Incentivo à vacinação contra gripe entre pacientes de alto risco identificados por ML

Fundo

Em média, 8% da população dos EUA fica doente com gripe a cada temporada de gripe (Tokars et al. 2018). Desde 2010, a carga anual de doenças da influenza incluiu 9 a 45 milhões de doenças, 140.000 a 810.000 hospitalizações e 12.000 a 61.000 mortes (CDC 2020). O CDC recomenda a vacinação contra a gripe a todos os maiores de 6 meses, com raras exceções; quase qualquer pessoa pode se beneficiar da vacina, que pode reduzir doenças, faltas ao trabalho, hospitalizações e mortes (CDC 2019a). A vacinação contra a gripe será especialmente importante para pacientes de alto risco durante a pandemia de COVID-19, para que os casos de gripe sejam reduzidos e os recursos conservados.

Embora a maioria se recupere da gripe sem tratamento, idosos, pessoas com comorbidades e outros indivíduos de alto risco podem sofrer complicações como pneumonia, outras doenças respiratórias e morte. Geisinger, um grande sistema de saúde na Pensilvânia e Nova Jersey, fez parceria com a Medial EarlySign (Medial; www.earlysign.com) para desenvolver um algoritmo de aprendizado de máquina (ML) para identificar pacientes em risco de gripe grave (moderada a grave) associada complicações com base em seus dados de registros eletrônicos de saúde (EHR) existentes. Geisinger implantará esse sistema durante a temporada de gripe 2020-21 e contatará os pacientes identificados com mensagens especiais (além dos esforços padrão feitos pelo sistema de saúde a cada temporada de gripe) para incentivar a vacinação. A vacinação contra a gripe será especialmente importante para pacientes de alto risco durante a pandemia de COVID-19, para que os casos de gripe sejam reduzidos e os recursos conservados.

Os resultados publicados sugerem que os sistemas ML da Medial identificam pacientes de alto risco em outros contextos (Goshen et al., 2018; Zack et al., 2019). No entanto, há pouca evidência sobre (a) se informar os pacientes de que eles estão em alto risco os torna mais propensos a receber a vacinação; (b) a forma como os pacientes reagem ao saber que seu estado de risco é o resultado de uma análise de seus registros de saúde; e (c) se informar aos pacientes que seu status de risco foi determinado por um "algoritmo", por "aprendizado de máquina" e/ou por "inteligência artificial" aumentará ou diminuirá a probabilidade de serem vacinados. Este estudo abordará essas lacunas na literatura, que são especialmente importantes à luz do crescimento futuro antecipado do uso do sistema AI/ML em toda a área da saúde.

O algoritmo da Medial é um exemplo de como a troca interoperável de informações de saúde (HIE) - a capacidade da tecnologia de informações de saúde compartilhar dados do paciente - pode melhorar a eficiência e a eficácia dos cuidados de saúde. No entanto, os pacientes podem não apreciar esses benefícios ou o fato de que os cuidados de saúde se tornaram substancialmente mais integrados e colaborativos. Uma revisão sistemática das preocupações com a privacidade do paciente sobre HIE constatou que 15-74% dos pacientes expressaram preocupações com a privacidade, dependendo do estudo, e concluiu que as perspectivas do paciente permanecem pouco compreendidas. Uma mensagem de divulgação da gripe que faça referência explícita a uma revisão dos registros médicos do paciente pode sair pela culatra, pois os pacientes reagem mal à sensação de que perderam o controle de seus registros médicos.

Existem evidências conflitantes sobre como as pessoas respondem a conselhos ou informações provenientes de um algoritmo ou máquina. Dietvorst et ai. (2015) documentou um padrão de "aversão ao algoritmo", no qual as pessoas escolhem previsões humanas inferiores em vez de previsões algorítmicas superiores, especialmente depois de observarem que o algoritmo cometeu um erro. Em contraste, Logg et al. (2018) descreveu a "apreciação de algoritmos", em que as pessoas seguiram mais os conselhos quando pensaram que vinham de algoritmos do que quando pensaram que vinham de seres humanos. Por fim, Bigman e Gray (2019) encontraram aversão a algoritmos que tomam “decisões morais”, incluindo uma decisão médica (fictícia) de escolher operar ou não um paciente de alto risco. No cenário atual, o algoritmo está apenas aconselhando os pacientes a tomar uma ação (uma vacina anual contra a gripe) que já é o padrão de atendimento, e não há oportunidade de observar uma recomendação errônea; portanto, a hipótese é que a "apreciação do algoritmo" irá fazer com que as pessoas reajam positivamente ao serem informadas sobre o papel do algoritmo. Assim, este estudo abordará duas importantes questões de pesquisa:

1. Informar os pacientes de que eles correm alto risco de complicações da gripe (a) aumenta a probabilidade de receberem a vacina contra a gripe; e (b) diminuir a probabilidade de receberem diagnósticos de gripe e/ou sintomas gripais na temporada de gripe seguinte?
2. Informar os pacientes de que seu status de alto risco foi determinado (a) pela análise de seus registros médicos (vs. por nenhum método especificado); e (b) por um algoritmo AI/ML* analisando seus registros médicos (em oposição a métodos não especificados ou análise de registros médicos humanos) afetam a probabilidade de receberem a vacina contra gripe e/ou diagnósticos de gripe e/ou sintomas semelhantes aos da gripe na temporada de gripe que se seguiu?

