Данные для перемен

Машинное обучение в общественном здравоохранении: путь пациента

Использование достижений в области технологий и науки о данных для ощутимого улучшения результатов общественного здравоохранения для людей из групп риска в странах с низким и средним уровнем дохода.

Сегодня машинное обучение — одна из самых горячих тем в сфере медицинских технологий — практически в любой области. В этом посте мы рассмотрим гораздо менее традиционное применение науки о данных 21-го века. Мы задали себе вопрос: «Как мы можем использовать достижения в области технологий и науки о данных, чтобы заметно улучшить результаты общественного здравоохранения для людей из групп риска в странах с низким и средним уровнем дохода (СНСД) во всем мире?».

Вот некоторые из подходов, которые мы используем в Palindrome Data (PD) для решения этого и других вопросов общественного здравоохранения в странах Африки к югу от Сахары и за ее пределами. Мы будем использовать лечение ВИЧ, одно из основных направлений деятельности PD, чтобы проиллюстрировать подход.

Прогностическое и объяснительное моделирование

В нашей научно-исследовательской работе в качестве специалиста по внедрению науки о данных мы думаем о наших проектах как о двух основных направлениях; предиктивное или объяснительное моделирование. Оба начинаются со специальной фазы обнаружения данных, которая часто сообщает, на каком маршруте следует сосредоточиться. Также важно отметить, что независимо от того, какой из основных маршрутов коллективно согласован, оба используются и дополняют друг друга.

Вероятно, сейчас самое время представить Табо, нашего вымышленного пациента. Табо — 22-летний мужчина, который недавно получил степень бакалавра, в настоящее время безработный и ищет младшую должность медицинского научного сотрудника, прежде чем продолжить обучение в аспирантуре. Табо также был ВИЧ-положительным с рождения и вирусно подавлял всю свою жизнь.

Традиционная теория общественного здравоохранения говорит нам, что Табо — молодой безработный мужчина и, следовательно, подвергается значительно более высокому риску перерыва в лечении (ПИТ) — то есть пропуска визитов к врачу и прекращения приема антиретровирусных (АРТ) препаратов на некоторое время. возможно, даже долго. Это серьезная проблема для программ здравоохранения и людей, живущих с ВИЧ (ЛЖВ), поскольку у тех, кто прекращает лечение, может развиться лекарственная устойчивость, и им может потребоваться дорогостоящее изменение схемы лечения.

Клиника, которую Табо посещает для осмотра и получения лекарств, управляется партнером PD. В настоящее время они проводят пользовательское тестирование инструментов, разработанных PD при поддержке партнера для оптимизации удержания пациентов. После того, как медицинский работник заканчивает свой стандартный протокол посещения, они объясняют Табо прогностический инструмент, он соглашается, и в течение следующих трех минут они вводят необходимую информацию.

Инструмент прогнозирования в этой клинике представляет собой либо приложение на планшете (рис. 1 ниже), либо бумажную оценочную карту (рис. 2 ниже). Оба этих инструмента основаны на машинном обучении и выводят оценку, приблизительно соответствующую риск того, что Табо опоздает к своему следующему визиту более чем на 28 дней (иметь ИИТ).

Инструмент прогнозирования выводит оценку на основе информации Табо, которая классифицирует его как человека с промежуточным риском развития ИИТ. Медицинский работник знаком с Табо много лет и знает, что оценка промежуточного риска является результатом сложных событий его жизни. В качестве дополнительной проверки медицинский работник снова обращается к файлу Табо, чтобы просмотреть его классификацию архетипов, что приводит нас к объяснительному моделированию.

Объяснительное моделирование использует ряд методов машинного обучения, в том числе алгоритмы прогнозирования, для анализа совокупности с конечной целью оптимизации нашего понимания динамики, группировок и закономерностей популяции, в отличие от конечной цели чисто прогнозных власть. Основным примером объяснительного моделирования является составление профилей пациентов с целью разработки архетипов пациентов. Архетип пациента — это обобщенная конструкция, которая отражает ключевые демографические и поведенческие черты подгруппы населения. Медицинский работник видит, что Табо недавно был классифицирован как «расторопный и преданный мальчик-подросток или молодой мужчина», что означает, что Табо был классифицирован как принадлежащий к архетипу, представляющему молодых пациентов мужского пола, которые относятся к наиболее стабильным пациентам с наименьшей вероятностью IIT, укрепляющий понимание медицинским работником стабильного профиля риска Thabo.

После оценки результатов как прогностических, так и объяснительных инструментов медицинский работник принимает обоснованное решение оставить Табо в своем долгосрочном плане лечения и решает заполнить краткий раздел отзывов об инструменте, указывая, что они не согласны с результатами прогностического инструмента. и вкратце изложив, почему.

Эта петля обратной связи имеет неоценимое значение и тщательно анализируется PD и партнерами в рамках непрерывного процесса мониторинга и улучшения. Например, результаты и отзывы о контрольном посещении Табо, наряду со всеми остальными отзывами о раунде пользовательского тестирования, могут помочь нам улучшить справедливость, точность и удобство использования инструмента прогнозирования.

Более широкие эффекты широкомасштабного внедрения таких инструментов имеют далеко идущие последствия:

  • Он вводит элементы персонализированного медицинского обслуживания в системы общественного здравоохранения и недостаточно обслуживаемые сообщества, особенно сельские сообщества с высоким бременем болезней.
  • Он использует непропорциональную экономию затрат, которая является результатом возможности сегментировать пациентов по риску ИИТ, что, в свою очередь, позволяет столь необходимое перераспределение ресурсов.
  • Это часто приводит к гораздо лучшему опыту пациентов, когда больше времени тратится на тех, у кого больше потребностей, при этом уменьшая трения, с которыми сталкиваются пациенты с низким уровнем риска.
  • Это позволяет медицинским работникам активно проводить вмешательства, пока пациент все еще находится на лечении, чтобы уменьшить бремя ИИТ (большинство вмешательств в настоящее время применяются задним числом только после того, как нежелательное явление уже произошло — это открывает совершенно новый набор возможностей для вмешательства) .

Каждое из вышеперечисленных преимуществ создает петлю положительной обратной связи, которая снижает нагрузку на государственные системы здравоохранения и работников и переориентирует внимание на отдельных пациентов.

Есть много других приложений и возможностей для науки о данных и машинного обучения, которые можно использовать во благо в сфере общественного здравоохранения, и PD стремится внести свой вклад таким образом, чтобы улучшить результаты лечения пациентов. и Твиттер.

Отказ от ответственности: *Thabo* не ссылается ни на какое реальное физическое или юридическое лицо и используется исключительно в иллюстративных целях в этом посте.