Наша миссия в Nuna - сделать доступным высококачественное и доступное медицинское обслуживание для всех. Один из основных способов достижения этой миссии Nuna - это использование продукта «Значимые совпадения», который объединяет пациентов с лечащим врачом (PCP), который соответствует их конкретным потребностям. Недавно Nuna обратилась к поставщику с целью получения данных о социальных детерминантах здоровья (SDOH) - социальных, культурных и экономических условиях, которые влияют на различия в состоянии здоровья - для подтверждения концепции включения этих данных в наш продукт. Одна из основных ценностей Nuna заключается в том, что «каждая строка данных - это жизнь», и мы считаем, что в наших силах защищать данные от неправомерного использования и раскрытия. Руководствуясь этой ценностью и знанием того, что внешние источники данных представляют законную проблему конфиденциальности, мы решили пройти тщательный процесс этической проверки и проверки конфиденциальности, прежде чем двигаться дальше. В этом посте мы расскажем, как этот обзор повлиял на наш подход к пилотному исследованию, и будет продолжать влиять на то, что будет после.

Продукт Nuna's Meaningful Matches

Продукт Nuna's Meaningful Matches предоставляет персонализированные списки PCP для каждого участника плана медицинского обслуживания наших клиентов. Хотя многие из этих клиентов имеют широкую сеть поставщиков услуг, в которую входит множество PCP, они, как правило, не пытаются добиться оптимальных совпадений между участником и PCP. Часто поставщики и участники подбираются без учета потребностей участников или прошлой производительности поставщика. Это может привести к плохим результатам в отношении здоровья, низкой вовлеченности и разочарованию членов, что приведет к более высоким затратам и посредственному качеству.

Чтобы переместить эти планы от случайных совпадений к значимым, Nuna включает в себя множество факторов, в том числе:

  • Контекст участника. Во-первых, мы создаем исчерпывающее представление о медицинских потребностях участников плана на основе их демографических данных и состояния здоровья на сегодняшний день. Это очень важно, поскольку лучший поставщик для стареющего диабетика, вероятно, отличается от подходящего поставщика для подростка с астмой.
  • Производительность поставщика. Затем мы создаем подробное представление о производительности поставщика. Мы выходим за рамки общепринятого мнения о сегментации поставщиков (высокая ценность или низкая ценность) и задаем важный вопрос: «Для кого высокая ценность?» Применяя передовые технологии анализа данных, мы можем понять не только эффективность поставщика, но и то, какие участники могут извлечь максимальную пользу из своего опыта.
  • Ограничения рынка. Наконец, наши алгоритмы учитывают ограничения рынка. Мы учитываем такие факторы, как время доставки, языковые предпочтения, количество панелей PCP, договорные обязательства и нормативные требования. Мы балансируем все эти ограничения по мере необходимости для получения оптимальных совпадений.

Благодаря учету этих факторов наши алгоритмы выявляют совпадения, которые более значимы для участников плана медицинского страхования.

Потенциальная ценность данных SDOH

Процитируем Инициативу здоровых людей Министерства здравоохранения и социальных служб США:

«Мы знаем, что забота о себе, правильное питание и поддержание активности, отказ от курения, рекомендованные прививки и скрининговые тесты, а также посещение врача во время болезни - все это влияет на наше здоровье. Наше здоровье также частично определяется доступом к социальным и экономическим возможностям; ресурсы и поддержка, доступные в наших домах, районах и общинах; качество нашего обучения; безопасность наших рабочих мест; чистота нашей воды, пищи и воздуха; и характер наших социальных взаимодействий и отношений. Условия, в которых мы живем, частично объясняют, почему одни американцы здоровее других и почему американцы в целом не так здоровы, как могли бы ».

