Aanmoediging van griepvaccinatie bij hoogrisicopatiënten geïdentificeerd door ML

Achtergrond

Elk griepseizoen wordt gemiddeld 8% van de Amerikaanse bevolking ziek door griep (Tokars et al. 2018). Sinds 2010 omvat de jaarlijkse ziektelast van griep 9-45 miljoen ziekten, 140.000-810.000 ziekenhuisopnames en 12.000-61.000 sterfgevallen (CDC 2020). De CDC beveelt de griepvaccinatie aan voor iedereen van 6+ maanden, met een zeldzame uitzondering; bijna iedereen kan profiteren van het vaccin, dat ziektes, gemist werk, ziekenhuisopnames en overlijden kan verminderen (CDC 2019a). Griepvaccinatie zal vooral belangrijk zijn voor patiënten met een hoog risico tijdens de COVID-19-pandemie, zodat griepgevallen worden verminderd en middelen worden bespaard.

Hoewel de meesten zonder behandeling herstellen van griep, kunnen ouderen, mensen met comorbiditeit en andere personen met een hoog risico complicaties ervaren zoals longontsteking, andere luchtwegaandoeningen en overlijden. Geisinger, een groot gezondheidssysteem in Pennsylvania en New Jersey, werkt samen met Medial EarlySign (Medial; www.earlysign.com) om een ​​algoritme voor machine learning (ML) te ontwikkelen om patiënten te identificeren die risico lopen op ernstige (matige tot ernstige) griepgerelateerde complicaties op basis van hun bestaande elektronische patiëntendossier (EPD) gegevens. Geisinger zal dit systeem inzetten tijdens het griepseizoen 2020-21 en contact opnemen met de geïdentificeerde patiënten met speciale berichten (naast de standaardinspanningen van het gezondheidssysteem elk griepseizoen) om vaccinatie aan te moedigen. Griepvaccinatie zal vooral belangrijk zijn voor patiënten met een hoog risico tijdens de COVID-19-pandemie, zodat griepgevallen worden verminderd en middelen worden bespaard.

Gepubliceerde resultaten suggereren dat de ML-systemen van Medial patiënten met een hoog risico in andere contexten identificeren (Goshen et al., 2018; Zack et al., 2019). Er is echter weinig bewijs over (a) of het informeren van patiënten dat ze een hoog risico lopen de kans vergroot dat ze worden gevaccineerd; (b) hoe patiënten reageren als hun wordt verteld dat hun risicostatus het resultaat is van een analyse van hun gezondheidsdossiers; en (c) of het informeren van patiënten over hun risicostatus is bepaald door een "algoritme", door "machine learning" en/of door "kunstmatige intelligentie" hun kans op vaccinatie zal vergroten of verkleinen. Deze studie zal deze hiaten in de literatuur aanpakken, die vooral belangrijk zijn in het licht van de verwachte toekomstige groei van het gebruik van AI/ML-systemen in de gezondheidszorg.

Het algoritme van Medial is een voorbeeld van hoe interoperabele uitwisseling van gezondheidsinformatie (HIE) - het vermogen van gezondheidsinformatietechnologie om patiëntgegevens te delen - de efficiëntie en effectiviteit van de gezondheidszorg kan verbeteren. Het is echter mogelijk dat patiënten deze voordelen of het feit dat de gezondheidszorg aanzienlijk meer geïntegreerd en samenwerkend is geworden, niet op prijs stellen. Uit een systematische review van de zorgen over de privacy van patiënten over HIE bleek dat 15-74% van de patiënten zich zorgen maakte over de privacy, afhankelijk van het onderzoek, en concludeerde dat de perspectieven van de patiënt slecht begrepen blijven. Een griepbericht dat expliciet verwijst naar een beoordeling van medische dossiers van patiënten kan averechts werken omdat patiënten slecht reageren op het gevoel dat ze de controle over hun gezondheidsdossiers zijn kwijtgeraakt.

Er is tegenstrijdig bewijs over hoe mensen reageren op advies of informatie die afkomstig is van een algoritme of machine. Dietvorst et al. (2015) documenteerde een patroon van 'algoritme-aversie', waarbij mensen een inferieure mens verkiezen boven superieure algoritmische voorspellingen, vooral nadat ze hebben waargenomen dat het algoritme een fout maakt. Logg et al. (2018) beschreven 'algoritme-appreciatie', waarbij mensen advies meer opvolgen als ze dachten dat het van algoritmen kwam dan als ze dachten dat het van mensen kwam. Ten slotte ontdekten Bigman en Gray (2019) een afkeer van algoritmen die 'morele beslissingen' nemen, waaronder een (fictieve) medische beslissing om te kiezen voor het al dan niet opereren van een patiënt met een hoog risico. In de huidige setting adviseert het algoritme patiënten alleen over het ondernemen van een handeling (een jaarlijkse griepprik) die al de standaardbehandeling is, en is er geen mogelijkheid om een ​​foutieve aanbeveling waar te nemen, dus de hypothese is dat "algoritmewaardering" zal ervoor zorgen dat mensen positief reageren op informatie over de rol van het algoritme. Dit onderzoek zal dus ingaan op twee belangrijke onderzoeksvragen:

1. Vergroot het informeren van patiënten dat ze een hoog risico lopen op griepcomplicaties (a) de kans dat ze een griepvaccin krijgen; en (b) de kans verkleinen dat ze in het daarop volgende griepseizoen de diagnose griep en/of griepachtige symptomen krijgen?
2. Wordt patiënten geïnformeerd dat hun hoogrisicostatus is bepaald (a) door hun medische dossiers te analyseren (vs. zonder gespecificeerde methode); en (b) door een AI/ML-algoritme* dat hun medische dossiers analyseert (in tegenstelling tot via niet-gespecificeerde methoden of analyse van medische dossiers van mensen) de waarschijnlijkheid beïnvloedt dat ze het griepvaccin krijgen en/of de diagnose van griep en/of griepachtige symptomen in het daarop volgende griepseizoen?

