Förbättra efterlevnad och resultat genom artificiell intelligens-anpassade textmeddelanden (AIM@BP)

Självhantering av kroniska tillstånd involverar komplexa beteenden och patienter varierar i deras efterlevnad av dessa beteenden. Fokus i detta förslag är att följa medicinering eftersom patienters underlåtenhet att ta sina mediciner som ordinerats är en viktig orsak till alltför stor sjuklighet och dödlighet och ökade sjukvårdskostnader. Studier tyder på att 33-50% av patienterna inte tar sina mediciner på rätt sätt, vilket bidrar till nästan 100 000 förtida dödsfall varje år och 290 miljarder dollar i sjukvårdskostnader. Följsamhet till blodtryckssänkande mediciner är av särskild betydelse i sig själv, och hypertoni kan fungera som ett viktigt spårtillstånd för att bättre förstå och förbättra medicinadherensen mer generellt. Okontrollerad hypertoni är en viktig orsak till stroke, kranskärlssjukdom, hjärtsvikt och dödlighet, och att medicinering inte följer är en viktig orsak till okontrollerad hypertoni. Till exempel, i en ettårig studie av ~5 000 hypertonipatienter, tog de flesta patienter sina mediciner endast intermittent och hälften av patienterna slutade så småningom sina mediciner mot medicinsk rådgivning.

För att förbättra efterlevnaden av mediciner krävs att man tar itu med flera utmaningar eftersom patienter vanligtvis har en mängd olika anledningar till att inte ta sin medicin som ordinerats, såsom uppfattningar om sin sjukdom och dess behandling, organisatoriska utmaningar och kostnadsbarriärer. Dessutom, eftersom patienternas kurer, hälsotillstånd och sociala sammanhang förändras över tiden, måste följsamhetsstödjande interventioner anpassas, men de flesta tjänster saknar flexibiliteten att göra det.

Mobila hälsotjänster (mHealth) som patientens textmeddelanden eller SMS har visat något lovande när det gäller att förbättra medicinering. Men eftersom nästan alla mHealth-tjänster är baserade på förenklade, deterministiska protokoll saknar dessa insatser kapacitet att möta patienters komplexa föränderliga behov. Som en konsekvens har dessa rudimentära system endast visat blygsamma effekter som tenderar att minska med tiden. Utredarna föreslår att man ska tillämpa artificiell intelligens (AI) metoder, särskilt Reinforcement Learning (en typ av AI), för att utveckla ett modellsystem för medicinering som automatiskt kan anpassa SMS-kommunikation för att förbättra individuell medicinering.

Det föreslagna projektet är resultatet av ett nytt tvärvetenskapligt samarbete mellan UM-experter från College of Pharmacy, College of Engineering och School of Medicine. Vårt långsiktiga mål är att förbättra hälsoresultaten med hjälp av förbättrade mobila hälsoverktyg med artificiell intelligens (AI). Syftet med den föreslagna pilotstudien är att utveckla ett Reinforcement Learning-baserat mHealth-program fokuserat på medicinadherens hos patienter med dåligt kontrollerad hypertoni. Våra centrala hypoteser är att ett SMS-system som använder Reinforcement Learning (RL) kommer att: vara acceptabelt för patienterna, anpassa sig till hypertonipatienters unika följsamhetsrelaterade behov och preferenser och förändringar i dessa behov över tid, samt förbättra medicinering och blodtryckskontroll. . De specifika målen är:

1. Utveckla RL-metoder för adaptivt beslutsfattande i människocentrerade miljöer och demonstrera genomförbarheten av det resulterande RL-baserade adaptiva SMS-läkemedelsefterlevnadsinterventionen,
2. Demonstrera "inlärning" av det RL-baserade adaptiva systemet med hjälp av data som visar anpassning av SMS-meddelandeströmmen i enlighet med variationer mellan patienter och över tid i orsakerna till att de inte följs, och
3. Undersök den potentiella effekten av den RL-baserade adaptiva SMS-interventionen med avseende på förbättringar i medicinadherens och systoliskt blodtryck.

Resultaten av detta pilotprojekt kommer att inkludera en ny AI/RL-teknik och bevis för dess användning i verkligheten baserat på erfarenhet av ett urval av vuxna med dåligt kontrollerad hypertoni. Dessa resultat kommer att användas för att stödja en R01-ansökan för en större och mer definitiv studie av interventionens inverkan på patienternas hälsa och långsiktiga adherensbeteenden. På längre sikt kommer denna AI-förbättrade mHealth-stödinfrastruktur för självförvaltning och oöverträffat samarbete mellan utredare inom farmaci, medicin och datavetenskap att lägga grunden för ett större program av NIH-finansierad forskning som använder liknande AI-metoder för att hantera beteendeförändringsutmaningar i ett stort antal hälso- och sjukvårdsproblem.