Учитывая это, мы считаем, что данные SDOH могут внести существенный вклад в наш продукт MM, улучшив наше понимание как поставщиков, так и участников. Особенно:

  • Контекст участника: данные SDOH позволяют нам больше узнать о ключевых факторах, влияющих на потребности участников плана. Мы могли бы определить, понадобится ли им врач, работающий на автобусном маршруте, или они или их семья испытывают финансовые затруднения и должны быть подобраны к врачу, который имеет опыт оказания помощи малообеспеченным слоям населения. Понимание того, как эти факторы участников влияют на риск для здоровья, предпочтения различных поставщиков медицинских услуг и готовность путешествовать, позволяет нам подбирать подходы PCP, которые будут более актуальными и адаптированными к потребностям участника.
  • Производительность провайдера. Используя данные SDOH, мы можем лучше ответить на вопрос «Для кого важны?» В настоящее время мы можем понять, имеет ли конкретный врач особый опыт в уходе за пациентами-женщинами или за пациентами с диабетом II типа и гипертонией, но не можем задаться вопросом, как их работа зависит от социальных, культурных или экономических факторов, влияющих на жизнь их пациентов. Данные SDOH позволят нам лучше понять, какие поставщики преуспевают в уходе за пациентами, испытывающими финансовые трудности, и позволят нам проводить более эффективные подбора для этих уязвимых членов общества.

Для нас очевидно, что включение данных SDOH может существенно повысить ценность нашего продукта. Тем не менее, нам нужно было тщательно оценить все последствия, связанные с получением и использованием этих данных, прежде чем мы сможем уверенно двигаться вперед.

Оценка SDOH через призму этики и конфиденциальности

Когда мы начали рассматривать пилотный проект SDOH, мы выполнили оценку воздействия на конфиденциальность, прежде чем приступить к сбору данных. Мы также видим возможность возникновения этических ошибок. Мы применили наш формальный процесс этической проверки (см. Нашу недавнюю запись в блоге здесь) до сбора данных, чтобы убедиться, что нам комфортно продвигаться вперед с пилотным проектом. После получения данных мы приступим к более тщательной этической проверке самой функции, чтобы гарантировать, что использование этих данных окажет положительное и справедливое влияние на пациентов.

Что касается конфиденциальности, наша основная цель - обеспечить использование минимально необходимых данных для достижения желаемых результатов. Мы подозреваем, что большая часть ценности этих данных может быть достигнута с использованием детальной, но географически агрегированной информации, но хотим проверить эту гипотезу эмпирически. Если это подтвердится, производственная версия этого компонента нашего алгоритма будет развернута с использованием только агрегированных данных, что позволит нам воспользоваться преимуществами, избегая при этом проблем с конфиденциальностью, связанных с данными SDOH на индивидуальном уровне, развернутыми в большом масштабе. .

С этической точки зрения нас больше всего беспокоит возможность того, что включение функций SDOH в наш алгоритм может на самом деле ухудшить положение социально или экономически уязвимых пациентов. Алгоритмы могут быть чем-то вроде черного ящика: мы скармливаем нашим дополнительным данным, и он выдает другие совпадения, чем раньше. Требуется тщательный анализ, чтобы определить, желательны ли эти изменения. В качестве конкретного примера, недавняя статья WSJ обсуждает алгоритм, который был разработан для выявления пациентов, которым было бы полезно дополнительное лечение. Этот алгоритм страдает расовой предвзятостью, поскольку он с большей вероятностью укажет на вмешательство белого пациента, чем столь же больного пациента-афроамериканца. Чтобы не допустить появления подобных предубеждений в нашем алгоритме, мы проанализируем прогнозируемую стоимость и качество результатов лечения, с которыми столкнутся представители различных социально-экономических и демографических групп, в версии алгоритма, использующей данные SDOH, по сравнению с версией, в которой нет данных. т. Если прогнозируется ухудшение положения какой-либо потенциально уязвимой группы при использовании версии алгоритма SDOH, мы будем настраивать ее до тех пор, пока это не исчезнет. Если это окажется невозможным, мы полностью откажемся от функции SDOH. Если мы продвинемся вперед, мы будем встраивать автоматические проверки, чтобы отмечать, вносят ли какие-либо будущие изменения в систему этот тип предвзятости, чтобы мы могли соответствующим образом отреагировать.