FITBEAT: Towards a cardiopulmonary fitness level index for personalized heart failure management

Abstract

Heart failure is a chronic disease with increasing prevalence, characterized by high morbidity and mortality rates and accompanied by frequent (re)hospitalizations. It is a complex disease that cannot be comprised into a single parameter, making disease follow-up challenging. Regular follow-up and monitoring of hallmark symptoms are beneficial for HF patients to follow-up disease progression and to predict disease worsening early. A novel digital cardiac biomarker, the FitBeat index, recorded by non-invasive remote monitoring technologies could make this happen. In this thesis, the initial building blocks towards a cardiopulmonary fitness level index, comprising the complexity of the disease, were created. First, new insights into the effectiveness of CR were gained. Following CR after CRT implant proved to be cost-effective. Moreover, responders and non-responders to CR showed different progression patterns in functional capacity. These insights show the effectiveness of CR as a secondary prevention measure but also confirm the need for patient-tailored approaches. The development of a digital biomarker requires the recording of vital signals from which physiologically relevant features can be extracted. Initially, signal quality is essential to ensure reliable and proper clinical implementation. We identified the most optimal electrode configuration for respiration monitoring, using a wearable bioimpedance device. Moreover, an algorithm that automatically annotates ECG recordings, validated in a cardiac patient population, applicable in a wearable low power device was developed. Physiological features were extracted from the preprocessed signals and their progression throughout CR was studied. In this thesis, the ECG-derived features played a major role. Cardiac-related medication intake influenced the progression of HRV parameters throughout CR, emphasizing the importance of taking confounding factors into account when interpreting cardiac-related features. The non-responders and responders to CR were characterized by a different cardiac response throughout the program. In a final step, analyses techniques were used to investigate the linear and non-linear relationship in the sensor-derived data. Moreover, interpretable machine learning methods showed that wearable device-derived parameters alone could be used as a surrogate for functional capacity in a CR population. To conclude, this thesis describes the initial steps necessary for a well-examined approach towards the FitBeat index. The foundations from where future work can start to create and implement this novel digital biomarker were laid.

Hartfalen is een ernstige chronische aandoening, met een stijgende prevalentie en hoge morbiditeits- en mortaliteitscijfers, en is de oorzaak van frequente (re)hospitalisaties. Het is een complexe aandoening, die moeilijk te evalueren valt met slechts één enkele parameter, waardoor de opvolging van patiënten moeilijk en uitdagend is. Regelmatige controle en het nauwgezet opvolgen van de symptomen dragen bij tot een snellere vaststelling van ziekteprogressie en tot de preventie van plotse achteruitgang. Een digitale biomarker, de FitBeat score, opgebouwd uit verschillende parameters gemeten met behulp van niet-invasieve en draagbare telemonitoring technologie, zou deze opvolging kunnen vereenvoudigen en verbeteren. In deze thesis werden de eerste bouwstenen van een cardiopulmonaire fitness level index, die de complexiteit van HF omvat, gelegd. De weg naar de ontwikkeling van deze nieuwe digitale biomarker verliep in verschillende stappen. Eerst verkregen we nieuwe inzichten in de effectiviteit van cardiale revalidatie (CR). Het volgen van CR na CRT-implantatie bleek kostenefficiënt te zijn. Tenslotte werd vastgesteld dat responders en niet-responders een andere evolutie van de vooruitgang in functionele capaciteit vertoonden gedurende het CRprogramma. Deze resultaten tonen niet alleen de effectiviteit van CR als een secundaire preventiemaatregel aan, maar bevestigen ook de nood aan een gepersonaliseerde aanpak. De ontwikkeling van een digitale biomarker vereist het verzamelen van hoge-kwaliteit vitale signalen waaruit fysiologische parameters geëxtraheerd kunnen worden om de biomarker samen te stellen. Eerst moet de kwaliteit van de vitale signalen verzekerd worden zodat de klinische implementatie correct kan gebeuren. De optimale electrodenconfiguratie voor het correct meten van ademhalingsparameters werd bepaald, gebruik makend van een draagbaar bioimpedantietoestel. Ook werd een algoritme voor automatische ecg-annotatie, gevalideerd op ecg-opnames van een patiëntenpopulatie, ontwikkeld dat eveneens implementeerbaar is in een draagbaar toestel zodat onmiddellijke verwerking zonder tussenstappen mogelijk is. Fysiologische parameters werden geëxtraheerd uit deze verwerkte signalen en hun evolutie doorheen de CR werd bestudeerd. In deze thesis werd voornamelijk gefocust op parameters geëxtraheerd uit ecg-signalen. Hartmedicatie beïnvloedde de evolutie van HRVparameters tijdens de CR. Deze resultaten benadrukken het belang van de kennis van omliggende factoren bij de interpretatie van hartgerelateerde parameters. De niet responders en de responders werden gekenmerkt door een verschillende cardiale respons gedurende het revalidatieprogramma. In een laatste fase werden analysetechnieken gebruikt om de lineaire en niet-lineaire relaties tussen de sensordata te onderzoeken. Op basis van interpreteerbare machine learning technieken werd duidelijk dat door enkel gebruik te maken van parameters, gemeten door de draagbare sensor, een inschatting gemaakt kan worden van de functionele capaciteit in een CR-populatie. Samengevat beschrijft deze thesis de initiële stappen die nodig zijn voor een goed uitgewerkte aanpak in de ontwikkeling van de FitBeat score. De funderingen waarop toekomstig werk in de ontwikkeling van de nieuwe biomarker gebouwd kan worden, werden gelegd.