Predicting the Absence and Gaps in Recorded Blood Pressure Follow-up Among Patients With Hypertension
Diese Studie entwickelte und validierte ein Gradient-Boosted-Tree-Modell unter Verwendung von EHR-Daten, um Lücken in der Blutdruck-Nachsorge bei hypertensiven Patienten vorherzusagen, wobei eine moderate Vorhersageleistung und Potenzial für gezielte Outreach-Maßnahmen nachgewiesen wurden, während gleichzeitig signifikante Disparitäten in der Sensitivität über verschiedene Rassen und ethnische Gruppen hinweg festgestellt wurden und sich herausstellte, dass Kontaktmuster einen minimalen Mehrwert für die Vorhersage kardiovaskulärer Hospitalisierungen boten.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Bluthochdruck ist eine stille Kraft, die, wenn sie unkontrolliert bleibt, im Laufe der Zeit das Herz und das Gehirn schädigen kann. Das Management dieser Erkrankung ist kein einmaliges Ereignis, sondern ein kontinuierlicher Kreislauf aus Überprüfung, Anpassung und Nachsorge. Wenn der Blutdruck eines Patienten in die Höhe schießt, empfehlen Ärzte einen Rückbesuch innerhalb eines Monats, um zu sehen, ob die Behandlung wirkt. Doch in der Realität kehren viele Menschen nicht zu diesem entscheidenden Kontrolltermin zurück. Sie fühlen sich vielleicht gut, vergessen den Termin oder gehen schlichtweg im Trubel eines geschäftigen Gesundheitssystems verloren. Das Fehlen einer Folgemessung in der Krankenakte eines Patienten ist ein Warnsignal dafür, dass die Versorgung ins Stocken geraten ist, aber zu identifizieren, wer wahrscheinlich aus dem System verschwinden wird, ist schwierig. Kliniken haben begrenzte Kapazitäten an Personal und Zeit; sie können nicht jeden einzelnen Patienten anrufen, der einen Besuch versäumt hat. Die Herausforderung besteht darin, einen Weg zu finden, mithilfe der bereits verfügbaren Informationen in elektronischen Gesundheitsakten vorherzusagen, welche Patienten am wahrscheinlichsten aus dem System verschwinden werden, damit begrenzte Ressourcen dort eingesetzt werden können, wo sie den größten Anstoß benötigen.
Ein Forscherteam setzte sich zum Ziel, ein Werkzeug zu entwickeln, um genau dieses Problem zu lösen. Sie untersuchten Daten von tausenden Erwachsenen mit Bluthochdruck, bei denen kürzlich eine gefährlich hohe Messung verzeichnet worden war. Ihr Ziel war es, ein Modell zu erstellen, das die Krankengeschichte eines Patienten – sein Alter, vergangene Besuche, seine Medikamentenliste und wie lange es her war, dass er das letzte Mal einen Arzt aufgesucht hat – analysieren und vorhersagen konnte, ob dieser Patient innerhalb der nächsten 90 Tage es versäumen würde, zu einer Blutdruckkontrolle zurückzukehren. Sie testeten diese Idee anhand einer massiven Datenbank von Krankenhausakten eines einzelnen medizinischen Zentrums in Boston. Die Forscher speisten 62 verschiedene Informationen über jeden Patienten in ihr Computermodell ein, die von der Art der Versicherung bis hin zur Häufigkeit der bisherigen Krankenhausbesuche reichten. Sie beobachteten dann, ob das Modell in der Lage war, die Personen korrekt zu identifizieren, die tatsächlich aus den Unterlagen verschwanden.
Die Ergebnisse zeigten, dass das Computermodell recht gut darin war, die Patienten zu erspähen, die wahrscheinlich übersehen würden. Als die Forscher das Modell an einer Gruppe von Patienten testeten, die es zuvor noch nie gesehen hatte, identifizierte das Modell erfolgreich etwa 35 % der Personen, die in den folgenden 90 Tagen keine dokumentierte Blutdruckkontrolle hatten. Wenn eine Klinik dieses Modell genutzt hätte, um ihre Outreach-Bemühungen zu priorisieren und sich nur auf die obersten 20 % der vom Modell als höchst riskant eingestuften Patienten konzentriert hätte, hätte sie festgestellt, dass fast 60 % der Kontaktierten tatsächlich ihren Folgetermin versäumt hatten. Dies ist eine signifikante Verbesserung gegenüber dem bloßen Raten, bei dem man nur etwa 35 % der versäumten Patienten erfasst hätte. Die wichtigsten Hinweise, die das Modell nutzte, waren simpel: wie lange der letzte Besuch des Patienten zurücklag und wie oft er in der Vergangenheit das Krankenhaus besucht hatte. Patienten, die schon länger nicht mehr gesehen worden waren und eine geringere Anzahl an Besuchen in der Vergangenheit hatten, waren diejenigen, die am wahrscheinlichsten aus dem System verschwanden.
