Oppmuntre til influensavaksinasjon blant høyrisikopasienter identifisert av ML

Bakgrunn

I gjennomsnitt blir 8 % av USAs befolkning syke av influensa hver influensasesong (Tokars et al. 2018). Siden 2010 har den årlige sykdomsbyrden av influensa inkludert 9-45 millioner sykdommer, 140.000-810.000 sykehusinnleggelser og 12.000-61.000 dødsfall (CDC 2020). CDC anbefaler influensavaksinasjon til alle i alderen 6+ måneder, med sjeldne unntak; nesten alle kan ha nytte av vaksinen, som kan redusere sykdommer, uteblitt arbeid, sykehusinnleggelser og død (CDC 2019a). Influensavaksinering vil være spesielt viktig for høyrisikopasienter under COVID-19-pandemien, slik at influensatilfellene reduseres og ressursene spares.

Mens de fleste blir friske av influensa uten behandling, kan eldre, de med komorbiditeter og andre høyrisikopersoner oppleve komplikasjoner som lungebetennelse, andre luftveissykdommer og død. Geisinger, et stort helsesystem i Pennsylvania og New Jersey, har inngått samarbeid med Medial EarlySign (Medial; www.earlysign.com) for å utvikle en maskinlæringsalgoritme (ML) for å identifisere pasienter med risiko for alvorlig (moderat til alvorlig) influensaassosiert komplikasjoner på grunnlag av deres eksisterende elektroniske helsejournal (EPJ) data. Geisinger vil distribuere dette systemet i løpet av influensasesongen 2020-21 og kontakte de identifiserte pasientene med spesielle meldinger (i tillegg til standardinnsats fra helsesystemet hver influensasesong) for å oppmuntre til vaksinasjon. Influensavaksinering vil være spesielt viktig for høyrisikopasienter under COVID-19-pandemien, slik at influensatilfellene reduseres og ressursene spares.

Publiserte resultater tyder på at Medials ML-systemer identifiserer høyrisikopasienter i andre sammenhenger (Goshen et al., 2018; Zack et al., 2019). Det er imidlertid lite bevis for (a) hvorvidt det å informere pasienter om at de har høy risiko gjør dem mer sannsynlige for å få vaksinasjon; (b) hvordan pasienter reagerer på å bli fortalt deres risikostatus er resultatet av en analyse av deres helsejournaler; og (c) hvorvidt det å informere pasienter om risikostatusen deres er bestemt av en "algoritme", av "maskinlæring" og/eller av "kunstig intelligens" vil øke eller redusere sannsynligheten deres for å bli vaksinert. Denne studien vil adressere disse hullene i litteraturen, som er spesielt viktige i lys av den forventede fremtidige veksten av bruk av AI/ML-systemer i hele helsevesenet.

Medials algoritme er et eksempel på hvordan interoperabel helseinformasjonsutveksling (HIE) – muligheten for helseinformasjonsteknologi til å dele pasientdata – kan forbedre effektiviteten og effektiviteten til helsevesenet. Imidlertid kan pasienter ikke sette pris på disse fordelene eller det faktum at helsevesenet har blitt vesentlig mer integrert og samarbeidende. En systematisk gjennomgang av bekymringer om pasientens personvern angående HIE fant at 15-74 % av pasientene uttrykte bekymringer om personvern, avhengig av studien, og konkluderte med at pasientperspektivet fortsatt er dårlig forstått. En influensamelding som eksplisitt refererer til en gjennomgang av pasientjournaler kan slå tilbake ettersom pasienter reagerer dårlig på en følelse av at de har mistet kontrollen over helsejournalene sine.

Det er motstridende bevis på hvordan folk reagerer på råd eller informasjon som kommer fra en algoritme eller maskin. Dietvorst et al. (2015) dokumenterte et mønster av "algoritmeaversjon", der folk velger dårligere menneskelige fremfor overlegne algoritmiske prognoser, spesielt etter at de observerte at algoritmen gjorde en feil. I motsetning til dette har Logg et al. (2018) beskrev «algoritmevurdering», der folk fulgte råd mer når de trodde det kom fra algoritmer enn når de trodde det kom fra mennesker. Til slutt fant Bigman og Gray (2019) aversjon mot algoritmer som tar "moralske avgjørelser", inkludert en (fiktiv) medisinsk beslutning om å velge om de skal operere en høyrisikopasient eller ikke. I den nåværende settingen er algoritmen bare å gi pasienter råd om å ta en handling (en årlig influensasprøyte) som allerede er standarden for omsorg, og det er ingen mulighet til å observere en feilaktig anbefaling, så hypotesen er at "algoritmevurdering" vil få folk til å reagere positivt på å bli informert om algoritmens rolle. Derfor vil denne studien ta for seg to viktige forskningsspørsmål:

1. Øker det å informere pasienter om at de har høy risiko for influensakomplikasjoner (a) sannsynligheten for at de får influensavaksine; og (b) redusere sannsynligheten for at de får diagnoser på influensa og/eller influensalignende symptomer i den påfølgende influensasesongen?
2. Informerer pasienter om at deres høyrisikostatus ble bestemt (a) ved å analysere deres medisinske journaler (vs. uten spesifisert metode); og (b) ved at en AI/ML-algoritme* analyserer deres medisinske journaler (i motsetning til via uspesifiserte metoder eller menneskelig medisinsk journalanalyse) påvirke sannsynligheten for at de mottar influensavaksine og/eller diagnoser av influensa og/eller influensalignende symptomer i den påfølgende influensasesongen?

