Assessing medication-related burden and medication adherence among older patients from Central Nepal: A machine learning approach

Diese Studie nutzt maschinelle Lernverfahren, um bei älteren Patienten in Zentralnepal mittels des LMQ-3- und ARMS-Fragebogens eine moderate Medikamentenbelastung und mangelnde Therapietreue zu identifizieren, wobei die Notwendigkeit von Unterstützung und Polypharmazie als stärkste Einflussfaktoren ermittelt wurden.

Das Wesentliche

🏥 Die große Medikamenten-Last: Eine Reise durch Nepals Apotheken

Stellen Sie sich vor, Sie sind ein älterer Mensch in Nepal. Sie haben vielleicht Diabetes, Bluthochdruck oder beides. Um gesund zu bleiben, müssen Sie jeden Tag eine ganze Reihe von Pillen schlucken. Aber wie fühlt es sich an, diese ganze "Medikamenten-Werkstatt" jeden Tag zu verwalten? Genau das haben die Forscher in dieser Studie untersucht.

Sie haben sich 390 ältere Patienten in einem großen Krankenhaus in Zentral-Nepal angesehen und zwei Dinge gemessen:

1. Die Last: Wie schwer fällt es den Leuten, ihre Medikamente zu organisieren? (Wie schwer ist der Rucksack?)
2. Die Treue: Nehmen sie die Pillen wirklich regelmäßig ein? (Oder vergessen sie sie?)

Um das herauszufinden, haben sie nicht nur einfache Fragen gestellt, sondern einen digitalen "Glaskugel"-Computer (Maschinelles Lernen) benutzt, der viel besser Muster erkennt als ein normaler Statistiker.

---

🎒 Die wichtigsten Entdeckungen (in einfachen Bildern)

1. Der Rucksack ist schwer, aber nicht zu schwer

Die Forscher haben herausgefunden, dass die Patienten eine mittlere Last tragen. Es ist nicht so, als müssten sie einen riesigen Felsblock schleppen, aber es ist auch nicht nur ein leichter Rucksack.

• Das Gute: Die Patienten vertrauen ihren Ärzten. Sie glauben, dass die Medikamente wirken.
• Das Schlechte: Der Alltag ist hart. Die Pillen stören den Schlaf, den Sex oder das soziale Leben. Viele haben Angst vor Nebenwirkungen oder fühlen sich wie Sklaven ihrer Medikamente.

2. Der "Glaskugel"-Computer hat die Gewinner gefunden

Die Forscher haben sechs verschiedene Computer-Modelle getestet, um vorherzusagen, wer Probleme hat. Der Gewinner war der Random Forest (eine Art digitaler Wald aus Entscheidungsbäumen).

• Warum? Weil das Leben kompliziert ist. Ein einfacher lineares Modell (wie eine gerade Linie) kann nicht verstehen, dass "viel Stress + wenig Geld + viele Pillen" zusammen eine Katastrophe ergeben. Der Computer-Wald hat diese komplexen Verästelungen perfekt erkannt.

3. Die zwei größten "Übeltäter"

Was macht den Rucksack am schwersten und lässt die Leute die Pillen vergessen? Zwei Hauptfaktoren:

• Der "Pillen-Stapel" (Polypharmazie): Je mehr verschiedene Medikamente man nimmt, desto schwerer wird der Rucksack und desto eher vergisst man etwas. Es ist wie ein Puzzle mit 500 Teilen, das man jeden Tag neu zusammenbauen muss.
• Der "Helfer-Bedarf": Das ist der interessanteste Punkt! Wenn jemand Hilfe braucht (weil die Hände zittern oder das Gedächtnis nachlässt), steigt die Last enorm.
  • Aber: Wenn jemand schon Hilfe bekommt, kann das den Stress etwas lindern. Es ist wie ein Rucksack: Wenn man ihn allein tragen muss, ist er schwer. Wenn ein Freund einen Teil trägt, wird es erträglicher. Aber wenn man Hilfe braucht, und trotzdem allein ist, ist die Gefahr am größten, die Pillen zu vergessen.

4. Geld und Zeit spielen eine Rolle

• Geld: Wer für die Medikamente selbst zahlen muss, hat mehr Stress und vergisst sie öfter. Das ist verständlich – wenn das Geld knapp ist, wird der Rucksack schwerer.
• Zeit: Überraschenderweise haben arbeitslose Menschen die Pillen besser im Griff als arbeitende. Warum? Weil sie mehr Zeit haben, sich um den komplizierten "Pillen-Puzzle" zu kümmern. Wer arbeitet, hat weniger Zeit für die Organisation.

---

💡 Was bedeutet das für die Zukunft?

Die Studie sagt uns: Wir müssen die Patienten entlasten.

