Podpora očkování proti chřipce u vysoce rizikových pacientů identifikovaných ML

Pozadí

V průměru každou chřipkovou sezónu onemocní chřipkou 8 % americké populace (Tokars et al. 2018). Od roku 2010 zahrnuje roční zátěž způsobená chřipkou 9–45 milionů onemocnění, 140 000–810 000 hospitalizací a 12 000–61 000 úmrtí (CDC 2020). CDC doporučuje očkování proti chřipce každému ve věku 6+ měsíců, se vzácnými výjimkami; téměř každý může mít prospěch z vakcíny, která může snížit nemocnost, zameškanou práci, hospitalizace a úmrtí (CDC 2019a). Očkování proti chřipce bude během pandemie COVID-19 zvláště důležité pro vysoce rizikové pacienty, aby se snížil počet případů chřipky a šetřily zdroje.

Zatímco většina se z chřipky zotaví bez léčby, starší lidé, pacienti s komorbiditami a další vysoce rizikoví jedinci mohou zaznamenat komplikace, jako je zápal plic, jiná respirační onemocnění a smrt. Geisinger, velký zdravotnický systém v Pensylvánii a New Jersey, se spojil s Medial EarlySign (Medial; www.earlysign.com) na vývoji algoritmu strojového učení (ML) k identifikaci pacientů s rizikem vážné (středně těžké až těžké) chřipky. komplikace na základě jejich stávajících údajů elektronických zdravotních záznamů (EHR). Geisingerová nasadí tento systém během chřipkové sezóny 2020-21 a kontaktuje identifikované pacienty se speciálními zprávami (kromě standardních snah zdravotního systému v každé chřipkové sezóně), aby podpořila očkování. Očkování proti chřipce bude během pandemie COVID-19 zvláště důležité pro vysoce rizikové pacienty, aby se snížil počet případů chřipky a šetřily zdroje.

Publikované výsledky naznačují, že systémy ML společnosti Medial identifikují vysoce rizikové pacienty v jiných kontextech (Goshen et al., 2018; Zack et al., 2019). Existuje však málo důkazů o tom, a) zda informování pacientů o vysokém riziku zvyšuje pravděpodobnost očkování; b) to, jak pacienti reagují na sdělení jejich rizikového stavu, je výsledkem analýzy jejich zdravotních záznamů; a (c) zda informování pacientů o jejich rizikovém stavu bylo určeno „algoritmem“, „strojovým učením“ a/nebo „umělou inteligencí“, zvýší nebo sníží pravděpodobnost, že budou očkováni. Tato studie se bude zabývat těmito mezerami v literatuře, které jsou zvláště důležité ve světle očekávaného budoucího růstu používání systémů AI/ML v celé zdravotní péči.

Algoritmus společnosti Medial je příkladem toho, jak interoperabilní výměna zdravotnických informací (HIE) – schopnost zdravotnických informačních technologií sdílet data pacientů – může zlepšit efektivitu a efektivitu zdravotní péče. Pacienti však nemusí ocenit tyto výhody nebo skutečnost, že se zdravotní péče stala podstatně integrovanější a spolupracující. Systematický přezkum obav o soukromí pacientů v souvislosti s HIE zjistil, že 15–74 % pacientů vyjádřilo obavy o soukromí, v závislosti na studii, a došlo k závěru, že perspektivy pacientů zůstávají špatně pochopeny. Zpráva o chřipce, která výslovně odkazuje na přezkoumání zdravotních záznamů pacientů, by se mohla vrátit zpět, protože pacienti reagují špatně na pocit, že ztratili kontrolu nad svými zdravotními záznamy.

Existují protichůdné důkazy o tom, jak lidé reagují na rady nebo informace, které pocházejí z algoritmu nebo stroje. Dietvorst a kol. (2015) zdokumentovali vzorec „averze k algoritmu“, ve kterém lidé volí méněcenného člověka před nadřazenými algoritmickými prognózami, zvláště poté, co pozorovali, že algoritmus udělal chybu. Naproti tomu Logg et al. (2018) popsali „algoritmové oceňování“, ve kterém se lidé řídili radou více, když si mysleli, že pochází z algoritmů, než když si mysleli, že pochází od lidských bytostí. Konečně Bigman a Gray (2019) zjistili averzi k algoritmům, které dělají „morální rozhodnutí“, včetně (fiktivního) lékařského rozhodnutí, zda se má či nemá operovat vysoce rizikový pacient. V současném nastavení algoritmus pouze radí pacientům, aby provedli opatření (roční očkování proti chřipce), které je již standardem péče, a neexistuje žádná příležitost pozorovat chybné doporučení, takže hypotézou je, že „ocenění algoritmu“ bude způsobit, že lidé budou reagovat pozitivně na informace o roli algoritmu. Tato studie se tedy bude zabývat dvěma důležitými výzkumnými otázkami:

1. Zvyšuje informování pacientů, že jsou vystaveni vysokému riziku chřipkových komplikací, (a) pravděpodobnost, že dostanou vakcínu proti chřipce; a (b) snížit pravděpodobnost, že v následující chřipkové sezóně obdrží diagnózu chřipky a/nebo chřipce podobných příznaků?
2. Informuje pacienty, že jejich vysoce rizikový stav byl určen (a) analýzou jejich lékařských záznamů (vs. žádným specifikovaným způsobem); a (b) pomocí algoritmu AI/ML* analyzujícího jejich lékařské záznamy (na rozdíl od blíže nespecifikovaných metod nebo analýzy lidských lékařských záznamů) ovlivnit pravděpodobnost, že dostanou vakcínu proti chřipce a/nebo diagnózy chřipky a/nebo symptomů podobných chřipce v následné chřipkové sezóně?

