ML로 식별된 고위험 환자의 독감 예방접종 권장

배경

평균적으로 미국 인구의 8%가 독감 시즌마다 독감에 걸립니다(Tokars et al. 2018). 2010년 이후 인플루엔자의 연간 질병 부담에는 900만~4500만 건의 질병, 140,000~810,000건의 입원, 12,000~61,000건의 사망이 포함되었습니다(CDC 2020). CDC는 드문 경우를 제외하고 6개월 이상 된 모든 사람에게 독감 예방 접종을 권장합니다. 거의 모든 사람이 질병, 결근, 입원 및 사망을 줄일 수 있는 백신의 혜택을 받을 수 있습니다(CDC 2019a). 독감 예방 접종은 COVID-19 대유행 기간 동안 독감 사례를 줄이고 자원을 보존하기 위해 고위험 환자에게 특히 중요합니다.

대부분 치료 없이 인플루엔자에서 회복되지만 노인, 동반 질환이 있는 사람 및 기타 고위험군은 폐렴, 기타 호흡기 질환 및 사망과 같은 합병증을 경험할 수 있습니다. 펜실베니아와 뉴저지의 대규모 의료 시스템인 Geisinger는 Medial EarlySign(Medial; www.earlysign.com)과 협력하여 중증(중등도에서 중증) 독감 관련 위험이 있는 환자를 식별하는 기계 학습(ML) 알고리즘을 개발했습니다. 기존 전자 건강 기록(EHR) 데이터를 기반으로 합병증. Geisinger는 2020-21 독감 시즌 동안 이 시스템을 배치하고 백신 접종을 장려하기 위해 식별된 환자에게 특별 메시지(독감 시즌마다 보건 시스템에서 수행하는 표준 노력에 추가)로 연락할 것입니다. 독감 예방 접종은 COVID-19 대유행 기간 동안 독감 사례를 줄이고 자원을 보존하기 위해 고위험 환자에게 특히 중요합니다.

발표된 결과에 따르면 Medial의 ML 시스템은 다른 상황에서 고위험 환자를 식별합니다(Goshen et al., 2018; Zack et al., 2019). 그러나 (a) 환자에게 고위험군임을 알리는 것이 예방접종을 받을 가능성을 높이는지; (b) 환자가 위험 상태가 건강 기록 분석 결과라는 말을 들었을 때 어떻게 반응하는지; (c) 환자에게 자신의 위험 상태를 알리는 것이 "알고리즘", "기계 학습" 및/또는 "인공 지능"에 의해 결정되었는지 여부는 백신 접종 가능성을 높이거나 낮춥니다. 이 연구는 의료 전반에 걸쳐 AI/ML 시스템 사용의 향후 성장이 예상된다는 점에서 특히 중요한 문헌의 이러한 격차를 다룰 것입니다.

Medial의 알고리즘은 환자 데이터를 공유하는 건강 정보 기술의 능력인 상호 운용 가능한 건강 정보 교환(HIE)이 어떻게 건강 관리의 효율성과 효과를 향상시킬 수 있는지를 보여주는 예입니다. 그러나 환자는 이러한 이점이나 의료 서비스가 훨씬 더 통합되고 협력적이라는 사실을 인식하지 못할 수 있습니다. HIE에 대한 환자 개인 정보 보호 문제에 대한 체계적 검토에서 연구에 따라 환자의 15~74%가 개인 정보 보호 문제를 표현했으며 환자의 관점이 여전히 잘 이해되지 않는다는 결론을 내렸습니다. 환자 의료 기록 검토를 명시적으로 언급하는 독감 아웃리치 메시지는 환자가 자신의 건강 기록을 통제할 수 없다는 느낌에 좋지 않게 반응하므로 역효과를 낼 수 있습니다.

사람들이 알고리즘이나 기계에서 나오는 조언이나 정보에 어떻게 반응하는지에 대한 상충되는 증거가 있습니다. Dietvorstet al. (2015)는 특히 알고리즘이 오류를 만드는 것을 관찰한 후에 사람들이 우수한 알고리즘 예측보다 열등한 인간을 선택하는 "알고리즘 혐오" 패턴을 문서화했습니다. 대조적으로 Logg et al. (2018)은 사람들이 조언이 인간에게서 나왔다고 생각할 때보다 알고리즘에서 나왔다고 생각할 때 조언을 더 많이 따르는 "알고리즘 감상"을 설명했습니다. 마지막으로 Bigman과 Gray(2019)는 고위험 환자에 대한 수술 여부를 선택하는 (가상) 의학적 결정을 포함하여 "도덕적 결정"을 내리는 알고리즘에 대한 혐오감을 발견했습니다. 현재 설정에서 알고리즘은 이미 표준 치료인 조치(연간 독감 예방 주사)를 환자에게 조언할 뿐이며 잘못된 권장 사항을 관찰할 기회가 없으므로 "알고리즘 감사"가 사람들이 알고리즘의 역할에 대해 알고 긍정적으로 반응하도록 합니다. 따라서 이 연구는 두 가지 중요한 연구 질문을 다룰 것입니다.

