Patel und Kollegen führten eine sekundäre ökonomische Analyse eines Versuchs durch, bei dem Hochrisikopatienten mit Krebs schwerwiegende Gespräche über schwerwiegende Krankheiten (SICs) zugewiesen wurden. Ein maschinelles Lernalgorithmus identifizierte effektiv Patienten mit einem hohen Sterberisiko. SICs für diese Patienten waren mit reduzierten Gesundheitsausgaben verbunden. Die Studie wurde mit der Bewertungsstufe 2 (Gut) bewertet. Studienüberblick: Patienten mit fortgeschrittenem Krebs erhalten oft Behandlungen, die nicht mit ihren Präferenzen am Ende ihres Lebens vereinbar sind. Schwerwiegende Krankheitsgespräche werden jedoch selten initiiert, obwohl sie die Lebensqualität und Stimmung verbessern können und den Gesundheitsverbrauch reduzieren. In einer randomisierten kontrollierten Studie wurde ein maschinelles Lernalgorithmus verwendet, um Krebspatienten mit einem Sterberisiko von 10% oder höher innerhalb von 180 Tagen zu identifizieren. Diese Patienten wurden dann zufällig einer SIC-Interventionsgruppe und einer Kontrollgruppe mit Standardversorgung zugewiesen. Patel und Kollegen führten eine sekundäre Analyse dieses Versuchs durch, bei der durchschnittliche Gesamtausgaben und tägliche Gesundheitsausgaben während der letzten sechs Lebensmonate als primäre Ergebnisse verwendet wurden. Sekundäre Ergebnisse umfassten die durchschnittlichen Ausgaben während der letzten drei und einen Lebensmonat. Sie analysierten 1.187 Patienten und stellten fest, dass die durchschnittlichen täglichen Gesundheitsausgaben in den letzten sechs, drei und einem Lebensmonat in der Interventionsgruppe niedriger waren als in der Kontrollgruppe. Die Einsparungen traten für systemische und ambulante Therapien auf. Diese Studie zeigt, dass maschinelle Lernalgorithmen Patientensterblichkeit vorhersagen können und Ärzte dazu veranlassen können, SICs zu initiieren, was zu signifikanten Kosteneinsparungen und einer besseren zielkonformen Versorgung führt.
Ein maschinelles Lernalgorithmus wurde mit 26.525 erwachsenen Krebspatienten trainiert und prognostizierte das Sterberisiko innerhalb von 180 Tagen anhand von demografischen Variablen, Elixhauser-Komorbiditäten und Labor- sowie ausgewählten Elektrokardiogramm-Daten. Der Algorithmus wurde dann auf ein Risiko von 10% oder mehr kalibriert und identifizierte geeignete Patienten für die RCT. Die Intervention umfasste SIC-Erinnerungen an Kliniker vor Patientenbegegnungen, und die SIC-Raten der Kliniker wurden mit denen ihrer Kollegen verglichen. Die sekundäre Analyse von Patel und Kollegen umfasste 1.187 Patienten aus der RCT und sammelte Ausgabendaten pro Patient aus dem Krankenhausbuchhaltungssystem. Die primären Ergebnisse waren die durchschnittlichen Gesamt- und täglichen Gesundheitsausgaben in den letzten sechs Lebensmonaten. Die sekundären Ergebnisse waren die durchschnittlichen täglichen Ausgaben während der letzten drei und einen Lebensmonat. Alle Ergebnisse wurden nach Besuchstypen (z.B. Akutversorgung, ambulant) stratifiziert. Im Vergleich zur Kontrollgruppe zeigte die Interventionsgruppe eine Kosteneinsparung von 75,33 Dollar (95% CI, -136,42 bis -14,23) für die durchschnittlichen täglichen Ausgaben in den letzten sechs Lebensmonaten. Mit der Besuchstyp-Stratifizierung waren die Einsparungen für systemische Therapien und ambulante Versorgung signifikant. Die Gesamtkosteneinsparungen in den letzten sechs Monaten betrugen 13.747 Dollar (95% CI, -24.897 bis -2.598). Darüber hinaus hatte die Interventionsgruppe reduzierte Ausgaben für beide sekundären Ergebnisse (431,80 vs. 473,20 Dollar für die letzten drei Monate und 814,46 vs. 947,18 Dollar im letzten Monat). Die Autoren stellten signifikante Einsparungen fest, jedoch waren die Ergebnisse durch die Stichprobenahme aus einem einzigen akademischen Gesundheitssystem und signifikante Ausgangsunterschiede zwischen den Teilnehmern der beiden Gruppen begrenzt.