En genomförbarhetsstudie för att förbättra screening av kolorektal cancer bland rasmässigt olika postnummer i ett beständigt fattigdomslän med hjälp av prediktiva algoritmer för navigering och maskininlärning (PCSNaP)

Specifikt är målen med denna studie att: 1) Anpassa en tidigare validerad maskininlärningsalgoritm baserad på elektroniska patientjournaler (EHR) för att förutsäga kolorektalcancer (CRC) genom att träna om modellen med data från patienter som besöker primärvårdsmottagningar i postnummerområden med en hög andel ras- och etniska minoriteter i Philadelphia County, ett county med långvarig fattigdom; och 2) Implementera och utvärdera genomförbarheten och effektiviteten av ett algoritmbaserat CRC-navigeringsprogram för att öka screening för kolorektalcancer bland patienter i Philadelphia County som har hög risk för CRC och ofullständiga koloskopier.

Tillsammans syftar dessa innovativa projekt till att vara de första som kombinerar användningen av maskininlärningsalgoritmer och patientnavigering för att öka screeningsfrekvensen för cancer enligt riktlinjer, för att minska bördan av CRC bland högriskindivider som bor i ett county med långvarig fattigdom genom målrettad, kulturellt känslig navigering som tar itu med sociala faktorer som förhindrar CRC-screening.