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

Nel ritmo silenzioso della gestione di una malattia cronica, il passo più critico avviene spesso non nell'ufficio di un medico, ma nella privacy della casa di un paziente. Assumere i farmaci esattamente come prescritto è il ponte tra una diagnosi e una vita ben vissuta, eppure per milioni di persone in tutto il mondo, quel ponte rimane incompleto. Questo divario tra ciò che un medico prescrive e ciò che un paziente assume effettivamente è noto come non aderenza terapeutica. È un problema complesso, plasmato dalla dimenticanza, dalle istruzioni confuse e dagli effetti collaterali del trattamento, ma in molte nazioni in via di sviluppo è guidato da qualcosa di molto più tangibile: il costo dei medicinali e l'affidabilità della catena di approvvigionamento. Quando un paziente non può permettersi un rinnovo o non riesce a trovare il farmaco sullo scaffale, il piano terapeutico crolla, portando a complicazioni evitabili e morte prematura.

Per risolvere questo problema, medici e ricercatori hanno iniziato a rivolgersi ai computer, utilizzando l'apprendimento automatico (machine learning) per individuare schemi nei dati dei pazienti che l'occhio umano potrebbe ignorare. Questi sistemi esaminano le cartelle cliniche di chi assume i propri medicinali e di chi no, cercando la combinazione specifica di fattori che porta a saltare una dose. Tuttavia, la maggior parte di questi modelli informatici è stata costruita in paesi ricchi dove le assicurazioni coprono i costi e le farmacie sono sempre rifornite. Quando questi modelli vengono applicati in luoghi come il Ghana, dove l'assicurazione sanitaria non è universale e i costi diretti possono essere un peso enorme, spesso falliscono. Essi mancano delle realtà locali che determinano se una persona possa proseguire il proprio trattamento. Un nuovo studio in Ghana cerca di risolvere questo problema costruendo un modello che comprenda il panorama economico e sociale specifico dei suoi pazienti, utilizzando dati che riflettano le loro vite reali piuttosto che una versione idealizzata dell'assistenza sanitaria.

I ricercatori dell'Ospedale Presbiteriano di Agogo, in Ghana, si sono posti l'obiettivo di creare uno strumento che potesse prevedere quali pazienti avrebbero probabilmente smesso di assumere i propri farmaci per condizioni croniche come l'ipertensione e il diabete. Hanno raccolto le cartelle cliniche di 1.772 pazienti adulti che avevano visitato l'ospedale in un periodo di sei mesi. Invece di affidarsi alla memoria dei pazienti su quanti farmaci avessero assunto, il team ha utilizzato un metodo preciso chiamato "Proporzione di Giorni Coperti" (Proportion of Days Covered). Questo approccio esamina le date di ogni rinnovo della prescrizione per calcolare esattamente quanti giorni un paziente ha avuto una scorta del proprio medicinale. Se un paziente aveva abbastanza medicinali per almeno l'80 percento del tempo, era considerato aderente; qualsiasi valore inferiore significava che era a rischio.

Il team ha iniziato inserendo in un programma informatico le informazioni standard su questi pazienti: la loro età, il genere, se possedevano un'assicurazione sanitaria, il numero di medicinali prescritti e il costo stimato di tali medicinali. Hanno testato cinque diversi tipi di algoritmi informatici, che spaziavano da semplici metodi statistici a reti neurali più complesse, per vedere quale potesse prevedere meglio chi sarebbe stato aderente e chi no. I risultati sono stati promettenti, con i migliori modelli individuali che identificavano correttamente gli schemi di aderenza circa l'88 percento delle volte. Ma i ricercatori sapevano che i dati standard non erano sufficienti per catturare il quadro completo della vita in Ghana.

Per rendere il modello più intelligente, il team ha aggiunto sei nuove informazioni personalizzate, create appositamente per riflettere le sfide specifiche del loro ambiente locale. Hanno creato caratteristiche che combinavano diversi fattori, come moltiplicare l'età del paziente per il numero di medicinali assunti, per vedere se i pazienti più anziani avessero maggiori difficoltà con regimi complessi. Hanno anche calcolato un "onere del prezzo" specificamente per i pazienti senza assicurazione, riconoscendo che il costo dei medicinali colpisce molto più duramente gli assicurati. Insegnando al computer a osservare queste interazioni, hanno permesso al modello di comprendere che un costo elevato potrebbe non essere un problema per un paziente assicurato, ma potrebbe rappresentare un ostacolo insormontabile per qualcuno che paga di tasca propria.

Quando hanno combinato queste nuove caratteristiche sensibili al contesto con una tecnica chiamata "ensemble impilato" (stacked ensemble) — dove più modelli informatici lavorano insieme per votare una risposta finale — l'accuratezza della previsione è migliorata. Il miglior modello classificava correttamente i pazienti l'89,5 percento delle volte. Più importante ancora, i ricercatori hanno utilizzato un metodo chiamato SHAP per aprire la "scatola nera" del processo decisionale del computer. Ciò ha permesso loro di vedere esattamente quali fattori guidavano le previsioni. Hanno scoperto che i predittori più potenti non erano solo l'età o il genere, ma lo stato assicurativo del paziente, l'interazione tra l'età e la complessità del trattamento farmacologico e la presenza di altre condizioni di salute croniche. Ciò ha confermato che l'accesso finanziario e la complessità del trattamento erano le forze primarie che modellavano l'aderenza in questa comunità.

Lo studio ha esplorato anche come rendere questo strumento pratico per gli ospedali con risorse limitate. Hanno testato se il modello potesse funzionare con meno dati, simulando uno scenario in cui una clinica potesse non avere accesso a ogni singolo dettaglio su un paziente. Hanno scoperto che un modello utilizzando solo sette caratteristiche chiave performava quasi quanto il modello completo, e che persino una versione con sole tre caratteristiche — lo stato assicurativo, l'interazione età-medicazione e lo stato di comorbidità cronica — manteneva la maggior parte del suo potere predittivo. Ciò suggerisce che in contesti con scarse risorse, i medici non hanno bisogno di un database massiccio per identificare i pazienti a rischio; un piccolo set mirato di informazioni è sufficiente per segnalare chi ha bisogno di aiuto.

Tuttavia, i ricercatori sono stati cauti nel sottolineare i limiti dei loro risultati. I dati provenivano da un singolo ospedale e il modello non è stato testato su pazienti di altre regioni o paesi, quindi non è ancora noto se funzionerebbe ovunque. Hanno anche scoperto che, sebbene l'uso di una tecnica per bilanciare i dati aiutasse il modello a trovare più pazienti non aderenti, rendeva le previsioni complessive leggermente meno accurate. In definitiva, hanno scelto il modello addestrato sui dati originali, non bilanciati, perché offriva la migliore affidabilità complessiva. Lo studio conclude che, sebbene il machine learning offra grandi promesse per migliorare la salute in Ghana, questi strumenti devono essere costruiti tenendo conto delle realtà locali. Concentrandosi sulle barriere specifiche del costo e dell'assicurazione, e mantenendo i modelli abbastanza semplici da poter essere utilizzati con dati limitati, i ricercatori hanno creato un percorso per identificare i pazienti che necessitano di supporto prima che smettano di assumere i loro medicinali salvavita.