-19大流行期间进行的，大流行增加了体弱老年人被隔离的风险，并影响了初级保健习惯和HAs的工作条件。此外，与具有相似特征的参与者相比，急诊科就诊的发生率较低(13% vs 40%)。这可能是由于我们的干预措施之外的因素，例如由于害怕接触COVID-19而不愿去急诊室[
这项研究为优化体弱多病老年人急诊的相关性开辟了广阔的前景。基于HAs纵向观察的预测算法可以通过其他类型的输入来改进，例如患者的临床或生物记录或来自连接设备的测量。此外，我们的方法可以应用于特定健康背景下的老年人的新目标事件，包括老年肿瘤病学、心脏病学或手术后。临床研究目前正在进行中，并将研究该系统在某些临床环境下的可转移性。最后，该系统可能演变为一个决策支持系统，以帮助卫生专业人员优化和个性化ATHI。
我们已经成功实施的电子健康系统提供了一种创新的方法来优化对虚弱老年人的护理。这种方法基于三种范式:记录日常生活的功能特征及其随时间的演变，动员非专业健康信息提供者，以及使用机器学习算法监测个人风险水平并产生警报，以支持卫生专业人员的干预决策。这意味着多名观察员(不仅仅是社会工作者或护士)可以接受培训，以识别急诊室就诊的风险人群。这种预测方法可以形成个性化卫生干预措施的基础，旨在提供早期适当的护理和改善健康结果。
家庭护理助理在每次家访时记录的23个项目及其完成率。
处理系统简图及数据处理系统描述。
警报触发的健康干预
急诊科
家庭助手
患者报告的结果测量
作者要感谢以下家庭辅助设施的经理和工作人员以及护理经理对研究的贡献:阿达尔·普罗旺斯，拱廊援助协会Connétable，切斯内-罗孔特市社区行动社会中心，Communauté马赛领土专业人员Santé Itinéraire Santé，干预人员Libéraux和病人医院，Pôle大凡尔赛自治领土，和马赛领土应用平台。
这项工作由普罗旺斯阿尔卑斯蔚蓝海岸机构Régionale de Santé和机构Numérique en Santé资助。除了Agence Régionale de Santé Provence Alpes Cotes d’azur参与了关于ATHI的讨论之外，他们没有在研究中发挥任何作用。
支持本研究结果的数据可根据合理要求从通讯作者JHV处获得。限制适用于家庭辅助设备收集的数据的可用性和本研究中使用的算法，这是专利的主题。
每位作者都符合国际医学期刊编辑委员会的作者标准。JB、JHV和FD对研究进行了概念化;JB、PV、MG、SF进行数据采集;JB、JHV、FD和PV对结果的解释有贡献;简森-巴顿;形式分析由JHV、CHT负责;JB, JHV, CHT, SM, FD, PV起草并修改了稿件。所有作者都同意了手稿的最终版本。
JB从辉瑞(Pfizer)和诺华(Novartis)获得了会议和董事会参与的资金。FD报告与Chugai, Astra-Zeneca, Merck, Sivan, Takeda, Ipsen, Bristol Meyer Squibb, Viatris, Kelindi和Hyperion的利益冲突，他是受邀演讲者，也在Sivan和Roche的顾问委员会任职。作者持有INeS, Kelindi, Hyperion的股票和股份，机构接收者是Hyperion。JHV是PRESAGE公司的董事。CHT受雇于Présage care作为研究和创新协调员。其他作者没有报告任何利益冲突。