Dennoch deckte die Studie eine besorgniserregende Lücke in der Funktionsweise des Werkzeugs für verschiedene Bevölkerungsgruppen auf. Obwohl das Modell insgesamt präzise war, arbeitete es nicht gleichmäßig über alle ethnischen und rassischen Gruppen hinweg. Als die Forscher dieselbe Regel auf alle anwandten, fand das Modell etwa 37 % der weißen Patienten, die ihren Folgetermin versäumt hatten, aber es fand nur etwa 21 % der schwarzen und 23 % der hispanischen Patienten. Dies geschah, obwohl das Modell generell gut darin war, das Risiko für alle vorherzusagen. Die Forscher fanden heraus, dass diese Disparität nicht nur darauf zurückzuführen war, dass weniger schwarze oder hispanische Patienten ihre Termine versäumten, sondern dass das Modell weniger sensibel auf die spezifischen Versorgungsmuster in diesen Gemeinschaften reagierte. Dies deutet darauf hin, dass die Verwendung historischer Besuchsdaten zur Vorhersage zukünftigen Verhaltens manchmal bestehende Ungleichheiten verstärken kann, da das Modell aus Mustern lernt, die bereits durch den Zugang zur Gesundheitsversorgung verschiedener Gruppen verzerrt sein können.
Die Forscher stellten auch eine zweite, verwandte Frage: Sagt das Muster des Kontakts eines Patienten mit dem Gesundheitssystem etwas über sein zukünftiges Risiko für einen Herzinfarkt, Schlaganfall oder eine Herzinsuffizienz aus? Sie untersuchten, ob Patienten mit langen Lücken in ihren Krankenakten eher in Krankenhäusern wegen dieser schwerwiegenden Zustände landeten. Überraschenderweise war die Antwort nein. Eine lange Lücke in den dokumentierten Besuchen sagte nicht konsistent ein höheres Risiko für eine kardiovaskuläre Hospitalisierung voraus. Tatsächlich zeigten die Daten, dass Patienten, die häufigeren und anhaltenderen Kontakt zum Gesundheitssystem hatten, etwas wahrscheinlicher wegen Herzinsuffizienz hospitalisiert wurden. Die Forscher erklärten dies nicht als Zeichen dafür, dass häufige Besuche die Krankheit verursachen, sondern dass Patienten, die kränker sind oder komplexere gesundheitliche Probleme haben, naturgemäß häufiger ihre Ärzte aufsuchen. Ihre häufigen Besuche sind ein Zeichen ihrer zugrunde liegenden gesundheitlichen Kämpfe, nicht die Ursache dafür. Die Studie kam zu dem Schluss, dass das Tracking dessen, wer seine Blutdruckkontrollen versäumt, zwar ein nützliches Werkzeug für Kliniken ist, um die Nachsorge zu verbessern, das Muster dieser Besuche jedoch kein zuverlässiger Kristallball für die Vorhersage zukünftiger Herzinfarkte oder Schlaganfälle ist.
Letztendlich bietet diese Arbeit eine praktische Möglichkeit für Gesundheitssysteme, ihre vorhandenen Daten zu nutzen, um Patienten aufzufangen, die durch das Raster fallen. Sie zeigt, dass ein Computer die Vorgeschichte eines Patienten betrachten und sagen kann: „Diese Person wird wahrscheinlich ihren nächsten Termin versäumen“, und dies mit einem angemessenen Maß an Genauigkeit. Aber sie dient auch als Warnung, dass solche Werkzeuge vorsichtig eingesetzt werden müssen. Wenn eine Klinik das Modell verwendet, ohne seine blinden Flecken zu berücksichtigen, könnte sie am Ende mehr weiße Patienten kontaktieren als schwarze oder hispanische Patienten, die gleichermaßen Hilfe benötigen. Die Studie beweist nicht, dass das Anrufen dieser Patienten ihren Blutdruck korrigiert oder Leben rettet; sie beweist nur, dass das Modell Kliniken dabei helfen kann, zu entscheiden, wen sie anrufen sollen. Um wirklich zu wissen, ob dieser Ansatz die Gesundheit verbessert, müssten zukünftige Studien testen, ob das Handeln nach diesen Vorhersagen tatsächlich zu besseren Ergebnissen für alle führt, unabhängig von ihrem Hintergrund.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.