Istraživači sa Univerziteta Florida razvili su sistem dizajniran za identifikaciju pacijenata sa visokim rizikom od prekida terapije buprenorfinom zbog poremećaja upotrebe opioida.
Lek na recept koji je odobrila FDA, buprenorfin je jedan od tri komercijalno dostupna tretmana za poremećaj upotrebe opioida za koji se pokazalo da je efikasan u lečenju bola i zavisnosti.
U studiji objavljenoj u časopisu Computers in Biologi and Medicine, dr Mahmudul Hasan i njegov istraživački tim su otkrili da otprilike 15% pacijenata nije završilo klinički preporučenu jednogodišnju terapiju buprenorfinom, dok je oko 46% pacijenata prekinulo tretman u prva tri meseca. Uz pomoć veštačke inteligencije, ili AI, tim je takođe identifikovao visokorizične pacijente i nekoliko faktora povezanih sa prekidom lečenja.
Hasan, docent na UF College of Pharmacy odsjeku za farmaceutske rezultate i politiku sa zajedničkim imenovanjem na UF Varrington College of Business odjel za informacione sisteme i upravljanje operacijama, rekao je retrospektivna studija, koja je uključivala osiguranike starosti od 18 do 64 godine koji prepisan im je buprenorfin za lečenje poremećaja upotrebe opioida, nudi nove uvide za upotrebu u borbi protiv nacionalne epidemije javnog zdravlja koja je odnela više od 80.000 života u Sjedinjenim Državama 2021.
Studija je merila praznine od 30 dana ili više kada recepti za buprenorfin nisu bili ispunjeni tokom prve godine lečenja. Izgradnjom prediktivnih modela koji se fokusiraju na različite faze lečenja – vreme početka lečenja, mesec i tri meseca nakon početka lečenja – Hasanov tim je otkrio da je skoro 15% pacijenata prerano prekinulo lečenje. Tim je primetio da je ovo konzervativna procena, jer je nekoliko kriterijuma za isključenje pacijenata moglo da dovede do niže stope prekida terapije.
„Znamo da je pridržavanje plana lečenja buprenorfinom korisno. Prevremeni prekid može povećati rizik od hospitalizacije, predoziranja lekovima i što je najvažnije, smrtnosti“, rekao je Hasan.
„Ako možemo da koristimo veštačku inteligenciju da predvidimo koji pacijenti su pod većim rizikom od ovakvog ponašanja, klinički praktičari mogu da dođu do osnovnog uzroka, donesu bolje informisane odluke i osmisle ciljanije intervencije za te pacijente.
Hasanov tim je koristio okvir za predviđanje mašinskog učenja i stratifikaciju rizika kako bi pomogao u identifikaciji visokorizičnih pacijenata i utvrdio koji faktori doprinose nedostatku usaglašenosti sa tretmanom buprenorfinom.
Faktori rizika identifikovani u ovoj studiji uključuju starost, pol, rano pridržavanje terapije, upotrebu stimulansa ili antipsihotika i broj dana zaliha povezanih sa prvim receptom buprenorfina koji pacijent dobije. Studija je takođe otkrila da život u ruralnim područjima i druge prepreke u pristupu lečenju doprinose većem riziku od prekida.
„Mlađi pacijenti su u većem riziku od prevremenog prekida terapije, zajedno sa onima koji su ranije koristili stimulanse, uključujući nikotin“, rekao je Hasan. „Takođe smo otkrili da pacijenti sa nižim pridržavanjem buprenorfina u ranoj fazi lečenja imaju veći rizik od prevremenog prekida terapije.
Hasan je rekao da kada tehnologija razvijena u studiji bude dostupna medicinskim centrima širom zemlje, to će uštedeti dragoceno vreme kliničarima na prvoj liniji, dok će pacijentima dati veći pristup lečenju buprenorfinom.
„Lekari primarne zdravstvene zaštite su već preopterećeni i preopterećeni radom, a imaju i ograničene resurse. Ovakav alat koji može pouzdano predvideti koji će pacijent biti visokorizičan mogao bi biti od pomoći“, rekao je Hasan. „U kratkom vremenu i bez povećanja obima posla, zdravstveni radnici mogu identifikovati intervencije potrebne za svakog pacijenta, omogućavajući im da najbolje raspoređuju svoje ograničene resurse.
Diplomirani student UF-a, Jabed Al Faisal, bio je glavni autor studije.
