Kannustetaan influenssarokotuksiin ML:n tunnistamien korkean riskin potilaiden keskuudessa

Tausta

Keskimäärin 8 % Yhdysvaltain väestöstä sairastuu influenssaan joka flunssakausi (Tokars ym. 2018). Vuodesta 2010 lähtien influenssan vuotuinen sairaustaakka on sisältänyt 9–45 miljoonaa sairautta, 140 000–810 000 sairaalahoitoa ja 12 000–61 000 kuolemaa (CDC 2020). CDC suosittelee influenssarokotusta kaikille yli 6 kuukauden ikäisille harvoja poikkeuksia lukuun ottamatta; Lähes kuka tahansa voi hyötyä rokotteesta, joka voi vähentää sairauksia, poissaoloja, sairaalahoitoja ja kuolemaa (CDC 2019a). Influenssarokotukset ovat erityisen tärkeitä korkean riskin potilaille COVID-19-pandemian aikana, jotta influenssatapaukset vähenevät ja resurssit säästyvät.

Vaikka useimmat toipuvat influenssasta ilman hoitoa, vanhukset, sairaita sairastavat ja muut riskialttiit henkilöt voivat kokea komplikaatioita, kuten keuhkokuumetta, muita hengityselinsairauksia ja kuoleman. Geisinger, suuri terveydenhuoltojärjestelmä Pennsylvaniassa ja New Jerseyssä, on tehnyt yhteistyötä Medial EarlySignin (Medial; www.earlysign.com) kanssa kehittääkseen koneoppimisalgoritmin (ML) tunnistaakseen potilaat, joilla on vakava (kohtalainen tai vaikea) flunssan riski. komplikaatioita olemassa olevien sähköisten terveyskertomustietojensa (EHR) perusteella. Geisinger ottaa tämän järjestelmän käyttöön influenssakauden 2020-21 aikana ja ottaa yhteyttä tunnistettuihin potilaisiin erityisillä viesteillä (terveydenhuoltojärjestelmän joka influenssakauden tavanomaisten toimien lisäksi) rohkaistakseen rokotukseen. Influenssarokotukset ovat erityisen tärkeitä korkean riskin potilaille COVID-19-pandemian aikana, jotta influenssatapaukset vähenevät ja resurssit säästyvät.

Julkaistut tulokset viittaavat siihen, että Medialin ML-järjestelmät tunnistavat korkean riskin potilaat muissa yhteyksissä (Goshen et al., 2018; Zack et al., 2019). On kuitenkin vain vähän todisteita siitä, a) saako potilaille todennäköisemmin rokotuksen, jos heille kerrotaan, että he ovat suuressa riskissä; (b) se, miten potilaat reagoivat, kun heille kerrotaan riskitilanteestaan, on tulos heidän terveystietojensa analyysistä; ja (c) onko potilaiden riskitilanteen ilmoittaminen määritetty "algoritmin", "koneoppimisen" ja/tai "tekoälyn" avulla, lisää tai vähentää heidän todennäköisyyttään saada rokote. Tässä tutkimuksessa korjataan näitä aukkoja kirjallisuudessa, jotka ovat erityisen tärkeitä, kun otetaan huomioon AI/ML-järjestelmien käytön ennakoitu tulevaisuuden kasvu terveydenhuollossa.

Medialin algoritmi on esimerkki siitä, kuinka yhteentoimiva terveystietojen vaihto (HIE) - terveystietotekniikan kyky jakaa potilastietoja - voi parantaa terveydenhuollon tehokkuutta ja vaikuttavuutta. Potilaat eivät kuitenkaan välttämättä ymmärrä näitä etuja tai sitä, että terveydenhuolto on muuttunut huomattavasti integroidummaksi ja yhteistyökykyisemmaksi. Potilaiden HIE:tä koskevien huolenaiheiden systemaattisessa tarkastelussa havaittiin, että 15–74 % potilaista ilmaisi huolensa yksityisyydestä riippuen tutkimuksesta, ja pääteltiin, että potilaiden näkökulmat ovat edelleen huonosti ymmärrettyjä. Influenssan tiedotusviesti, jossa viitataan nimenomaisesti potilaiden potilastietojen tarkistamiseen, saattaa kostautua, kun potilaat reagoivat huonosti tunteeseen, että he ovat menettäneet terveystietonsa hallinnan.

