Predicting the Absence and Gaps in Recorded Blood Pressure Follow-up Among Patients With Hypertension
Deze studie ontwikkelde en valideerde een gradient-boosted tree-model met behulp van EHR-gegevens om hiaten in de bloeddrukcontrole voor hypertensieve patiënten te voorspellen, waarbij een matige voorspellende prestatie en potentieel voor gerichte outreach werden aangetoond, terwijl significante verschillen in sensitiviteit tussen raciale en etnische groepen werden opgemerkt en werd vastgesteld dat contactpatronen minimale toegevoegde waarde boden voor het voorspellen van cardiovasculaire hospitalisatie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Hoge bloeddruk is een stille kracht die, als deze onbehandeld blijft, de tijd met de jaren het hart en de hersenen kan beschadigen. Het beheer ervan is geen eenmalige gebeurtenis, maar een voortdurende cyclus van controleren, aanpassen en opvolgen. Wanneer de bloeddruk van een patiënt piekt, adviseren artsen een terugkerend bezoek binnen een maand om te zien of de behandeling werkt. Toch keren in de echte wereld veel mensen niet terug voor dat cruciale controlebezoek. Ze voelen zich misschien goed, vergeten de afspraak of raken simpelweg de weg kwijt in de drukte van een druk gezondheidszorgsysteem. De afwezigheid van een vervolgmeting in het medisch dossier van een patiënt is een waarschuwingssignaal dat de zorg is gestagneerd, maar identificeren wie er waarschijnlijk uit het systeem zal verdwijnen, is moeilijk. Klinieken hebben beperkt personeel en tijd; ze kunnen niet elke patiënt die een afspraak heeft gemist, bellen. De uitdaging is om een manier te vinden om met de reeds beschikbare informatie in elektronische patiëntendossiers te voorspellen welke patiënten het meest waarschijnlijk uit het systeem zullen verdwijnen, zodat beperkte middelen gericht kunnen worden aan hen die de meeste stimulans nodig hebben.
Een team van onderzoekers zette zich scharpe om een hulpmiddel te bouwen om dit specifieke probleem op te lossen. Ze bekeken gegevens van duizenden volwassenen met een hoge bloeddruk die onlangs een gevaarlijk hoge meting hadden geregistreerd. Hun doel was om een model te creëren dat de geschiedenis van een patiënt kon bekijken – hun leeftijd, eerdere bezoeken, medicatielijst en hoe lang het geleden was dat ze voor het laatst een arts hadden gezien – en te voorspellen of die patiënt binnen de volgende 90 dagen zou nalaten terug te keren voor een bloeddrukcontrole. Ze testten dit idee met behulp van een enorme database van ziekenhuisgegevens van een enkel medisch centrum in Boston. De onderzoekers voedden hun computermodel met 62 verschillende stukjes informatie over elke patiënt, variërend van het type verzekering tot hoe vaak zij in het verleden het ziekenhuis hadden bezocht. Ze keken vervolgens of het model de mensen correct kon identificeren die daadwerkelijk uit de dossiers verdwenen.
De resultaten toonden aan dat het computermodel behoorlijk goed was in het opsporen van de patiënten die waarschijnlijk gemist zouden worden. Wanneer de onderzoekers het model testten op een groep patiënten die het model nog nooit eerder had gezien, identificeerde het model succesvol ongeveer 35% van de mensen die in de daaropvolgende 90 dagen geen geregistreerde bloeddrukcontrole hadden. Als een kliniek dit model zou gebruiken om hun outreach-inspanningen te prioriteren, door zich alleen te richten op de bovenste 20% van de patiënten die het model als hoog risico bestempelde, zouden ze merken dat bijna 60% van de mensen die contact hadden opgenomen, inderdaad hun vervolgbezoek had gemist. Dit is een aanzienlijke verbetering ten opzichte van willekeurig gokken, waarbij slechts ongeveer 35% van de gemiste patiënten gevangen zou worden. De belangrijkste aanwijzingen die het model gebruikte, waren eenvoudig: hoe lang het geleden was sinds het laatste bezoek van de patiënt en hoe vaak zij in het verleden het ziekenhuis hadden bezocht. Patiënten die al een tijdje niet meer gezien waren en een geschiedenis van minder bezoeken hadden, waren degenen die het meest waarschijnlijk uit het systeem zouden verdwijnen.