Statt nur noch mehr Pillen zu verschreiben, sollten Ärzte und Apotheker in Nepal (und überall sonst) so tun, als wären sie Garten-Designer:

• Weniger Unkraut: Entfernen Sie unnötige Medikamente (Deprescribing).
• Einfachere Wege: Machen Sie die Einnahmezeiten einfacher (z. B. nur einmal am Tag statt dreimal).
• Hilfe anbieten: Wenn jemand Hilfe braucht, muss diese Hilfe auch wirklich da sein. Ein einfacher Pillenbox oder ein Anruf von einem Angehörigen kann den Unterschied zwischen "gesund bleiben" und "verwirrt werden" ausmachen.

Zusammenfassend:
Die älteren Menschen in Nepal sind nicht faul, wenn sie ihre Pillen vergessen. Sie sind von einem zu komplexen System überfordert. Die Lösung liegt nicht darin, die Patienten zu belehren, sondern das System zu vereinfachen, damit der Rucksack leichter wird und die "Glaskugel" des Computers uns hilft, die richtigen Leute rechtzeitig zu unterstützen.

Technische Zusammenfassung

Technische Zusammenfassung: Bewertung der medikamentenbedingten Belastung und Adhärenz bei älteren Patienten im zentralen Nepal mittels Machine Learning

1. Problemstellung und Hintergrund

Nepal verzeichnet einen rapiden demografischen Wandel hin zu einer alternden Bevölkerung, was mit einer Zunahme nicht-übertragbarer chronischer Erkrankungen und damit verbundener Multimorbidität einhergeht. Dies führt zu komplexen Pharmakotherapien, Polypharmazie und einem erhöhten Risiko für unerwünschte Arzneimittelwirkungen.

• Kernproblem: Ältere Patienten erleben eine hohe „medikamentenbedingte Belastung" (Medication-Related Burden, MRB), die sich aus praktischen und psychologischen Herausforderungen beim Management der Medikation ergibt. Hohe MRB korreliert stark mit Non-Adhärenz (Nichteinhaltung der Therapie), was zu schlechteren klinischen Ergebnissen führt.
• Forschungslücke: Bisherige Studien in Nepal und anderen Ländern mit niedrigem bis mittlerem Einkommen (LMICs) haben die multidimensionalen Faktoren, die MRB und Adhärenz beeinflussen, oft nur mit traditionellen statistischen Methoden untersucht. Diese Methoden erfassen häufig nicht die komplexen, nicht-linearen Interaktionen zwischen soziodemografischen, klinischen und medikamentenbezogenen Variablen. Zudem fehlen datengestützte Erkenntnisse für eine gezielte klinische Intervention in diesem spezifischen kulturellen Kontext.

2. Methodik

Die Studie ist eine querschnittliche Beobachtungsstudie, die an der Bharatpur Hospital (einem zentralen Krankenhaus in Nepal) durchgeführt wurde.

• Studiendesign & Stichprobe:

  • Teilnehmer: 390 ambulante Patienten im Alter von ≥ 65 Jahren.
  • Einschlusskriterien: Mindestens ein Jahr Einnahme von verschriebenen Medikamenten für chronische Erkrankungen.
  • Ausschlusskriterien: Psychische Störungen oder kognitive Beeinträchtigungen.
  • Stichprobenberechnung: A-priori-Berechnung mittels des R-Pakets pmsampsize für multivariable Vorhersagemodelle (unter Annahme von 17 Prädiktoren und einem Cox-Snell R² von 0,30), um eine statistische Power zu gewährleisten.

• Erhebungsinstrumente:

  • MRB-Erfassung: Living with Medicines Questionnaire (LMQ-3). Ein validierter, patientenzentrierter Fragebogen mit 41 Items in 8 Domänen (z. B. praktische Schwierigkeiten, Kosten, Nebenwirkungen, Autonomie). Die Gesamtskala reicht von 41 bis 205 (höhere Werte = höhere Belastung). Zusätzlich wurde eine visuelle Analogskala (VAS) verwendet.
  • Adhärenz-Erfassung: Adherence to Refills and Medications Scale (ARMS). Ein 12-Item-Fragebogen zur Erfassung der Wiederauffüll-Adhärenz (Skala 12–48; höhere Werte = schlechtere Adhärenz).
  • Sprachliche Validierung: Die Instrumente wurden nach einem strengen Forward-Backward-Übersetzungsprozess und kognitivem Debriefing ins Nepali adaptiert.

• Datenanalyse und Machine Learning (ML):

  • Präprozessierung: Daten wurden in R verarbeitet. Kategoriale Merkmale wurden mittels Dummy-Encoding transformiert.
  • Algorithmen: Es wurden sechs verschiedene ML-Architekturen verglichen, um LMQ- und ARMS-Scores vorherzusagen:
    1. Ordinary Least Squares (OLS) – als statistische Baseline.
    2. Penalized Linear Regression (LR).
    3. Random Forest (RF).
    4. Extreme Gradient Boosting (XGBoost).
    5. Light Gradient Boosting Machine (LightGBM).
    6. Support Vector Machines (SVM).
  • Validierung: 80/20-Aufteilung in Trainings- und Testdaten, 10-fache wiederholte Kreuzvalidierung und Hyperparameter-Optimierung via ANOVA-basiertem Racing.
  • Metriken: Root Mean Square Error (RMSE), Mean Absolute Error (MAE), R-Squared (R²), MAPE und Huber Loss.
  • Erklärbarkeit (Explainability): SHAP (SHapley Additive exPlanations) Werte wurden verwendet, um die Feature-Importanz zu bestimmen und nicht-lineare Interaktionseffekte zu visualisieren.

