Intervención farmacéutica de MTM informada sobre riesgos y beneficios en insuficiencia cardíaca

La insuficiencia cardíaca es una enfermedad compleja y altamente prevalente asociada con una morbilidad y un costo significativos. Por ejemplo, Geisinger gestiona más de 900 admisiones por insuficiencia cardíaca al año, y cada admisión cuesta entre 10 000 y 12 000 dólares. A medida que los modelos de pago continúan pasando del pago por servicio a los basados ​​en el valor, se están realizando importantes inversiones en recursos del equipo de atención para ayudar a gestionar poblaciones de pacientes con insuficiencia cardíaca. Estos recursos del equipo de atención han demostrado eficacia. Por ejemplo, las métricas internas de Geisinger indican que las intervenciones dirigidas por farmacéuticos clínicos dirigidas a diabéticos tipo II mal controlados han dado como resultado una caída media sostenida del 1% (absoluta) en la hemoglobina a1C (hemoglobina glucosilada). En este nuevo entorno, la implementación inteligente de recursos limitados es fundamental para impulsar la calidad y contener los costos.

En la insuficiencia cardíaca, la predicción de riesgo actual ha demostrado una mala capacidad de pronóstico y presenta una barrera para la "entrega precisa" de los recursos del equipo de atención. Los enfoques actuales son limitados debido a que no utilizan completamente datos objetivos ricos y altamente granulares, como imágenes, valores de laboratorio y signos vitales, y por lo tanto no están optimizados para predecir con precisión los resultados. Los investigadores han generado un modelo de aprendizaje automático para predecir tanto la supervivencia al año como la hospitalización por insuficiencia cardíaca dentro de los 6 meses posteriores a la ecocardiografía. Este modelo utilizó 169 variables de entrada, incluidos datos clínicos, medidas de imágenes y 18 variables de brecha de atención. Nuestros resultados mostraron no solo que el modelo de aprendizaje automático tenía una precisión muy superior para predecir los criterios de valoración de morbilidad en comparación con los enfoques actuales que utilizan datos de códigos de facturación, sino también que las variables de la brecha de atención eran importantes para predecir la supervivencia a 1 año. Además, los investigadores demostraron que cerrar cuatro de las variables de la brecha de atención (vacunación contra la gripe, tratamiento con betabloqueantes basado en evidencia, tratamiento con inhibidores de la ECA (enzima convertidora de angiotensina)/ARAII (bloqueadores de los receptores de angiotensina) y control de la A1C diabética (es decir, valores "en el objetivo)) dieron como resultado una mejora prevista en la supervivencia a 1 año de ~1200 (de ~11 000) pacientes. Por lo tanto, este estudio tiene como objetivo aplicar este enfoque de aprendizaje automático para dirigir los recursos del equipo de atención en un entorno clínico para evaluar su impacto en la supervivencia del paciente y la utilización de la atención médica.