Predicting Medication Adherence Among Chronic Disease Patients in Ghana Using Explainable Machine Learning: A Retrospective EMR-Based Study

Im stillen Rhythmus der Bewältigung einer chronischen Krankheit findet der entscheidendste Schritt oft nicht in einer Arztpraxis statt, sondern in der Privatsphäre des Zuhauses eines Patienten. Die Einnahme von Medikamenten exakt nach Vorschrift ist die Brücke zwischen einer Diagnose und einem gut gelebten Leben, doch für Millionen von Menschen auf der Welt bleibt diese Brücke unvollständig. Diese Lücke zwischen dem, was ein Arzt verschreibt, und dem, was ein Patient tatsächlich einnimmt, ist als Medikamenten-Non-Adhärenz bekannt. Es ist ein komplexes Problem, das durch Vergesslichkeit, verwirrende Anweisungen und die Nebenwirkungen der Behandlung geformt wird, aber in vielen Entwicklungsländern wird es durch etwas viel Greifbareres angetrieben: die Kosten der Medikamente und die Zuverlässigkeit der Lieferkette. Wenn ein Patient sich eine Nachfüllung nicht leisten kann oder das Medikament nicht im Regal finden kann, bricht der Behandlungsplan zusammen, was zu vermeidbaren Komplikationen und einem frühen Tod führt.

Um dies zu lösen, haben Ärzte und Forscher begonnen, sich Computern zuzuwenden und maschinelles Lernen zu nutzen, um Muster in Patientendaten aufzuspüren, die dem menschlichen Auge entgehen könnten. Diese Systeme untersuchen Aufzeichnungen darüber, wer seine Medikamente einnimmt und wer nicht, und suchen nach der spezifischen Mischung aus Faktoren, die zum Auslassen einer Dosis führt. Die meisten dieser Computermodelle wurden jedoch in wohlhabenden Ländern entwickelt, in denen Versicherungen die Kosten decken und Apotheken stets gut bestückt sind. Wenn diese Modelle auf Orte wie Ghana angewendet werden, wo es keine allgemeine Krankenversicherung gibt und die Kosten aus eigener Tasche eine schwere Last sein können, versagen sie oft. Sie übersehen die lokalen Realitäten, die darüber entscheiden, ob eine Person ihre Behandlung fortsetzen kann. Eine neue Studie aus Ghana versucht dies zu beheben, indem sie ein Modell entwickelt, das die spezifische wirtschaftliche und soziale Landschaft seiner Patienten versteht und Daten verwendet, die ihr tatsächliches Leben widerspiegeln, statt einer idealisierten Version der Gesundheitsversorgung.

Forscher am Presbyterian Hospital in Agogo, Ghana, setzten sich zum Ziel, ein Werkzeug zu entwickeln, das vorhersagen konnte, welche Patienten wahrscheinlich aufhören würden, ihre Medikamente für chronische Erkrankungen wie Bluthochdruck und Diabetes einzunehmen. Sie sammelten Aufzeichnungen von 1.772 erwachsenen Patienten, die das Krankenhaus über einen Zeitraum von sechs Monaten besucht hatten. Anstatt sich darauf zu verlassen, dass Patienten sich daran erinnern, wie viele Pillen sie eingenommen haben, verwendete das Team eine präzise Methode namens „Proportion of Days Covered“ (Anteil der abgedeckten Tage). Dieser Ansatz betrachtet die Daten jeder Rezeptnachfüllung, um genau zu berechnen, an wie vielen Tagen ein Patient über eine Vorrat an Medikamenten verfügte. Wenn ein Patient für mindestens 80 Prozent der Zeit über ausreichend Medikamente verfügte, galt er als adherent; alles darunter bedeutete, dass er gefährdet war.

Das Team begann damit, ein Computerprogramm mit Standardinformationen über diese Patienten zu füttern: ihr Alter, Geschlecht, ob sie eine Krankenversicherung hatten, die Anzahl der verschriebenen Medikamente und die geschätzten Kosten dieser Medikamente. Sie testeten fünf verschiedene Arten von Algorithmen, die von einfachen statistischen Methoden bis hin zu komplexeren neuronalen Netzen reichten, um zu sehen, welcher am besten vorhersagen konnte, wer adherent wäre und wer nicht. Die Ergebnisse waren vielversprechend, wobei die besten Einzelmodelle Adhärenzmuster etwa 88 Prozent der Zeit korrekt identifizierten. Doch die Forscher wussten, dass Standarddaten nicht ausreichten, um das volle Bild des Lebens in Ghana einzufangen.