On ristiriitaisia ​​todisteita siitä, kuinka ihmiset reagoivat neuvoihin tai tietoihin, jotka tulevat algoritmista tai koneesta. Dietvorst et ai. (2015) dokumentoivat "algoritmien vastenmielisyyden" mallin, jossa ihmiset valitsevat huonomman ihmisen paremman algoritmisen ennusteen sijaan, varsinkin sen jälkeen, kun he ovat havainneet algoritmin tekevän virheen. Sitä vastoin Logg et ai. (2018) kuvaili "algoritmien arvostusta", jossa ihmiset seurasivat neuvoja enemmän, kun he luulivat sen tulevan algoritmeista kuin silloin, kun he luulivat sen tulevan ihmisiltä. Lopuksi Bigman ja Gray (2019) havaitsivat vastenmielisyyttä algoritmeja kohtaan, jotka tekevät "moraalisia päätöksiä", mukaan lukien (fiktiivinen) lääketieteellinen päätös valita, leikataanko korkean riskin potilasta vai ei. Nykyisessä tilanteessa algoritmi vain neuvoo potilaita ryhtymään toimiin (vuosittainen influenssarokote), joka on jo hoidon standardi, eikä virheellistä suositusta ole mahdollista havaita, joten hypoteesi on, että "algoritmin arvostus" saada ihmiset reagoimaan myönteisesti, kun he saavat tietoa algoritmin roolista. Näin ollen tämä tutkimus käsittelee kahta tärkeää tutkimuskysymystä:

1. Lisääkö potilaille ilmoittaminen, että heillä on suuri riski saada flunssan komplikaatioita (a) lisää todennäköisyyttä, että he saavat influenssarokotteen? ja (b) vähentää todennäköisyyttä, että he saavat flunssadiagnooseja ja/tai flunssan kaltaisia ​​oireita seuraavan flunssakauden aikana?
2. Kerrotaanko potilaille, että heidän riskialttiutensa määritettiin (a) analysoimalla heidän potilastietojaan (vs. määrittämättömällä menetelmällä); ja (b) AI/ML-algoritmin* avulla, joka analysoi heidän potilastietojaan (toisin kuin määrittelemättömillä menetelmillä tai ihmisen potilastietojen analysoinnilla), mikä vaikuttaa todennäköisyyteen, että he saavat influenssarokotteen ja/tai flunssan ja/tai flunssan kaltaisten oireiden diagnoosin. seuraavan flunssakauden aikana?

Erityistavoitteemme ovat:

1. Arvioi vaikutusta influenssarokotusasteisiin, jos terveydenhuoltojärjestelmän potilaille, joiden EHR-tietojen ML-analyysi on todettu olevan suuri riski saada flunssan komplikaatioita, tiedotetaan suuresta riskistä joko (a) ilman lisäselityksiä, (b) selitys siitä, että tämä määritys tulee heidän potilastietojensa analyysistä, ja (c) lisäselitys, että AI- tai ML-algoritmi teki tämän määrityksen.
2. Arvioi samojen kolmen toimenpiteen vaikutukset flunssadiagnooseihin samoilla potilailla.

Tutkimusstrategia

Tutkimukseen osallistuvat Geisingerin nykyiset yli 17-vuotiaat potilaat, joilla on yksi tai useampi käynti Geisingerin peruslääkärin (PCP) luona 1.1.2008-30.1.2020 ja joilla ei ole vasta-aiheita influenssarokotteelle. Medial toimittaa ML-algoritmistaan ​​flunssakomplikaatioriskipisteet (perustuu koodattuihin EHR-tietoihin), joiden perusteella 10 % suurimman riskin potilaista otetaan mukaan. Perustuen aikaisempaan käyttäytymiseen ja muihin ennustajiin toisessa ML-mallissa, Medial tarjoaa myös todennäköisyyden, että jokainen potilas saa rokotuksen tutkimuksen influenssakauden aikana; näitä arvoja ja ensisijaisia ​​riskipisteitä käytetään kovariaatteina tutkimustietoanalyyseissä. Ylimmän 10 prosentin riskiryhmään kuuluvien potilaiden arvioitu määrä on 56 000.

