Les systèmes de santé utilisent l’apprentissage automatique pour prédire les soins coûteux. Aidera-t-il les patients?

HLes systèmes de santé et les payeurs désireux de réduire les coûts pensent que la réponse réside dans un petit groupe de patients qui dépensent plus que n’importe qui d’autre.

S’ils peuvent attraper ces patients généralement appelés grands utilisateurs ou coût élevé, besoin élevé avant que leur état ne s’aggrave, les prestataires et les assureurs peuvent les orienter vers des soins primaires ou des programmes sociaux comme les services alimentaires qui pourraient les empêcher d’aller aux urgences. Un nombre croissant souhaite également identifier les patients les plus à risque d’être réadmis à l’hôpital, ce qui peut entraîner des factures plus importantes. Pour les trouver, ils élaborent leurs propres algorithmes qui s’appuient sur les informations sur les réclamations antérieures, l’historique des médicaments sur ordonnance et des facteurs démographiques tels que l’âge et le sexe.

Un nombre croissant de fournisseurs avec lesquels il travaille dans le monde pilotent et utilisent la technologie prédictive pour la prévention, a déclaré Mutaz Shegewi, directeur de recherche de la pratique informatique des fournisseurs mondiaux de la société d’études de marché IDC.

publicité

Conçus avec précision et exactitude, ces modèles pourraient réduire considérablement les coûts et également maintenir les patients en meilleure santé, a déclaré Nigam Shah, professeur d’informatique biomédicale à Stanford. Nous pouvons utiliser des algorithmes pour faire le bien, pour trouver des personnes susceptibles de coûter cher, puis identifier par la suite ceux pour qui nous pouvons peut-être faire quelque chose, a-t-il déclaré.

Mais cela nécessite un niveau de coordination et de fiabilité qui reste jusqu’à présent rare dans l’utilisation des algorithmes de santé. Il n’y a aucune garantie que ces modèles, souvent élaborés en interne par les assureurs et les systèmes de santé, fonctionnent comme prévu. S’ils s’appuient uniquement sur les dépenses passées pour prédire les dépenses futures et les besoins médicaux, ils risquent de passer outre les patients malades qui n’ont jamais eu accès aux soins de santé. Et les prédictions ne seront d’aucune utilité si les prestataires, les payeurs et les services sociaux n’ajustent pas réellement leur flux de travail pour faire participer ces patients à des programmes de prévention, préviennent les experts.

publicité

Il y a très peu d’organisation, dit Shah. Il y a certainement un besoin de standardisation de l’industrie à la fois en termes de comment vous le faites et de ce que vous faites avec l’information.

Le premier problème, selon les experts, est qu’il n’y a pas de définition convenue de ce qui constitue une utilisation élevée. Alors que les systèmes de santé et les assureurs développent de nouveaux modèles, Shah a déclaré qu’ils devront être très précis et transparents quant à savoir si leurs algorithmes pour identifier les patients potentiellement coûteux mesurent les dépenses médicales, le volume de visites par rapport à une référence ou les besoins médicaux basés sur des données cliniques.

Certains modèles utilisent le coût comme mesure indirecte des besoins médicaux, mais ils ne peuvent souvent pas tenir compte des disparités dans la capacité d’une personne à obtenir réellement des soins. Dans un article de 2019 largement cité examinant un algorithme utilisé par Optum, les chercheurs ont conclu que l’outil qui utilisait les dépenses antérieures pour prédire les besoins des patients référait plus fréquemment des patients blancs pour des soins de suivi que les patients noirs qui étaient également malades.

La prédiction des futurs patients à coût élevé peut différer de la prédiction des patients ayant des besoins médicaux élevés en raison de facteurs de confusion tels que le statut d’assurance, a déclaré Irene Chen, chercheuse en informatique au MIT qui a co-écrit un article sur les affaires de santé décrivant les biais potentiels dans les algorithmes de santé.

Si un algorithme à coût élevé n’est pas précis ou exacerbe les biais, il peut être difficile à détecter, en particulier lorsque les modèles sont développés et mis en œuvre dans des systèmes de santé individuels, sans surveillance extérieure ni audit par le gouvernement ou l’industrie. Un groupe de législateurs démocrates a déposé un projet de loi obligeant les organisations utilisant l’IA à prendre des décisions pour évaluer leur partialité et créer un référentiel public de ces systèmes à la Federal Trade Commission, bien qu’il ne soit pas encore clair s’il progressera.

