Management of Hypertension Patients by means of remote monitoring solutions

Abstract

Hypertension affects around 1.28 billion people and is one of the leading causes of cardiovascular disease, the major cause of death and disability worldwide.The poor prognosis of this disease is associated with high death and hospitalization rates.Studies on blood pressure have proved the importance of self-monitoring in hypertension control, treatment, and prevention.The development of digital solutions that promote lifestyle behaviors addressing the self-monitoring of blood pressure to manage the disease, improve compliance to treatment and achieve healthy living are therefore of major importance.In this sense, the present study focuses on the development of both a blood pressure prediction model and a knowledge-based recommendation system.For the prediction module, four machine learning models for blood pressure prediction were developed and evaluated: a simple linear regression model, a long short-term memory (LSTM) neuronal network model, a jump neuronal network (JNN) model, and a case-based reasoning (CBR) model.Models were trained according to two prediction modalities, one focused on single day prediction (the last day of the prediction horizon) and another on multiple days prediction (all days of the prediction horizon). For each, different input data lengths and different prediction horizons were considered.All models were developed using data from the MyHeart study, which contains a blood pressure variable measured over 60 days for 41 patients.As for the recommendation module, a set of rules regarding changes in lifestyle habits for disease management and prevention was established by review of guidelines for hypertension control and treatment, issued by specialized cardiology institutions and societies.The rules were used as conditions in the development of a knowledge-based recommendation system to analyze patient information concerning factors such as exercise, diet, and alcohol consumption, and provide recommendations to improve these lifestyle habits, if necessary.From the analysis of the results obtained from the prediction models, the JNN model was considered the most suitable for blood pressure prediction, having obtained the best performances in both modalities for all prediction horizons.Overall, the best result for this model was achieved for single day prediction, with a mean absolute percentage error of 3.64% and a root mean squared error and mean absolute error of 4.41 mmHg.These results are considered satisfactory for the purpose of this study, but due to the complexity of the problem, its practical application requires further analysis.Extending the prediction model by introducing other variables related to the evolution dynamics of blood pressure may be a promising approach to be explored.In the future, a clinical data collection study for this purpose will be carried out in collaboration with Altice Labs and CHUC, which will allow the validation and improvement of the already developed modules, both to be implemented concurrently in Altice's SmartAL remote monitoring solution for hypertension management.

A hipertensão afeta cerca de 1,28 mil milhões de pessoas e é uma das principais causas de doenças cardiovasculares, a principal causa de morte e incapacidade em todo o mundo.O mau prognóstico desta doença está associado a elevadas taxas de morte e hospitalização.Estudos acerca da pressão arterial provaram a importância da auto-monitorização no controlo, tratamento e prevenção da hipertensão.O desenvolvimento de soluções digitais que promovam estilos de vida orientados à auto-monitorização da pressão arterial, a fim de controlar a doença, melhorar a adesão ao tratamento e alcançar uma vida saudável, são, portanto, de grande importância.Neste sentido, o presente estudo centra-se no desenvolvimento tanto de um modelo de previsão da pressão arterial como de um sistema de recomendação baseado em conhecimento.Para o módulo de previsão, foram desenvolvidos e avaliados quatro modelos de machine learning para a previsão de pressão arterial: um modelo simples de regressão linear, um modelo de rede neuronal long short-term memory (LSTM), um modelo de rede neuronal jump (JNN) e um modelo de raciocínio baseado em casos (CBR).Os modelos foram treinados segundo duas modalidades de previsão, uma focada na previsão de um único dia (o último do horizonte de previsão) e outra na previsão de vários dias (todos os dias do horizonte de previsão). Para cada uma, foram considerados diferentes tamanhos de dados de entrada e diferentes horizontes de previsão.Todos os modelos foram desenvolvidos com uso dos dados do estudo MyHeart, que contém uma variável de pressão arterial medida ao longo de 60 dias para 41 pacientes.Relativamente ao módulo de recomendação, foi estabelecido um conjunto de regras relativas a mudanças nos hábitos de vida para a gestão e prevenção da doença, através da revisão de diretrizes para controlo e tratamento de hipertensão, emitidas por instituições e sociedades especializadas em cardiologia.As regras foram utilizadas como condições no desenvolvimento de um sistema de recomendação baseado em conhecimento, com o intuito de analisar informações do paciente relativas a fatores como exercício, dieta e consumo de álcool, e fornecer recomendações no sentido de melhorar esses hábitos de vida, caso necessário.Pela análise dos resultados dos modelos de previsão, o modelo de JNN foi considerado o mais apto para a previsão da pressão arterial, tendo obtido as melhores performances em ambas as modalidades para todos os horizontes de previsão. No geral, o melhor resultado para este modelo foi alcançado para a previsão de um único dia, com um erro percentual médio absoluto de 3,64% e um erro quadrático médio de raiz e erro absoluto médio de 4,41 mmHg.Estes resultados são considerados satisfatórios para o objetivo do presente estudo, mas, devido à complexidade do problema, a sua aplicação prática exige uma análise mais aprofundada.A extensão do modelo de previsão através da introdução de outras variáveis relacionadas com as dinâmicas de evolução da pressão arterial poderá ser uma abordagem profícua a explorar posteriormente.No futuro, realizar-se-á um estudo de recolha de dados clínicos para este fim, em colaboração com a Altice Labs e o CHUC, que permitirá a validação e melhoria de ambos os módulos já desenvolvidos e a sua implementação em paralelo na solução de monitorização remota da SmartAL da Altice para a gestão da hipertensão.