Incoraggiare la vaccinazione antinfluenzale tra i pazienti ad alto rischio identificati da ML

Sfondo

In media, l'8% della popolazione statunitense si ammala di influenza ogni stagione influenzale (Tokars et al. 2018). Dal 2010, il carico annuale di malattia dell'influenza ha incluso 9-45 milioni di malattie, 140.000-810.000 ricoveri e 12.000-61.000 decessi (CDC 2020). Il CDC raccomanda la vaccinazione antinfluenzale a tutti di età superiore ai 6 mesi, con rare eccezioni; quasi tutti possono beneficiare del vaccino, che può ridurre le malattie, il lavoro perso, i ricoveri e la morte (CDC 2019a). La vaccinazione antinfluenzale sarà particolarmente importante per i pazienti ad alto rischio durante la pandemia di COVID-19, in modo da ridurre i casi di influenza e preservare le risorse.

Mentre la maggior parte guarisce dall'influenza senza trattamento, gli anziani, quelli con comorbilità e altri individui ad alto rischio possono sperimentare complicazioni come polmonite, altre malattie respiratorie e morte. Geisinger, un grande sistema sanitario in Pennsylvania e nel New Jersey, ha collaborato con Medial EarlySign (Medial; www.earlysign.com) per sviluppare un algoritmo di apprendimento automatico (ML) per identificare i pazienti a rischio di malattia grave (da moderata a grave) associata all'influenza complicanze sulla base dei dati delle cartelle cliniche elettroniche (EHR) esistenti. Geisinger implementerà questo sistema durante la stagione influenzale 2020-21 e contatterà i pazienti identificati con messaggi speciali (oltre agli sforzi standard compiuti dal sistema sanitario ogni stagione influenzale) per incoraggiare la vaccinazione. La vaccinazione antinfluenzale sarà particolarmente importante per i pazienti ad alto rischio durante la pandemia di COVID-19, in modo da ridurre i casi di influenza e preservare le risorse.

I risultati pubblicati suggeriscono che i sistemi ML di Medial identificano i pazienti ad alto rischio in altri contesti (Goshen et al., 2018; Zack et al., 2019). Tuttavia, ci sono poche prove su (a) se informare i pazienti che sono ad alto rischio li rende più propensi a ricevere la vaccinazione; (b) il modo in cui i pazienti reagiscono quando gli viene detto che il loro stato di rischio è il risultato di un'analisi delle loro cartelle cliniche; e (c) se informare i pazienti del loro stato di rischio è stato determinato da un "algoritmo", da "apprendimento automatico" e/o da "intelligenza artificiale" aumenterà o diminuirà la loro probabilità di essere vaccinati. Questo studio affronterà queste lacune nella letteratura, che sono particolarmente importanti alla luce della prevista crescita futura dell'uso del sistema AI/ML in tutta l'assistenza sanitaria.

L'algoritmo di Medial è un esempio di come lo scambio interoperabile di informazioni sanitarie (HIE) - la capacità della tecnologia dell'informazione sanitaria di condividere i dati dei pazienti - può migliorare l'efficienza e l'efficacia dell'assistenza sanitaria. Tuttavia, i pazienti potrebbero non apprezzare questi benefici o il fatto che l'assistenza sanitaria sia diventata sostanzialmente più integrata e collaborativa. Una revisione sistematica delle preoccupazioni sulla privacy dei pazienti riguardo all'HIE ha rilevato che il 15-74% dei pazienti ha espresso preoccupazioni sulla privacy, a seconda dello studio, e ha concluso che le prospettive dei pazienti rimangono poco comprese. Un messaggio di sensibilizzazione sull'influenza che fa esplicito riferimento a una revisione delle cartelle cliniche dei pazienti potrebbe ritorcersi contro quando i pazienti reagiscono male alla sensazione di aver perso il controllo delle proprie cartelle cliniche.

Esistono prove contrastanti su come le persone rispondono a consigli o informazioni che provengono da un algoritmo o da una macchina. Dietvorst et al. (2015) hanno documentato un modello di "avversione all'algoritmo", in cui le persone scelgono previsioni umane inferiori rispetto a previsioni algoritmiche superiori, soprattutto dopo aver osservato che l'algoritmo commette un errore. Al contrario, Logg et al. (2018) ha descritto "l'apprezzamento dell'algoritmo", in cui le persone seguivano di più i consigli quando pensavano che provenissero da algoritmi rispetto a quando pensavano che provenissero da esseri umani. Infine, Bigman e Gray (2019) hanno riscontrato avversione per gli algoritmi che prendono "decisioni morali", inclusa una decisione medica (fittizia) di scegliere se operare o meno un paziente ad alto rischio. Nella situazione attuale, l'algoritmo si limita a consigliare ai pazienti di intraprendere un'azione (un vaccino antinfluenzale annuale) che è già lo standard di cura, e non c'è alcuna possibilità di osservare una raccomandazione errata, quindi l'ipotesi è che "l'apprezzamento dell'algoritmo" indurre le persone a reagire positivamente all'essere informate del ruolo dell'algoritmo. Pertanto, questo studio affronterà due importanti domande di ricerca:

1. Informare i pazienti che sono ad alto rischio di complicanze influenzali (a) aumenta la probabilità che ricevano il vaccino antinfluenzale; e (b) diminuire la probabilità che ricevano diagnosi di influenza e/o sintomi simil-influenzali nella successiva stagione influenzale?
2. Informare i pazienti che il loro stato ad alto rischio è stato determinato (a) analizzando le loro cartelle cliniche (vs. con nessun metodo specificato); e (b) mediante un algoritmo AI/ML* che analizza le loro cartelle cliniche (invece che tramite metodi non specificati o analisi di cartelle cliniche umane) influenzano la probabilità che ricevano il vaccino antinfluenzale e/o diagnosi di influenza e/o sintomi simil-influenzali nella successiva stagione influenzale?

