HIV 护理级联决策支持的数据科学和定性研究 (CASCADE)

事实证明，根据中低收入国家 (LMIC) 的要求量身定制的临床决策支持系统 (CDSS) 可以提高一系列医护人员对指南的遵守情况和护理质量。 为了实现最有效的 CDSS，应该使用当地的大量临床数据集进行开发和测试。 使用机器学习算法可以开发临床并发症和结果的预测模型，这可以指导医护人员及早发现问题并采取适当的干预措施。 这需要完善的电子健康记录 (EHR) 系统作为数据源和通过 CDSS（学习健康系统方法）提供反馈的平台。 提供医疗保健学术模型 (AMPATH) 的 EHR 是肯尼亚西部的一个大型艾滋病毒护理计划，大部分资金由总统艾滋病紧急救援计划 (PEPFAR) 资助，近二十年来一直使用 OpenMRS EHR 的一个版本，并且为这项研究提供了独特的环境。

该提案的目标是开发和实施数据驱动的工具，以帮助患者、诊所和县各级做出与健康相关的决策，并评估使用这些方法的有效性。 假设是，与在其 EHR 中未使用数据驱动的 CDSS 的医疗机构相比，使用这些数据驱动的 CDSS 的医疗机构将显示出护理流程和结果的改进。

该研究的两个主要终点是护理保留和病毒载量抑制。

这一动机是由联合国艾滋病规划署为在全世界消除艾滋病毒而制定的 95-95-95 艾滋病毒级联护理基准所驱动的。 简而言之，该框架要求对 95% 的 HIV 感染者进行诊断，对 95% 的已诊断患者开始抗逆转录病毒 (ART) 治疗，并对 95% 的接受治疗的患者实现病毒载量 (VL) 抑制治疗。 我们的项目涉及第二和第三阶段。

关于第二个 95，保留是维持艾滋病毒感染者 (PLWH) 抗逆转录病毒治疗 (ART) 的必要条件，因为全球护理指南现在明确规定，所有 PLWH 在接受护理后均应启动 ART。 关于第三个 95，在肯尼亚和许多其他中低收入国家，大多数成年客户的病毒载量测试是在治疗开始后六个月进行的，此后每年进行一次。 即使在测得的 VL 表明抑制后，由于不依从或耐药性而导致的病毒失败也可能在一年后的下一次随访之前发生。 因此，我们的模型将在此期间生成预测的病毒载量值，并使用它们来标记应该在计划的随访之前进行病毒载量测量的个体。

该试验是美国国立卫生研究院资助的一项更大规模研究的一部分。 与试验相关的目的如下：

目标 1：开发和验证用于临床和程序决策支持的统计机器学习模型和算法。

1a：开发和验证统计机器学习算法，以识别那些脱离护理和病毒失败的高风险人群，并生成当前病毒载量的预测值。

1. b：开发有关预测的统计不确定性的表示，以实现最佳决策。

   目标 2. 开发、实施和现场测试决策支持和数据可视化工具，以增强医生和项目经理的数据驱动决策。

2. a：创建服务器架构以支持 OpenMRS 用户界面 (UI) 中的预测模型。

2b：开发和完善使用风险预测的具体方案，以减少漏诊并降低病毒载量失败的发生率。

目标 3：评估 AMPATH 护理计划中临床决策支持工具的影响和功效

3a：在 Uzima 和 Dumisha 流域使用 AMPATH 医疗记录系统 (AMRS) 的所有诊所的护理点实施 CDSS。 这些诊所的规模和地理位置各不相同。

3b：在试点阶段之后，对 AMPATH 30 个诊所的保留率和病毒载量抑制率进行阶梯式楔形随机纵向比较

这项工作的成功完成将为改善肯尼亚和其他中低收入国家的艾滋病毒护理提供有效的 CDSS 工具，以及一套用于开发、更新和评估其他临床问题的 CDSS 的工具。 研究人员和同事之前在超过 44 个国家开发和广泛部署 OpenMRS 的工作为广泛传播这项工作提供了平台。