Analiza predictivă în sănătatea populației: lecții învățate

Fiecare sistem de sănătate deține, în dosarele sale electronice de sănătate (DES), semnele timpurii ale bolilor pe care va trebui să le trateze anul viitor: valori ale tensiunii arteriale în creștere, rețete neridicate, prezentări repetate la urgențe, o concentrare de consultații pentru afecțiuni respiratorii într-un singur raion. Analiza predictivă încearcă să transforme aceste semne în acțiune înainte ca starea unui pacient să se agraveze sau ca un focar să se extindă. Rezultatele de până acum sunt mixte. Unele programe au îmbunătățit măsurabil rezultatele, iar unele modele implementate pe scară largă au avut performanțe mult mai slabe decât se pretindea. Diferența ține, de regulă, de validare, de calibrare și de existența unei echipe organizate care să acționeze pe baza predicției.

Trei tipuri de predicție în sănătatea populației

Este util să distingem trei utilizări care sunt adesea grupate împreună:

• Stratificarea riscului individual estimează probabilitatea ca fiecare persoană să aibă un anumit rezultat în viitor, cum ar fi un eveniment cardiovascular, o internare în spital sau fragilitate, astfel încât îngrijirile preventive să poată fi direcționate.
• Predicția deteriorării în spital evaluează continuu pacienții internați pentru a avertiza clinicienii cu câteva ore înainte de sepsis, stop cardiac sau transfer în terapie intensivă.
• Supravegherea epidemiologică funcționează la nivel populațional și detectează tipare neobișnuite în consultații, apeluri, rezultate de laborator sau prescripții, care pot semnala un focar sau un val sezonier.

Fiecare are nevoie de date diferite, de o metodă de validare diferită și de o echipă de răspuns diferită. Un program național are nevoie de toate trei.

Clalit, Israel: predicție legată de contactarea proactivă a pacienților

Clalit Health Services, cea mai mare dintre casele de asigurări de sănătate din Israel, asigură mai mult de jumătate din populația țării, circa 4,5 milioane de membri, potrivit articolului publicat de cercetătorii săi în 2020. Organizația își folosește de mult timp dosarele integrate pentru îngrijiri proactive, bazate pe risc. Răspunsul său la COVID-19 de la începutul pandemiei arată această abordare în acțiune.

La începutul anului 2020 nu existau aproape deloc date la nivel individual privind evoluția COVID-19 pe care să poată fi antrenat un model. Echipa Clalit, într-un articol publicat în Nature Communications, a construit un model de bază care prezicea infecțiile respiratorii severe sau sepsisul, antrenat pe peste un milion de dosare de pacienți, apoi l-a recalibrat în funcție de ratele de letalitate COVID-19 publicate. La validare, modelul a atins o arie sub curba ROC de 0,942 pentru mortalitatea prin COVID-19, cu o calibrare mult mai bună decât modelul de bază necalibrat.

Cel mai important este ce a făcut Clalit cu scorurile. Potrivit articolului, membrii din grupul cu cel mai mare risc au fost sunați de furnizorii lor de îngrijiri, iar două grupuri de risc au primit mesaje text despre distanțarea socială. Scorurile au fost utilizate și pentru a prioritiza testarea PCR și, după confirmarea infecției, pentru a decide dacă pacienții trebuie tratați în spital sau urmăriți mai atent în comunitate. Modelul a fost util pentru că a fost legat de un răspuns operațional.

NHS: decenii de scoruri de risc în asistența medicală primară

Dosarele din asistența medicală primară din Anglia, codificate consecvent de-a lungul multor ani, au permis dezvoltarea unei serii de instrumente de risc validate. QRISK3, publicat în BMJ în 2017, estimează riscul cardiovascular la zece ani. A fost dezvoltat pe 7,89 milioane de pacienți din 981 de cabinete de medicină de familie și validat pe 2,67 milioane de pacienți din alte 328 de cabinete și a adăugat factori precum boala cronică de rinichi, migrena, bolile psihice severe și variabilitatea tensiunii arteriale. Indicele electronic de fragilitate (electronic Frailty Index), dezvoltat și validat pe peste 900.000 de dosare de pacienți, utilizează deficitele codificate de rutină pentru a identifica persoanele vârstnice cu fragilitate ușoară, moderată sau severă.