Nossos objetivos específicos são:

1. Avalie o efeito nas taxas de vacinação contra a gripe ao informar os pacientes do sistema de saúde que são identificados por uma análise ML dos dados EHR como de alto risco para complicações da gripe que eles estão em alto risco com (a) nenhuma explicação adicional, (b) uma explicação de que essa determinação vem de uma análise de seus registros médicos e (c) a explicação adicional de que um algoritmo AI ou ML fez essa determinação.
2. Avalie os efeitos das mesmas três intervenções nos diagnósticos de gripe nos mesmos pacientes.

Estratégia de Pesquisa

Incluídos no estudo estarão os pacientes Geisinger atuais com mais de 17 anos de idade com uma ou mais visitas a um médico de cuidados primários Geisinger (PCP) entre 1º de janeiro de 2008 e 30 de janeiro de 2020 e sem contra-indicações para a vacina contra a gripe. A Medial fornecerá pontuações de risco de complicações da gripe a partir de seu algoritmo ML (com base em dados EHR codificados), com base nas quais os 10% principais dos pacientes com maior risco serão incluídos. Com base no comportamento anterior e em outros preditores em um segundo modelo de ML, o Medial também fornecerá a probabilidade de cada paciente ser vacinado durante a temporada de gripe do estudo; esses valores e os escores de risco primários serão usados ​​como covariáveis ​​em análises exploratórias de dados. O número previsto de pacientes nos 10% com maior risco é de 56.000.

Em média, nas últimas 3 temporadas de gripe, 55% dos pacientes Geisinger com mais de 65 anos são vacinados a cada temporada, portanto, usaremos isso como uma taxa básica substituta para uma condição de controle em nossa análise de poder. O estudo terá 92% de poder para detectar uma diferença absoluta de 2% ou mais no resultado da vacinação entre as condições (55% vs 57%, alfa bicaudal de 0,05), assumindo que cada condição terá 56.000/4= 14.000 pacientes. Para o resultado mais raro do diagnóstico de gripe, temos 95% de poder para detectar uma diferença absoluta de 0,8% ou mais - de uma taxa estimada de 3,9% nesta população de alto risco (com base na estimativa do CDC para pessoas com mais de 65 anos [Tokars et al ., 2018]) para uma taxa de 3,1%.

Os resultados primários do estudo serão as taxas de vacinação contra gripe e diagnósticos de gripe durante a temporada 2020-21 (setembro-março) por pacientes-alvo. Resultados secundários e exploratórios também serão medidos: Taxas de vacinação contra a gripe e diagnósticos por outros membros da família de pacientes-alvo; taxas de vacinação contra gripe e diagnósticos por pacientes não-alvo que receberam uma pontuação de risco que caiu logo abaixo do corte de pacientes-alvo ("risco abaixo do limiar"); taxas de complicações da gripe e sintomas semelhantes aos da gripe entre pacientes-alvo, membros da família e aqueles com risco abaixo do limiar; e taxas de outros resultados de utilização de cuidados de saúde relevantes, como visitas de emergência e hospitalizações.

Modelos mistos lineares generalizados (GLMMs) examinarão os resultados primários do estudo como uma função dos braços do estudo (entre-sujeitos), com PCPs e/ou clínicas visitadas por pacientes incluídos como variáveis ​​de efeitos aleatórios, assumindo altos coeficientes de correlação intraclasse. Os GLMMs especificarão uma distribuição binária e função log-link no caso de variáveis ​​de resultado dicotômicas (por exemplo, vacinação contra gripe, diagnóstico de gripe) e uma distribuição binomial negativa e função log-link no caso de quaisquer variáveis ​​de contagem altamente distorcidas positivamente, como Visitas de emergência e hospitalizações (onde a superdispersão normalmente permanece no caso de um modelo de distribuição de Poisson). Para essas análises exploratórias, a mudança dentro do paciente (do mesmo período um ano antes) também será analisada. Além disso, cada paciente receberá o mesmo tipo de comunicação (a/b/c/d) por meio de até três modalidades - carta impressa para seu endereço de correspondência, SMS para seu telefone celular e/ou mensagem segura por meio do portal do paciente Geisinger - dependendo sobre quais informações estão arquivadas para cada paciente. Os canais de comunicação utilizados para cada paciente serão covariáveis ​​em análises posteriores.

*Observação: o estudo não usará necessariamente os termos "AI", "ML" ou "algoritmo" nas mensagens para os grupos b, c e d; em vez disso, essas mensagens serão projetadas para serem lidas e compreensíveis pelo público paciente, ao mesmo tempo em que incluem os conceitos-chave que diferenciam as intervenções umas das outras.