Hospice est une approche compatissante axée sur la qualité de vie des patients en phase terminale et de leurs soignants, avec environ 1,55 million de bénéficiaires de Medicare inscrits en soins palliatifs pendant au moins une journée en 2018, soit 17 % de plus qu’en 2014.
Cependant, au moins 14 % des bénéficiaires de Medicare inscrits en hospice sont restés plus de 180 jours, et les séjours en hospice au-delà de six mois peuvent entraîner des surcoûts substantiels 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 séjours prolongés en hospice pour conduire des références appropriées en hospice, mais aussi des critères de décision de surface qui satisfont le clinicien contrôle et promouvoir l’adoption.
“L’intelligence artificielle et l’apprentissage automatique ont le potentiel d’utiliser des données pour prédire les patients avec une forte probabilité d’expiration dans les six prochains mois, afin que les médecins puissent engager des conversations avec ces patients et leurs familles sur la possibilité d’être orientés vers un hospice”, a-t-il déclaré. mentionné.
Klebonis, qui abordera le sujet ce mois-ci à HIMSS22, a déclaré qu’en Floride, environ 58% des personnes décédées de Medicare étaient en hospice au moment de leur décès.
“Si ce nombre pouvait être augmenté de manière appropriée, ce serait une amélioration de 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 d’IA/ML les plus précis au monde ne seront pas adoptés si les médecins et les autres utilisateurs finaux cliniques ne comprennent pas ou ne font pas confiance aux prédictions.
“Il est essentiel d’impliquer les parties prenantes cliniques – c’est-à-dire celles qui choisissent d’intervenir en fonction des résultats du modèle – au début du processus de développement de ML”, a déclaré Klebonis.
“Ils fournissent le contexte et les commentaires nécessaires pour aider à concevoir un modèle tel qu’il prédit des résultats cliniquement pertinents et utiles et des facteurs granulaires de surface contribuant à une prédiction qui peut ensuite donner aux cliniciens des informations basées sur les données qu’ils n’auraient peut-être pas eues autrement.”
Un autre élément clé de l’établissement de la confiance avec les parties prenantes cliniques est d’avoir des cycles d’itération rapides qui vous permettent de créer rapidement de nouveaux modèles, de montrer les prédictions et les rapports au niveau des patients aux cliniciens 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 aux soins de santé qui permettent à votre équipe de minimiser le temps passé sur des tâches de niveau inférieur telles que le nettoyage et la normalisation des données, et de se concentrer plutôt sur les résultats, les populations et les fonctionnalités de modélisation utilisées pour former 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 e-mail à l’auteur : [email protected]
Twitter: @ dropdeaded209