Um das Modell intelligenter zu machen, fügte das Team sechs neue, maßgeschneiderte Informationsteile hinzu, die die spezifischen Herausforderungen ihrer lokalen Umgebung widerspiegelten. Sie erstellten Merkmale, die verschiedene Faktoren kombinierten, wie etwa die Multiplikation des Alters eines Patienten mit der Anzahl der eingenommenen Medikamente, um zu sehen, ob ältere Patienten mehr mit komplexen Regimen zu kämpfen hatten. Sie berechneten auch eine „Preisbelastung“ speziell für Patienten ohne Versicherung, in Anerkennung der Tatsache, dass die Kosten für Medikamente Unversicherte viel härter treffen. Indem sie den Computer lehrten, auf diese Wechselwirkungen zu achten, ermöglichten sie dem Modell zu verstehen, dass ein hoher Preis für einen versicherten Patienten vielleicht keine Rolle spielt, für jemanden, der aus eigener Tasche zahlt, jedoch ein Ausschlusskriterium sein kann.

Als sie diese neuen, kontextsensitiven Merkmale mit einer Technik namens „Stacked Ensemble“ kombinierten – bei der mehrere Computermodelle zusammenarbeiten, um über eine endgültige Antwort abzustimmen – verbesserte sich die Vorhersagegenauigkeit. Das beste Modell klassifizierte Patienten zu 89,5 Prozent der Zeit korrekt. Wichtiger noch war, dass die Forscher eine Methode namens SHAP verwendeten, um die „Black Box“ der Entscheidungsfindung des Computers zu öffnen. Dies ermöglichte es ihnen zu sehen, welche Faktoren genau die Vorhersagen vorantrieben. Sie fanden heraus, dass die stärksten Prädiktoren nicht nur Alter oder Geschlecht waren, sondern der Versicherungsstatus des Patienten, die Wechselwirkung zwischen ihrem Alter und der Komplexität ihrer Medikation sowie die Frage, ob sie andere chronische Gesundheitsprobleme hatten. Dies bestätigte, dass der finanzielle Zugang und die Komplexität der Behandlung die primären Kräfte waren, die die Adhärenz in dieser Gemeinschaft formten.

Die Studie untersuchte auch, wie dieses Werkzeug für Krankenhäuser mit begrenzten Ressourcen praktikabel gemacht werden kann. Sie testeten, ob das Modell mit weniger Daten funktionieren könnte, indem sie ein Szenario simulierten, in dem eine Klinik keinen Zugriff auf jedes einzelne Detail über einen Patienten hat. Sie entdeckten, dass ein Modell, das nur sieben Schlüsselmerkmale verwendete, fast so gut funktionierte wie das vollständige Modell, und selbst eine Version mit nur drei Merkmalen – Versicherungsstatus, die Interaktion zwischen Alter und Medikation sowie der Status chronischer Begleiterkrankungen – den Großteil ihrer Vorhersagekraft behielt. Dies deutet darauf darauf hin, dass Ärzte in ressourcenarmen Umgebungen keine riesige Datenbank benötigen, um gefährdete Patienten zu identifizieren; ein kleiner, fokussierter Satz an Informationen reicht aus, um diejenigen zu markieren, die Hilfe benötigen.

Die Forscher waren jedoch sorgfältig darin, die Grenzen ihrer Ergebnisse anzumerken. Die Daten stammten aus einem einzigen Krankenhaus, und das Modell wurde nicht an Patienten aus anderen Regionen oder Ländern getestet, daher ist noch nicht bekannt, ob es überall funktionieren würde. Sie fanden auch heraus, dass die Verwendung einer Technik zur Balance der Daten half, das Modell besser darin zu machen, nicht-adherente Patienten zu finden, es jedoch die Gesamteffektivität der Vorhersagen leicht verringerte. Letztendlich entschieden sie sich für das Modell, das mit den ursprünglichen, unbalancierten Daten trainiert wurde, da es die beste Gesamtzuverlässigkeit bot. Die Studie kommt zu dem Schluss, dass maschinelles Lernen zwar großes Potenzial für die Verbesserung der Gesundheit in Ghana bietet, diese Werkzeuge jedoch mit den lokalen Realitäten im Hinterkopf gebaut werden müssen. Durch die Konzentration auf die spezifischen Barrieren von Kosten und Versicherung und durch die Beibehaltung der Einfachheit der Modelle, damit sie mit begrenzten Daten nutzbar sind, haben die Forscher einen Weg geschaffen, um Patienten zu identifizieren, die Unterstützung benötigen, bevor sie aufhören, ihre lebensrettenden Medikamente einzunehmen.