MLによって特定された高リスク患者に対するインフルエンザワクチン接種の奨励

バックグラウンド

平均すると、インフルエンザの季節ごとに米国人口の 8% が​​インフルエンザにかかります (Tokars et al. 2018)。 2010年以来、インフルエンザによる年間疾病負荷には900万～4,500万人が罹患し、14万～81万人が入院し、1万2,000～6万1,000人が死亡している（CDC 2020）。 CDCは、まれな例外を除いて、生後6か月以上のすべての人にインフルエンザワクチン接種を推奨しています。ほぼ誰でもワクチンの恩恵を受けることができ、病気、欠勤、入院、死亡を減らすことができます (CDC 2019a)。 インフルエンザのワクチン接種は、新型コロナウイルス感染症のパンデミック下で高リスクの患者にとって、インフルエンザの症例を減らし、資源を節約するために特に重要です。

ほとんどの人は治療を受けなくてもインフルエンザから回復しますが、高齢者、併存疾患のある人、その他の高リスクの人は、肺炎、その他の呼吸器疾患などの合併症を起こし、死亡する可能性があります。 ペンシルベニア州とニュージャージー州の大規模な医療システムであるガイジンジャー社は、Medial EarlySign (Medial; www.earlysign.com) と提携して、重篤な (中等度から重度の) インフルエンザ関連のリスクのある患者を特定するための機械学習 (ML) アルゴリズムを開発しました。既存の電子医療記録 (EHR) データに基づいて合併症を診断します。 ガイジンガー教授は、2020年から2021年のインフルエンザシーズン中にこのシステムを導入し、ワクチン接種を奨励するために（インフルエンザシーズンごとに医療システムが行う標準的な取り組みに加えて）特定された患者に特別なメッセージを連絡する予定だ。 インフルエンザのワクチン接種は、新型コロナウイルス感染症のパンデミック下で高リスクの患者にとって、インフルエンザの症例を減らし、資源を節約するために特に重要です。

公表された結果は、Medial の ML システムが他の状況で高リスク患者を特定することを示唆しています (Goshen et al., 2018; Zack et al., 2019)。 しかし、(a) リスクが高いことを患者に知らせることでワクチン接種を受ける可能性が高くなるかどうかについての証拠はほとんどありません。 (b) リスク状態を告げられた患者がどのように反応するかは、健康記録の分析の結果です。 (c) 患者のリスク状態が「アルゴリズム」、「機械学習」、および/または「人工知能」によって決定されたかどうかを患者に通知することで、ワクチン接種を受ける可能性が増加または減少します。 この研究は、医療全体で AI/ML システムの使用が将来的に増加すると予想されることを考慮すると、特に重要な文献のギャップに対処します。

Medial のアルゴリズムは、相互運用可能な医療情報交換 (HIE) (医療情報技術による患者データの共有機能) がどのように医療の効率と有効性を向上させることができるかを示す一例です。 しかし、患者はこれらの利点や、医療が大幅に統合され、協力的になったことを理解していない可能性があります。 HIE に関する患者のプライバシーの懸念に関する系統的レビューでは、研究に応じて患者の 15 ～ 74% がプライバシーの懸念を表明し、患者の視点は依然として十分に理解されていないと結論付けました。 患者の医療記録の見直しに明示的に言及したインフルエンザ支援メッセージは、患者が自分の健康記録をコントロールできなくなったという感覚にひどく反応し、逆効果になる可能性があります。

アルゴリズムやマシンからのアドバイスや情報に人々がどのように反応するかについては、矛盾した証拠があります。 ディートヴォルストら。 (2015) は、特にアルゴリズムが間違いを犯したことを観察した後、人々が優れたアルゴリズムの予測よりも劣った人間を選択する「アルゴリズム嫌悪」のパターンを文書化しました。 対照的に、Logg et al. (2018) は「アルゴリズムの評価」について説明しており、人々はアドバイスが人間からのものであると考えるよりも、アルゴリズムからのものであると考えたときに従うようになるという。 最後に、Bigman と Gray (2019) は、高リスク患者に手術をするかどうかを選択するという (架空の) 医療決定を含む、「道徳的決定」を行うアルゴリズムに対する嫌悪感を発見しました。 現在の設定では、アルゴリズムは、すでに標準治療となっている行動 (年に一度のインフルエンザ予防接種) を行うよう患者にアドバイスするだけであり、誤った推奨を観察する機会はないため、「アルゴリズムの評価」が改善されるという仮説が立てられています。アルゴリズムの役割を知らされると人々が肯定的に反応するようになります。 したがって、この研究では次の 2 つの重要な研究課題に取り組みます。