Cela impose, pour le moment, aux systèmes de santé et aux assureurs de s’assurer que leurs modèles sont justes, précis et bénéfiques pour tous les patients. Shah a suggéré que les développeurs de tout modèle de prévision des coûts, en particulier les payeurs en dehors du système clinique, vérifient les données avec les prestataires pour s’assurer que les patients ciblés ont également les besoins médicaux les plus élevés.

Si nous pouvions savoir qui va avoir des ennuis, des ennuis médicaux, en comprenant pleinement que le coût est un indicateur de cela, nous pouvons alors engager des processus humains pour tenter d’empêcher cela, a-t-il déclaré.

Une autre question clé concernant l’utilisation d’algorithmes pour identifier les patients à coût élevé est de savoir ce que, exactement, les systèmes de santé et les payeurs devraient faire de ces informations.

Même si vous pouvez prédire qu’un être humain l’année prochaine coûtera beaucoup plus cher parce que cette année, il a un cancer du côlon de stade 3, vous ne pouvez pas souhaiter que son cancer disparaisse, donc ce coût n’est pas évitable, a déclaré Shah.

Pour l’instant, le travail acharné consistant à déterminer ce qu’il faut faire des prédictions produites par les algorithmes a été laissé entre les mains des systèmes de santé qui élaborent leurs propres modèles. Il en va de même pour la collecte de données pour comprendre si ces interventions font une différence dans les résultats pour les patients ou les coûts.

Au UTHealth Harris County Psychiatric Center, un centre de filet de sécurité destiné principalement aux personnes à faible revenu à Houston, les chercheurs utilisent l’apprentissage automatique pour mieux comprendre quels patients ont le plus besoin et renforcer les ressources pour ces populations. Dans une étude, les chercheurs ont découvert que certains facteurs comme le décrochage scolaire ou le diagnostic de schizophrénie étaient liés à des visites fréquentes et coûteuses. Une autre analyse a suggéré que le manque de revenu était fortement lié à l’itinérance, qui à son tour a été liée à des hospitalisations psychiatriques coûteuses.

Certaines de ces conclusions peuvent sembler évidentes, mais la quantification de la force de ces liens aide les décideurs des hôpitaux avec un personnel et des ressources limités à décider quels déterminants sociaux de la santé aborder en premier, selon l’auteur de l’étude Jane Hamilton, professeure adjointe de psychiatrie et de sciences du comportement à le Centre des sciences de la santé de l’Université du Texas à la Houstons Medical School.

L’étude sur les sans-abrisme, par exemple, a conduit à davantage d’interventions intermédiaires locales comme des programmes résidentiels progressifs pour les patients psychiatriques. Ce que vous auriez à faire, c’est d’amener tous les travailleurs sociaux à vraiment le vendre au département de travail social et au département médical pour se concentrer sur une découverte particulière, a déclaré Hamilton.

La technologie prédictive n’est pas encore directement intégrée au système de dossiers de santé, elle ne fait donc pas encore partie de l’aide à la décision clinique. Au lieu de cela, les travailleurs sociaux, les médecins, les infirmières et les cadres sont informés séparément des facteurs que l’algorithme identifie pour le risque de réadmission, afin qu’ils puissent orienter certains patients vers des interventions telles que des visites aiguës à court terme, a déclaré Lokesh Shahani, médecin-chef de l’hôpital et associé. professeur au département de psychiatrie et des sciences du comportement de l’UTHealths. Nous nous appuyons sur le profil identifié par l’algorithme, puis transmettons ces informations à nos cliniciens, a déclaré Shahani.

Il est un peu plus difficile de mettre un algorithme compliqué dans le DSE de l’hôpital et de changer le flux de travail, a déclaré Hamilton, cependant Shahani a déclaré que l’hôpital psychiatrique prévoyait de relier les deux systèmes afin que les facteurs de risque soient signalés dans les dossiers individuels au cours des prochains mois.

Une partie de la modification des opérations hospitalières consiste à identifier les visites qui peuvent réellement être évitées et celles qui font partie du déroulement normal des soins. Nous recherchions vraiment des facteurs malléables, a déclaré Hamilton. Que pourrions-nous faire différemment ?