Onze specifieke doelstellingen zijn:

1. Evalueer het effect op de griepvaccinatiegraad van het informeren van patiënten in het gezondheidssysteem die volgens een ML-analyse van EPD-gegevens een hoog risico lopen op griepcomplicaties dat ze een hoog risico lopen met ofwel (a) geen aanvullende verklaring, (b) een verklaring dat deze vaststelling afkomstig is van een analyse van hun medische dossiers, en (c) de aanvullende verklaring dat een AI- of ML-algoritme deze vaststelling heeft gedaan.
2. Evalueer de effecten van dezelfde drie interventies op diagnoses van griep bij dezelfde patiënten.

Onderzoeksstrategie

Inbegrepen in de studie zijn huidige Geisinger-patiënten van 17+ jaar met een of meer bezoeken aan een Geisinger huisarts (PCP) tussen 1 januari 2008 en 30 januari 2020 en geen contra-indicaties voor griepvaccin. Medial zal risicoscores voor griepcomplicaties leveren op basis van hun ML-algoritme (gebaseerd op gecodeerde EPD-gegevens), op basis waarvan de top 10% van de patiënten met het hoogste risico zal worden opgenomen. Op basis van eerder gedrag en andere voorspellers in een tweede ML-model, zal Medial ook de kans geven dat elke patiënt wordt gevaccineerd tijdens het studiegriepseizoen; deze waarden en de primaire risicoscores zullen worden gebruikt als covariaten in verkennende data-analyses. Het verwachte aantal patiënten in de top 10% van het risico is 56.000.

Gemiddeld wordt in de laatste 3 griepseizoenen 55% van de Geisinger-patiënten van 65+ elk seizoen gevaccineerd, dus we zullen dit gebruiken als een proxy-basispercentage voor een controleaandoening in onze poweranalyse. De studie zal een vermogen van 92% hebben om een ​​absoluut verschil van 2% of meer in het vaccinatieresultaat tussen aandoeningen te detecteren (55% versus 57%, tweezijdige alfa van 0,05), in de veronderstelling dat elke aandoening 56.000/4= zal hebben 14.000 patiënten. Voor de zeldzamere uitkomst van griepdiagnose hebben we 95% vermogen om een ​​absoluut verschil van 0,8% of groter te detecteren - van een geschat percentage van 3,9% in deze populatie met een hoog risico (gebaseerd op de CDC-schatting voor mensen van 65+ [Tokars et al. ., 2018]) naar een tarief van 3,1%.

De primaire onderzoeksresultaten zijn de percentages van griepvaccinatie en griepdiagnoses tijdens het seizoen 2020-21 (september-maart) door gerichte patiënten. Secundaire, verkennende resultaten zullen ook worden gemeten: tarieven van griepvaccinatie en diagnoses door medehuisgenoten van beoogde patiënten; tarieven van griepvaccinatie en diagnoses door niet-getargete patiënten aan wie een risicoscore werd toegekend die net onder de afkapwaarde van beoogde patiënten viel ("risico onder de drempel"); percentages griepcomplicaties en griepachtige symptomen bij beoogde patiënten, leden van het huishouden en degenen met een risico onder de drempel; en percentages van andere relevante uitkomsten van zorggebruik, zoals SEH-bezoeken en ziekenhuisopnames.

Gegeneraliseerde lineaire gemengde modellen (GLMM's) zullen de primaire onderzoeksresultaten onderzoeken als een functie van de onderzoeksarmen (tussen proefpersonen), met door de patiënt bezochte huisartsen en/of klinieken als variabelen voor willekeurige effecten, uitgaande van hoge correlatiecoëfficiënten binnen de klasse. GLMM's specificeren een binaire verdeling en log-linkfunctie in het geval van dichotome uitkomstvariabelen (bijv. ER-bezoeken en ziekenhuisopnames (waar overspreiding typisch blijft in het geval van een Poisson-distributiemodel). Voor deze verkennende analyses wordt ook de verandering binnen de patiënt (uit dezelfde periode een jaar eerder) geanalyseerd. Elke patiënt ontvangt ook hetzelfde type communicatie (a/b/c/d) via maximaal drie modaliteiten: een gedrukte brief naar hun postadres, sms naar hun mobiele telefoon en/of een beveiligd bericht via het patiëntenportaal van Geisinger, afhankelijk van welke informatie er voor elke patiënt in het dossier aanwezig is. De communicatiekanalen die voor elke patiënt worden gebruikt, zullen covariaten zijn in latere analyses.

*Opmerking: het onderzoek gebruikt niet noodzakelijkerwijs de termen "AI", "ML" of "algoritme" in de berichten aan groep b, c en d; in plaats daarvan zullen deze berichten zo worden ontworpen dat ze leesbaar en begrijpelijk zijn voor het patiëntenpubliek, terwijl ze nog steeds de belangrijkste concepten bevatten die de interventies van elkaar onderscheiden.