1. インフルエンザ合併症のリスクが高いことを患者に知らせることは、(a) インフルエンザワクチン接種を受ける可能性を高めますか。 (b) その後のインフルエンザの季節にインフルエンザおよび/またはインフルエンザに似た症状の診断を受ける可能性は減少しますか?
2. 高リスク状態が (a) 医療記録の分析によって決定されたことを患者に通知します (vs. 指定された方法はありません）。 (b) AI/ML アルゴリズム* による医療記録の分析 (不特定の方法や人間の医療記録の分析とは対照的に) は、インフルエンザ ワクチンの接種および/またはインフルエンザおよび/またはインフルエンザのような症状の診断の可能性に影響を与えます。これからのインフルエンザの季節には？

私たちの具体的な目標は次のとおりです。

1. EHR データの ML 分析によってインフルエンザ合併症のリスクが高いと特定された保健システムの患者に、(a) 追加の説明がない、(b) のいずれかでリスクが高いことを通知することの、インフルエンザワクチン接種率への影響を評価します。この決定は医療記録の分析から得られたという説明、および (c) AI または ML アルゴリズムがこの決定を行ったという追加の説明。
2. 同じ患者のインフルエンザの診断に対する同じ 3 つの介入の効果を評価します。

研究戦略

この研究には、2008年1月1日から2020年1月30日までにガイジンガーのプライマリケア医（PCP）を1回以上受診し、インフルエンザワクチンの禁忌がない17歳以上の現在のガイジンガー患者が含まれる。 Medial は、ML アルゴリズム (コード化された EHR データに基づく) からインフルエンザ合併症リスク スコアを提供します。これに基づいて、最もリスクの高い患者の上位 10% が含まれます。 Medial は、2 番目の ML モデルにおける以前の行動とその他の予測因子に基づいて、各患者が研究インフルエンザの季節にワクチン接種を受ける可能性も提供します。これらの値と主要リスク スコアは、探索的データ分析で共変量として使用されます。 リスク上位 10% に属する患者の予想数は 56,000 人です。

過去 3 回のインフルエンザ シーズンの平均では、65 歳以上のガイジンガー患者の 55% がシーズンごとにワクチン接種を受けているため、これを検出力分析の対照条件の代理基本率として使用します。 この研究では、各条件が 56,000/4= であると仮定すると、条件間のワクチン接種結果における 2% 以上の絶対差 (55% 対 57%、両側アルファ 0.05) を検出する検出力が 92% となります。患者数は14,000人。 インフルエンザ診断のよりまれな結果については、この高リスク集団における推定 3.9% の確率と比較して、0.8% 以上の絶対差を検出する検出力が 95% あります (65 歳以上の人々に関する CDC 推定に基づく [Tokars et al] ., 2018]）の割合は 3.1% です。

主な研究成果は、対象患者による2020～21年シーズン（9月～3月）中のインフルエンザワクチン接種率とインフルエンザ診断率となる。 二次的な探索的結果も測定されます: 対象患者の同居家族によるインフルエンザワクチン接種率と診断率。対象患者のカットオフ値をわずかに下回るリスクスコア（「閾値未満リスク」）が割り当てられた非対象患者によるインフルエンザワクチン接種率および診断率。対象患者、世帯員、および閾値以下のリスクにある人々におけるインフルエンザ合併症およびインフルエンザ様症状の割合。 ER 受診や入院など、その他の関連する医療利用結果の割合。

一般化線形混合モデル (GLMM) は、高いクラス内相関係数を仮定して、患者が訪問した PCP および/またはクリニックを変量効果変数として含めて、主要な研究結果を研究群 (被験者間) の関数として検査します。 GLMM は、二分法結果変数 (例: インフルエンザワクチン接種、インフルエンザ診断) の場合には二項分布と対数リンク関数を指定し、次のような非常に正に偏ったカウント変数の場合には負の二項分布と対数リンク関数を指定します。 ER の受診および入院 (ポアソン分布モデルの場合、通常は過剰分散が残ります)。 これらの探索的分析では、患者内の変化 (1 年前の同じ時期からの) も分析されます。 また、各患者は、最大 3 つのモダリティ (郵送先住所への印刷された手紙、携帯電話への SMS、および/またはガイジンガーの患者ポータルを介した安全なメッセージ) を介して、同じ種類の通信 (a/b/c/d) を受け取ります。各患者についてどのような情報がファイルに保存されているかについて。 各患者に使用されるコミュニケーション チャネルは、後の分析で共変量となります。

*注: この研究では、グループ b、c、および d へのメッセージで「AI」、「ML」、または「アルゴリズム」という用語が必ずしも使用されるわけではありません。代わりに、これらのメッセージは、介入を互いに区別する重要な概念を含みながら、患者聴衆が読みやすく理解できるようにデザインされます。