Forbedring af overholdelse og resultater ved kunstig intelligens-tilpassede tekstbeskeder (AIM@BP)

Selvstyring af kroniske tilstande involverer kompleks adfærd, og patienter varierer i deres overholdelse af denne adfærd. Fokus i dette forslag er overholdelse af medicin, fordi patienters manglende evne til at tage deres medicin som foreskrevet er en væsentlig årsag til overdreven sygelighed og dødelighed og øgede sundhedsudgifter. Undersøgelser tyder på, at 33-50% af patienterne ikke tager deres medicin ordentligt, hvilket bidrager til næsten 100.000 for tidlige dødsfald hvert år og 290 milliarder dollars i sundhedsudgifter. Overholdelse af antihypertensiv medicin er af særlig betydning i sig selv, og hypertension kan tjene som en vigtig sporstoftilstand for bedre at forstå og forbedre medicinadhærens mere generelt. Ukontrolleret hypertension er en væsentlig årsag til slagtilfælde, koronar hjertesygdom, hjertesvigt og dødelighed, og manglende overholdelse af medicin er en væsentlig årsag til ukontrolleret hypertension. For eksempel, i en et-årig undersøgelse af ~5.000 hypertensive patienter, tog de fleste patienter deres medicin kun med mellemrum, og halvdelen af ​​patienterne stoppede til sidst med deres medicin mod lægelig rådgivning.

Forbedring af overholdelse af medicin kræver håndtering af flere udfordringer, fordi patienter typisk har en række forskellige årsager til ikke at tage deres medicin som foreskrevet, såsom overbevisning om deres sygdom og dens behandling, organisatoriske udfordringer og omkostningsbarrierer. Efterhånden som patienternes regimer, helbredsstatus og sociale kontekst ændrer sig over tid, skal tilslutningsstøtteinterventioner desuden tilpasses, men de fleste tjenester mangler fleksibiliteten til at gøre det.

Mobile sundhedstjenester (mHealth) såsom patient-sms eller SMS har vist noget lovende med hensyn til at forbedre overholdelse af medicin. Men da næsten alle mHealth-tjenester er baseret på simplistiske, deterministiske protokoller, mangler disse interventioner kapaciteten til at imødekomme patienters komplekse skiftende behov. Som en konsekvens heraf har disse rudimentære systemer kun vist beskedne effekter, der har tendens til at falde over tid. Efterforskerne foreslår at anvende kunstig intelligens (AI) metoder, specifikt Reinforcement Learning (én type AI), for at udvikle et model til medicinoverholdelsessystem, der automatisk kan tilpasse SMS-kommunikation for at forbedre individuel medicinindtagelse.

Det foreslåede projekt er resultatet af et nyt tværfagligt samarbejde mellem UM-eksperter fra College of Pharmacy, College of Engineering og School of Medicine. Vores langsigtede mål er at forbedre sundhedsresultater ved hjælp af forbedrede mobile sundhedsværktøjer med kunstig intelligens (AI). Målet i det foreslåede pilotstudie er at udvikle et Reinforcement Learning-baseret mHealth-program med fokus på medicinadhærens blandt patienter med dårligt kontrolleret hypertension. Vores centrale hypoteser er, at et SMS-system, der anvender Reinforcement Learning (RL), vil: være acceptabelt for patienter, tilpasse sig hypertensionspatienters unikke adhærens-relaterede behov og præferencer og ændringer i disse behov over tid og forbedre medicinadhærens og blodtrykskontrol. . De specifikke mål er:

1. Udvikle RL-metoder til adaptiv beslutningstagning i menneskecentrerede miljøer og demonstrere gennemførligheden af ​​den resulterende RL-baserede adaptive SMS-medicinoverholdelsesintervention,
2. Demonstrere "læring" af det RL-baserede adaptive system ved hjælp af data, der viser tilpasning af SMS-beskedstrømmen i henhold til variation på tværs af patienter og over tid i årsagerne til manglende overholdelse, og
3. Undersøg den potentielle effekt af den RL-baserede adaptive SMS-intervention med hensyn til forbedringer i medicinadhærens og systolisk blodtryk.

Resultaterne af dette pilotprojekt vil omfatte en ny AI/RL-teknologi og beviser vedrørende dens anvendelse i den virkelige verden baseret på erfaringer med en prøve af voksne med dårligt kontrolleret hypertension. Disse resultater vil blive brugt til at understøtte en R01-ansøgning til en større og mere definitiv undersøgelse af interventionens indvirkning på patienters helbred og langsigtede adhærensadfærd. På længere sigt vil denne AI-forstærkede mHealth-selvstyringsstøtteinfrastruktur og hidtil usete samarbejde mellem efterforskere inden for farmaci, medicin og datalogi lægge grundlaget for et større program af NIH-finansieret forskning, der anvender lignende AI-tilgange til at løse adfærdsændringsudfordringer i en lang række sundheds- og sundhedsproblemer.