MedAdhereAI: An Interpretable Machine Learning Pipeline for Predicting Medication Non-Adherence in Chronic Disease Patients Using Real-World Refill Data

MedAdhereAI is een interpreteerbare machine learning-pipeline die met behulp van medicijnvervangingsgegevens en SHAP-uitlegbaarheid patiënten met chronische ziekten identificeert die een risico lopen op het niet naleven van hun medicatietherapie.

De kern

Voorspellen wie zijn medicijnen vergeet: een nieuwe aanpak met eenvoudige gegevens

Bij chronische ziekten zoals diabetes en hoge bloeddruk is het essentieel dat patiënten hun medicijnen trouw blijven innemen. Wanneer mensen hun medicatie niet op tijd ophalen of vergeten te gebruiken, kan hun gezondheid verslechteren. Dit leidt tot meer ziekenhuisopnames en hoge kosten voor de gezondheidszorg. In veel gebieden, vooral waar medische middelen beperkt zijn, is het lastig om vroegtijdig te zien welke patiënten dit risico lopen.

In dit onderzoek hebben de auteurs MedAdhereAI ontwikkeld. Dit is een systeem dat met behulp van computerberekeningen probeert te voorspellen welke patiënten het risico lopen om hun medicatie niet goed te volgen. In plaats van te vertrouwen op ingewikkelde medische dossiers of laboratoriumuitslagen, die niet altijd beschikbaar zijn, gebruikt dit systeem gegevens die al in het systeem staan: de momenten waarop medicijnen bij de apotheek worden opgehaald.

De onderzoekers gebruikten een dataset met gegevens over patiënten met diabetes en hoge bloeddruk. Ze keken naar eenvoudige patronen, zoals de tijd die verstrijkt tussen twee keer medicijnen ophalen, hoe vaak een patiënt een controle bij een arts heeft gehad en de leeftijd van de patiënt.

Om de voorspellingen te maken, werden twee verschillende computertechnieken vergeleken. De eerste techniek is een wiskundig model dat de relatie tussen verschillende factoren berekent via een directe formule. De tweede techniek is een methode die werkt met een verzameling beslisbomen om patronen te herkennen. Uit de resultaten bleek dat het eerste model het beste presteerde. Dit model kon met een nauwkeurigheid van 0,82 (gemeten via de ROC AUC-score) het verschil tussen trouwe patiënten en patiënten die hun medicatie niet goed volgen, effectief onderscheiden.

Een belangrijk onderdeel van het onderzoek is de uitlegbaarheid van de computerberekeningen. Vaak werken moderne computersystemen als een 'black box': ze geven een antwoord, maar niemand weet precies waarom. De onderzoekers hebben MedAdhereAI zo ontworpen dat de uitkomst transparant is. Door een specifieke methode te gebruiken, kan het systeem laten zien welke factoren de doorslag gaven voor een specifieke voorspelling. Zo bleek bijvoorbeeld dat het aantal doktersbezoeken, de leeftijd en de tijd tussen de verschillende medicijnophaalmomenten de belangrijkste aanwijzingen waren.

Voor een individuele patiënt kan het systeem laten zien waarom het risico op niet-naleving hoog is. Bijvoorbeeld als de tijd tussen twee medicijnophaalmomenten erg groot was, kan het systeem dit als reden aanwijzen.

De onderzoekers concluderen dat het mogelijk is om met minimale, al aanwezige gegevens betrouwbare voorspellingen te doen. Dit zou kunnen helpen bij het identificeren van patiënten die extra ondersteuning nodig hebben, vooral in omgevingen waar medische informatie schaars is. De auteurs geven aan dat toekomstig onderzoek zich moet richten op het testen van dit systeem met grotere en meer diverse groepen patiënten om te zien of de resultaten overal hetzelfde blijven.

Technische samenvatting

Technische Samenvatting: MedAdhereAI

1. Probleemstelling (The Problem)

Therapietrouw (medication adherence) bij chronische ziekten zoals diabetes en hypertensie is een kritiek probleem in de wereldwijde gezondheidszorg. Ongeveer 50% van de patiënten houdt zich niet aan het voorgeschreven behandelplan, wat leidt tot hogere morbiditeit, vermijdbare ziekenhuisopnames en enorme kosten (meer dan $300 miljard jaarlijks in de VS).

