Risico- en voordelengeïnformeerde MTM-apothekersinterventie bij hartfalen

Hartfalen is een veel voorkomende, complexe ziekte die gepaard gaat met aanzienlijke morbiditeit en kosten. Geisinger beheert bijvoorbeeld meer dan 900 opnames voor hartfalen per jaar, waarbij elke opname naar schatting $10.000-$12.000 kost. Terwijl betalingsmodellen blijven verschuiven van ‘fee-for-service’ naar ‘value-based’, vinden er aanzienlijke investeringen plaats in de middelen van zorgteams om patiëntenpopulaties met hartfalen te helpen beheren. Deze zorgteammiddelen zijn effectief gebleken. Interne Geisinger-statistieken geven bijvoorbeeld aan dat interventies onder leiding van klinische apothekers gericht op slecht gecontroleerde type II-diabetici hebben geresulteerd in een aanhoudende mediane daling van 1% (absoluut) in hemoglobine, hemoglobine a1C (geglyceerd hemoglobine). In deze nieuwe omgeving is een intelligente inzet van beperkte middelen van cruciaal belang om de kwaliteit te verhogen en de kosten binnen de perken te houden.

Bij hartfalen hebben de huidige risicovoorspellingen slechte prognostische vaardigheden aangetoond en vormen ze een barrière voor de "precieze levering" van de middelen van het zorgteam. Momenteel zijn de benaderingen beperkt vanwege het niet volledig benutten van rijke, zeer gedetailleerde objectieve gegevens zoals beeldvorming, laboratoriumwaarden en vitale functies, en zijn daarom niet geoptimaliseerd om de uitkomsten nauwkeurig te voorspellen. De onderzoekers hebben een machine learning-model gegenereerd om zowel de éénjaarsoverleving als de ziekenhuisopname voor hartfalen binnen zes maanden na echocardiografie te voorspellen. Dit model maakte gebruik van 169 invoervariabelen, waaronder klinische gegevens, beeldvormingsmetingen en 18 zorgkloofvariabelen. Onze resultaten toonden niet alleen aan dat het machine learning-model een veel betere nauwkeurigheid had om de morbiditeitseindpunten te voorspellen in vergelijking met de huidige benaderingen die gebruik maken van factuurcodegegevens, maar ook dat variabelen in de zorgkloof belangrijk waren voor het voorspellen van de overleving na één jaar. Bovendien toonden de onderzoekers aan dat het dichten van vier van de zorgkloofvariabelen (griepvaccinatie, evidence-based behandeling met bètablokkers, behandeling met ACE (angiotensine-converting-enzym)-remmer/ARB (angiotensine-receptorblokkers) en controle van diabetische a1C (d.w.z. waarden "in doel)) resulteerden in een voorspelde verbetering in de 1-jaarsoverleving van ~1200 (van de ~11.000) patiënten. Deze studie heeft daarom tot doel deze machine learning-aanpak toe te passen op de directe middelen van zorgteams in een klinische setting om de impact ervan op de overleving van patiënten en het gebruik van gezondheidszorg te evalueren.