A Multi-site Dashboard for Evaluating HiGHmed Cardiovascular Sensor Data from Apple Watch

Resumen Técnico: Un Panel de Control Multicéntrico para la Evaluación de Datos de Sensores Cardiovasculares HiGHmed de Apple Watch

Planteamiento del Problema
El manejo de la insuficiencia cardíaca crónica requiere la detección oportuna del deterioro clínico para prevenir hospitalizaciones. Si bien existen paneles de control clínicos para visualizar registros de salud electrónicos (EHR) y métricas a nivel poblacional, existe una brecha significativa en el monitoreo de pacientes ambulatorios mediante datos continuos. El creciente volumen de datos generados por dispositivos portátiles (por ejemplo, Apple Watch) presenta desafíos relacionados con la calidad de los datos, la adherencia y la integración de estos flujos con los registros clínicos tradicionales. Además, la naturaleza multicéntrica del estudio de cardiología HiGHmed crea la necesidad de una herramienta unificada y colaborativa que permita a los clínicos de diferentes instituciones acceder y analizar conjuntos de datos integrados sin comprometer la seguridad o la usabilidad de los datos.

Metodología
Los autores desarrollaron un panel de control centralizado en R Shiny diseñado para agregar y visualizar datos del subestudio de sensores de cardiología del caso de uso HiGHmed. La metodología abarca cuatro fases clave:

1. Recolección de Datos y Fuentes:

   • Participantes: Se recolectaron datos de 93 participantes en cuatro centros de estudio (Göttingen, Hannover, Cottbus y Würzburg). El análisis inicial se centró en 12 participantes que experimentaron eventos de hospitalización durante el período del estudio.
   • Datos de Sensores: Los Apple Watches registraron continuamente el recuento de pasos (vía acelerómetro) y la frecuencia cardíaca (FC) del dispositivo.
   • Resultados Reportados por el Paciente (PROs): Una aplicación integrada (medPower®) capturó mediciones manuales de la FC en reposo, peso, presión arterial y puntuaciones del cuestionario Kansas City Cardiomyopathy Questionnaire (KCCQ-12).
   • Datos Clínicos: Se integraron los registros de hospitalización (fechas de ingreso/alta y códigos de indicación médica) para distinguir eventos cardiovasculares de los no cardiovasculares.
   • Interoperabilidad: Los datos se estandarizaron utilizando Fast Healthcare Interoperability Resources (FHIR). Dos Centros de Integración de Datos Médicos (MeDICs) recibieron los datos como paquetes binarios FHIR, mientras que otros dos mapearon los recursos FHIR a composiciones openEHR.

2. Pipeline de Procesamiento de Datos:

   • Un pipeline de preprocesamiento en R (Versión 4.5.0) armonizó los datos de los documentos FHIR y las composiciones openEHR.
   • Agregación: La FC del dispositivo se agregó en promedios diarios; los recuentos de pasos se sumaron para totales diarios. La FC horaria se preservó para el análisis de ritmo. Las mediciones manuales se mantuvieron como observaciones diarias individuales.
   • Puntuación: Las puntuaciones de resumen del KCC-12 se calcularon utilizando algoritmos estándar en intervalos específicos (línea base, 4, 8, 12 semanas y cada 3 meses en adelante).
   • Integración: Todos los conjuntos de datos se fusionaron con las marcas de tiempo de hospitalización para permitir la alineación temporal.

3. Arquitectura del Panel de Control:

   • Desarrollado utilizando el framework R Shiny, la herramienta se refinó mediante sesiones de retroalimentación iterativas con tres cardiólogos.
   • Privacidad: Para garantizar la protección de los datos, el panel se distribuyó como un paquete empaquetado con dependencias integradas para la configuración local. Los ID de los pacientes se limitaron a los últimos tres caracteres.
   • Módulos: La interfaz cuenta con tres módulos analíticos principales:
     • Descripción General de Observaciones: Muestra tendencias apiladas de todas las métricas (FC del dispositivo, pasos, constantes vitales manuales, KCCQ-12) superpuestas con eventos de hospitalización. Permite alternar entre una vista diaria de múltiples métricas y respuestas detalladas de KCCQ-12.
     • Analizador de Ritmo Cardíaco: Presenta patrones de FC del dispositivo por hora utilizando una ventana rodante de tres días (el día seleccionado más los dos días anteriores), con la FC en reposo manual superpuesta como puntos de referencia.
     • Módulo de Correlación: Visualiza correlaciones de Pearson por pares entre métricas utilizando una ventana deslizante de 14 días, permitiendo a los clínicos explorar las relaciones cambiantes a lo largo del tiempo.

Resultados Clave

• Visualización del Deterioro: El panel de control identificó con éxito patrones de pre-hospitalización en los 12 pacientes hospitalizados. Estos patrones incluyeron puntuaciones de KCCQ-12 en descenso (rondando los 35–55) y una reducción de la actividad física (los pasos diarios frecuentemente caían por debajo de 2,000).
• Análisis de Ritmo Cardíaco: El análisis horario reveló un descenso tanto en la FC del dispositivo como en la manual el día de la hospitalización (cayendo por debajo de 50 bpm) en comparación con los niveles de la línea base (50–70 bpm).
• Hallazgos de Correlación: El módulo de correlación confirmó las relaciones fisiológicas esperadas, como una fuerte correlación positiva entre los pasos y la FC del dispositivo ($r \approx 0.8$). También destacó correlaciones débiles o moderadas con otros parámetros (por ejemplo, peso y FC).
• Perspectivas sobre la Calidad de los Datos: La visualización expuso brechas significativas en los registros de los sensores e inconsistencias en la adherencia a las mediciones manuales (por ejemplo, falta de entradas de presión arterial y peso), demostrando la utilidad del panel para identificar problemas de calidad de datos en tiempo real.

Significancia y Reivindicaciones
El artículo sostiene que este panel de control proporciona una herramienta práctica y unificada para la evaluación de datos cardiovasculares multicéntricos. Su principal significancia radica en:

• Integración: Cerrar la brecha entre los datos continuos de dispositivos portátiles, las mediciones clínicas manuales, los resultados reportados por el paciente y los registros de hospitalización.
• Colaboración: Permitir que los clínicos de múltiples centros evalúen colaborativamente las trayectorias de los pacientes en lugar de revisar los parámetros caso por caso.
• Reconocimiento de Patrones: Facilitar la transición de la revisión de parámetros aislados a la evaluación sistemática de múltiples métricas, lo que ayuda a identificar patrones de empeoramiento clínico (por ejemplo, la disminución de la actividad y las puntuaciones de KCCQ) antes de la hospitalización.
• Monitoreo de la Calidad de los Datos: Servir como un mecanismo para detectar el incumplimiento o fallos en los dispositivos de manera oportuna, evitando la pérdida retrospectiva de datos.

Los autores posicionan la herramienta como un instrumento para el análisis exploratorio y el reconocimiento de patrones retrospectivos. Señalan modestamente que, si bien el panel de control respalda la supervisión clínica actual, su utilidad para la evaluación prospectiva requeriría la futura integración de mecanismos de alerta basados en umbrales y enfoques de aprendizaje automático para establecer líneas base personalizadas.