Pandemia a arătat ce poate face predicția la scară națională. În februarie 2021, NHS Digital a aplicat la nivelul întregii populații modelul de risc QCovid, dezvoltat la Universitatea Oxford și validat independent de Office for National Statistics (Oficiul Național de Statistică). Acesta a identificat aproximativ 1,7 milioane de persoane suplimentare cu combinații de factori de risc care le plasau la un risc similar cu cel al persoanelor deja clasificate drept extrem de vulnerabile din punct de vedere clinic. Ele au fost adăugate pe lista de protecție (shielding), ceea ce le-a adus și o prioritate mai mare la vaccinare.

Supravegherea ca o capacitate permanentă

Pentru supravegherea populației, UK Health Security Agency (Agenția pentru Securitate Sanitară a Regatului Unit) operează sisteme de supraveghere sindromică ce acoperă prezentările la departamentele de urgență, consultațiile la medicul de familie în timpul programului și apelurile la linia NHS 111 și publică rezumate săptămânale. Aceste sisteme nu reprezintă o formă exotică de IA, dar arată de ce are nevoie orice nivel de supraveghere predictivă ca fundament: date colectate la timp, de rutină și codificate consecvent în întregul sistem de sănătate.

Kaiser Permanente: alerte de deteriorare cu o echipă de răspuns

Sistemul Advance Alert Monitor al Kaiser Permanente Northern California analizează din oră în oră dosarele pacienților internați și semnalează pacienții cu risc ridicat de deteriorare în următoarele 12 ore. Alertele ajung mai întâi la o echipă de asistente medicale special instruite, care lucrează la distanță, analizează dosarul și implică, la nevoie, echipa de intervenție rapidă din spital. O evaluare a implementării eșalonate în 21 de spitale, publicată în New England Journal of Medicine în 2020, a constatat o mortalitate la 30 de zile mai mică după o alertă în cohorta de intervenție (15,8% față de 20,4% în cohorta de comparație).

Capcana unu: modele care nu trec validarea externă

Performanța publicată a unui model descrie populația pe care a fost construit. În 2021, cercetătorii de la Michigan Medicine au raportat în JAMA Internal Medicine rezultatele validării externe a unui model comercial de predicție a sepsisului, implementat în sute de spitale din SUA. Pe 38.455 de spitalizări, AUC-ul modelului a fost de 0,63, cu mult sub performanța raportată de dezvoltator. Modelul a ratat 67% din cazurile de sepsis, generând în același timp alerte pentru 18% din toți pacienții spitalizați.

Lecția nu este că predicția sepsisului ar fi imposibilă. Lecția este că niciun model nu ar trebui pus în funcțiune într-un context nou fără o validare locală, retrospectivă, pe datele acelui context, urmată de monitorizare prospectivă după implementare.

Capcana doi: bias ascuns în variabila-țintă

În 2019, Obermeyer și colegii săi au analizat, într-un articol publicat în Science, un algoritm comercial utilizat pe scară largă în SUA pentru selectarea pacienților în programe de management al îngrijirii. Algoritmul prezicea costurile viitoare de îngrijire ca indicator indirect al nevoii de îngrijire. Deoarece, istoric, s-au cheltuit mai puțini bani pentru pacienții de culoare cu același nivel de boală, algoritmul i-a considerat mai sănătoși decât pacienții albi la fel de bolnavi. Autorii au estimat că eliminarea acestei disparități ar crește ponderea pacienților de culoare identificați pentru sprijin suplimentar de la 17,7% la 46,5%.

Din punct de vedere tehnic, modelul prezicea corect costurile. Bias-ul a provenit din alegerea unei ținte greșite. Orice program național ar trebui să se întrebe, pentru fiecare model, dacă rezultatul pe care îl prezice este rezultatul relevant din punct de vedere clinic și să verifice performanța separat pe regiuni, grupe de vârstă, sexe și populații urbane și rurale.