Het onderzoek onthulde echter ook een verontrustende kloof in de effectiviteit van het instrument voor verschillende groepen mensen. Hoewel het model over het algemeen accuraat was, presteerde het niet gelijkwaardig over alle rassen en etnische groepen heen. Wanneer de onderzoekers dezelfde regel op iedereen toepasten, vond het model ongeveer 37% van de witte patiënten die hun vervolgbezoek hadden gemist, maar het vond slechts ongeveer 21% van de zwarte patiënten en 23% van de Hispanic patiënten. Dit gebeurde zelfs terwijl het model over het algemeen goed was in het voorspellen van risico's voor iedereen. De onderzoekers ontdekten dat deze discrepantie niet alleen kwam doordat minder zwarte of Hispanic patiënten hun afspraken misten, maar omdat het model minder gevoelig was voor de specifieke patronen van zorg in die gemeenschappen. Dit suggereert dat het vertrouwen op historische bezoekgegevens om toekomstig gedrag te voorspellen soms bestaande ongelijkheden kan versterken, aangezien het model leert van patronen die mogelijk al beïnvloed zijn door de manier waarop verschillende groepen toegang hebben tot zorg.
De onderzoekers stelden ook een tweede, gerelateerde vraag: zegt het patroon van het contact van een patiënt met het zorgsysteem iets over hun toekomstige risico op een hartaanval, beroerte of hartfalen? Ze keken naar de vraag of patiënten met lange gaten in hun medische dossiers vaker in het ziekenhuis terechtkwamen voor deze ernstige aandoeningen. Verrassend genoeg was het antwoord nee. Het hebben van een lange pauze in de geregistreerde bezoeken voorspelde niet consistent een hoger risico op een cardiovasculaire ziekenhuisopname. Sterker nog, de gegevens toonden aan dat patiënten die meer frequente en aanhoudende contacten hadden met het zorgsysteem, iets vaker werden opgenomen voor hartfalen. De onderzoekers verklaarden dit niet als een teken dat frequente bezoeken ziekte veroorzaken, maar eerder dat patiënten die zieker zijn of meer complexe gezondheidsproblemen hebben, van nature vaker hun artsen bezoeken. Hun frequente bezoeken zijn een teken van hun onderliggende gezondheidsproblemen, en niet de oorzaak ervan. De studie concludeerde dat hoewel het bijhouden van wie hun bloeddrukcontroles mist, een nuttig hulpmiddel is voor klinieken om de opvolging te verbeteren, het patroon van die bezoeken niet dient als een betrouwbare kristallen bol voor het voorspellen van toekomstige hartaanvallen of beroertes.
Uiteindelijk biedt dit werk een praktische manier voor gezondheidszorgsystemen om hun bestaande gegevens te gebruiken om patiënten te vangen die door de mazen van het net glippen. Het laat zien dat een computer naar de geschiedenis van een patiënt kan kijken en kan zeggen: "Deze persoon zal waarschijnlijk zijn volgende afspraak missen," met een redelijke mate van nauwkeurigheid. Maar het dient ook als een waarschuwing dat dergelijke instrumenten zorgvuldig moeten worden gebruikt. Als een kliniek het model gebruikt zonder rekening te houden met de blinde vlekken, kan het eindigen met het bellen van meer witte patiënten dan zwarte of Hispanic patiënten die even zeer in nood zijn om hulp. De studie bewijst niet dat het bellen van deze patiënten hun bloeddruk zal verhelpen of levens zal redden; het bewijst alleen dat het model een kliniek kan helpen beslissen wie ze moeten bellen. Om echt te weten of deze aanpak de gezondheid verbetert, zouden toekomstige studies moeten testen of het handelen op basis van deze voorspellingen daadwerkelijk leidt tot betere resultaten voor iedereen, ongeacht hun achtergrond.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.