심부전에 대한 위험 및 이점에 대한 정보가 있는 MTM 약사 개입

심부전은 상당한 이환율과 비용과 관련된 매우 널리 퍼져 있고 복잡한 질병입니다. 예를 들어, Geisinger는 연간 900건 이상의 심부전 입원을 관리하며 각 입원 비용은 약 $10,000-$12,000입니다. 지불 모델이 서비스별 수가제에서 가치 기반으로 계속 전환함에 따라 심부전 환자 집단을 관리하는 데 도움이 되는 치료 팀 자원에 상당한 투자가 이루어지고 있습니다. 이러한 진료팀 자원은 효율성을 입증했습니다. 예를 들어, Geisinger 내부 지표에 따르면 제대로 통제되지 않은 제2형 당뇨병 환자를 대상으로 한 임상 약사가 주도한 개입으로 인해 헤모글로빈 헤모글로빈 a1C(당화혈색소)가 중앙값 1%(절대)로 지속적으로 감소한 것으로 나타났습니다. 이 새로운 환경에서는 제한된 리소스를 지능적으로 배포하는 것이 품질을 향상하고 비용을 억제하는 데 매우 중요합니다.

심부전의 경우 현재의 위험 예측은 예후 능력이 좋지 않은 것으로 나타났으며 치료 팀 자원의 "정밀 전달"에 장벽을 제시합니다. 현재 접근 방식은 영상, 실험실 값, 활력 징후 등 풍부하고 세분화된 객관적인 데이터를 완전히 활용하지 못하기 때문에 제한적이므로 결과를 정확하게 예측하는 데 최적화되지 않습니다. 연구자들은 심장초음파 검사 후 6개월 이내에 1년 생존율과 심부전 입원을 모두 예측하는 기계 학습 모델을 생성했습니다. 이 모델은 임상 데이터, 영상 ​​측정값, 18개의 치료 격차 변수를 포함한 169개의 입력 변수를 활용했습니다. 우리의 결과는 기계 학습 모델이 청구 코드 데이터를 활용하는 현재 접근 방식에 비해 이환율 종점을 예측하는 데 훨씬 뛰어난 정확도를 가질 뿐만 아니라 치료 격차 변수가 1년 생존을 예측하는 데 중요하다는 것을 보여주었습니다. 또한 연구자들은 네 가지 치료 공백 변수(독감 예방접종, 증거 기반 베타 차단제 치료, ACE(안지오텐신 전환 효소) 억제제/ARB(안지오텐신 수용체 차단제) 치료 및 당뇨병성 a1C 조절(즉, "목표 내 값))은 ~1200명(~11,000명 중) 환자의 1년 생존율이 향상될 것으로 예측되었습니다. 따라서 이 연구의 목표는 이 기계 학습 접근 방식을 임상 환경의 직접 치료 팀 리소스에 적용하여 환자 생존 및 의료 활용에 미치는 영향을 평가하는 것입니다.