Вмешательство фармацевта MTM при сердечной недостаточности с учетом рисков и преимуществ

Сердечная недостаточность — широко распространенное и сложное заболевание, связанное со значительной заболеваемостью и высокими затратами. Например, Гейзингер ежегодно принимает более 900 госпитализаций с сердечной недостаточностью, причем стоимость каждого госпитализации оценивается в 10 000–12 000 долларов. Поскольку модели оплаты продолжают переходить от платы за услугу к модели, основанной на стоимости, значительные инвестиции осуществляются в ресурсы бригады по оказанию помощи, чтобы помочь управлять популяциями пациентов с сердечной недостаточностью. Эти ресурсы группы ухода продемонстрировали свою эффективность. Например, внутренние показатели Гейзингера показывают, что вмешательства, проводимые клиническими фармацевтами, направленные на плохо контролируемых диабетиков II типа, привели к устойчивому среднему 1% (абсолютному) падению уровня гемоглобина a1C (гликированного гемоглобина). В этой новой среде разумное использование ограниченных ресурсов имеет решающее значение для повышения качества и сдерживания затрат.

Текущие прогнозы риска при сердечной недостаточности продемонстрировали плохие прогностические возможности и представляют собой препятствие для «точного предоставления» ресурсов бригады медицинской помощи. В настоящее время подходы ограничены из-за неполного использования богатых, высокодетализированных объективных данных, таких как изображения, лабораторные показатели и показатели жизнедеятельности, и, следовательно, не оптимизированы для точного прогнозирования результатов. Исследователи создали модель машинного обучения, позволяющую прогнозировать как выживаемость в течение 1 года, так и госпитализацию по поводу сердечной недостаточности в течение 6 месяцев после эхокардиографии. В этой модели использовалось 169 входных переменных, включая клинические данные, методы визуализации и 18 переменных отсутствия медицинской помощи. Наши результаты показали не только то, что модель машинного обучения имела гораздо более высокую точность прогнозирования конечных точек заболеваемости по сравнению с текущими подходами, использующими данные кодов выставления счетов, но также и то, что переменные разрыва в уходе были важны для прогнозирования выживаемости в течение 1 года. Более того, исследователи показали, что устранение четырех переменных пробелов в медицинской помощи (вакцинация против гриппа, научно обоснованное лечение бета-блокаторами, лечение ингибиторами АПФ (ангиотензинпревращающего фермента)/БРА (блокаторами рецепторов ангиотензина) и контроль диабетического a1C (т.е., значения «в цели») привели к прогнозируемому улучшению 1-летней выживаемости у ~ 1200 (из ~ 11 000) пациентов. Таким образом, данное исследование направлено на применение этого подхода к машинному обучению для направления ресурсов бригады медицинской помощи в клинических условиях, чтобы оценить его влияние на выживаемость пациентов и использование медицинских услуг.