A betartás és az eredmények javítása mesterséges intelligenciához igazított szöveges üzenetekkel (AIM@BP)

A krónikus betegségek önkezelése összetett viselkedési formákat foglal magában, és a betegek eltérő módon ragaszkodnak ehhez a viselkedéshez. Ennek a javaslatnak a középpontjában a gyógyszeres kezelés adherenciája áll, mivel a betegek elmulasztása az előírt gyógyszerszedés fő oka a túlzott megbetegedések és halálozások, valamint a megnövekedett egészségügyi költségek fő oka. A tanulmányok szerint a betegek 33-50%-a nem szedi megfelelően gyógyszereit, ami évente közel 100 000 korai halálesethez és 290 milliárd dolláros egészségügyi kiadáshoz járul hozzá. A vérnyomáscsökkentő gyógyszerekhez való ragaszkodás önmagában is különösen fontos, és a magas vérnyomás fontos nyomjelző feltételként szolgálhat a gyógyszeres adherencia általánosabb megértéséhez és javításához. A kontrollálatlan magas vérnyomás a stroke, a szívkoszorúér-betegség, a szívelégtelenség és a halálozás fő oka, a gyógyszeres kezelés be nem tartása pedig a nem kontrollált magas vérnyomás fő oka. Például egy körülbelül 5000 hipertóniás betegen végzett egyéves vizsgálatban a legtöbb beteg csak időszakosan szedte gyógyszereit, és a betegek fele végül az orvosi javaslat ellenére abbahagyta a gyógyszeres kezelést.

A gyógyszeres adherencia javítása számos kihívás kezelését igényli, mivel a betegeknek általában számos oka van annak, hogy miért nem az előírt módon szedik gyógyszereiket, például a betegségükkel és annak kezelésével kapcsolatos hiedelmeik, szervezeti kihívások és költségkorlátok. Ezen túlmenően, mivel a betegek kezelési rendje, egészségi állapota és társadalmi kontextusa idővel változik, az adherenciát támogató beavatkozásoknak alkalmazkodniuk kell, de a legtöbb szolgáltatásnak hiányzik ehhez a rugalmassága.

A mobil egészségügyi (mHealth) szolgáltatások, mint például a páciensek szöveges üzenetei vagy SMS-ek, ígéretesnek bizonyultak a gyógyszerszedés javításában. Mivel azonban szinte minden m-egészségügyi szolgáltatás leegyszerűsített, determinisztikus protokollokon alapul, ezek a beavatkozások nem képesek kielégíteni a betegek összetett változó igényeit. Következésképpen ezek a kezdetleges rendszerek csak szerény hatásokat mutattak, amelyek idővel csökkenni kezdenek. A kutatók a mesterséges intelligencia (AI) módszereinek alkalmazását javasolják, különösen a Reforcement Learning (az AI egyik típusa) alkalmazását egy olyan modell gyógyszeradherencia rendszer kifejlesztésére, amely automatikusan adaptálja az SMS kommunikációt az egyéni gyógyszerszedés javítására.

A javasolt projekt a Gyógyszerészeti Főiskola, a Mérnöki Főiskola és az Orvostudományi Egyetem UM szakértői közötti új, multidiszciplináris együttműködés eredménye. Hosszú távú célunk az egészségügyi eredmények javítása mesterséges intelligencia (AI) által továbbfejlesztett mobil egészségügyi eszközök segítségével. A javasolt kísérleti tanulmány célja egy megerősítési tanuláson alapuló m-egészségügyi program kidolgozása, amely a rosszul kontrollált magas vérnyomásban szenvedő betegek gyógyszeradherenciájára összpontosít. Központi hipotézisünk az, hogy egy megerősítési tanulást (RL) használó SMS rendszer: elfogadható lesz a betegek számára, alkalmazkodik a hipertóniás betegek egyedi adherenciával kapcsolatos szükségleteihez és preferenciáihoz, valamint ezeknek az igényeknek az idő múlásával történő változásaihoz, valamint javítja a gyógyszeres kezelést és a vérnyomás szabályozását. . A konkrét célok a következők:

1. RL-módszerek kidolgozása az emberközpontú környezetekben történő adaptív döntéshozatalhoz, és az ebből eredő RL-alapú adaptív SMS-gyógyszer-adherencia-intervenció megvalósíthatóságának bemutatása,
2. Mutassa be az RL-base adaptív rendszer „tanulását” olyan adatok felhasználásával, amelyek az SMS-üzenetfolyam adaptációját mutatják a betegek és a nem-adherencia okainak időbeli eltérései szerint, és
3. Vizsgálja meg az RL-alapú adaptív SMS-beavatkozás lehetséges hatékonyságát a gyógyszeradherencia és a szisztolés vérnyomás javulása tekintetében.

Ennek a kísérleti projektnek az eredményei egy újszerű AI/RL technológiát és annak valós használatára vonatkozó bizonyítékokat tartalmaznak, amelyek egy rosszul kontrollált magas vérnyomásban szenvedő felnőtt mintán alapulnak. Ezeket az eredményeket egy R01 alkalmazás alátámasztására használjuk fel, amely a beavatkozásnak a betegek egészségére és a hosszú távú adherencia viselkedésére gyakorolt ​​hatásának átfogóbb és határozottabb vizsgálatára vonatkozik. Hosszabb távon ez a mesterséges intelligencia által továbbfejlesztett m-egészségügyi önmenedzsment-támogató infrastruktúra, valamint a gyógyszerészeti, orvostudományi és számítástechnikai kutatók közötti példátlan együttműködés megalapozza az NIH által finanszírozott nagyobb kutatási program alapjait, amelyek hasonló mesterséges intelligencia megközelítéseket alkalmaznak a viselkedésváltozás kihívásainak kezelésére. számos egészségügyi és egészségügyi probléma esetén.