リスクと利益を考慮した MTM 薬剤師による心不全への介入

心不全は非常に蔓延しており、重大な罹患率と費用を伴う複雑な疾患です。 たとえば、ガイジンガー氏は年間 900 件を超える心不全入院を管理しており、各入院費用は推定 10,000 ドルから 12,000 ドルといわれています。 支払いモデルがサービス報酬型から価値ベースに移行し続ける中、心不全患者の集団管理を支援するためにケアチームのリソースに多額の投資が行われています。 これらのケアチームのリソースは有効性を実証しています。 たとえば、内部のガイジンガー指標は、コントロールが不十分なII型糖尿病患者を対象とした臨床薬剤師主導の介入により、ヘモグロビンヘモグロビンa1C（糖化ヘモグロビン）の中央値1％（絶対）の持続的な低下が生じたことを示しています。 この新しい環境では、品質を向上させコストを抑えるために、限られたリソースをインテリジェントに展開することが重要です。

心不全では、現在のリスク予測は予後能力が低いことが証明されており、ケアチームのリソースの「正確な提供」に障壁となっています。 現在、画像、検査値、バイタルサインなどの豊富で粒度の高い客観的データが十分に活用されていないため、アプローチは限られており、結果を正確に予測するために最適化されていません。 研究者らは、心エコー検査後 6 か月以内の 1 年生存率と心不全入院の両方を予測する機械学習モデルを作成しました。 このモデルは、臨床データ、画像測定、および 18 のケアギャップ変数を含む 169 の入力変数を利用しました。 私たちの結果は、請求コードデータを利用した現在のアプローチと比較して、機械学習モデルが罹患率のエンドポイントを予測する精度がはるかに優れていることだけでなく、ケアギャップ変数が1年生存率の予測に重要であることも示しました。 さらに、研究者らは、ケアギャップ変数のうちの 4 つ（インフルエンザワクチン接種、科学的根拠に基づいたベータ遮断薬治療、ACE（アンジオテンシン変換酵素）阻害剤/ARB（アンジオテンシン受容体遮断薬）治療、糖尿病性 a1C のコントロール）を埋めることができることを示しました。 「目標内の値）」により、（約 11,000 人中）約 1,200 人の患者の 1 年生存率が改善すると予測されました。 したがって、この研究は、この機械学習アプローチを臨床現場でケアチームのリソースに直接適用し、患者の生存と医療利用への影響を評価することを目的としています。