De ontwikkeling, implementatie en evaluatie van een ondersteuningssysteem voor sociale engagement

Sociale chauffeurs van gezondheid (SDOH) zijn de grootste factoren die onze gezondheid en welzijn beïnvloeden, maar zijn moeilijk voor gezondheidszorgsystemen om aan te pakken. Ondanks nieuwe modellen die stimulansen bieden voor gezondheidsplannen en providers om verder te gaan dan de klinische zorg om de gezondheidsresultaten van de patiënt te verbeteren, missen bestaande gegevensinfrastructuren relevante informatie ter ondersteuning van dergelijke interventies. Het eerste probleem is er een van identificatie; Aanbieders ondercoderen sociale behoeften in bestaande schema's en bijbehorende methoden voor het verzamelen van gegevens zoals sociale schermen zijn niet gebruikelijk, gestandaardiseerd of gemakkelijk gedeeld. Het tweede probleem is een gebrek aan betrokkenheid tussen individuen en sociale diensten, wat vooral frustrerend is, omdat er veel evidence-based praktijken zijn die gemeenschapsorganisaties (CBO's) gebruiken om aan te voldoen aan de sociale behoeften. Zonder precieze informatie over wie sociale ondersteuning nodig heeft en hoe ze hun betrokkenheid bij CBO's kunnen maximaliseren, hebben providers en verzekeraars een beperkt vermogen om interventies in te zetten die barrières voor zorg wegnemen en de gezondheidsresultaten gelijk maken in kwetsbare populaties.

Ons project zal een precisiegeneesmiddelbenadering toepassen op de identificatie van en betrokkenheid bij Medicaid -ontvangers met sociale behoeften. De onderzoekers werken samen met een managed care -organisatie die voordelen coördineert voor meer dan 250.000 Maryland Medicaid -leden. Ze hebben een bevolkingsbrede sociale screeningprogramma gelanceerd om door leden gerapporteerde sociale behoeften aan hun bestaande klinische gegevens toe te voegen. De onderzoekers zullen hun Health Information Technology (IT) -infrastructuur verbeteren met een set modellen voor machine learning voor risico -identificatie, een engagement -ondersteuningssysteem om het gebruik van sociale ondersteuning door leden en een continu kwalitatief en kwantitatief verbeteringsproces te maximaliseren om een ​​leergezondheidssysteem op te zetten. We zullen dit werk bereiken door de volgende doelen:

Doel 1: Ontwikkel en implementeer een set modellen van machine learning die meerdere gegevensbronnen op individuele en gemeenschapsniveau gebruiken om te voorspellen welke leden de afdeling spoedeisende hulp gebruiken om aan sociale of niet-urgente behoeften te voldoen in tegenstelling tot de behandeling van dringende medische aandoeningen. Deze modellen zullen personen identificeren wier sociale behoeften ongepast gebruik zijn, zodat personen met een hoog risico verbeterde outreach-diensten krijgen om de voltooiing van een uitgebreide beoordeling van sociale behoeften te vergemakkelijken. De onderzoekers zullen deze beoordelingen analyseren om te bepalen of onze modellen leiden tot de beoordeling van personen met een hoger sociaal behoefteprofiel.

Doel 2: Ontwikkel en implementeer een engagement -ondersteuningssysteem dat de kenmerken identificeert en weergeeft van leden die voorkomen dat ze zich bezighouden met een CBO. Dit systeem zal kunstmatige intelligentietechnieken gebruiken om kenmerken te identificeren van personen die historisch niet zijn ontkoppeld van de sociale dienstpijplijn voordat ze sociale diensten ontvangt en potentiële strategieën suggereert voor het vergroten van de betrokkenheid. De onderzoekers zullen de modellen toepassen op nieuw beoordeelde leden en presenteren voorspelde personen met een hoog risico op de gemeenschapsgezondheidswerkers van het plan via hun bestaande IT -platform, waardoor ze de belemmeringen van leden voor toegang tot diensten proactief kunnen aanpakken. De onderzoekers zullen het succes van de engagement analyseren (d.w.z. of een lid dat werd doorverwezen naar diensten die hulp van een CBO ontving) om te bepalen of ons ondersteuningssysteem de kans op succes heeft verhoogd.

Doel 3: Implementeer een continu kwalitatief en kwantitatief verbeteringsproces dat terugkerende thema's en ontkoppelen identificeert in gevallen waarin leden hun relevante sociale interventie niet konden voltooien. Deze bevindingen zullen door het onderzoeksteam worden geanalyseerd om potentiële tactieken te identificeren om engagementbelemmeringen aan te pakken, en de daaruit voortvloeiende aanbevelingen voor het vergroten van de betrokkenheid zullen worden gepropageerd door het systeem, hetzij door updates van de gezondheidsinfrastructuur of trainingssessies voor personeelsfrastructuur of personeel. Door dit doel zullen de onderzoekers een leergezondheidssysteem bouwen, waarbij het team gedurende het hele project constant engagementmethoden verfijnt.

Het onderzoeksteam is goed gepositioneerd om een ​​interventieprotocol voor sociale behoeften te ontwikkelen en zal rigoureuze evaluaties omvatten om de effecten van onze interventie op de gezondheid en sociale resultaten van deelnemende leden te beoordelen door hun demografische en geografische kenmerken. Samen zullen deze doelen helpen de volgende generatie op waarde gebaseerde zorgparadigma's te informeren door sociale behoeften te identificeren en aan te pakken en verschillen in gezondheidsresultaten in een grote, risicovolle bevolking te krimpen.