Datenwissenschaft und qualitative Forschung zur Entscheidungsunterstützung in der HIV-Versorgungskaskade (CASCADE)

Klinische Entscheidungsunterstützungssysteme (CDSS), die auf die Anforderungen von Ländern mit niedrigem und mittlerem Einkommen (LMIC) zugeschnitten sind, verbessern nachweislich die Einhaltung von Richtlinien und die Qualität der Versorgung durch eine Reihe von Gesundheitspersonal. Um die größtmögliche Wirksamkeit zu erzielen, sollte CDSS mit großen klinischen Datensätzen aus der lokalen Region entwickelt und getestet werden. Der Einsatz maschineller Lernalgorithmen ermöglicht die Entwicklung von Vorhersagemodellen für klinische Komplikationen und Ergebnisse, die dem Gesundheitspersonal bei der Früherkennung von Problemen und geeigneten Interventionen helfen können. Dies erfordert gut etablierte Systeme für elektronische Gesundheitsakten (EHR), die sowohl als Datenquellen als auch als Plattformen für die Bereitstellung von Feedback über CDSS (Learning Health System-Ansatz) fungieren. Die EHR des Academic Model creasing Access to Healthcare (AMPATH), einem großen HIV-Pflegeprogramm im Westen Kenias, das zum großen Teil durch den President's Emergency Plan for AIDS Relief (PEPFAR) finanziert wird, verwendet seit fast zwei Jahrzehnten eine Version der OpenMRS EHR bietet ein einzigartiges Umfeld für diese Forschung.

Ziel dieses Vorschlags ist die Entwicklung und Implementierung datengesteuerter Tools zur Unterstützung der gesundheitsbezogenen Entscheidungsfindung auf Patienten-, Klinik- und Kreisebene sowie die Bewertung der Wirksamkeit des Einsatzes dieser Methoden. Die Hypothese ist, dass Gesundheitseinrichtungen, die diese datengesteuerten CDSS nutzen, Verbesserungen in den Prozessen und Ergebnissen der Pflege im Vergleich zu Gesundheitseinrichtungen zeigen werden, die in ihren EHRs keine datengesteuerten CDSS verwenden.

Die beiden primären Endpunkte der Studie sind die Beibehaltung der Pflege und die Unterdrückung der Viruslast.

Die Motivation basiert auf den von UNAIDS festgelegten 95-95-95-HIV-Benchmarks zur weltweiten Ausrottung von HIV. Kurz gesagt fordert das Rahmenwerk die Diagnose von 95 % der HIV-Infizierten, die Einleitung einer antiretroviralen (ART) Behandlung für 95 % der diagnostizierten Personen und die Erzielung einer Unterdrückung der Viruslast (VL) für 95 % der HIV-Infizierten Behandlung. Unser Projekt befasst sich mit der zweiten und dritten Phase.

In Bezug auf die zweiten 95 ist die Beibehaltung eine notwendige Voraussetzung für die Aufrechterhaltung einer antiretroviralen Therapie (ART) für Menschen mit HIV (PLWH), da in den globalen Pflegerichtlinien nun festgelegt ist, dass alle HIV-Patienten eine ART einleiten, sobald sie sich der Pflege widmen. Was die dritten 95 betrifft, so werden in Kenia und vielen anderen LMIC-Ländern Viruslasttests für die meisten erwachsenen Patienten sechs Monate nach Beginn der Behandlung und danach jährlich durchgeführt. Selbst nach einer gemessenen VL, die auf eine Unterdrückung hinweist, kann es lange vor der nächsten Nachuntersuchung ein Jahr später zu einem Virusversagen aufgrund von Nichteinhaltung oder Arzneimittelresistenz kommen. Daher werden unsere Modelle in der Zwischenzeit vorhergesagte Viruslastwerte generieren und diese verwenden, um Personen zu kennzeichnen, bei denen vor der geplanten Nachuntersuchung eine VL-Messung durchgeführt werden sollte.

Die Studie ist Teil einer größeren, vom NIH finanzierten Studie. Die mit dem Prozess verbundenen Ziele sind wie folgt:

Ziel 1: Entwicklung und Validierung statistischer Modelle und Algorithmen für maschinelles Lernen zur klinischen und programmatischen Entscheidungsunterstützung.

1a: Entwickeln und validieren Sie statistische Algorithmen für maschinelles Lernen, um diejenigen zu identifizieren, bei denen ein hohes Risiko besteht, dass sie sich von der Pflege abwenden und viral versagen, und um vorhergesagte Werte der aktuellen Viruslast zu generieren.

1. b: Entwickeln Sie Darstellungen der statistischen Unsicherheit über die Vorhersagen, um eine optimale Entscheidungsfindung zu ermöglichen.

   Ziel 2. Entscheidungsunterstützungs- und Datenvisualisierungstools entwickeln, implementieren und in der Praxis testen, um die datengesteuerte Entscheidungsfindung von Ärzten und Programmmanagern zu verbessern.

2. a: Erstellen Sie die Serverarchitektur zur Unterstützung der Vorhersagemodelle in der OpenMRS-Benutzeroberfläche (UI).

2b: Entwickeln und verfeinern Sie das spezifische Protokoll zur Verwendung der Risikovorhersagen, um verpasste Besuche zu reduzieren und die Häufigkeit von Viruslastausfällen zu verringern.

Ziel 3: Durchführung einer Bewertung der Wirkung und Wirksamkeit der klinischen Entscheidungsunterstützungstools im AMPATH Care-Programm

3a: Implementieren Sie das CDSS am Point of Care in allen Kliniken, die das AMPATH Medical Records System (AMRS) in den Einzugsgebieten Uzima und Dumisha verwenden. Diese Kliniken haben unterschiedliche Größe und geografische Lage.

3b: Führen Sie im Anschluss an eine Pilotphase einen randomisierten Längsschnittvergleich der Retentionsraten und Viruslast-Unterdrückungsraten in 30 Kliniken bei AMPATH durch

Der erfolgreiche Abschluss der Arbeiten wird wirksame CDSS-Tools zur Verbesserung der HIV-Versorgung in Kenia und anderen LMICs sowie eine Reihe von Tools für die Entwicklung, Aktualisierung und Bewertung von CDSS für andere klinische Probleme bereitstellen. Frühere Arbeiten der Forscher und Kollegen in der Entwicklung und im breiten Einsatz von OpenMRS in mehr als 44 Ländern bieten eine Plattform für die breite Verbreitung dieser Arbeit.