Multidisciplinary digital tools for improving early diagnosis and treatment of respiratory disease – focus on pulmonary fibrosis

Abstract

[eng] INTRODUCTION: In this era of powerful cloud computing and data generation, it is important to investigate the benefits we can achieve by leveraging these tools to improve health outcomes. In respiratory medicine, the ability to predict and prevent certain lung diseases can be aided by digital data science. Idiopathic pulmonary fibrosis (IPF) is a progressive and fatal diffuse interstitial lung disease (ILD). When IPF is diagnosed in the initial stages, the prevention of inducers of fibrosis progression (exposure to smoke, infections, etc..) and the initiation of anti-fibrotic drugs that slow the progression of fibrosis can modify the natural history of the disease and improve life expectancy. This research discusses a methodology, a model, and the results of a set of digital tools harnessing an analysis of air pollution as a potential risk factor that could be applied to improve predictions and outcomes in IPF and other ILDs. HYPOTHESIS: Pollution is a factor in lung disease(1–3). Pollution data has become very detailed and specific in the number of pollutants we can analyse, where they are generated, and density – all on an hourly basis. Mapping this data over a 10-year period would allow the development of predictive models and the identification of geographic areas with a higher probability of developing lung disease, in this case IPF and other fibrosing ILDs. OBJECTIVES: MAIN OBJECTIVE Analyse the prevalence of IPF in the air pollution map averaging exposure over 10 years in Catalonia. Identify, through our digital health tool, the regions with a higher probability of developing the disease to help in the implementation of early detection programs and optimization of resources. SECONDARY OBJECTIVES - Identify air contaminants present in greater concentration juxtaposed with those areas with a greater prevalence of ILDs. -Study the relationship between genetic and environmental factors (air quality and known exposures).

[cat] INTRODUCCIÓ: En aquesta era de poderosa computació en núvol i generació de dades, és important investigar els beneficis que podem aconseguir aprofitant aquestes eines per millorar els resultats en Salut. En medicina respiratòria, la capacitat de predir i prevenir determinades malalties pulmonars pot ser ajudada per la ciència de dades digitals. La fibrosi pulmonar idiopàtica (FPI) és una malaltia pulmonar intersticial difusa (MPID) progressiva i letal. Quan la FPI es diagnostica en fases inicials la prevenció d’inductors de progressió de fibrosi (exposició a fums, infeccions, etc..) i l’inici de fàrmacs anti-fibròtics que enlenteixen la progressió de fibrosis poden modificar la historia natural de la malaltia i millorar l’expectativa de vida. Aquesta investigació analitza una metodologia, un model i els resultats d'un conjunt d'eines digitals que es podrien aplicar per millorar les prediccions i els resultats en FPI i altres MPID.

HIPÒTESI:

La contaminació és un factor de malaltia pulmonar (1–3). Les dades de contaminació han esdevingut molt detallades i específiques pel que fa al nombre de contaminants, on es generen i la densitat per hora. Mapejar aquestes dades durant un període de 10 anys permetria desenvolupar models predictius e identificar àrees geogràfiques amb major probabilitat de desenvolupar malaltia pulmonar, en aquest cas FPI i altres MPID fibrosants.

11

OBJECTIUS:

OBJECTIU PRINCIPAL-

Analitzar la prevalença de FPI en el mapa de contaminació-qualitat d’aire durant els darrers 10 anys a Catalunya. Identificar, a través d’eines digitals en Salud, les regions amb major probabilitat de desenvolupar la malaltia ajudaria en la implementació de programes de detecció precoç i optimització de recursos.

OBJECTIUS SECUNDARIS- - Identificar quins elements contaminants de l’aire es presenten en més concentració en aquelles àrees amb més prevalença de FPI. - Estudiar la relació entre els factors genètics i ambientals (qualitat d’aire i exposicions conegudes).