Uppmuntra influensavaccination bland högriskpatienter identifierade av ML

Bakgrund

I genomsnitt blir 8 % av USA:s befolkning sjuka av influensa varje influensasäsong (Tokars et al. 2018). Sedan 2010 har den årliga sjukdomsbördan av influensa omfattat 9-45 miljoner sjukdomar, 140 000-810 000 sjukhusinläggningar och 12 000-61 000 dödsfall (CDC 2020). CDC rekommenderar influensavaccination till alla i åldern 6+ månader, med sällsynta undantag; nästan alla kan dra nytta av vaccinet, vilket kan minska sjukdomar, uteblivet arbete, sjukhusvistelser och dödsfall (CDC 2019a). Influensavaccination kommer att vara särskilt viktig för högriskpatienter under covid-19-pandemin så att influensafallen minskar och resurserna sparas.

Medan de flesta återhämtar sig från influensa utan behandling, kan äldre, de med samsjukligheter och andra högriskpersoner uppleva komplikationer som lunginflammation, andra luftvägssjukdomar och dödsfall. Geisinger, ett stort hälsosystem i Pennsylvania och New Jersey, har samarbetat med Medial EarlySign (Medial; www.earlysign.com) för att utveckla en maskininlärningsalgoritm (ML) för att identifiera patienter med risk för allvarlig (måttlig till svår) influensaassocierad komplikationer på grundval av deras befintliga elektroniska journaldata (EPJ). Geisinger kommer att distribuera detta system under influensasäsongen 2020-21 och kontakta de identifierade patienterna med särskilda meddelanden (utöver standardinsatser som görs av hälsosystemet varje influensasäsong) för att uppmuntra vaccination. Influensavaccination kommer att vara särskilt viktig för högriskpatienter under covid-19-pandemin så att influensafallen minskar och resurserna sparas.

Publicerade resultat tyder på att Medials ML-system identifierar högriskpatienter i andra sammanhang (Goshen et al., 2018; Zack et al., 2019). Det finns dock få bevis för (a) huruvida information till patienter om att de löper hög risk gör dem mer benägna att få vaccination; (b) Hur patienter reagerar på att få veta sin riskstatus är resultatet av en analys av deras hälsojournaler. och (c) huruvida att informera patienter om deras riskstatus har bestämts av en "algoritm", av "maskininlärning" och/eller av "artificiell intelligens" kommer att öka eller minska deras sannolikhet att bli vaccinerad. Denna studie kommer att ta itu med dessa luckor i litteraturen, som är särskilt viktiga i ljuset av den förväntade framtida tillväxten av AI/ML-systemanvändning inom hela vården.

Medials algoritm är ett exempel på hur interoperabelt hälsoinformationsutbyte (HIE) – möjligheten för hälsoinformationsteknologi att dela patientdata – kan förbättra sjukvårdens effektivitet och effektivitet. Men patienter kanske inte uppskattar dessa fördelar eller det faktum att vården har blivit betydligt mer integrerad och samarbetsvillig. En systematisk genomgång av patienternas integritetsproblem om HIE fann att 15-74 % av patienterna uttryckte integritetsproblem, beroende på studien, och drog slutsatsen att patientperspektiven fortfarande är dåligt förstådda. Ett influensameddelande som uttryckligen hänvisar till en granskning av patientjournaler kan slå tillbaka eftersom patienterna reagerar dåligt på en känsla av att de har tappat kontrollen över sina journaler.

Det finns motstridiga bevis för hur människor reagerar på råd eller information som kommer från en algoritm eller maskin. Dietvorst et al. (2015) dokumenterade ett mönster av "algoritmaversion", där människor väljer sämre mänskliga framför överlägsna algoritmiska prognoser, särskilt efter att de observerat att algoritmen gör ett fel. Däremot har Logg et al. (2018) beskrev "algoritmuppskattning", där människor följde råd mer när de trodde att det kom från algoritmer än när de trodde att det kom från människor. Slutligen fann Bigman och Gray (2019) motvilja mot algoritmer som fattar "moraliska beslut", inklusive ett (fiktivt) medicinskt beslut att välja om man ska operera en högriskpatient eller inte. I den nuvarande miljön ger algoritmen bara råd till patienter om att vidta en åtgärd (ett årligt influensasprut) som redan är standarden på vården, och det finns ingen möjlighet att observera en felaktig rekommendation, så hypotesen är att "algoritmuppskattning" kommer att få människor att reagera positivt på att bli informerade om algoritmens roll. Därför kommer denna studie att behandla två viktiga forskningsfrågor:

1. Ökar att informera patienter om att de löper hög risk för influensakomplikationer (a) ökar sannolikheten att de kommer att få influensavaccin; och (b) minska sannolikheten att de får diagnoser av influensa och/eller influensaliknande symtom under den efterföljande influensasäsongen?
2. Informerar patienterna om att deras högriskstatus fastställdes (a) genom att analysera deras journaler (vs. med ingen specificerad metod); och (b) genom att en AI/ML-algoritm* analyserar sina journaler (i motsats till via ospecificerade metoder eller analys av mänskliga journaler) påverkar sannolikheten att de får influensavaccinet och/eller diagnoser av influensa och/eller influensaliknande symtom under den efterföljande influensasäsongen?

