基于居家传感器与电子健康记录数据融合的肌萎缩侧索硬化症预后预测：一项探索性可行性研究方案

本研究针对肌萎缩侧索硬化症（ALS）患者生理功能快速衰退的临床监测难题，创新性整合居家传感器（如液压床垫、深度传感器）与电子健康记录（EHR）数据，通过多维流式聚类算法和机器学习模型（如随机森林、支持向量机）预测肺炎、住院等不良结局。初步验证显示系统可捕捉步速下降（3.6%）、心率波动等早期预警信号，为ALS精准干预提供实时决策支持，有望延长患者生存期并提升生活质量。

　　

肌萎缩侧索硬化症（ALS）是一种进展迅猛的神经退行性疾病，患者通常在症状出现后3年内死亡。尽管多学科诊疗能延缓疾病进展，但传统临床随访间隔长、难以及时捕捉病情变化，导致患者常在两次就诊间突发呼吸衰竭或跌倒等严重事件。现有药物如Riluzole和Radicava虽能减缓病程，但无法逆转结局。这一临床监测空白促使密苏里大学医疗中心ALS卓越治疗中心的研究团队开展了一项突破性探索——通过居家环境中的智能传感器与电子健康记录（EHR）数据融合，构建ALS预后预测系统。

研究团队部署了三种非侵入式传感器：液压床垫通过球状心动图（BCG）信号监测心率、呼吸频率和睡眠躁动；热感深度传感器通过3D点云分析步态参数（步速、步长）；红外运动传感器追踪房间活动密度。这些数据与通过REDCap FHIR接口提取的EHR数据（包括ALSFRS-R评分、实验室指标）整合，采用多维流式聚类算法建立个体健康基线簇，通过偏离簇边界的程度预警健康状态变化。例如，某参与者步速下降至91.4 cm/s（较基线降低3.6%）时触发了系统警报。

关键技术包括：1）基于ZigBee协议的红外运动传感器网络；2）采用希尔伯特变换和k-means聚类的心率估计算法；3）通过AWS云平台实现HIPAA合规的数据管理；4）利用随机森林、支持向量机（SVM）等模型预测ALSFRS-R评分变化。研究招募了4例ALS患者（均为白人男性），最长监测达330天，初步验证了技术可行性。

研究结果显示：

1. 用户统计：参与者年龄45-70岁，诊断后生存时间24-617天，ALSFRS-R基线评分20-38分。
2. 传感器数据：深度传感器成功捕捉到步速下降事件（如12月3日警报）；床垫传感器显示呼吸率波动范围12-22次/分钟。
3. 早期预警：多维聚类模型通过活动密度降低（如浴室夜间活动激增）和步态参数异常生成预警信号。

讨论指出，该系统首次实现ALS患者24×7小时生理功能连续监测，但存在样本量小（n=4）、种族单一（白人占比100%）的局限性。未来将通过ALS协会资助的多中心研究（24-AT-722项目）扩大样本多样性。该研究发表于《JMIR Research Protocols》，为ALS精准医疗奠定技术基础，其核心价值在于通过实时数据驱动临床干预，有望将被动治疗转变为主动健康管理范式。