Capcana trei: oboseala cauzată de alerte

Un model care emite alerte pentru mulți pacienți ca să depisteze câțiva va fi ignorat. În validarea modelului de sepsis menționată mai sus, raportul dintre alerte și cazurile reale însemna că clinicienii ar fi trebuit să evalueze mulți pacienți pentru fiecare caz depistat. Atunci când alertele sunt frecvente și în majoritate false, clinicienii învață să le ignore, inclusiv pe cele care contează. Printre măsurile practice de atenuare se numără:

• Stabilirea pragurilor în funcție de capacitatea echipei care trebuie să răspundă, nu doar în funcție de indicatorii statistici.
• Trimiterea alertelor către un evaluator dedicat, așa cum procedează Kaiser Permanente, și nu direct către personalul ocupat din secții.
• Suprimarea alertelor repetate pentru același pacient și documentarea motivului pentru care o alertă a fost ignorată.
• Monitorizarea valorii predictive pozitive și a timpilor de răspuns ca indicatori operaționali permanenți.

Capcana patru: deriva în timp

Populațiile, practicile de codificare și tratamentele se schimbă. Un model calibrat pe date dinainte de pandemie sau pe date dinainte de implementarea unui nou sistem DES se poate degrada fără ca cineva să observe. Monitorizarea continuă a calibrării, reantrenarea periodică în regim de control al modificărilor și un responsabil clar pentru fiecare model aflat în producție sunt cerințe de bază, nu opțiuni suplimentare.

Listă de verificare pentru factorii de decizie

1. Definiți acțiunea clinică și echipa care o va întreprinde înainte de a alege un model.
2. Validați local, pe date naționale retrospective, înainte de orice utilizare clinică.
3. Raportați calibrarea și performanța pe subgrupuri, nu doar AUC-ul general.
4. Începeți cu un pilot în mod silențios, apoi treceți la o implementare reală limitată, cu măsurarea rezultatelor.
5. Monitorizați continuu volumul alertelor, valoarea predictivă pozitivă și deriva.
6. Mențineți clinicienii în bucla decizională și înregistrați modul în care sunt utilizate predicțiile.

Aplicarea acestor lecții în Republica Moldova

Predicția bolilor este unul dintre cele cinci domenii de IA ale Programului Național de Digitalizare a Sistemului de Sănătate (2025–2030) al Republicii Moldova, care acoperă aproximativ 2,36 milioane de persoane. Programul prevede predicția riscului pe baza DES și monitorizarea epidemiologică în timp real. Cea mai importantă constrângere de proiectare este maturitatea datelor: acoperirea cu DES este estimată să crească de la sub 10% în prezent la circa 80% până în 2030. Prin urmare, primele modele vor fi antrenate pe date parțiale și neuniforme, ceea ce face ca validarea locală, analiza pe subgrupuri și monitorizarea derivei să fie mai importante, nu mai puțin importante. Pe măsură ce acoperirea crește de aproximativ opt ori, modelele vor necesita recalibrare periodică.

Import Medical sprijină programul cu capacitate de calcul suverană, on-premise, pentru IA, operată în interiorul Republicii Moldova, astfel încât modelele de risc să poată fi antrenate, validate și rulate lângă dosarele naționale de sănătate, fără ca aceste date să părăsească țara. Aflați mai multe despre soluția noastră de predicție a bolilor și despre infrastructura de IA care o susține. Lecturi conexe: dovezile privind IA în radiologie, suveranitatea datelor de sănătate în UE și IA pentru operațiunile din sănătate. Pentru a discuta un pilot care începe cu validarea, contactați-ne.

analiză predictivă sănătatea populației predicția riscului supraveghere epidemiologică DES

Surse

1. Developing a COVID-19 mortality risk prediction model when individual-level data are not available (Barda et al., Nature Communications 2020) — PubMed Central
2. Development and validation of QRISK3 risk prediction algorithms (Hippisley-Cox et al., BMJ 2017) — PubMed Central
3. Real-time alerts associated with lower mortality — Kaiser Permanente
4. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients (Wong et al., JAMA Intern Med 2021) — PubMed
5. Dissecting racial bias in an algorithm used to manage the health of populations (Obermeyer et al., Science 2019) — PubMed
6. Syndromic surveillance — UK Health Security Agency data dashboard