Zachęcanie do szczepienia przeciw grypie wśród pacjentów wysokiego ryzyka zidentyfikowanych przez ML

Tło

Średnio 8% populacji USA choruje na grypę w każdym sezonie grypowym (Tokars i in. 2018). Od 2010 r. roczne obciążenie grypą obejmowało 9-45 milionów zachorowań, 140 000-810 000 hospitalizacji i 12 000-61 000 zgonów (CDC 2020). CDC zaleca szczepienie przeciwko grypie wszystkim w wieku powyżej 6 miesięcy, z rzadkimi wyjątkami; prawie każdy może odnieść korzyści ze szczepionki, która może zmniejszyć liczbę chorób, nieobecności w pracy, hospitalizacji i zgonów (CDC 2019a). Szczepienie przeciw grypie będzie szczególnie ważne dla pacjentów z grupy wysokiego ryzyka podczas pandemii COVID-19, aby zmniejszyć liczbę przypadków grypy i oszczędzać zasoby.

Podczas gdy większość wraca do zdrowia po grypie bez leczenia, osoby starsze, osoby z chorobami współistniejącymi i inne osoby z grupy wysokiego ryzyka mogą doświadczyć powikłań, takich jak zapalenie płuc, inne choroby układu oddechowego i śmierć. Geisinger, duży system opieki zdrowotnej w Pensylwanii i New Jersey, nawiązał współpracę z Medial EarlySign (Medial; www.earlysign.com) w celu opracowania algorytmu uczenia maszynowego (ML) w celu identyfikacji pacjentów zagrożonych poważną (umiarkowaną do ciężkiej) grypą powikłań na podstawie istniejących danych z elektronicznej dokumentacji medycznej (EHR). Geisinger wdroży ten system w sezonie grypowym 2020-21 i skontaktuje się ze zidentyfikowanymi pacjentami za pomocą specjalnych komunikatów (oprócz standardowych wysiłków podejmowanych przez system opieki zdrowotnej w każdym sezonie grypowym), aby zachęcić do szczepień. Szczepienie przeciw grypie będzie szczególnie ważne dla pacjentów z grupy wysokiego ryzyka podczas pandemii COVID-19, aby zmniejszyć liczbę przypadków grypy i oszczędzać zasoby.

Opublikowane wyniki sugerują, że systemy ML firmy Medial identyfikują pacjentów wysokiego ryzyka w innych kontekstach (Goshen i in., 2018; Zack i in., 2019). Istnieje jednak niewiele dowodów na to, że (a) informowanie pacjentów, że są w grupie wysokiego ryzyka, zwiększa prawdopodobieństwo otrzymania szczepionki; b) sposób, w jaki pacjenci reagują na informacje o ich statusie ryzyka, jest wynikiem analizy ich dokumentacji medycznej; oraz (c) czy informowanie pacjentów o ich statusie ryzyka zostało określone przez „algorytm”, „uczenie maszynowe” i/lub „sztuczną inteligencję” zwiększy lub zmniejszy ich prawdopodobieństwo zaszczepienia. Niniejsze badanie zajmie się tymi lukami w literaturze, które są szczególnie ważne w świetle przewidywanego przyszłego wzrostu wykorzystania systemów AI/ML w całej opiece zdrowotnej.

Algorytm firmy Medial jest przykładem tego, jak interoperacyjna wymiana informacji zdrowotnych (HIE) — zdolność technologii informacji medycznych do udostępniania danych pacjentów — może poprawić wydajność i skuteczność opieki zdrowotnej. Jednak pacjenci mogą nie doceniać tych korzyści lub faktu, że opieka zdrowotna stała się znacznie bardziej zintegrowana i oparta na współpracy. Systematyczny przegląd obaw pacjentów dotyczących prywatności w HIE wykazał, że 15-74% pacjentów wyrażało obawy dotyczące prywatności, w zależności od badania, i doszedł do wniosku, że perspektywy pacjentów pozostają słabo poznane. Wiadomość o grypie, która wyraźnie odnosi się do przeglądu dokumentacji medycznej pacjenta, może przynieść odwrotny skutek, ponieważ pacjenci źle reagują na poczucie, że stracili kontrolę nad swoją dokumentacją medyczną.

Istnieją sprzeczne dowody na to, jak ludzie reagują na porady lub informacje pochodzące z algorytmu lub maszyny. Dietvorst i in. (2015) udokumentowali wzorzec „niechęci do algorytmu”, w którym ludzie wybierają gorszego człowieka zamiast lepszych prognoz algorytmicznych, zwłaszcza po zaobserwowaniu błędu algorytmu. Z kolei Logg i in. (2018) opisali „docenianie algorytmu”, w którym ludzie bardziej stosowali się do rad, gdy myśleli, że pochodzą one od algorytmów, niż wtedy, gdy myśleli, że pochodzą od ludzi. Wreszcie Bigman i Gray (2019) stwierdzili niechęć do algorytmów, które podejmują „decyzje moralne”, w tym (fikcyjną) decyzję medyczną dotyczącą wyboru, czy operować pacjenta wysokiego ryzyka. W obecnych warunkach algorytm jedynie doradza pacjentom podjęcie działania (coroczna szczepionka przeciw grypie), które jest już standardem opieki i nie ma możliwości zaobserwowania błędnej rekomendacji, więc hipoteza jest taka, że ​​„docenienie algorytmu” będzie spowodować, że ludzie pozytywnie zareagują na informację o roli algorytmu. Tak więc niniejsze badanie będzie dotyczyć dwóch ważnych pytań badawczych:

1. Czy informowanie pacjentów, że są oni narażeni na wysokie ryzyko powikłań grypy (a) zwiększa prawdopodobieństwo otrzymania szczepionki przeciw grypie; oraz (b) zmniejszyć prawdopodobieństwo zdiagnozowania u nich grypy i/lub objawów grypopodobnych w nadchodzącym sezonie grypowym?
2. Czy informowanie pacjentów, że ich status wysokiego ryzyka został określony (a) poprzez analizę ich dokumentacji medycznej (vs. żadną określoną metodą); oraz (b) za pomocą algorytmu AI/ML* analizującego ich dokumentację medyczną (w przeciwieństwie do nieokreślonych metod lub analizy dokumentacji medycznej ludzi) wpływają na prawdopodobieństwo otrzymania przez nich szczepionki przeciw grypie i/lub rozpoznania grypy i/lub objawów grypopodobnych w nadchodzącym sezonie grypowym?

