Fremme af influenzavaccination blandt højrisikopatienter identificeret ved ML

Baggrund

I gennemsnit bliver 8 % af den amerikanske befolkning syge af influenza hver influenzasæson (Tokars et al. 2018). Siden 2010 har den årlige sygdomsbyrde af influenza omfattet 9-45 millioner sygdomme, 140.000-810.000 indlæggelser og 12.000-61.000 dødsfald (CDC 2020). CDC anbefaler influenzavaccination til alle i alderen 6+ måneder, med sjældne undtagelser; næsten alle kan drage fordel af vaccinen, som kan reducere sygdomme, manglende arbejde, hospitalsindlæggelser og død (CDC 2019a). Influenzavaccination vil være særlig vigtig for højrisikopatienter under COVID-19-pandemien, så influenzatilfældene reduceres og ressourcerne spares.

Mens de fleste kommer sig fra influenza uden behandling, kan ældre, personer med følgesygdomme og andre højrisikopersoner opleve komplikationer såsom lungebetændelse, anden luftvejssygdom og død. Geisinger, et stort sundhedssystem i Pennsylvania og New Jersey, har indgået partnerskab med Medial EarlySign (Medial; www.earlysign.com) for at udvikle en maskinlæringsalgoritme (ML) til at identificere patienter med risiko for alvorlig (moderat til svær) influenza-associeret komplikationer på grundlag af deres eksisterende elektroniske patientjournal (EPJ) data. Geisinger vil implementere dette system i løbet af influenzasæsonen 2020-21 og kontakte de identificerede patienter med særlige meddelelser (ud over standardindsatsen fra sundhedssystemet hver influenzasæson) for at tilskynde til vaccination. Influenzavaccination vil være særlig vigtig for højrisikopatienter under COVID-19-pandemien, så influenzatilfældene reduceres og ressourcerne spares.

Publicerede resultater tyder på, at Medials ML-systemer identificerer højrisikopatienter i andre sammenhænge (Goshen et al., 2018; Zack et al., 2019). Der er dog få beviser for (a) hvorvidt informere patienter om, at de er i høj risiko, gør dem mere tilbøjelige til at blive vaccineret; (b) hvordan patienter reagerer på at blive fortalt deres risikostatus er resultatet af en analyse af deres helbredsjournaler; og (c) hvorvidt informere patienter om deres risikostatus er blevet bestemt af en "algoritme", af "maskinlæring" og/eller ved "kunstig intelligens" vil øge eller mindske deres sandsynlighed for at blive vaccineret. Denne undersøgelse vil adressere disse huller i litteraturen, som er særligt vigtige i lyset af den forventede fremtidige vækst i brugen af ​​AI/ML-systemer i hele sundhedsvæsenet.

Medials algoritme er et eksempel på, hvordan interoperabel udveksling af sundhedsinformation (HIE) - muligheden for sundhedsinformationsteknologi til at dele patientdata - kan forbedre effektiviteten og effektiviteten af ​​sundhedsvæsenet. Men patienterne sætter måske ikke pris på disse fordele eller det faktum, at sundhedsvæsenet er blevet væsentligt mere integreret og samarbejdende. En systematisk gennemgang af bekymringer om patientens privatliv vedrørende HIE viste, at 15-74 % af patienterne udtrykte bekymringer om privatlivets fred, afhængigt af undersøgelsen, og konkluderede, at patientperspektiverne stadig er dårligt forståede. En influenzaopsøgende besked, der eksplicit henviser til en gennemgang af patientjournaler, kan give bagslag, da patienter reagerer dårligt på en følelse af, at de har mistet kontrollen over deres helbredsjournaler.

Der er modstridende beviser for, hvordan folk reagerer på råd eller information, der kommer fra en algoritme eller maskine. Dietvorst et al. (2015) dokumenterede et mønster af "algoritmeaversion", hvor folk vælger ringere menneske frem for overlegne algoritmiske prognoser, især efter at de observerede, at algoritmen lavede en fejl. I modsætning hertil har Logg et al. (2018) beskrev "algoritmevurdering", hvor folk fulgte råd mere, når de troede, det kom fra algoritmer, end når de troede, det kom fra mennesker. Endelig fandt Bigman og Gray (2019) modvilje mod algoritmer, der træffer "moralske beslutninger", herunder en (fiktiv) medicinsk beslutning om at vælge, om en højrisikopatient skal opereres eller ej. I den nuværende indstilling er algoritmen blot at rådgive patienter om at tage en handling (en årlig influenzaindtagelse), der allerede er standarden for behandling, og der er ingen mulighed for at observere en fejlagtig anbefaling, så hypotesen er, at "algoritmevurdering" vil få folk til at reagere positivt på at blive informeret om algoritmens rolle. Derfor vil denne undersøgelse behandle to vigtige forskningsspørgsmål:

1. Øger det at informere patienter om, at de har høj risiko for influenzakomplikationer (a) sandsynligheden for, at de vil modtage influenzavaccine? og (b) mindske sandsynligheden for, at de får diagnoser på influenza og/eller influenzalignende symptomer i den efterfølgende influenzasæson?
2. Oplyser patienter om, at deres højrisikostatus blev bestemt (a) ved at analysere deres lægejournaler (vs. ved ingen specificeret metode); og (b) ved at en AI/ML-algoritme* analyserer deres medicinske journaler (i modsætning til via uspecificerede metoder eller humane journalanalyse) påvirker sandsynligheden for, at de modtager influenzavaccinen og/eller diagnoser af influenza og/eller influenzalignende symptomer i den efterfølgende influenzasæson?

