Intervento del farmacista MTM informato sui rischi e sui benefici nell'insufficienza cardiaca

L’insufficienza cardiaca è una malattia complessa e altamente diffusa, associata a morbilità e costi significativi. Ad esempio, Geisinger gestisce oltre 900 ricoveri per insufficienza cardiaca all'anno, ciascuno dei quali costa circa 10.000-12.000 dollari. Mentre i modelli di pagamento continuano a spostarsi da quelli a pagamento a quelli basati sul valore, si stanno effettuando investimenti significativi nelle risorse del team di assistenza per aiutare a gestire popolazioni di pazienti con insufficienza cardiaca. Queste risorse del team di assistenza hanno dimostrato efficacia. Ad esempio, le metriche interne di Geisinger indicano che gli interventi condotti da farmacisti clinici mirati a diabetici di tipo II scarsamente controllati hanno portato a un calo mediano sostenuto dell’1% (assoluto) dell’emoglobina a1C (emoglobina glicata). In questo nuovo ambiente, l’implementazione intelligente di risorse limitate è fondamentale per promuovere la qualità e contenere i costi.

Nell'insufficienza cardiaca, l'attuale previsione del rischio ha dimostrato scarse capacità prognostiche e rappresenta un ostacolo alla "fornitura precisa" delle risorse del team di assistenza. Attualmente gli approcci sono limitati a causa del non utilizzo completo di dati oggettivi ricchi e altamente granulari come imaging, valori di laboratorio e segni vitali, e pertanto non sono ottimizzati per prevedere con precisione i risultati. I ricercatori hanno generato un modello di apprendimento automatico per prevedere sia la sopravvivenza a 1 anno che il ricovero per insufficienza cardiaca entro 6 mesi dall’ecocardiografia. Questo modello utilizzava 169 variabili di input inclusi dati clinici, misure di imaging e 18 variabili di gap assistenziale. I nostri risultati hanno mostrato non solo che il modello di machine learning aveva una precisione di gran lunga superiore nel prevedere gli endpoint di morbilità rispetto agli approcci attuali che utilizzano i dati del codice di fatturazione, ma anche che le variabili del divario di assistenza erano importanti per prevedere la sopravvivenza a 1 anno. Inoltre, i ricercatori hanno dimostrato che è stato possibile colmare quattro variabili del gap assistenziale (vaccinazione antinfluenzale, trattamento con beta-bloccanti basato sull’evidenza, trattamento con ACE inibitori dell’enzima di conversione dell’angiotensina/ARB (bloccanti del recettore dell’angiotensina) e controllo dell’a1C diabetico (vale a dire, valori "in goal)) hanno comportato un miglioramento previsto nella sopravvivenza a 1 anno di circa 1.200 pazienti (su circa 11.000). Questo studio mira quindi ad applicare questo approccio di apprendimento automatico per dirigere le risorse del team di assistenza in un contesto clinico per valutarne l’impatto sulla sopravvivenza del paziente e sull’utilizzo dell’assistenza sanitaria.