Förderung der Grippeimpfung bei durch ML identifizierten Hochrisikopatienten

Hintergrund

Im Durchschnitt erkranken in jeder Grippesaison 8 % der US-Bevölkerung an Grippe (Tokars et al. 2018). Seit 2010 umfasst die jährliche Krankheitslast der Influenza 9–45 Millionen Erkrankungen, 140.000–810.000 Krankenhauseinweisungen und 12.000–61.000 Todesfälle (CDC 2020). Das CDC empfiehlt die Grippeimpfung mit wenigen Ausnahmen jedem ab 6 Monaten; Fast jeder kann von der Impfung profitieren, die Krankheiten, Arbeitsausfälle, Krankenhausaufenthalte und Todesfälle reduzieren kann (CDC 2019a). Während der COVID-19-Pandemie wird die Grippeimpfung besonders für Hochrisikopatienten wichtig sein, um Grippefälle zu reduzieren und Ressourcen zu schonen.

Während sich die meisten Menschen ohne Behandlung von der Grippe erholen, können bei älteren Menschen, Menschen mit Begleiterkrankungen und anderen Hochrisikopersonen Komplikationen wie Lungenentzündung, andere Atemwegserkrankungen und der Tod auftreten. Geisinger, ein großes Gesundheitssystem in Pennsylvania und New Jersey, hat sich mit Medial EarlySign (Medial; www.earlysign.com) zusammengetan, um einen Algorithmus für maschinelles Lernen (ML) zu entwickeln, um Patienten zu identifizieren, bei denen das Risiko einer schweren (mittelschweren bis schweren) grippeassoziierten Erkrankung besteht Komplikationen auf der Grundlage ihrer vorhandenen elektronischen Gesundheitsakten (EHR). Geisinger wird dieses System während der Grippesaison 2020-21 einsetzen und die identifizierten Patienten mit speziellen Nachrichten kontaktieren (zusätzlich zu den Standardbemühungen des Gesundheitssystems in jeder Grippesaison), um die Impfung zu fördern. Während der COVID-19-Pandemie wird die Grippeimpfung besonders für Hochrisikopatienten wichtig sein, um Grippefälle zu reduzieren und Ressourcen zu schonen.

Veröffentlichte Ergebnisse legen nahe, dass die ML-Systeme von Medial Hochrisikopatienten in anderen Kontexten identifizieren (Goshen et al., 2018; Zack et al., 2019). Allerdings gibt es kaum Belege dafür, (a) ob die Information der Patienten, dass sie einem hohen Risiko ausgesetzt sind, die Wahrscheinlichkeit einer Impfung erhöht; (b) Wie Patienten auf die Mitteilung ihres Risikostatus reagieren, ist das Ergebnis einer Analyse ihrer Gesundheitsakten. und (c) ob die Information der Patienten über ihren Risikostatus, der durch einen „Algorithmus“, durch „maschinelles Lernen“ und/oder durch „künstliche Intelligenz“ bestimmt wurde, ihre Wahrscheinlichkeit einer Impfung erhöht oder verringert. Diese Studie wird sich mit diesen Lücken in der Literatur befassen, die angesichts der erwarteten künftigen Zunahme des Einsatzes von KI/ML-Systemen im gesamten Gesundheitswesen besonders wichtig sind.

Der Algorithmus von Medial ist ein Beispiel dafür, wie der interoperable Gesundheitsinformationsaustausch (HIE) – die Fähigkeit der Gesundheitsinformationstechnologie, Patientendaten auszutauschen – die Effizienz und Effektivität der Gesundheitsversorgung verbessern kann. Allerdings schätzen die Patienten diese Vorteile oder die Tatsache, dass die Gesundheitsversorgung wesentlich integrierter und kollaborativer geworden ist, möglicherweise nicht ein. Eine systematische Überprüfung der Datenschutzbedenken von Patienten im Zusammenhang mit HIE ergab, dass je nach Studie 15–74 % der Patienten Datenschutzbedenken äußerten, und kam zu dem Schluss, dass die Perspektiven der Patienten nach wie vor kaum verstanden werden. Eine Grippe-Botschaft, in der explizit auf die Durchsicht der Krankenakten eines Patienten Bezug genommen wird, könnte nach hinten losgehen, da die Patienten negativ auf das Gefühl reagieren, die Kontrolle über ihre Krankenakten verloren zu haben.