Naše konkrétní cíle jsou:

1. Vyhodnoťte účinek na míru očkování proti chřipce informování pacientů ve zdravotním systému, u kterých je ML analýza dat EHR identifikována jako vysoce ohrožení chřipkovými komplikacemi, že jsou ve vysokém riziku buď (a) bez dalšího vysvětlení, (b) vysvětlení, že toto určení pochází z analýzy jejich lékařských záznamů, a (c) dodatečné vysvětlení, že toto určení provedl algoritmus AI nebo ML.
2. Vyhodnoťte účinky stejných tří intervencí na diagnózy chřipky u stejných pacientů.

Strategie výzkumu

Do studie budou zahrnuti současní Geisingerovi pacienti ve věku 17+ let s jednou nebo více návštěvami Geisingerova lékaře primární péče (PCP) mezi 1. lednem 2008 a 30. lednem 2020 a bez kontraindikací pro vakcínu proti chřipce. Medial poskytne skóre rizika chřipkových komplikací ze svého algoritmu ML (na základě kódovaných dat EHR), na jehož základě bude zahrnuto 10 % nejvyšších pacientů s nejvyšším rizikem. Na základě předchozího chování a dalších prediktorů v druhém modelu ML bude Medial také poskytovat pravděpodobnost, že bude každý pacient očkován během studijní chřipkové sezóny; tyto hodnoty a skóre primárního rizika budou použity jako kovariáty v průzkumných analýzách dat. Předpokládaný počet pacientů v horních 10 % rizika je 56 000.

V průměru za poslední 3 chřipkové sezóny je každou sezónu očkováno 55 % pacientů s Geisingerem ve věku 65+, takže to použijeme jako zástupnou základní sazbu pro kontrolní stav v naší analýze síly. Studie bude mít 92% sílu detekovat 2% absolutní rozdíl nebo větší ve výsledku očkování mezi stavy (55% vs 57%, dvoustranné alfa 0,05), za předpokladu, že každý stav bude mít 56 000/4= 14 000 pacientů. Pro vzácnější výsledek diagnostiky chřipky máme 95% sílu detekovat 0,8% absolutní rozdíl nebo více - z odhadované míry 3,9% v této vysoce rizikové populaci (na základě odhadu CDC pro lidi ve věku 65+ [Tokars et al. ., 2018]) na sazbu 3,1 %.

Primárním výstupem studie bude míra očkování proti chřipce a diagnostiky chřipky během sezóny 2020-21 (září-březen) cílenými pacienty. Sekundární, průzkumné výsledky budou také měřeny: Míra očkování proti chřipce a diagnóz od ostatních členů domácnosti u cílových pacientů; míry očkování proti chřipce a diagnóz necílenými pacienty, kterým bylo přiděleno rizikové skóre, které kleslo těsně pod hranici cílených pacientů („podprahové riziko“); míra chřipkových komplikací a symptomů podobných chřipce u cílových pacientů, členů domácnosti a osob s podprahovým rizikem; a míry dalších relevantních výsledků využití zdravotní péče, jako jsou návštěvy na pohotovosti a hospitalizace.

Generalizované lineární smíšené modely (GLMM) budou zkoumat primární výsledky studie jako funkci studijních ramen (mezi subjekty), přičemž pacienty navštěvované PCP a/nebo kliniky jsou zahrnuty jako proměnné náhodných efektů, za předpokladu vysokých korelačních koeficientů uvnitř třídy. GLMM budou specifikovat binární distribuci a log-link funkci v případě dichotomických výsledných proměnných (např. očkování proti chřipce, diagnostika chřipky) a negativní binomickou distribuci a log-link funkci v případě jakýchkoli vysoce pozitivně zkreslených proměnných počtu, jako je např. Návštěvy na pohotovosti a hospitalizace (kde v případě Poissonova distribučního modelu obvykle zůstává nadměrná disperze). Pro tyto explorativní analýzy budou analyzovány také změny v rámci pacienta (ze stejného období o rok dříve). Každý pacient také obdrží stejný typ komunikace (a/b/c/d) až třemi způsoby – tištěným dopisem na svou poštovní adresu, SMS na svůj mobilní telefon a/nebo zabezpečenou zprávou přes pacientský portál Geisinger – v závislosti na o tom, jaké informace jsou u každého pacienta v evidenci. Komunikační kanály použité pro každého pacienta budou v pozdějších analýzách kovariáty.

*Poznámka: Studie nemusí nutně používat výrazy „AI“, „ML“ nebo „algoritmus“ ve zprávách pro skupiny b, c a d; namísto toho budou tato sdělení navržena tak, aby byla čitelná a srozumitelná pro pacienty, přičemž budou stále obsahovat klíčové koncepty, které intervence od sebe odlišují.