I nostri obiettivi specifici sono:

1. Valutare l'effetto sui tassi di vaccinazione antinfluenzale di informare i pazienti del sistema sanitario che sono identificati da un'analisi ML dei dati EHR come ad alto rischio di complicanze influenzali che sono ad alto rischio con (a) nessuna spiegazione aggiuntiva, (b) una spiegazione che questa determinazione provenga da un'analisi delle loro cartelle cliniche e (c) la spiegazione aggiuntiva che un algoritmo AI o ML ha effettuato questa determinazione.
2. Valutare gli effetti degli stessi tre interventi sulle diagnosi di influenza negli stessi pazienti.

Strategia di ricerca

Nello studio saranno inclusi gli attuali pazienti Geisinger di età superiore ai 17 anni con una o più visite a un medico di base Geisinger (PCP) tra il 1 gennaio 2008 e il 30 gennaio 2020 e nessuna controindicazione per il vaccino antinfluenzale. Medial fornirà punteggi di rischio di complicanze influenzali dal loro algoritmo ML (basato su dati EHR codificati), sulla base dei quali verrà incluso il 10% superiore dei pazienti a più alto rischio. Sulla base del comportamento precedente e di altri predittori in un secondo modello ML, Medial fornirà anche la probabilità che ogni paziente venga vaccinato durante la stagione influenzale dello studio; questi valori ei punteggi di rischio primario saranno utilizzati come covariate nelle analisi esplorative dei dati. Il numero previsto di pazienti nel 10% più alto del rischio è di 56.000.

In media nelle ultime 3 stagioni influenzali, il 55% dei pazienti Geisinger di età superiore ai 65 anni viene vaccinato ogni stagione, quindi lo utilizzeremo come percentuale di base proxy per una condizione di controllo nella nostra analisi della potenza. Lo studio avrà una potenza del 92% per rilevare una differenza assoluta del 2% o superiore nell'esito della vaccinazione tra le condizioni (55% vs 57%, alfa a due code di .05), supponendo che ciascuna condizione avrà 56.000/4= 14.000 pazienti. Per l'esito più raro della diagnosi di influenza, abbiamo una potenza del 95% per rilevare una differenza assoluta dello 0,8% o superiore, da un tasso stimato del 3,9% in questa popolazione ad alto rischio (basata sulla stima del CDC per le persone di età superiore ai 65 anni [Tokars et al. ., 2018]) ad un tasso del 3,1%.

Gli esiti primari dello studio saranno i tassi di vaccinazione antinfluenzale e diagnosi di influenza durante la stagione 2020-21 (settembre-marzo) da parte di pazienti mirati. Saranno misurati anche risultati esplorativi secondari: tassi di vaccinazione antinfluenzale e diagnosi da parte di altri membri della famiglia di pazienti mirati; tassi di vaccinazione antinfluenzale e diagnosi da parte di pazienti non mirati a cui è stato assegnato un punteggio di rischio appena al di sotto del limite dei pazienti mirati ("rischio sottosoglia"); tassi di complicanze influenzali e sintomi simil-influenzali tra i pazienti presi di mira, i membri della famiglia e quelli a rischio inferiore alla soglia; e tassi di altri esiti di utilizzo dell'assistenza sanitaria rilevanti come visite di pronto soccorso e ricoveri.

I modelli misti lineari generalizzati (GLMM) esamineranno i risultati dello studio primario in funzione dei bracci dello studio (tra soggetti), con i PCP e/o le cliniche visitati dal paziente inclusi come variabili di effetti casuali, assumendo elevati coefficienti di correlazione intraclasse. I GLMM specificheranno una distribuzione binaria e una funzione di collegamento log nel caso di variabili di esito dicotomiche (ad es. vaccinazione antinfluenzale, diagnosi influenzale) e una distribuzione binomiale negativa e una funzione di collegamento log nel caso di variabili di conteggio fortemente distorte come Visite di pronto soccorso e ricoveri (dove l'eccessiva dispersione rimane tipicamente nel caso di un modello di distribuzione di Poisson). Per queste analisi esplorative, verrà analizzato anche il cambiamento all'interno del paziente (rispetto allo stesso periodo dell'anno precedente). Inoltre, ogni paziente riceverà lo stesso tipo di comunicazione (a/b/c/d) tramite un massimo di tre modalità: lettera stampata al proprio indirizzo postale, SMS al proprio telefono cellulare e/o messaggio protetto tramite il portale del paziente di Geisinger, a seconda su quali informazioni sono in archivio per ogni paziente. I canali di comunicazione utilizzati per ciascun paziente saranno covariate nelle analisi successive.

*Nota: lo studio non utilizzerà necessariamente i termini "AI", "ML" o "algoritmo" nei messaggi ai gruppi b, c e d; invece, questi messaggi saranno progettati per essere leggibili e comprensibili dal pubblico dei pazienti pur includendo i concetti chiave che differenziano gli interventi l'uno dall'altro.