Våra specifika mål är:

1. Utvärdera effekten på influensavaccinationsfrekvensen av att informera hälsosystempatienter som identifieras genom en ML-analys av EHR-data löper hög risk för influensakomplikationer att de löper hög risk med antingen (a) ingen ytterligare förklaring, (b) en förklaring att denna bestämning kommer från en analys av deras medicinska journaler, och (c) den ytterligare förklaringen att en AI- eller ML-algoritm gjorde denna bestämning.
2. Utvärdera effekterna av samma tre interventioner på diagnoser av influensa hos samma patienter.

Forskningsstrategi

Inkluderade i studien kommer att vara nuvarande Geisinger-patienter 17+ år med ett eller flera besök hos en Geisinger primärvårdsläkare (PCP) mellan 1 januari 2008 och 30 januari 2020 och inga kontraindikationer för influensavaccin. Medial kommer att tillhandahålla influensakomplikationsriskpoäng från sin ML-algoritm (baserat på kodade EHR-data), på basis av vilka de översta 10 % av patienterna med högst risk kommer att inkluderas. Baserat på tidigare beteende och andra prediktorer i en andra ML-modell kommer Medial också att tillhandahålla sannolikheten för att varje patient kommer att vaccineras under studiens influensasäsong; dessa värden och de primära riskpoängen kommer att användas som kovariater i explorativa dataanalyser. Det förväntade antalet patienter i de översta 10% av risken är 56 000.

I genomsnitt under de senaste 3 influensasäsongerna vaccineras 55 % av Geisingerpatienter i åldern 65+ varje säsong, så vi kommer att använda detta som en proxybasfrekvens för ett kontrolltillstånd i vår effektanalys. Studien kommer att ha 92 % kraft att upptäcka en 2 % absolut skillnad eller mer i vaccinationsresultatet mellan tillstånden (55 % vs 57 %, tvåsidig alfa på 0,05), under antagandet att varje tillstånd kommer att ha 56 000/4= 14 000 patienter. För det mer sällsynta resultatet av influensadiagnostik har vi 95 % förmåga att upptäcka en absolut skillnad på 0,8 % eller mer – från en uppskattad frekvens på 3,9 % i denna högriskpopulation (baserat på CDC-uppskattningen för personer över 65 år [Tokars et al. ., 2018]) till en ränta på 3,1 %.

De primära studieresultaten kommer att vara antalet influensavaccinationer och influensadiagnoser under säsongen 2020-21 (september-mars) av riktade patienter. Sekundära, utforskande resultat kommer också att mätas: Antalet influensavaccinationer och diagnoser av andra hushållsmedlemmar till riktade patienter; frekvenser av influensavaccination och diagnoser av icke-målinriktade patienter som tilldelades en riskpoäng som föll strax under gränsen för målpatienter ("sub-threshold risk"); frekvensen av influensakomplikationer och influensaliknande symtom bland riktade patienter, hushållsmedlemmar och de som löper risk under tröskeln; och frekvensen av andra relevanta hälsoutnyttjanderesultat som akutbesök och sjukhusvistelser.

Generaliserade linjära blandade modeller (GLMM) kommer att undersöka de primära studieresultaten som en funktion av studiearmarna (mellan försökspersoner), med patientbesökta PCP och/eller kliniker inkluderade som slumpmässiga effektvariabler, med antagande av höga intraklasskorrelationskoefficienter. GLMM:er kommer att specificera en binär distribution och log-link-funktion i fallet med dikotoma utfallsvariabler (t.ex. influensavaccination, influensadiagnos), och en negativ binomial distribution och log-link-funktion i fallet med alla mycket positivt skeva räknevariabler som t.ex. Akutbesök och sjukhusinläggningar (där överspridning vanligtvis kvarstår i fallet med en Poisson-distributionsmodell). För dessa explorativa analyser kommer även förändringar inom patienten (från samma period ett år tidigare) att analyseras. Dessutom kommer varje patient att få samma typ av kommunikation (a/b/c/d) via upp till tre modalitetsutskrivna brev till sin postadress, SMS till sin mobiltelefon och/eller säkert meddelande via Geisingers patientportal beroende på om vilken information som finns i register för varje patient. Kommunikationskanalerna som används för varje patient kommer att vara kovarianter i senare analyser.

*Obs: Studien kommer inte nödvändigtvis att använda termerna "AI", "ML" eller "algoritm" i meddelandena till grupperna b, c och d; istället kommer dessa meddelanden att utformas för att vara läsbara och begripliga för patientpubliken samtidigt som de innehåller nyckelbegrepp som skiljer interventionerna från varandra.