Intervention du pharmacien MTM informée sur les risques et les avantages en cas d'insuffisance cardiaque

L'insuffisance cardiaque est une maladie complexe et très répandue, associée à une morbidité et à un coût importants. Par exemple, Geisinger gère plus de 900 admissions pour insuffisance cardiaque par an, chaque admission coûtant entre 10 000 et 12 000 dollars. Alors que les modèles de paiement continuent d'évoluer de la rémunération à l'acte vers une approche basée sur la valeur, des investissements importants sont réalisés dans les ressources des équipes soignantes pour aider à gérer les populations de patients souffrant d'insuffisance cardiaque. Ces ressources des équipes soignantes ont démontré leur efficacité. Par exemple, les mesures internes de Geisinger indiquent que les interventions menées par des pharmaciens cliniciens visant des diabétiques de type II mal contrôlés ont entraîné une baisse médiane soutenue de 1 % (absolue) de l'hémoglobine a1C (hémoglobine glyquée). Dans ce nouvel environnement, un déploiement intelligent de ressources limitées est essentiel pour améliorer la qualité et contenir les coûts.

Dans le cas de l'insuffisance cardiaque, les prévisions actuelles des risques ont démontré de mauvaises capacités pronostiques et constituent un obstacle à la « fourniture précise » des ressources de l'équipe soignante. Actuellement, les approches sont limitées car elles n’utilisent pas pleinement des données objectives riches et très granulaires telles que l’imagerie, les valeurs de laboratoire et les signes vitaux, et ne sont donc pas optimisées pour prédire avec précision les résultats. Les enquêteurs ont généré un modèle d'apprentissage automatique pour prédire à la fois la survie à un an et l'hospitalisation pour insuffisance cardiaque dans les 6 mois suivant l'échocardiographie. Ce modèle a utilisé 169 variables d'entrée, notamment des données cliniques, des mesures d'imagerie et 18 variables d'écart en matière de soins. Nos résultats ont montré non seulement que le modèle d'apprentissage automatique avait une précision bien supérieure pour prédire les paramètres de morbidité par rapport aux approches actuelles utilisant les données du code de facturation, mais également que les variables d'écart de soins étaient importantes pour prédire la survie à un an. De plus, les enquêteurs ont montré qu'il était possible de combler quatre des variables d'écart en matière de soins (vaccination contre la grippe, traitement bêta-bloquant fondé sur des données probantes, traitement par inhibiteur de l'ECA (enzyme de conversion de l'angiotensine)/ARA (inhibiteurs des récepteurs de l'angiotensine) et contrôle de l'a1C diabétique (c.-à-d. valeurs "dans l'objectif)) a entraîné une amélioration prévue de la survie à un an d'environ 1 200 (sur environ 11 000) patients. Cette étude vise donc à appliquer cette approche d'apprentissage automatique pour diriger les ressources de l'équipe de soins en milieu clinique afin d'évaluer son impact sur la survie des patients et l'utilisation des soins de santé.