.png){kind=logo}
A baixa adesão à medicação causa 125 mil mortes, 10% de internações hospitalares custa $300 bilhões por ano. IA pode aumentar adesão e reduzir riscos.
A baixa adesão à medicação é um grande desafio no tratamento de doenças crônicas, com aproximadamente 50% a 70% dos pacientes afetados. Embora existam prescrições escritas, 20% permanecem não preenchidas e, mesmo quando preenchidas, apenas metade é tomada conforme as instruções (1). Essa não conformidade é onerosa, tanto em termos humanos quanto econômicos, contribuindo para aproximadamente 125.000 mortes e 10% das hospitalizações anualmente, resultando em custos de até 300 bilhões de dólares (2-4). Estudos revelam que as taxas de adesão variam de acordo com a condição, com pacientes com câncer demonstrando os níveis mais altos em 80%, enquanto outras doenças crônicas têm aproximadamente 75% de adesão (4).
Abordar a adesão pode levar a economias substanciais na área de saúde. Por exemplo, cada dólar gasto em medicamentos prescritos para determinadas populações comerciais resulta em uma redução de $3 a 10 nos custos médicos (5), e a alta adesão se correlaciona com 8 a 26 por cento menos hospitalizações e 3 a 10 por cento menos hospitalizações. 12% menos visitas ao pronto-socorro (6). A adesão à medicação é multifacetada e influenciada por vários fatores específicos para cada paciente, provedor, medicamento e condição médica (7,8), indicando a necessidade de estratégias personalizadas para melhorar as taxas de adesão e os resultados.
Um modelo baseado em IA conhecido como “MediComply AI” foi criado para antecipar os níveis de adesão à medicação. Esse modelo avalia vários fatores clínicos e demográficos para detectar pacientes com maior probabilidade de se desviar de seus planos de tratamento, permitindo que os profissionais de saúde implementem intervenções direcionadas e oportunas.
O banco de dados sintético do modelo emula condições do mundo real e foi criado com informações de uma variedade de literatura sobre adesão a medicamentos, incluindo análises de Brown e Bussell (2), estudos de impacto da adesão à medicação pelo NEHI (3), avaliações de custo e uso de Roebuck et al. (4) (5), avaliações de risco relacionadas à não adesão relacionada aos custos por Briesacher et al. (6) e revisões mais amplas de estratégias de intervenção de adesão de Viswanathan et al. (8) e Conn et al. (9). Essas fontes orientam o alcance e a dinâmica das variáveis usadas para prever a adesão, garantindo a precisão e a relevância do modelo.
A baixa adesão à medicação é um grande desafio no tratamento de doenças crônicas, com aproximadamente 50% a 70% dos pacientes afetados. Embora existam prescrições escritas, 20% permanecem não preenchidas e, mesmo quando preenchidas, apenas metade é tomada conforme as instruções (1). Essa não conformidade é onerosa, tanto em termos humanos quanto econômicos, contribuindo para aproximadamente 125.000 mortes e 10% das hospitalizações anualmente, resultando em custos de até 300 bilhões de dólares (2-4). Estudos revelam que as taxas de adesão variam de acordo com a condição, com pacientes com câncer demonstrando os níveis mais altos em 80%, enquanto outras doenças crônicas têm aproximadamente 75% de adesão (4).
Abordar a adesão pode levar a economias substanciais na área de saúde. Por exemplo, cada dólar gasto em medicamentos prescritos para determinadas populações comerciais resulta em uma redução de $3 a 10 nos custos médicos (5), e a alta adesão se correlaciona com 8 a 26 por cento menos hospitalizações e 3 a 10 por cento menos hospitalizações. 12% menos visitas ao pronto-socorro (6). A adesão à medicação é multifacetada e influenciada por vários fatores específicos para cada paciente, provedor, medicamento e condição médica (7,8), indicando a necessidade de estratégias personalizadas para melhorar as taxas de adesão e os resultados.
Um modelo baseado em IA conhecido como “MediComply AI” foi criado para antecipar os níveis de adesão à medicação. Esse modelo avalia vários fatores clínicos e demográficos para detectar pacientes com maior probabilidade de se desviar de seus planos de tratamento, permitindo que os profissionais de saúde implementem intervenções direcionadas e oportunas.
O banco de dados sintético do modelo emula condições do mundo real e foi criado com informações de uma variedade de literatura sobre adesão a medicamentos, incluindo análises de Brown e Bussell (2), estudos de impacto da adesão à medicação pelo NEHI (3), avaliações de custo e uso de Roebuck et al. (4) (5), avaliações de risco relacionadas à não adesão relacionada aos custos por Briesacher et al. (6) e revisões mais amplas de estratégias de intervenção de adesão de Viswanathan et al. (8) e Conn et al. (9). Essas fontes orientam o alcance e a dinâmica das variáveis usadas para prever a adesão, garantindo a precisão e a relevância do modelo.