Vores specifikke mål er:

1. Evaluer effekten på influenzavaccinationsraten ved at informere sundhedssystempatienter, som er identificeret ved en ML-analyse af EPJ-data, i højrisiko for influenzakomplikationer, at de er i høj risiko med enten (a) ingen yderligere forklaring, (b) en forklaring på, at denne bestemmelse kommer fra en analyse af deres lægejournaler, og (c) den yderligere forklaring, at en AI- eller ML-algoritme har foretaget denne bestemmelse.
2. Evaluer virkningerne af de samme tre interventioner på diagnoser af influenza hos de samme patienter.

Forskningsstrategi

Inkluderet i undersøgelsen vil være aktuelle Geisinger-patienter 17+ år med et eller flere besøg hos en Geisinger primærlæge (PCP) mellem 1. januar 2008 og 30. januar 2020 og ingen kontraindikationer for influenzavaccine. Medial vil give influenza-komplikationsrisikoscore fra deres ML-algoritme (baseret på kodede EPJ-data), på grundlag af hvilke de øverste 10 % af patienter med højeste risiko vil blive inkluderet. Baseret på tidligere adfærd og andre prædiktorer i en anden ML-model, vil Medial også give sandsynligheden for, at hver patient bliver vaccineret i løbet af undersøgelsens influenzasæson; disse værdier og de primære risikoscorer vil blive brugt som kovariater i eksplorative dataanalyser. Det forventede antal patienter i de øverste 10 % af risikoen er 56.000.

I gennemsnit i de sidste 3 influenzasæsoner er 55 % af Geisinger-patienter i alderen 65+ vaccineret hver sæson, så vi vil bruge dette som en proxy-baserate for en kontroltilstand i vores effektanalyse. Undersøgelsen vil have 92 % kraft til at detektere en 2 % absolut forskel eller større i vaccinationsresultatet mellem tilstande (55 % vs. 57 %, to-halet alfa på 0,05), ud fra den antagelse, at hver tilstand vil have 56.000/4= 14.000 patienter. For det sjældnere resultat af influenzadiagnose har vi 95 % magt til at opdage en 0,8 % absolut forskel eller mere - fra en anslået 3,9 % rate i denne højrisikobefolkning (baseret på CDC-estimatet for personer i alderen 65+ [Tokars et al. ., 2018]) til en sats på 3,1 %.

De primære undersøgelsesresultater vil være antallet af influenzavaccinationer og influenzadiagnoser i sæsonen 2020-21 (september-marts) af målrettede patienter. Sekundære, udforskende resultater vil også blive målt: Hyppigheder af influenzavaccination og diagnoser af andre husstandsmedlemmer af målrettede patienter; rater for influenzavaccination og diagnoser af ikke-målrettede patienter, som blev tildelt en risikoscore, der faldt lige under grænsen for målrettede patienter ("undertærskelrisiko"); frekvensen af ​​influenzakomplikationer og influenzalignende symptomer blandt målrettede patienter, husstandsmedlemmer og dem, der har en undertærskelrisiko; og rater for andre relevante sundhedsudnyttelsesresultater såsom skadestuebesøg og hospitalsindlæggelser.

Generaliserede lineære blandede modeller (GLMM'er) vil undersøge de primære undersøgelsesresultater som en funktion af undersøgelsesarmene (mellem forsøgspersoner), med patientbesøgte PCP'er og/eller klinikker inkluderet som tilfældige effektvariabler, under forudsætning af høje intraklasse-korrelationskoefficienter. GLMM'er vil specificere en binær fordeling og log-link-funktion i tilfælde af dikotome udfaldsvariable (f.eks. influenzavaccination, influenzadiagnose) og en negativ binomial fordeling og log-link-funktion i tilfælde af alle meget positivt skæve tællevariabler som f.eks. ER-besøg og hospitalsindlæggelser (hvor overspredning typisk forbliver i tilfælde af en Poisson-distributionsmodel). Til disse eksplorative analyser vil også forandringer inden for patienten (fra samme periode et år tidligere) blive analyseret. Desuden vil hver patient modtage den samme type kommunikation (a/b/c/d) via op til tre modalitetstrykte breve til deres postadresse, SMS til deres mobiltelefon og/eller sikker besked via Geisingers patientportal afhængigt af om, hvilke oplysninger der er registreret for hver patient. De kommunikationskanaler, der anvendes for hver patient, vil være kovarianter i senere analyser.

*Bemærk: Undersøgelsen vil ikke nødvendigvis bruge udtrykkene "AI", "ML" eller "algoritme" i meddelelserne til gruppe b, c og d; i stedet vil disse budskaber være designet til at være læsbare og forståelige af patientpublikummet, mens de stadig inkluderer de nøglebegreber, der adskiller interventionerne fra hinanden.