Intervenção farmacêutica MTM informada sobre riscos e benefícios na insuficiência cardíaca

A insuficiência cardíaca é uma doença complexa e altamente prevalente associada a morbidade e custos significativos. Por exemplo, Geisinger gerencia mais de 900 internações por insuficiência cardíaca por ano, com cada internação custando cerca de US$ 10.000 a US$ 12.000. À medida que os modelos de pagamento continuam a mudar da taxa por serviço para a baseada no valor, estão a ocorrer investimentos significativos nos recursos das equipas de cuidados para ajudar a gerir populações de pacientes com insuficiência cardíaca. Esses recursos da equipe de atendimento demonstraram eficácia. Por exemplo, as métricas internas da Geisinger indicam que as intervenções lideradas por farmacêuticos clínicos destinadas a diabéticos tipo II mal controlados resultaram numa queda média sustentada de 1% (absoluta) na hemoglobina a1C (hemoglobina glicada). Neste novo ambiente, a implementação inteligente de recursos limitados é fundamental para impulsionar a qualidade e conter custos.

Na insuficiência cardíaca, a previsão de risco atual demonstrou habilidades prognósticas ruins e representa uma barreira para a “fornecimento preciso” de recursos da equipe de atendimento. Atualmente, as abordagens são limitadas devido à não utilização plena de dados objetivos ricos e altamente granulares, como imagens, valores laboratoriais e sinais vitais, e, portanto, não são otimizadas para prever resultados com precisão. Os investigadores geraram um modelo de aprendizado de máquina para prever a sobrevida em 1 ano e a hospitalização por insuficiência cardíaca dentro de 6 meses após a ecocardiografia. Este modelo utilizou 169 variáveis ​​de entrada, incluindo dados clínicos, medidas de imagem e 18 variáveis ​​de lacunas de cuidados. Nossos resultados mostraram não apenas que o modelo de aprendizado de máquina tinha uma precisão muito superior para prever os desfechos de morbidade em comparação com as abordagens atuais que utilizam dados de código de faturamento, mas também que as variáveis ​​de lacuna de atendimento eram importantes para prever a sobrevivência em 1 ano. Além disso, os investigadores mostraram que colmatar quatro das variáveis ​​da lacuna de cuidados (vacinação contra a gripe, tratamento com beta-bloqueadores baseado em evidências, tratamento com inibidores da ECA (enzima de conversão da angiotensina)/BRA (bloqueadores dos receptores da angiotensina) e controle da a1C diabética (ou seja, valores "na meta)) resultaram em uma melhora prevista na sobrevida em 1 ano de aproximadamente 1.200 (de aproximadamente 11.000) pacientes. Este estudo, portanto, visa aplicar esta abordagem de aprendizado de máquina para direcionar os recursos da equipe de atendimento em um ambiente clínico para avaliar seu impacto na sobrevivência do paciente e na utilização dos cuidados de saúde.