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

In het stille ritme van het beheer van een chronische ziekte vindt de meest cruciale stap vaak niet plaats in een dokterskamer, maar in de privacy van de woning van een patiënt. Het precies innemen van medicatie zoals voorgeschreven is de brug tussen een diagnose en een goed geleefd leven, maar voor miljoenen mensen wereldwijd blijft die brug onvolledig. Deze kloof tussen wat een arts voorschrijft en wat een patiënt daadwerkelijk inneemt, staat bekend als therapietrouw-non-adherentie. Het is een complex probleem dat wordt gevormd door vergeetachtigheid, verwarrende instructies en de bijwerkingen van de behandeling, maar in veel ontwikkelingslanden wordt het gedreven door iets veel tastbaarders: de kosten van medicijnen en de betrouwbaarheid van de toeleveringsketen. Wanneer een patiënt een herhaalrecept niet kan betalen of het medicijn niet op de plank kan vinden, stort het behandelplan in, wat leidt tot vermijdbare complicaties en een vroege dood.

Om dit op te lossen, zijn artsen en onderzoekers begonnen zich tot computers te wenden, waarbij ze machine learning gebruiken om patronen in patiëntgegevens te ontdekken die het menselijk oog over het hoofd zou kunnen zien. Deze systemen kijken naar gegevens over wie hun medicijnen wel en niet inneemt, en zoeken naar de specifieke mix van factoren die leidt tot het overslaan van een dosis. De meeste van deze computermodellen zijn echter gebouwd in rijke landen waar verzekeringen de kosten dekken en apotheken altijd op voorraad zijn. Wanneer deze modellen worden toegepast op plaatsen zoals Ghana, waar de ziektekostenverzekering niet universeel is en de kosten die men uit eigen zak moet betalen een zware last kunnen zijn, falen ze vaak. Ze missen de lokale realiteiten die bepalen of iemand met zijn behandeling kan doorgaan. Een nieuwe studie uit Ghana probeert dit op te lossen door een model te bouwen dat het specifieke economische en sociale landschap van haar patiënten begrijpt, gebruikmakend van gegevens die hun werkelijke levens weerspiegelen in plaats van een geïdealiseerde versie van de gezondheidszorg.

Onderzoekers van het Presbyterian Hospital in Agogo, Ghana, zetten zich in om een instrument te creëren dat kon voorspellen welke patiënten waarschijnlijk zouden stoppen met het innemen van hun medicatie voor chronische aandoeningen zoals een hoge bloeddruk en diabetes. Ze verzamelden gegevens van 1.772 volwassen patiënten die in een periode van zes maanden het ziekenhuis hadden bezocht. In plaats van te vertrouwen op het geheugen van patiënten over hoeveel pillen ze hadden ingenomen, gebruikte het team een nauwkeurige methode genaamd de 'Proportion of Days Covered'. Deze aanpak kijkt naar de data van elke receptvernieuwing om exact te berekenen hoeveel dagen een patiënt een voorraad van zijn medicijn had. Als een patiënt medicatie had voor ten minte 80 procent van de tijd, werd hij als therapietrouw beschouwd; alles daaronder betekende dat de patiënt een risico liep.

Het team begon door een computerprogramma standaardinformatie over deze patiënten te voeren: hun leeftijd, geslacht, of ze een ziektekostenverzekering hadden, het aantal medicijnen dat hen werd voorgeschreven, en de geschatte kosten van die medicijnen. Ze testten vijf verschillende soorten computeralgoritmen, variërend van eenvoudige statistische methoden tot complexere neurale netwerken, om te zien welke het beste kon voorspellen wie wel en wie niet therapietrouw zou zijn. De resultaten waren veelbelovend; de beste individuele modellen identificeerden therapietrouwpatronen ongeveer 88 procent van de tijd correct. Maar de onderzoekers wisten dat standaardgegevens niet genoeg waren om het volledige beeld van het leven in Ghana te vatten.

