Поощрение вакцинации против гриппа среди пациентов с высоким риском, выявленных ОД

Фон

В среднем 8% населения США заболевает гриппом каждый сезон гриппа (Tokars et al. 2018). С 2010 года ежегодное бремя гриппа включает 9–45 миллионов случаев заболевания, 140 000–810 000 случаев госпитализации и 12 000–61 000 смертей (CDC 2020). CDC рекомендует вакцинацию против гриппа всем в возрасте 6+ месяцев, за редким исключением; почти каждый может получить пользу от вакцины, которая может снизить заболеваемость, пропуски работы, госпитализации и смертность (CDC 2019a). Вакцинация против гриппа будет особенно важна для пациентов с высоким риском во время пандемии COVID-19, чтобы снизить количество случаев заболевания гриппом и сохранить ресурсы.

В то время как большинство людей выздоравливают от гриппа без лечения, пожилые люди, люди с сопутствующими заболеваниями и другие люди с высоким риском могут столкнуться с осложнениями, такими как пневмония, другие респираторные заболевания и смерть. Geisinger, крупная система здравоохранения в Пенсильвании и Нью-Джерси, в партнерстве с Medial EarlySign (Medial; www.earlysign.com) разработала алгоритм машинного обучения (ML) для выявления пациентов с риском серьезного (от умеренного до тяжелого) гриппа. осложнений на основе существующих данных электронной медицинской карты (EHR). Geisinger развернет эту систему в течение сезона гриппа 2020–2021 годов и свяжется с выявленными пациентами с помощью специальных сообщений (в дополнение к стандартным усилиям, предпринимаемым системой здравоохранения каждый сезон гриппа), чтобы стимулировать вакцинацию. Вакцинация против гриппа будет особенно важна для пациентов с высоким риском во время пандемии COVID-19, чтобы снизить количество случаев заболевания гриппом и сохранить ресурсы.

Опубликованные результаты показывают, что системы машинного обучения Medial выявляют пациентов с высоким риском в других контекстах (Goshen et al., 2018; Zack et al., 2019). Тем не менее, существует мало данных о том, (а) повышает ли информирование пациентов о том, что они относятся к группе высокого риска, вакцинацию; (б) то, как пациенты реагируют на сообщение об их статусе риска, является результатом анализа их медицинских карт; и (c) увеличит или уменьшит ли информирование пациентов об их статусе риска с помощью «алгоритма», «машинного обучения» и/или «искусственного интеллекта» их вероятность вакцинации. В этом исследовании будут устранены эти пробелы в литературе, которые особенно важны в свете ожидаемого будущего роста использования систем ИИ/МО в здравоохранении.

Алгоритм Medial является примером того, как интероперабельный обмен медицинской информацией (HIE) — способность медицинских информационных технологий обмениваться данными о пациентах — может повысить эффективность и результативность здравоохранения. Однако пациенты могут не оценить эти преимущества или тот факт, что здравоохранение стало значительно более интегрированным и совместным. Систематический обзор проблем конфиденциальности пациентов в связи с ГИЭ показал, что 15-74% пациентов выражали озабоченность конфиденциальностью, в зависимости от исследования, и пришел к выводу, что точки зрения пациентов остаются плохо изученными. Сообщение о гриппе, в котором прямо упоминается проверка медицинских карт пациентов, может иметь неприятные последствия, поскольку пациенты плохо реагируют на ощущение, что они потеряли контроль над своими медицинскими картами.

Имеются противоречивые данные о том, как люди реагируют на советы или информацию, поступающие от алгоритма или машины. Дитворст и др. (2015) задокументировали паттерн «отвращения к алгоритму», при котором люди предпочитают худших людей более совершенным алгоритмическим прогнозам, особенно после того, как они заметили, что алгоритм допускает ошибку. Напротив, Logg et al. (2018) описал «оценку алгоритма», когда люди больше следовали советам, когда думали, что они исходят от алгоритмов, чем когда думали, что они исходят от людей. Наконец, Bigman and Gray (2019) обнаружили отвращение к алгоритмам, которые принимают «моральные решения», включая (фиктивное) медицинское решение о выборе того, оперировать или нет пациента с высоким риском. В текущих условиях алгоритм просто советует пациентам предпринять действие (ежегодная прививка от гриппа), которое уже является стандартом лечения, и нет возможности наблюдать ошибочную рекомендацию, поэтому гипотеза состоит в том, что «оценка алгоритма» будет заставить людей положительно реагировать на информацию о роли алгоритма. Таким образом, данное исследование будет посвящено двум важным исследовательским вопросам:

1. Повышает ли информирование пациентов о высоком риске осложнений гриппа (а) вероятность того, что они получат вакцину против гриппа; и (б) уменьшить вероятность того, что им будет поставлен диагноз гриппа и/или гриппоподобных симптомов в последующий сезон гриппа?
2. Информирование пациентов о том, что их статус высокого риска был определен (а) путем анализа их медицинских карт (по сравнению с не указанным методом); и (b) с помощью алгоритма ИИ/МО*, анализирующего их медицинские записи (в отличие от неуказанных методов или анализа медицинских записей людей), влияет на вероятность того, что они получат вакцину против гриппа и/или диагностику гриппа и/или гриппоподобных симптомов в последующий сезон гриппа?