Es gibt widersprüchliche Erkenntnisse darüber, wie Menschen auf Ratschläge oder Informationen reagieren, die von einem Algorithmus oder einer Maschine stammen. Dietvorst et al. (2015) dokumentierten ein Muster der „Algorithmenaversion“, bei dem Menschen minderwertige menschliche Prognosen gegenüber überlegenen algorithmischen Prognosen bevorzugen, insbesondere nachdem sie beobachtet haben, dass der Algorithmus einen Fehler macht. Im Gegensatz dazu haben Logg et al. (2018) beschrieben die „Wertschätzung von Algorithmen“, bei der Menschen Ratschläge eher befolgten, wenn sie dachten, sie kämen von Algorithmen, als wenn sie dachten, sie kämen von Menschen. Schließlich stellten Bigman und Gray (2019) eine Abneigung gegen Algorithmen fest, die „moralische Entscheidungen“ treffen, einschließlich einer (fiktiven) medizinischen Entscheidung darüber, ob ein Hochrisikopatient operiert werden soll oder nicht. In der aktuellen Situation empfiehlt der Algorithmus den Patienten lediglich, eine Maßnahme zu ergreifen (eine jährliche Grippeschutzimpfung), die bereits zum Standard der Behandlung gehört, und es besteht keine Möglichkeit, eine fehlerhafte Empfehlung zu beachten. Die Hypothese lautet daher, dass dies durch die „Wertschätzung des Algorithmus“ geschehen wird dazu führen, dass Menschen positiv reagieren, wenn sie über die Rolle des Algorithmus informiert werden. Daher wird sich diese Studie mit zwei wichtigen Forschungsfragen befassen:

1. Erhöht die Aufklärung der Patienten darüber, dass bei ihnen ein hohes Risiko für Grippekomplikationen besteht (a) die Wahrscheinlichkeit, dass sie eine Grippeimpfung erhalten? und (b) die Wahrscheinlichkeit verringern, dass sie in der folgenden Grippesaison die Diagnose Grippe und/oder grippeähnliche Symptome erhalten?
2. Werden Patienten darüber informiert, dass ihr Hochrisikostatus (a) durch die Analyse ihrer Krankenakten (vs. durch keine spezifizierte Methode); und (b) durch einen KI/ML-Algorithmus*, der ihre Krankenakten analysiert (im Gegensatz zu nicht spezifizierten Methoden oder der Analyse menschlicher Krankenakten), die Wahrscheinlichkeit beeinflussen, dass sie den Grippeimpfstoff erhalten und/oder die Diagnose von Grippe und/oder grippeähnlichen Symptomen erhalten in der kommenden Grippesaison?

Unsere konkreten Ziele sind:

1. Bewerten Sie die Auswirkung auf die Grippeimpfraten, wenn Patienten im Gesundheitssystem, bei denen durch eine ML-Analyse von EHR-Daten ein hohes Risiko für Grippekomplikationen festgestellt wurde, darüber informiert werden, dass sie einem hohen Risiko ausgesetzt sind, entweder (a) ohne zusätzliche Erklärung, (b) eine Erklärung, dass diese Feststellung aus einer Analyse ihrer Krankenakten stammt, und (c) die zusätzliche Erklärung, dass ein KI- oder ML-Algorithmus diese Feststellung getroffen hat.
2. Bewerten Sie die Auswirkungen derselben drei Interventionen auf die Grippediagnose bei denselben Patienten.

Forschungsstrategie

In die Studie einbezogen werden aktuelle Geisinger-Patienten ab 17 Jahren mit einem oder mehreren Besuchen bei einem Geisinger-Hausarzt (PCP) zwischen dem 1. Januar 2008 und dem 30. Januar 2020 und ohne Kontraindikationen für eine Grippeimpfung. Medial wird anhand seines ML-Algorithmus (basierend auf codierten EHR-Daten) Risikobewertungen für Grippekomplikationen bereitstellen, auf deren Grundlage die obersten 10 % der Patienten mit dem höchsten Risiko einbezogen werden. Basierend auf früherem Verhalten und anderen Prädiktoren in einem zweiten ML-Modell wird Medial auch die Wahrscheinlichkeit angeben, dass jeder Patient während der Grippesaison der Studie geimpft wird; Diese Werte und die primären Risikoscores werden als Kovariaten in explorativen Datenanalysen verwendet. Die erwartete Zahl der Patienten in den oberen 10 % des Risikos beträgt 56.000.

