SMART: Sensordata og maskinlæring for å støtte hormonerstatning av skjoldbruskkjertelen

Prosjektbeskrivelse

Skjoldbruskkjertelhormoner regulerer energimetabolismen i nesten alt av vev i kroppen. Omtrent fem prosent av befolkningen har klinisk hypotyreose, mens ytterligere fem prosent har en subklinisk sykdom. Behandlingen av denne kroniske sykdommen er å erstatte skjoldbruskkjertelens funksjon med syntetiske hormoner. Fem prosent av befolkningen bruker syntetiske skjoldbruskkjertelhormoner på grunn problemer med skjoldbruskkjertelen eller tidligere operasjon, og dette har medført at levothyroksin (LT4) er et av de tre mest foreskrevne medikamentene i Europa (inkludert Norge) og Nord-Amerika.

I dette prosjektet ønsker vi å studere hvordan bruk av hormonerstatningsmedikamenter kan optimaliseres for å forbedre livskvaliteten og arbeidsevnen. Vi vil samle data i en klinisk studie, men også bruke eksisterende norske helsedata for å evaluere pasienters helse og økonomisk potensial for forbedring av behandlingen. Ettersom funksjonstap i skjoldbruskkjertelen ikke er reversibelt, kan mangelfull behandling ha flere langvarige konsekvenser, inkludert hjerte- og karsykdommer, demens, osteoporose og psykiske problemer. Det foreslåtte prosjektet er svært ambisiøst fordi det søker å endre en langvarig medisinsk praksis. Vi vil gjennomføre en klinisk studie som inkluderer 240 pasienter i en bred voksen aldersgruppe (18-80 år). Ved å bygge på et tidligere utviklet klinisk beslutningsstøttesystem, vil vi forene klinikere, maskinlæringseksperter og innovativ teknologi for å forbedre kvaliteten på behandlingen for en stor pasientgruppe som forbruker betydelige ressurser, spesielt i primærhelsetjenesten.

Mål

Hovedmål

• Utvikle en bedre hormonerstatningsterapi for skjoldbruskkjertelen.

Sekundærmål

• Undersøke om ikke-invasive sensordata kan hjelpe med å forutsi den optimale doseringen av erstatningshormoner til skjoldbruskkjertelen.
• Undersøke om ikke-invasive sensordata kan brukes som et objektivt mål på vellykket hormonerstatningsterapi for skjoldbruskkjertelen.
• Måle hvordan bedre behandling påvirker livskvalitet og samfunnet forøvrig.
• Utvikle et verktøy for beslutningsstøtte for bedre dosering av erstatningshormoner til skjoldbruskkjertelen.

Metode

For å oppnå disse målene foreslår vi i prosjektet SMART en ny metode for objektivt å vurdere om hormonnivåene er riktig gjenopprettet og optimalisere hormonerstatningsterapi for skjoldbruskkjertelen. Konkret vil dette prosjektet utnytte informasjon fra ikke-invasive sensorer som registrerer elektrokardiogram (EKG), siden variabel hjertefrekvens (HRV) avtar under hypotyreose og øker under hypertyreose. I løpet av det siste tiåret har maskinlæringsalgoritmer blitt et kraftig verktøy for å analysere og klassifisere EKG-signaler. Vi vil bruke ikke-invasive sensordata samt maskinlæringsteknikker for å forutsi den optimale doseringen av erstatningshormoner til skjoldbruskkjertelen.