Keskimäärin viimeisen kolmen flunssakauden aikana 55 % Geisingerin yli 65-vuotiaista potilaista on rokotettu joka kausi, joten käytämme tätä vertailukohtana tehoanalyysissämme. Tutkimuksella on 92 %:n teho havaita vähintään 2 %:n absoluuttinen ero rokotustuloksissa tilojen välillä (55 % vs 57 %, kaksisuuntainen alfa 0,05), olettaen, että kullakin ehdolla on 56 000/4= 14 000 potilasta. Influenssadiagnoosin harvinaisempaa lopputulosta varten meillä on 95 %:n kyky havaita 0,8 % tai suurempi absoluuttinen ero - arvioidusta 3,9 %:sta tässä korkean riskin väestössä (perustuu CDC:n arvioon yli 65-vuotiaille [Tokars et al. ., 2018]) 3,1 prosentin korkoon.

Ensisijaiset tutkimustulokset ovat kohdepotilaiden influenssarokotusten ja influenssadiagnoosien määrä kaudella 2020-21 (syys-maaliskuu). Toissijaisia, tutkivia tuloksia mitataan myös: Influenssarokotusten määrä ja kohdepotilaiden kotitalouden jäsenten tekemät diagnoosit; influenssarokotusten määrä ja diagnoosit sellaisilta potilailta, jotka eivät ole kohdennettuja potilaita, joille annettiin riskipisteet, jotka jäivät juuri kohdepotilaiden rajan alapuolelle ("kynnyksen alariski"); flunssan komplikaatioiden ja flunssan kaltaisten oireiden määrä kohdepotilaiden, kotitalouden jäsenten ja kynnyksen alapuolella olevien keskuudessa; ja muiden asiaankuuluvien terveydenhuollon käyttötulosten, kuten ensiapukäyntien ja sairaalahoitojen, määrät.

Yleistetyt lineaariset sekamallit (GLMM) tarkastelevat ensisijaisia ​​tutkimustuloksia tutkimusryhmien funktiona (kohteiden välillä), ja potilaiden vierailemat PCP:t ja/tai klinikat sisällytetään satunnaisvaikutusmuuttujiin olettaen, että luokan sisäiset korrelaatiokertoimet ovat korkeat. GLMM:t määrittelevät binäärijakauman ja log-link-funktion, kun kyseessä ovat kaksijakoiset tulosmuuttujat (esim. influenssarokotus, influenssadiagnoosi), ja negatiivisen binomijakauman ja log-link-funktion, jos kyseessä on erittäin positiivisesti vinoutunut lukumuuttuja, kuten esim. Päivystyskäynnit ja sairaalahoidot (joissa Poisson-jakaumamallin tapauksessa ylihajaantuminen tyypillisesti säilyy). Näitä tutkivia analyysejä varten analysoidaan myös potilaan sisäinen muutos (samasta ajanjaksosta vuotta aiemmin). Lisäksi jokainen potilas saa samantyyppisen viestinnän (a/b/c/d) enintään kolmella tavalla painetun kirjeen postiosoitteeseen, tekstiviestillä matkapuhelimeesi ja/tai suojatun viestin Geisingerin potilasportaalin kautta riippuen. siitä, mitä tietoja kustakin potilaasta on arkistossa. Kullekin potilaalle käytettävät viestintäkanavat ovat kovariaatteja myöhemmissä analyyseissä.

*Huomaa: Tutkimus ei välttämättä käytä termejä "AI", "ML" tai "algoritmi" ryhmien b, c ja d viesteissä; Sen sijaan nämä viestit suunnitellaan siten, että ne ovat potilasyleisön luettavissa ja ymmärrettävissä, mutta sisältävät silti keskeiset käsitteet, jotka erottavat interventiot toisistaan.