Encourager la vaccination contre la grippe chez les patients à haut risque identifiés par ML

Arrière-plan

En moyenne, 8 % de la population américaine tombe malade de la grippe à chaque saison grippale (Tokars et al. 2018). Depuis 2010, la charge de morbidité annuelle de la grippe a inclus 9 à 45 millions de maladies, 140 000 à 810 000 hospitalisations et 12 000 à 61 000 décès (CDC 2020). Le CDC recommande la vaccination contre la grippe à toute personne âgée de 6 mois et plus, à de rares exceptions près ; presque tout le monde peut bénéficier du vaccin, ce qui peut réduire les maladies, les absences au travail, les hospitalisations et les décès (CDC 2019a). La vaccination contre la grippe sera particulièrement importante pour les patients à haut risque pendant la pandémie de COVID-19 afin de réduire les cas de grippe et de préserver les ressources.

Alors que la plupart se remettent de la grippe sans traitement, les personnes âgées, les personnes souffrant de comorbidités et d'autres personnes à haut risque peuvent connaître des complications telles qu'une pneumonie, d'autres maladies respiratoires et la mort. Geisinger, un grand système de santé de Pennsylvanie et du New Jersey, s'est associé à Medial EarlySign (Medial ; www.earlysign.com) pour développer un algorithme d'apprentissage automatique (ML) afin d'identifier les patients à risque de grippe grave (modérée à sévère). complications sur la base des données existantes de leur dossier de santé électronique (DSE). Geisinger déploiera ce système pendant la saison grippale 2020-21 et contactera les patients identifiés avec des messages spéciaux (en plus des efforts standard déployés par le système de santé à chaque saison grippale) pour encourager la vaccination. La vaccination contre la grippe sera particulièrement importante pour les patients à haut risque pendant la pandémie de COVID-19 afin de réduire les cas de grippe et de préserver les ressources.

Les résultats publiés suggèrent que les systèmes ML de Medial identifient les patients à haut risque dans d'autres contextes (Goshen et al., 2018 ; Zack et al., 2019). Cependant, il existe peu de preuves sur (a) si le fait d'informer les patients qu'ils sont à haut risque les rend plus susceptibles de recevoir la vaccination ; (b) la façon dont les patients réagissent lorsqu'on leur dit que leur statut de risque est le résultat d'une analyse de leurs dossiers de santé; et (c) si le fait d'informer les patients que leur statut de risque a été déterminé par un « algorithme », par « apprentissage automatique » et/ou par « l'intelligence artificielle » augmentera ou diminuera leur probabilité de se faire vacciner. Cette étude comblera ces lacunes dans la littérature, qui sont particulièrement importantes à la lumière de la croissance future prévue de l'utilisation du système AI/ML dans les soins de santé.

L'algorithme de Medial est un exemple de la façon dont l'échange interopérable d'informations sur la santé (HIE) - la capacité des technologies de l'information sur la santé à partager les données des patients - peut améliorer l'efficience et l'efficacité des soins de santé. Cependant, les patients peuvent ne pas apprécier ces avantages ou le fait que les soins de santé sont devenus beaucoup plus intégrés et collaboratifs. Une revue systématique des problèmes de confidentialité des patients concernant l'EHI a révélé que 15 à 74 % des patients exprimaient des problèmes de confidentialité, selon l'étude, et a conclu que les perspectives des patients restent mal comprises. Un message de sensibilisation à la grippe qui fait explicitement référence à un examen des dossiers médicaux des patients pourrait se retourner contre eux, car les patients réagissent mal au sentiment qu'ils ont perdu le contrôle de leurs dossiers médicaux.

Il existe des preuves contradictoires sur la façon dont les gens réagissent aux conseils ou aux informations provenant d'un algorithme ou d'une machine. Dietvorst et al. (2015) ont documenté un schéma d'"aversion aux algorithmes", dans lequel les gens choisissent des humains inférieurs plutôt que des prévisions algorithmiques supérieures, en particulier après avoir observé que l'algorithme faisait une erreur. En revanche, Logg et al. (2018) ont décrit "l'appréciation des algorithmes", dans laquelle les gens suivaient davantage les conseils lorsqu'ils pensaient qu'ils provenaient d'algorithmes que lorsqu'ils pensaient qu'ils provenaient d'êtres humains. Enfin, Bigman et Gray (2019) ont constaté une aversion pour les algorithmes qui prennent des « décisions morales », y compris une décision médicale (fictive) consistant à choisir d'opérer ou non un patient à haut risque. Dans le contexte actuel, l'algorithme conseille simplement aux patients de prendre une mesure (un vaccin annuel contre la grippe) qui est déjà la norme de soins, et il n'y a aucune possibilité d'observer une recommandation erronée, donc l'hypothèse est que "l'appréciation de l'algorithme" amener les gens à réagir positivement au fait d'être informés du rôle de l'algorithme. Ainsi, cette étude abordera deux questions de recherche importantes :

1. Informer les patients qu'ils sont à haut risque de complications de la grippe (a) augmente-t-il la probabilité qu'ils reçoivent le vaccin contre la grippe ; et (b) diminuent la probabilité qu'ils reçoivent un diagnostic de grippe et/ou de symptômes pseudo-grippaux au cours de la saison grippale suivante ?
2. Est-ce qu'informer les patients que leur statut à haut risque a été déterminé (a) en analysant leurs dossiers médicaux (vs. par aucune méthode spécifiée) ; et (b) par un algorithme AI/ML* analysant leurs dossiers médicaux (par opposition à des méthodes non spécifiées ou à l'analyse de dossiers médicaux humains) affectent la probabilité qu'ils reçoivent le vaccin contre la grippe et/ou les diagnostics de grippe et/ou de symptômes pseudo-grippaux dans la saison grippale suivante?