Нашими конкретными целями являются:

1. Оценить влияние на показатели вакцинации против гриппа информирования пациентов системы здравоохранения, которые определены с помощью анализа ML данных EHR как подверженные высокому риску осложнений гриппа, о том, что они подвержены высокому риску, либо (a) без дополнительного объяснения, (b) объяснение того, что это определение получено на основе анализа их медицинских записей, и (c) дополнительное объяснение того, что это определение было сделано алгоритмом ИИ или МО.
2. Оцените влияние тех же трех вмешательств на диагностику гриппа у одних и тех же пациентов.

Стратегия исследования

В исследование будут включены нынешние пациенты Geisinger в возрасте 17+ лет, которые один или несколько раз посещали лечащего врача Geisinger (PCP) в период с 1 января 2008 г. по 30 января 2020 г. и не имели противопоказаний для вакцинации против гриппа. Medial предоставит оценки риска осложнений гриппа из своего алгоритма ML (на основе закодированных данных EHR), на основе которых будут включены 10% пациентов с самым высоким риском. Основываясь на предыдущем поведении и других предикторах во второй модели ML, Medial также предоставит вероятность того, что каждый пациент будет вакцинирован в течение исследуемого сезона гриппа; эти значения и первичные оценки риска будут использоваться в качестве ковариат при анализе разведочных данных. Ожидаемое количество пациентов в верхних 10% риска составляет 56 000 человек.

В среднем за последние 3 сезона гриппа 55% пациентов Geisinger в возрасте 65 лет и старше вакцинируются каждый сезон, поэтому мы будем использовать это в качестве прокси-базового показателя для контрольного состояния в нашем анализе мощности. Исследование будет иметь мощность 92% для выявления абсолютной разницы в 2% или более в результатах вакцинации между состояниями (55% против 57%, двусторонний альфа 0,05), при условии, что каждое состояние будет иметь 56 000/4= 14 000 пациентов. Что касается более редкого исхода диагностики гриппа, у нас есть 95-процентная мощность для выявления абсолютной разницы в 0,8% или больше — по сравнению с предполагаемой частотой в 3,9% в этой группе высокого риска (на основе оценки CDC для людей в возрасте 65+ [Tokars et al. ., 2018]) до ставки 3,1%.

Основными результатами исследования будут показатели вакцинации против гриппа и диагнозов гриппа в сезоне 2020–2021 годов (сентябрь–март) среди целевых пациентов. Также будут измеряться вторичные, исследовательские результаты: показатели вакцинации против гриппа и диагнозов среди членов домохозяйства целевых пациентов; показатели вакцинации против гриппа и диагнозов у ​​нецелевых пациентов, которым была присвоена оценка риска, которая была чуть ниже порогового значения для целевых пациентов («подпороговый риск»); показатели осложнений гриппа и гриппоподобных симптомов среди целевых пациентов, членов домохозяйств и лиц с подпороговым риском; и показатели других соответствующих исходов использования медицинских услуг, таких как посещения скорой помощи и госпитализации.

Обобщенные линейные смешанные модели (GLMM) будут рассматривать первичные результаты исследования в зависимости от групп исследования (между субъектами), при этом лечащие врачи и/или клиники, посещаемые пациентами, включаются в качестве переменных случайных эффектов, предполагая высокие коэффициенты внутриклассовой корреляции. GLMM будет определять бинарное распределение и функцию логарифмической связи в случае дихотомических переменных результата (например, вакцинация против гриппа, диагностика гриппа), а также отрицательное биномиальное распределение и функцию логарифмической связи в случае любых сильно смещенных переменных счета, таких как Посещения скорой помощи и госпитализации (где обычно остается чрезмерная дисперсия в случае модели распределения Пуассона). Для этих предварительных анализов также будут проанализированы изменения внутри пациента (за тот же период годом ранее). Кроме того, каждый пациент будет получать сообщения одного и того же типа (a/b/c/d) с использованием до трех способов: печатного письма на свой почтовый адрес, SMS на свой мобильный телефон и/или защищенного сообщения через портал пациентов Geisinger в зависимости от о том, какая информация находится в файле для каждого пациента. Каналы связи, используемые для каждого пациента, будут ковариантами в последующих анализах.

*Примечание: в исследовании не обязательно используются термины «ИИ», «МО» или «алгоритм» в сообщениях для групп b, c и d; вместо этого эти сообщения будут разработаны так, чтобы их могла прочитать и понять аудитория пациентов, но при этом они будут включать ключевые концепции, которые отличают вмешательства друг от друга.