Bestaande voorspellende modellen kampen met twee grote barrières:

• Data-intensiteit: Veel modellen vereisen complexe klinische gegevens (zoals laboratoriumuitslagen of beeldvorming) die in middelenarme omgevingen vaak niet beschikbaar zijn.
• Gebrek aan interpreteerbaarheid: Veel geavanceerde machine learning-modellen fungeren als "black boxes", waardoor clinici de voorspellingen niet kunnen vertrouwen of begrijpen, wat klinische integratie bemoeilijkt.

2. Methodologie (Methodology)

De auteurs introduceren MedAdhereAI, een modulaire machine learning-pipeline die gebruikmaakt van routinematig beschikbare gegevens: receptvernieuwingsgegevens (refill data) en declaratiegegevens (claims data).

De methodologie omvat de volgende stappen:

• Dataverwerking: Gebruik van een publieke dataset met geanonimiseerde gegevens van diabetes- en hypertensiepatiënten. Er is een binaire doelvariabele (ADHERENT_BINARY) gecreëerd op basis van een drempelwaarde van $\geq 8$ receptvernieuwingen.
• Feature Engineering: Er is gefocust op temporele en demografische kenmerken, waaronder:
  • avg_refill_gap (gemiddelde tijd tussen herhaalrecepten).
  • max_refill_gap (maximale tijd tussen herhaalrecepten).
  • total_visits (totaal aantal zorgbezoeken).
  • Demografische gegevens zoals AGE en GENDER.
• Modelontwikkeling: Er zijn twee modellen vergeleken om een balans te vinden tussen nauwkeurigheid en transparantie:
  1. Logistische Regressie: Voor directe, coëfficiënt-gebaseerde interpreteerbaarheid.
  2. Random Forest: Om niet-lineaire interacties tussen variabelen te vangen.
• Explainable AI (XAI): De integratie van SHAP (Shapley Additive Explanations) om zowel globale feature-belangrijkheid als individuele patiëntspecifieke verklaringen te genereren.

3. Belangrijkste Bijdragen (Key Contributions)

• Minimalistische Data-input: Het model bewijst dat nauwkeurige voorspellingen mogelijk zijn met minimale, breed beschikbare administratieve data, zonder afhankelijk te zijn van complexe klinische dossiers.
• Interpreteerbaarheid als Kernwaarde: Door het gebruik van SHAP biedt de pipeline "local explainability" (waarom loopt deze specifieke patiënt risico?) en "global explainability" (welke factoren zijn algemeen belangrijk?).
• Schaalbaarheid en Reproduceerbaarheid: De pipeline is modulair opgezet (Jupyter notebooks en Python-scripts) en is ontworpen voor implementatie in omgevingen met beperkte middelen.

4. Resultaten (Results)

De resultaten laten zien dat het eenvoudigere model in dit geval superieur was:

• Logistische Regressie: Behaalde een ROC AUC van 0,82 en een Brier Score van 0,1749 (wat duidt op een goede kalibratie en betrouwbare waarschijnlijkheidsschattingen).
• Random Forest: Behaalde een ROC AUC van 0,77.
• Belangrijkste Predictoren: SHAP-analyse identificeerde total_visits, AGE en avg_refill_gap als de meest cruciale factoren voor het voorspellen van non-adherence.

5. Betekenis en Implicaties (Significance)

MedAdhereAI fungeert als een beslissingsondersteunend hulpmiddel (decision-support tool). De belangrijkste implicaties zijn:

• Gerichte Interventies: Zorgverleners kunnen proactief patiënten identificeren die een hoog risico lopen op het niet volgen van hun medicatie, waardoor middelen efficiënter kunnen worden ingezet.
• Klinisch Vertrouwen: Door de transparantie van de SHAP-verklaringen is de kans groter dat artsen de AI-output accepteren en integreren in hun workflow.
• Toepasbaarheid in Ontwikkelingslanden: Omdat het model werkt met eenvoudige administratieve data, is het bijzonder geschikt voor zorgsystemen met beperkte infrastructuur en gefragmenteerde data.