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

在管理慢性病的静谧节奏中，最关键的一步往往不是发生在医生的诊室里，而是在患者家庭的私密空间内。严格按照医嘱服药是连接诊断与美好生活的桥梁，然而对于全球数百万患者而言，这座桥梁往往是不完整的。这种医生开具处方与患者实际服用药物之间的差距被称为“用药不依从”。这是一个由健忘、指令混乱以及治疗副作用共同构成的复杂问题，但在许多发展中国家，其驱动力是更为切实的：药物的成本和供应链的可靠性。当患者负担不起续方或在货架上找不到药物时，治疗方案就会崩溃，从而导致可预防的并发症甚至过早死亡。

为了解决这一问题，医生和研究人员开始转向计算机，利用机器学习来发现人类肉眼可能忽略的患者数据模式。这些系统通过观察谁在服药以及谁没有服药的记录，寻找导致漏服剂量的特定因素组合。然而，大多数此类计算机模型都是在富裕国家建立的，在那些国家，保险覆盖了成本且药房总是库存充足。当这些模型被应用于像加纳这样医疗保险尚未普及、自付费用可能成为沉重负担的地方时，它们往往会失效。它们忽略了决定一个人能否坚持治疗的当地现实。来自加纳的一项新研究试图通过构建一个能够理解其患者特定经济和社会图景的模型来修复这一问题，该模型使用反映其真实生活而非理想化医疗版本的资料。

加纳阿戈戈（Agogo）长老会医院的研究人员致力于开发一种工具，用于预测哪些患者可能会停止服用高血压和糖尿病等慢性病的药物。他们收集了六个月内访问该医院的1,772名成年患者的记录。研究团队并没有依赖患者回忆自己吃了多少药，而是采用了一种称为“药物覆盖比例”（Proportion of Days Covered）的精确方法。这种方法通过查看每一次处方续方的日期，来计算患者拥有药物供应的确切天数。如果患者在至少80%的时间内拥有足够的药物，则被视为依从；低于此比例则意味着处于风险之中。

团队首先向计算机程序输入了关于这些患者的标准信息：年龄、性别、是否拥有医疗保险、开具的药物数量以及估计的药物成本。他们测试了五种不同类型的计算机算法，从简单的统计方法到复杂的神经网络，以观察哪一种能最好地预测患者是依从还是不依从。结果令人振奋，表现最好的单个模型能以约88%的准确率正确识别依从模式。但研究人员意识到，标准数据不足以捕捉加纳生活的全貌。

为了让模型更智能，团队增加了六个全新的、定制化的信息维度，以反映其当地环境的特殊挑战。他们创建了结合不同因素的特征，例如将患者的年龄乘以其服用的药物数量，以观察老年患者是否在复杂的用药方案中面临更多困难。他们还专门为没有保险的患者计算了“价格负担”，承认药物成本对无保险者的冲击更为剧烈。通过教计算机去观察这些相互作用，他们使模型能够理解：高昂的成本对于有保险的患者可能无关紧要，但对于自费支付的人来说，可能是一个无法逾越的障碍。

当他们将这些具有上下文感知能力的特征与一种称为“堆叠集成”（stacked ensemble）的技术（即多个计算机模型协同工作并进行最终投票）相结合时，预测准确率得到了提升。表现最好的模型正确分类患者的准确率达到了89.5%。更重要的是，研究人员使用了一种名为SHAP的方法来打开计算机决策的“黑箱”。这使他们能够看清究竟是哪些因素在驱动预测。他们发现，最强大的预测因子不仅是年龄或性别，还包括患者的保险状态、年龄与用药复杂度的相互作用，以及是否患有其他慢性疾病。这证实了经济获取能力和治疗复杂性是塑造该社区依从性的主要力量。

该研究还探讨了如何使这一工具在资源有限的医院中具备实用性。他们测试了该模型在数据较少的情况下是否仍能运作，模拟了一个诊所可能无法获取患者所有细节的情景。他们发现，仅使用七个关键特征的模型表现几乎与完整模型一样出色，甚至一个仅包含三个特征（保险状态、年龄-药物交互作用以及慢性共病状态）的版本也保留了大部分的预测能力。这表明，在资源受限的环境下，医生并不需要庞大的数据库就能识别出高风险患者；一组精简且聚焦的信息就足以标记出那些需要帮助的人。

然而，研究人员也谨慎地指出了其研究结果的局限性。数据来自单一医院，且模型尚未在其他地区或国家的患者身上进行测试，因此目前尚不清楚它是否能在各地通用。他们还发现，虽然使用一种平衡数据的方法有助于模型发现更多不依从的患者，但这会使整体预测的准确性略有下降。最终，他们选择了基于原始不平衡数据训练的模型，因为该模型提供了最佳的整体可靠性。研究结论认为，尽管机器学习在改善加纳健康水平方面具有巨大潜力，但这些工具必须建立在对当地现实的理解之上。通过专注于成本和保险这两个特定障碍，并保持模型的简洁以便在有限数据下使用，研究人员为识别那些在停止服用救命药物前需要支持的患者开辟了一条路径。