1. 환자에게 독감 합병증 위험이 높다는 사실을 알리면 (a) 독감 백신을 접종받을 가능성이 높아집니다. (b) 이어지는 독감 시즌에 독감 진단 및/또는 독감 유사 증상을 받을 가능성을 줄입니까?
2. (a) 의료 기록을 분석하여(vs. 지정되지 않은 방법으로); (b) AI/ML 알고리즘*에 의해 의료 기록을 분석(지정되지 않은 방법 또는 인간 의료 기록 분석을 통하지 않음)하여 독감 백신 및/또는 독감 및/또는 독감 유사 증상 진단을 받을 가능성에 영향을 미칩니다. 이어지는 독감 시즌에?

우리의 구체적인 목표는 다음과 같습니다.

1. EHR 데이터의 ML 분석에 의해 독감 합병증의 위험이 높은 것으로 확인된 의료 시스템 환자에게 (a) 추가 설명이 없는 경우, (b) 이러한 결정이 의료 기록 분석에서 나온다는 설명 및 (c) AI 또는 ML 알고리즘이 이러한 결정을 내렸다는 추가 설명.
2. 동일한 환자의 독감 진단에 대한 동일한 세 가지 개입의 효과를 평가합니다.

연구 전략

이 연구에는 2008년 1월 1일부터 2020년 1월 30일 사이에 Geisinger 주치의(PCP)를 한 번 이상 방문하고 독감 백신에 대한 금기 사항이 없는 17세 이상의 현재 Geisinger 환자가 포함됩니다. Medial은 ML 알고리즘(코딩된 EHR 데이터 기반)의 독감 합병증 위험 점수를 제공하며, 이를 기준으로 가장 위험이 높은 환자의 상위 10%가 포함됩니다. 두 번째 ML 모델의 이전 행동 및 기타 예측 변수를 기반으로 Medial은 연구 독감 시즌 동안 각 환자가 예방 접종을 받을 가능성도 제공합니다. 이러한 값과 기본 위험 점수는 탐색적 데이터 분석에서 공변량으로 사용됩니다. 위험 상위 10%에 속하는 예상 환자 수는 56,000명입니다.

지난 3번의 독감 시즌 동안 평균적으로 65세 이상인 Geisinger 환자의 55%가 매 시즌 예방 접종을 받았으므로 이를 전력 분석에서 제어 조건에 대한 프록시 기본 비율로 사용할 것입니다. 이 연구는 각 조건이 56,000/4= 14,000명의 환자. 독감 진단의 드문 결과에 대해, 우리는 이 고위험 인구의 추정된 3.9% 비율에서 0.8% 이상의 절대 차이를 감지할 수 있는 95%의 힘을 가지고 있습니다(65세 이상의 사람들에 대한 CDC 추정치에 기반함[Tokars et al. ., 2018])에서 3.1%로.

주요 연구 결과는 대상 환자의 2020-21 시즌(9-3월) 동안 독감 예방 접종 및 독감 진단 비율입니다. 2차 탐색 결과도 측정됩니다. 대상 환자의 가족 구성원에 의한 독감 예방 접종 및 진단 비율 표적 환자의 컷오프 바로 아래에 있는 위험 점수가 할당된 비표적 환자에 의한 독감 예방 접종 및 진단의 비율("임계치 이하 위험"); 대상 환자, 가족 구성원 및 역치 이하 위험에 처한 사람들 사이에서 독감 합병증 및 독감 유사 증상의 비율; 응급실 방문 및 입원과 같은 기타 관련 의료 이용 결과의 비율.

일반화 선형 혼합 모델(GLMM)은 클래스 내 상관 계수가 높다고 가정하고 무작위 효과 변수로 포함된 환자 방문 PCP 및/또는 클리닉과 함께 연구 부문(피험자 간)의 함수로 1차 연구 결과를 조사합니다. GLMM은 이분형 결과 변수(예: 독감 예방 접종, 독감 진단)의 경우 이항 분포 및 로그 연결 기능을 지정하고, 응급실 방문 및 입원(포아송 분포 모델의 경우 일반적으로 과분산이 남아 있음). 이러한 탐색적 분석을 위해 환자 내 변화(1년 전 같은 기간부터)도 분석됩니다. 또한 각 환자는 우편 주소로 인쇄된 편지, 휴대 전화로 SMS 및/또는 Geisinger의 환자 포털을 통한 보안 메시지 등 최대 3가지 양식을 통해 동일한 유형의 통신(a/b/c/d)을 받게 됩니다. 각 환자에 대해 어떤 정보가 파일에 있는지. 각 환자에 사용되는 통신 채널은 이후 분석에서 공변량이 될 것입니다.

*참고: 연구는 그룹 b, c 및 d에 대한 메시지에서 "AI", "ML" 또는 "알고리즘"이라는 용어를 반드시 사용하지는 않습니다. 대신 이러한 메시지는 개입을 서로 구별하는 핵심 개념을 포함하면서 환자 청중이 읽고 이해할 수 있도록 설계됩니다.