L’hospice est une approche compatissante qui se concentre sur la qualité de vie des patients en phase terminale et de leurs soignants, avec environ 1,55 million de bénéficiaires de Medicare inscrits dans des soins palliatifs pendant au moins une journée en 2018, en hausse de 17 % par rapport à 2014.
Cependant, au moins 14 % des bénéficiaires de Medicare inscrits en hospice sont restés plus de 180 jours, et un séjour en hospice de plus de six mois peut entraîner des coûts supplémentaires importants pour les organismes de soins de santé dans le cadre d’arrangements de soins fondés sur la valeur.
David Klebonis, directeur de l’exploitation de Palm Beach Accountable Care Organization, a développé des modèles d’apprentissage automatique hautement interprétables qui, en raison de la sensibilité de la décision clinique impliquée, peuvent non seulement prédire avec précision les transgressions de l’hospice pour conduire les références appropriées de l’hospice, mais également fournir des critères de décision qui satisfaire l’examen minutieux du clinicien et favoriser l’acceptation.
« L’intelligence artificielle et l’apprentissage automatique ont le potentiel d’utiliser des données pour identifier les patients présentant une forte probabilité de mourir dans les six prochains mois, permettant aux médecins d’engager des conversations avec ces patients et leurs familles sur la possibilité d’une référence en hospice », a-t-il déclaré. appelé.
Klebonis, qui abordera la question à HIMSS22 ce mois-ci, a déclaré qu’en Floride, environ 58% des personnes décédées de Medicare se trouvaient dans un hospice au moment de leur décès.
« Si ce nombre pouvait être augmenté de manière adéquate, cela améliorerait la qualité de vie des patients et de leurs familles tout en réduisant les coûts de santé inutiles », a-t-il déclaré.
Cependant, il a ajouté que les modèles AI/ML les plus précis au monde ne seront pas adoptés si les médecins et autres utilisateurs finaux cliniques ne comprennent pas ou ne font pas confiance aux prédictions.
« Il est crucial d’impliquer les acteurs cliniques dès le début du processus de développement de ML – c’est-à-dire ceux qui décideront d’intervenir en fonction des résultats du modèle », a déclaré Klebonis.
« Ils fournissent le contexte et les commentaires nécessaires pour concevoir un modèle permettant de prédire des résultats cliniquement pertinents et utiles, et des facteurs granulaires de surface qui contribuent à une prédiction qui peut ensuite fournir aux cliniciens des informations basées sur les données, qu’ils n’auraient peut-être pas eues autrement. ”
Un autre élément clé pour établir la confiance avec les parties prenantes cliniques est les cycles d’itération rapides, qui vous permettent de créer rapidement de nouveaux modèles, de montrer les prédictions et les rapports au niveau du patient aux médecins pour obtenir des commentaires, et d’intégrer rapidement ces commentaires dans la prochaine version du modèle.
« Pour ce faire, il est important de disposer d’outils spécifiques à la santé qui permettent à votre équipe de minimiser le temps passé sur des tâches de bas niveau telles que le nettoyage et la normalisation des données, et de se concentrer plutôt sur les résultats, les populations et les capacités de modélisation nécessaires à la santé. » peut être utilisé pour construire un modèle et améliorer sa précision », a-t-il déclaré.
La session HIMSS22 de Klebonis, « Driving Appropriate Hospice Utilization with Explainable AI », est prévue le mardi 15 mars de 10h30 à 11h30 dans la salle W204A.
Nathan Eddy est un indépendant dans le domaine de la santé et de la technologie basé à Berlin.
Envoyez un courriel à l’auteur : [email protected]
Twitter: @ dropdeaded209