Datawetenschap en kwalitatief onderzoek voor beslissingsondersteuning in de HIV-zorgcascade (CASCADE)

Het is aangetoond dat klinische beslissingsondersteunende systemen (CDSS), afgestemd op de behoeften van lage- en middeninkomenslanden (LMIC), de naleving van richtlijnen en de kwaliteit van de zorg door een reeks gezondheidszorgpersoneel verbeteren. Om het meest effectief te zijn, moet CDSS worden ontwikkeld en getest met grote klinische datasets uit de lokale regio. Het gebruik van machine learning-algoritmen maakt de ontwikkeling mogelijk van voorspellingsmodellen voor klinische complicaties en uitkomsten, die gezondheidszorgpersoneel kunnen begeleiden bij het vroegtijdig identificeren van problemen en passende interventies. Dit vereist gevestigde systemen voor elektronische patiëntendossiers (EPD's) die fungeren als zowel gegevensbronnen als platforms voor het leveren van feedback via CDSS (Learning Health System-benadering). Het EPD van het Academic Model Provideing Access to Healthcare (AMPATH), een groot HIV-zorgprogramma in West-Kenia dat grotendeels wordt gefinancierd door het President's Emergency Plan for AIDS Relief (PEPFAR), gebruikt al bijna twintig jaar een versie van het OpenMRS EPD en biedt een unieke omgeving voor dit onderzoek.

Het doel van dit voorstel is het ontwikkelen en implementeren van datagestuurde hulpmiddelen om de gezondheidszorggerelateerde besluitvorming op patiënt-, kliniek- en provinciaal niveau te ondersteunen, en de effectiviteit van het gebruik van deze methoden te evalueren. De hypothese is dat zorginstellingen die deze datagestuurde CDSS gebruiken, verbeteringen in de processen en uitkomsten van de zorg zullen laten zien in vergelijking met zorginstellingen die geen gebruik maken van datagestuurde CDSS in hun EPD's.

De twee primaire eindpunten van het onderzoek zijn het behoud van de zorg en de onderdrukking van de virale last.

De motivatie wordt gedreven door de 95-95-95 HIV-cascade van zorgbenchmarks die door UNAIDS zijn opgesteld voor het wereldwijd uitroeien van HIV. Kortom, het raamwerk roept op tot de diagnose van 95% van de mensen die HIV hebben, het starten van een antiretrovirale (ART) behandeling voor 95% van degenen bij wie de diagnose is gesteld, en het bereiken van onderdrukking van de virale last (VL) voor 95% van degenen die de ziekte ondergaan. behandeling. Ons project richt zich op de tweede en derde fase.

Wat betreft de tweede 95 is retentie een noodzakelijke voorwaarde om personen met hiv (PLWH) antiretrovirale therapie (ART) te laten blijven volgen, omdat mondiale zorgrichtlijnen nu specificeren dat alle PLWH met ART beginnen zodra ze in de zorg zijn betrokken. Wat de derde 95 betreft, worden in Kenia en veel andere LMIC-tests voor de meeste volwassen cliënten de virale lading getest zes maanden na het begin van de behandeling en daarna jaarlijks. Zelfs na een gemeten VL die op onderdrukking wijst, kan virusfalen als gevolg van therapieontrouw of resistentie tegen geneesmiddelen optreden ruim vóór de volgende follow-up een jaar later. Daarom zullen onze modellen in de tussentijd voorspelde viral load-waarden genereren en deze gebruiken om personen te markeren die voorafgaand aan de geplande follow-up een VL-meting zouden moeten ondergaan.

De proef maakt deel uit van een groter door de NIH gefinancierd onderzoek. De doelstellingen met betrekking tot de proef zijn als volgt:

Doel 1: Ontwikkelen en valideren van statistische machine learning-modellen en algoritmen voor klinische en programmatische beslissingsondersteuning.

1a: Ontwikkel en valideer statistische machine learning-algoritmen om mensen te identificeren die een hoog risico lopen op terugtrekking uit de zorg en virusfalen, en om voorspelde waarden van de huidige virale belasting te genereren.

1. b: Ontwikkel representaties van statistische onzekerheid over de voorspellingen om optimale besluitvorming mogelijk te maken.

   Doel 2. Hulpmiddelen voor besluitvorming en datavisualisatie ontwikkelen, implementeren en in de praktijk testen om de datagestuurde besluitvorming door artsen en programmamanagers te verbeteren.

2. a: Creëer de serverarchitectuur om de voorspellingsmodellen in de OpenMRS-gebruikersinterface (UI) te ondersteunen.

2b: Ontwikkel en verfijn het specifieke protocol voor het gebruik van de risicovoorspellingen om gemiste bezoeken te verminderen en de incidentie van falende virale lading te verminderen.

Doel 3: Evaluatie uitvoeren van de impact en werkzaamheid van de klinische beslissingsondersteunende instrumenten in het AMPATH Zorgprogramma

3a: Implementeer de CDSS op het zorgpunt in alle klinieken met behulp van het AMPATH Medical Records System (AMRS) in de verzorgingsgebieden van Uzima en Dumisha. Deze klinieken variëren in grootte en geografische locatie.

3b: Voer na een pilotfase een gerandomiseerde longitudinale vergelijking uit van de retentiepercentages en de onderdrukkingspercentages van de virale last in 30 klinieken bij AMPATH

De succesvolle voltooiing van het werk zal effectieve CDSS-instrumenten opleveren om de HIV-zorg in Kenia en andere LMIC's te verbeteren, evenals een reeks instrumenten voor de ontwikkeling, actualisering en evaluatie van CDSS voor andere klinische problemen. Eerder werk van de onderzoekers en collega's op het gebied van ontwikkeling en brede implementatie OpenMRS in meer dan 44 landen biedt een platform voor brede verspreiding van dit werk.