3. Wichtige Ergebnisse

• Deskriptive Ergebnisse:

  • MRB: Der Median-LMQ-3-Score lag bei 110,0 (mittlere Belastung). Die größte Belastung wurde in den Domänen „Praktische Schwierigkeiten" und „Einstellungen/Bedenken" berichtet.
  • Adhärenz: Der Median-ARMS-Score lag bei 21,0 (mittlere Non-Adhärenz). Häufige Ursachen waren Vergesslichkeit, Nachlässigkeit und das Ausbleiben von Medikamenten.

• Modellleistung:

  • Der Random Forest (RF)-Algorithmus erwies sich als überlegen für beide Zielvariablen (LMQ und ARMS).
  • Für LMQ erreichte RF ein R² von 0,540 (vs. 0,476 bei OLS) und den niedrigsten RMSE.
  • Für ARMS erreichte RF ein R² von 0,495 (vs. 0,365 bei OLS).
  • Dies bestätigt, dass die Beziehungen zwischen den Prädiktoren und den Ergebnissen nicht-linear und komplex sind, was traditionelle lineare Modelle unterschätzen.

• Prädiktoren (SHAP-Analyse):

  • Haupttreiber: Die beiden stärksten Prädiktoren für sowohl hohe MRB als auch schlechte Adhärenz waren:
    1. Notwendigkeit von Unterstützung („Requires assistance" für das Medikamentenmanagement).
    2. Polypharmazie (Einnahme mehrerer Medikamente).
  • Weitere signifikante Faktoren: Kosten der Medikamente (Out-of-Pocket-Zahlungen), Multimorbidität und die Art der Diagnose (z. B. Diabetes Typ 2 zeigte höhere Belastung).
  • Soziodemografie: Alter, Geschlecht und Wohnort hatten eine geringere Vorhersagekraft als klinische und verhaltensbezogene Faktoren.
  • Interaktionseffekte: Die Analyse zeigte, dass Polypharmazie die Adhärenz verschlechtert, aber dieser Effekt teilweise durch physische oder kognitive Unterstützung gemildert werden kann. Umgekehrt stellt die Kombination aus einfacher Regime und fehlender Unterstützung ein hohes Risiko dar (Hinweis auf funktionellen/kognitiven Verfall).

4. Hauptbeiträge der Studie

1. Erste ML-basierte Untersuchung in Südasien: Dies ist die erste Studie, die Machine-Learning-Architekturen nutzt, um MRB und Adhärenz bei älteren Patienten in Nepal zu modellieren.
2. Überlegenheit von ML: Der Nachweis, dass nicht-lineare ML-Modelle (insbesondere Random Forest) signifikant bessere Vorhersagen liefern als traditionelle lineare Regressionen, was auf komplexe Interaktionen in der klinischen Realität hinweist.
3. Identifikation kritischer Faktoren: Die Entdeckung, dass der Bedarf an Unterstützung und Polypharmazie die dominierenden Treiber sind, nicht primär soziodemografische Merkmale.
4. Klinische Handlungsempfehlungen: Die Ergebnisse liefern eine datengestützte Grundlage für die Priorisierung von Deprescribing (Absetzen unnötiger Medikamente) und patientenzentrierter Beratung, insbesondere für Patienten mit hohem Unterstützungsbedarf.

5. Bedeutung und Implikationen

Die Studie liefert wichtige Erkenntnisse für das Gesundheitssystem Nepals und ähnliche LMICs:

• Politische Relevanz: Da viele Patienten auf Selbstzahlungen angewiesen sind, unterstreichen die Ergebnisse die Notwendigkeit von Subventionen oder Versicherungsschutz, um die finanzielle Belastung zu senken.
• Klinische Praxis: Ärzte und Apotheker sollten Screening-Tools einsetzen, um Patienten mit hohem Unterstützungsbedarf und Polypharmazie frühzeitig zu identifizieren. Interventionen sollten sich auf die Vereinfachung von Regimen und die Schulung von Betreuern konzentrieren.
• Zukunftsperspektive: Die hohe Vorhersagegenauigkeit der ML-Modelle legt nahe, dass solche Algorithmen in klinischen Entscheidungsunterstützungssystemen (CDSS) integriert werden könnten, um Risikopatienten proaktiv zu identifizieren und die Therapiesicherheit zu erhöhen.

Limitationen: Die Studie ist auf ein einzelnes Zentrum beschränkt, was die Generalisierbarkeit einschränken könnte. Zudem zeigten einige Unterdomänen des LMQ-Fragebogens eine geringe interne Konsistenz, was auf einen Bedarf an weiterer kultureller Validierung in Nepal hindeutet.