Nasze cele szczegółowe to:

1. Ocenić wpływ na wskaźniki szczepień przeciw grypie poinformowania pacjentów systemu opieki zdrowotnej, którzy zostali zidentyfikowani przez analizę ML danych EHR jako narażeni na wysokie ryzyko powikłań grypy, że są narażeni na wysokie ryzyko, bez dodatkowego wyjaśnienia, (b) wyjaśnienie, że to ustalenie pochodzi z analizy ich dokumentacji medycznej, oraz (c) dodatkowe wyjaśnienie, że algorytm AI lub ML dokonał tego ustalenia.
2. Oceń wpływ tych samych trzech interwencji na rozpoznanie grypy u tych samych pacjentów.

Strategia badań

Do badania zostaną włączeni obecni pacjenci firmy Geisinger w wieku powyżej 17 lat, którzy od 1 stycznia 2008 r. Firma Medial dostarczy oceny ryzyka powikłań grypy na podstawie swojego algorytmu ML (na podstawie zakodowanych danych EHR), na podstawie których uwzględnionych zostanie 10% pacjentów o najwyższym ryzyku. Na podstawie wcześniejszego zachowania i innych czynników predykcyjnych w drugim modelu ML firma Medial zapewni również prawdopodobieństwo, że każdy pacjent zostanie zaszczepiony podczas badanego sezonu grypowego; te wartości i główne oceny ryzyka zostaną użyte jako współzmienne w eksploracyjnych analizach danych. Przewidywana liczba pacjentów w grupie 10% najwyższego ryzyka wynosi 56 000.

Średnio w ciągu ostatnich 3 sezonów grypowych 55% pacjentów Geisinger w wieku 65+ jest szczepionych w każdym sezonie, więc użyjemy tego jako wskaźnika zastępczego dla stanu kontrolnego w naszej analizie mocy. Badanie będzie miało 92% mocy, aby wykryć 2% bezwzględną różnicę lub większą w wyniku szczepienia między warunkami (55% vs 57%, dwustronna alfa 0,05), przy założeniu, że każdy warunek będzie miał 56 000/4= 14 000 pacjentów. W przypadku rzadszego wyniku diagnozy grypy mamy 95% mocy do wykrycia bezwzględnej różnicy wynoszącej 0,8% lub więcej – z szacowanego wskaźnika 3,9% w tej populacji wysokiego ryzyka (na podstawie szacunków CDC dla osób w wieku 65+ [Tokars i in. ., 2018]) do 3,1%.

Głównymi wynikami badania będą wskaźniki szczepień przeciw grypie i diagnozy grypy w sezonie 2020-21 (wrzesień-marzec) przez docelowych pacjentów. Mierzone będą również drugorzędne, eksploracyjne wyniki: Wskaźniki szczepień przeciw grypie i diagnozy innych domowników pacjentów docelowych; wskaźniki szczepień przeciw grypie i diagnozy u pacjentów niebędących celem, którym przypisano ocenę ryzyka, która spadła tuż poniżej wartości granicznej dla pacjentów objętych celem („ryzyko podprogowe”); wskaźniki powikłań grypy i objawów grypopodobnych wśród pacjentów docelowych, członków gospodarstwa domowego i osób z ryzykiem poniżej progu; oraz wskaźniki innych istotnych wyników wykorzystania opieki zdrowotnej, takich jak wizyty na ostrym dyżurze i hospitalizacje.

Uogólnione liniowe modele mieszane (GLMM) zbadają główne wyniki badania jako funkcję ramion badania (między badanymi), z PCP odwiedzanymi przez pacjentów i/lub klinikami włączonymi jako zmienne efektów losowych, przy założeniu wysokich współczynników korelacji wewnątrzklasowej. GLMM określą dystrybucję binarną i funkcję logarytmiczną w przypadku dychotomicznych zmiennych wynikowych (np. Wizyty na izbie przyjęć i hospitalizacje (gdzie w przypadku modelu rozkładu Poissona zwykle utrzymuje się nadmierna dyspersja). W przypadku tych analiz eksploracyjnych przeanalizowana zostanie również zmiana wewnątrz pacjenta (z tego samego okresu rok wcześniej). Ponadto każdy pacjent otrzyma ten sam rodzaj komunikacji (a/b/c/d) za pośrednictwem maksymalnie trzech metod — wydrukowanego listu na swój adres pocztowy, wiadomości SMS na telefon komórkowy i/lub bezpiecznej wiadomości za pośrednictwem portalu pacjenta firmy Geisinger — w zależności od jakie informacje znajdują się w aktach każdego pacjenta. Kanały komunikacji używane dla każdego pacjenta będą współzmiennymi w późniejszych analizach.

*Uwaga: badanie niekoniecznie będzie używać terminów „AI”, „ML” lub „algorytm” w wiadomościach do grup b, c i d; zamiast tego komunikaty te zostaną zaprojektowane tak, aby były czytelne i zrozumiałe dla pacjentów, a jednocześnie nadal zawierały kluczowe pojęcia, które odróżniają interwencje od siebie.