Nos objectifs spécifiques sont :

1. Évaluer l'effet sur les taux de vaccination contre la grippe d'informer les patients du système de santé qui sont identifiés par une analyse ML des données du DSE comme étant à haut risque de complications grippales qu'ils sont à haut risque avec soit (a) aucune explication supplémentaire, (b) une explication selon laquelle cette détermination provient d'une analyse de leurs dossiers médicaux, et (c) l'explication supplémentaire selon laquelle un algorithme d'IA ou de ML a effectué cette détermination.
2. Évaluer les effets des trois mêmes interventions sur les diagnostics de grippe chez les mêmes patients.

Stratégie de recherche

L'étude comprendra les patients actuels de Geisinger âgés de 17 ans et plus avec une ou plusieurs visites chez un médecin de premier recours (PCP) de Geisinger entre le 1er janvier 2008 et le 30 janvier 2020 et aucune contre-indication au vaccin contre la grippe. Medial fournira des scores de risque de complications grippales à partir de son algorithme ML (basé sur des données codées du DSE), sur la base desquels les 10 % des patients les plus à risque seront inclus. Sur la base du comportement antérieur et d'autres prédicteurs dans un deuxième modèle ML, Medial fournira également la probabilité que chaque patient soit vacciné pendant la saison grippale de l'étude ; ces valeurs et les principaux scores de risque seront utilisés comme covariables dans les analyses exploratoires des données. Le nombre prévu de patients dans les 10 % de risque les plus élevés est de 56 000.

En moyenne au cours des 3 dernières saisons grippales, 55 % des patients Geisinger âgés de 65 ans et plus sont vaccinés chaque saison, nous utiliserons donc cela comme taux de base approximatif pour une condition de contrôle dans notre analyse de puissance. L'étude aura une puissance de 92 % pour détecter une différence absolue de 2 % ou plus dans le résultat de la vaccination entre les conditions (55 % contre 57 %, alpha bilatéral de 0,05), en supposant que chaque condition aura 56 000/4= 14 000 malades. Pour le résultat plus rare du diagnostic de la grippe, nous avons une puissance de 95 % pour détecter une différence absolue de 0,8 % ou plus - à partir d'un taux estimé de 3,9 % dans cette population à haut risque (sur la base de l'estimation du CDC pour les personnes âgées de 65 ans et plus [Tokars et al ., 2018]) à un taux de 3,1 %.

Les principaux résultats de l'étude seront les taux de vaccination contre la grippe et de diagnostics de grippe au cours de la saison 2020-21 (septembre-mars) par les patients ciblés. Des résultats secondaires exploratoires seront également mesurés : les taux de vaccination contre la grippe et les diagnostics par les autres membres du ménage des patients ciblés ; les taux de vaccination contre la grippe et les diagnostics chez les patients non ciblés qui ont reçu un score de risque juste en dessous du seuil des patients ciblés ("risque sous-seuil"); les taux de complications grippales et de symptômes pseudo-grippaux chez les patients ciblés, les membres du ménage et les personnes à risque inférieur au seuil ; et les taux d'autres résultats pertinents d'utilisation des soins de santé tels que les visites aux urgences et les hospitalisations.

Les modèles mixtes linéaires généralisés (GLMM) examineront les principaux résultats de l'étude en fonction des bras de l'étude (entre les sujets), les PCP et/ou les cliniques visités par les patients étant inclus comme variables à effets aléatoires, en supposant des coefficients de corrélation intraclasse élevés. Les GLMM spécifieront une distribution binaire et une fonction log-link dans le cas de variables de résultats dichotomiques (par exemple, la vaccination antigrippale, le diagnostic de la grippe), et une distribution binomiale négative et une fonction log-link dans le cas de toute variable de comptage fortement biaisée positivement telle que Visites aux urgences et hospitalisations (où la surdispersion persiste généralement dans le cas d'un modèle de distribution de Poisson). Pour ces analyses exploratoires, les changements intra-patients (par rapport à la même période un an plus tôt) seront également analysés. De plus, chaque patient recevra le même type de communication (a/b/c/d) via jusqu'à trois modalités - lettre imprimée à son adresse postale, SMS sur son téléphone portable et/ou message sécurisé via le portail patient de Geisinger - selon sur les informations contenues dans le dossier de chaque patient. Les canaux de communication utilisés pour chaque patient seront des covariables dans les analyses ultérieures.

*Remarque : L'étude n'utilisera pas nécessairement les termes « IA », « ML » ou « algorithme » dans les messages aux groupes b, c et d ; au lieu de cela, ces messages seront conçus pour être lisibles et compréhensibles par le public de patients tout en incluant les concepts clés qui différencient les interventions les unes des autres.