Om het model slimmer te maken, voegde het team zes nieuwe, op maat gemaakte stukken informatie toe die de specifieke uitdagingen van hun lokale omgeving weerspiegelden. Ze creëerden kenmerken die verschillende factoren combineerden, zoals het vermenigvuldigen van de leeftijd van een patiënt met het aantal medicijnen dat zij namen, om te zien of oudere patiënten meer moeite hadden met complexe schema's. Ze berekenden ook een "prijsdruk" specif specifiek voor patiënten zonder verzekering, in het besef dat de kosten van medicijnen de onverzekerden veel harder treffen. Door de computer te leren naar deze interacties te kijken, stelden ze het model in staat om te begrijpen dat een hoge kostenpost voor een verzekerde patiënt misschien niet uitmaakt, maar voor iemand die zelf moet betalen een absolute dealbreaker kan zijn.

Toen ze deze nieuwe, contextbewuste kenmerken combineerden met een techniek genaamd een 'stacked ensemble' — waarbij meerdere computermodellen samenwerken om over een definitief antwoord te stemmen — verbeterde de voorspellingsnauwkeurigheid. Het beste model classificeerde patiënten in 89,5 procent van de gevallen correct. Belangrijker nog, de onderzoekers gebruikten een methode genaamd SHAP om de "black box" van de besluitvorming van de computer te openen. Dit stelde hen in staat om precies te zien welke factoren de voorspellingen aanstuurden. Ze ontdekten dat de krachtigste voorspellers niet alleen leeftijd of geslacht waren, maar de verzekeringsstatus van de patiënt, de interactie tussen hun leeftijd en de complexiteit van hun medicatie, en of ze andere chronische gezondheidstoestanden hadden. Dit bevestigde dat financiële toegang en de complexiteit van de behandeling de primaire krachten waren die de therapietrouw in deze gemeenschap vormgeven.

De studie onderzocht ook hoe deze tool praktisch bruikbaar te maken voor ziekenhuizen met beperkte middelen. Ze testten of het model kon werken met minder gegevens, waarbij ze een scenario simuleerden waarin een kliniek mogelijk geen toegang heeft tot elk detail over een patiënt. Ze ontdekten dat een model dat slechts zeven kernkenmerken gebruikte, bijna net zo goed presteerde als het volledige model, en zelfs een versie met slechts drie kenmerken — verzekeringsstatus, de interactie tussen leeftijd en medicatie, en de status van chronische comorbiditeit — het grootste deel van zijn voorspellende kracht behield. Dit suggereert dat artsen in omgevingen met beperkte middelen geen enorme database nodig hebben om risicopatiënten te identificeren; een kleine, gerichte set informatie is voldoende om aan te geven wie hulp nodig heeft.

De onderzoekers waren echter voorzichtig met de beperkingen van hun bevindingen. De gegevens kwamen uit één enkel ziekenhuis en het model is nog niet getest op patiënten uit andere regio's of landen, dus het is nog niet bekend of het overal zou werken. Ze ontdekten ook dat hoewel het gebruik van een techniek om de data te balanceren de het model hielp om meer niet-therapietrouwe patiënten te vinden, het de algehele voorspellingen iets minder nauwkeurig maakte. Uiteindelijk kozen ze voor het model dat getraind was op de oorspronkelijke, ongebalanceerde gegevens, omdat dit de beste algehele betrouwbaarheid bood. De studie concludeert dat hoewel machine learning een groot potentieel biedt voor het verbeteren van de gezondheid in Ghana, deze instrumenten met de lokale realiteit in gedachten gebouwd moeten worden. Door te focussen op de specifieke barrières van kosten en verzekering, en door de modellen eenvoudig genoeg te houden om met beperkte gegevens te kunnen worden gebruikt, hebben onderzoekers een pad gecreëerd naar het identificeren van patiënten die ondersteuning nodig hebben voordat ze stoppen met het innemen van hun levensreddende medicijnen.