gms | German Medical Science

Einleitung: Die Chronisch-Obstruktive Lungenkrankheit (COPD) gehört zu den häufigsten Todesursachen weltweit und belegt aktuell den vierten Platz auf dieser Rangliste [1]. Die Krankheit ist charakterisiert durch eine irreversible Atemwegsobstruktion mit einem fortschreitenden Krankheitsverlauf. Hierbei kommt es im Verlauf zu sogenannten Exazerbationen, die den Zustand des Patienten weiter verschlimmern [2]. Die Standarddiagnostik in Form einer Lungenfunktionsprüfung ist, aufgrund der Mitarbeitsabhängigkeit des Verfahrens, vor allem für das Monitoring des Krankheitsverlaufes ungeeignet. In verschiedenen Arbeiten konnte bereits aufgezeigt werden, dass Husten als Symptom und vor allem die Veränderung des Hustens eine Prädiktion von bevorstehenden Exazerbationen ermöglichen. Neben der kontinuierlichen Hustenüberwachung wurden auch Fragebögen, wie der Breathlessness, Cough and Sputum Scale (BCSS) verwendet [3], [4]. Basierend auf diesen Ergebnissen wurde eine Smartphone-Applikation entwickelt, die während der Nacht kontinuierlich den Husten der Patienten überwacht und die gewonnenen Daten in Kombination mit den Ergebnissen eines Fragebogens bereitstellt [5].

Methoden: Die Applikation wurde in Swift 3.0 für die Plattform iOS (min. Version 8.0) entwickelt. Der zugrundeliegende Algorithmus wurde in Anlehnung an einen etablierten Hustenmonitor (LEOSound Lungen-Sound-Monitor, Löwenstein Medical GmbH & Co. KG) in Matlab (Version R2015b) implementiert [6]. Eine Auswertung der aufgezeichneten Geräusche erfolgt, nach Übermittlung der Daten, zentral auf einem Server des Instituts für Medizinische Informatik der Justus-Liebig-Universität. Für eine erste Validierung dieses Algorithmus wurde die Anzahl der detektierten Hustenereignisse eines Kollektivs von 29 COPD-Patienten mit 30-sekündigen Abschnitten der Lungengeräuschaufzeichnung mit der manuell ermittelten Anzahl an Hustenereignissen verglichen. Unter Berücksichtigung eines akzeptablen Fehlers von einem Hustenereignis pro 30 Sekunden wurden Sensitivität und Spezifität berechnet.

Ergebnisse: Das Konzept der zentralen Auswertung der aufgezeichneten Geräusche konnte in einem ersten Prototypen erfolgreich getestet werden. Die Validierung des Algorithmus zeigt für die 29 Patienten eine Sensitivität von 91,4 % und eine Spezifität von 74,3 % bei einer mittleren Rechenzeit von 27 Sekunden pro Stunde Messdauer (ohne Übertragung der Daten). Falsch-positive Detektionen werden vor allem durch Sprache, Schnarchen und andere impulsive Ereignisse verursacht. Falsch-negative Resultate können auf eine unzureichende Messqualität, wie bspw. eine zu leise Aufnahme oder Störgeräusche, zurückgeführt werden.

Diskussion: Die Validierung des Algorithmus zeigt gute Ergebnisse für Sensitivität und Spezifität. Um die Applikation im Alltag verwenden zu können, sind allerdings weitere Verbesserungen, vor allem in der Abgrenzung zu Sprache und Schnarchen notwendig. Da bei Überschreitung des akzeptablen Fehlers alle Detektionen als falsch gewertet werden, kann es zu einer Verzerrung von Sensitivität und Spezifität kommen, obwohl fast alle Ereignisse erkannt wurden. Auch mit einem kurzen Fragebogen, wie dem verwendeten BCSS können entsprechende Vorhersagen getroffen werden. Eine Kombination aus beiden Verfahren kann die Genauigkeit jedoch noch erheblich verbessern. Eine klinische Validierung des kombinierten Systems im Rahmen einer großen Studie steht noch aus, dennoch lässt sich vermuten, dass durch das Langzeitmonitoring von subjektiven und objektiven Hustenparametern ein Mehrwert für die Patienten entsteht.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.