Våre spesifikke mål er:

1. Evaluer effekten på influensavaksinasjonsraten ved å informere helsesystempasienter som er identifisert ved en ML-analyse av EPJ-data for å ha høy risiko for influensakomplikasjoner at de har høy risiko med enten (a) ingen ytterligere forklaring, (b) en forklaring på at denne bestemmelsen kommer fra en analyse av deres medisinske journaler, og (c) den ekstra forklaringen om at en AI- eller ML-algoritme gjorde denne bestemmelsen.
2. Vurder effekten av de samme tre intervensjonene på diagnoser av influensa hos de samme pasientene.

Forskningsstrategi

Inkludert i studien vil være aktuelle Geisinger-pasienter 17+ år med ett eller flere besøk hos en Geisinger primærlege (PCP) mellom 1. januar 2008 og 30. januar 2020 og ingen kontraindikasjoner for influensavaksine. Medial vil gi influensa-komplikasjonsrisikoscore fra deres ML-algoritme (basert på kodede EPJ-data), på grunnlag av hvilke de øverste 10 % av pasientene med høyest risiko vil bli inkludert. Basert på tidligere atferd og andre prediktorer i en andre ML-modell, vil Medial også gi sannsynligheten for at hver pasient vil bli vaksinert i løpet av studiens influensasesongen; disse verdiene og de primære risikoskårene vil bli brukt som kovariater i utforskende dataanalyser. Det forventede antallet pasienter i de øverste 10 % av risikoen er 56 000.

I gjennomsnitt i de siste 3 influensasesongene er 55 % av Geisinger-pasienter 65+ vaksinert hver sesong, så vi vil bruke dette som en proxy base rate for en kontrolltilstand i kraftanalysen vår. Studien vil ha 92 % kraft til å oppdage en 2 % absolutt forskjell eller større i vaksinasjonsresultatet mellom tilstander (55 % vs. 57 %, tosidet alfa på 0,05), under antakelsen om at hver tilstand vil ha 56 000/4= 14 000 pasienter. For det sjeldnere resultatet av influensadiagnose har vi 95 % makt til å oppdage en 0,8 % absolutt forskjell eller mer – fra en estimert 3,9 % rate i denne høyrisikopopulasjonen (basert på CDC-estimatet for personer i alderen 65+ [Tokars et al. ., 2018]) til en rente på 3,1 %.

De primære studieresultatene vil være frekvensen av influensavaksinasjon og influensadiagnoser i løpet av sesongen 2020-21 (september-mars) av målrettede pasienter. Sekundære, utforskende resultater vil også bli målt: Hyppigheten av influensavaksinasjon og diagnoser av andre husholdningsmedlemmer av målrettede pasienter; rater av influensavaksinasjon og diagnoser av ikke-målrettede pasienter som ble tildelt en risikoscore som falt like under grensen for målrettede pasienter ("underterskelrisiko"); rater av influensakomplikasjoner og influensalignende symptomer blant målrettede pasienter, husholdningsmedlemmer og de som har en underterskelrisiko; og frekvenser av andre relevante helsetjenesters utnyttelsesresultater som akuttbesøk og sykehusinnleggelser.

Generaliserte lineære blandede modeller (GLMM) vil undersøke de primære studieresultatene som en funksjon av studiearmene (mellom forsøkspersoner), med pasientbesøkte PCPer og/eller klinikker inkludert som tilfeldige effektvariabler, forutsatt høye intraklassekorrelasjonskoeffisienter. GLMM-er vil spesifisere en binær distribusjon og log-link-funksjon i tilfelle av dikotome utfallsvariabler (f.eks. influensavaksinasjon, influensadiagnose), og en negativ binomial distribusjon og log-link-funksjon i tilfelle av alle svært positivt skjeve tellevariabler som f.eks. ER-besøk og sykehusinnleggelser (hvor overspredning vanligvis forblir i tilfelle av en Poisson-distribusjonsmodell). For disse eksplorative analysene vil også endring innen pasient (fra samme periode ett år tidligere) bli analysert. Dessuten vil hver pasient motta samme type kommunikasjon (a/b/c/d) via opptil tre modalitetstrykte brev til sin postadresse, SMS til sin mobiltelefon og/eller sikker melding via Geisingers pasientportal-avhengig om hvilken informasjon som er registrert for hver pasient. Kommunikasjonskanalene som brukes for hver pasient vil være kovariater i senere analyser.

*Merk: Studien vil ikke nødvendigvis bruke begrepene "AI", "ML" eller "algoritme" i meldingene til gruppene b, c og d; i stedet vil disse meldingene utformes for å være lesbare og forståelige av pasientpublikummet, samtidig som de inkluderer nøkkelbegrepene som skiller intervensjonene fra hverandre.