Im Durchschnitt wurden in den letzten drei Grippesaisonen 55 % der Geisinger-Patienten im Alter von 65+ in jeder Saison geimpft, daher werden wir dies als Proxy-Basisrate für eine Kontrollerkrankung in unserer Leistungsanalyse verwenden. Die Studie wird eine Aussagekraft von 92 % haben, um einen absoluten Unterschied von 2 % oder mehr im Impfergebnis zwischen Erkrankungen festzustellen (55 % vs. 57 %, zweiseitiges Alpha von 0,05), unter der Annahme, dass jede Erkrankung 56.000/4= aufweist 14.000 Patienten. Für das seltenere Ergebnis der Grippediagnose haben wir eine Aussagekraft von 95 %, um einen absoluten Unterschied von 0,8 % oder mehr zu erkennen – von einer geschätzten Rate von 3,9 % in dieser Hochrisikopopulation (basierend auf der CDC-Schätzung für Personen ab 65 Jahren [Tokars et al ., 2018]) auf 3,1 %.

Die primären Studienergebnisse werden die Grippeimpfungsraten und Grippediagnosen während der Saison 2020–21 (September–März) bei den Zielpatienten sein. Sekundäre, explorative Ergebnisse werden ebenfalls gemessen: Grippeimpfungsraten und Diagnosen durch Mithaushaltsmitglieder der Zielpatienten; Raten von Grippeimpfungen und Diagnosen von Nicht-Zielpatienten, denen ein Risikowert zugewiesen wurde, der knapp unter dem Grenzwert der Zielpatienten lag („Risiko unterhalb des Schwellenwerts“); Raten von Grippekomplikationen und grippeähnlichen Symptomen bei Zielpatienten, Haushaltsmitgliedern und Personen mit einem Risiko unterhalb des Schwellenwerts; und Raten anderer relevanter Ergebnisse der Gesundheitsversorgung, wie z. B. Besuche in der Notaufnahme und Krankenhausaufenthalte.

Generalisierte lineare gemischte Modelle (GLMMs) untersuchen die primären Studienergebnisse als Funktion der Studienarme (zwischen Probanden), wobei von Patienten besuchte PCPs und/oder Kliniken als Zufallseffektvariablen einbezogen werden, wobei hohe klasseninterne Korrelationskoeffizienten vorausgesetzt werden. GLMMs spezifizieren eine binäre Verteilung und Log-Link-Funktion im Fall dichotomer Ergebnisvariablen (z. B. Grippeimpfung, Grippediagnose) und eine negative Binomialverteilung und Log-Link-Funktion im Fall stark positiv verzerrter Zählvariablen wie z Notaufnahmebesuche und Krankenhausaufenthalte (wobei im Fall eines Poisson-Verteilungsmodells typischerweise eine Überstreuung verbleibt). Für diese explorativen Analysen werden auch Veränderungen innerhalb des Patienten (im Vergleich zum gleichen Zeitraum ein Jahr zuvor) analysiert. Außerdem erhält jeder Patient die gleiche Art der Kommunikation (a/b/c/d) über bis zu drei Modalitäten – einen gedruckten Brief an seine Postanschrift, eine SMS an sein Mobiltelefon und/oder eine sichere Nachricht über das Patientenportal von Geisinger – je nachdem welche Informationen für jeden Patienten gespeichert sind. Die für jeden Patienten verwendeten Kommunikationskanäle werden in späteren Analysen Kovariaten sein.

*Hinweis: In der Studie werden in den Nachrichten an die Gruppen b, c und d nicht unbedingt die Begriffe „KI“, „ML“ oder „Algorithmus“ verwendet; Stattdessen werden diese Botschaften so gestaltet, dass sie für das Patientenpublikum lesbar und verständlich sind und dennoch die Schlüsselkonzepte enthalten, die die Interventionen voneinander unterscheiden.