Arrow
use cases

Programas de apoio ao paciente com IA: melhorar a adesão e o gerenciamento de condições crônicas

Personalização profunda dos programas de suporte ao paciente com tecnologias digitais para aprimorar a experiência e a adesão do paciente.

Problem

Os Programas de Apoio ao Paciente (PSPs) enfrentam desafios cada vez mais assustadores no cenário atual da saúde devido à crescente complexidade das doenças, canais de comunicação fragmentados e recursos limitados. Os PSPs tradicionais lutam para se adaptar às diversas necessidades dos pacientes, resultando em taxas de engajamento e adesão abaixo do ideal, particularmente em condições crônicas em que o apoio sustentado é crucial para o gerenciamento eficaz da doença. Sessenta por cento dos pacientes não seguem as instruções do médico (1), e a não adesão à medicação pode custar ao sistema de saúde dos EUA até 300 bilhões de dólares por ano, aumentando as hospitalizações, complicações médicas e mortalidade (2). Esse problema é especialmente pronunciado entre pacientes com doenças crônicas, como diabetes, hipertensão e doenças cardíacas (3).

Why it matters

  • Sessenta por cento dos pacientes não seguem as instruções do médico, destacando problemas significativos de não adesão.
  • A não adesão à medicação pode custar ao sistema de saúde dos EUA até 300 bilhões de dólares por ano, levando ao aumento de hospitalizações, complicações médicas e mortalidade.
  • Pacientes com doenças crônicas, como diabetes, hipertensão e doenças cardíacas, têm maior probabilidade de não seguirem seus planos de tratamento.

Solution

O “AdhereAI” é um modelo preditivo desenvolvido para impulsionar a adesão do paciente aos Programas de Apoio ao Paciente (PSP). Este modelo usa aprendizado de máquina para analisar variáveis individuais e relacionadas à saúde, permitindo intervenções personalizadas e, portanto, melhorando as taxas de adesão nos regimes de cuidados dos pacientes.

Discover more and interact with our AI!

Datasources

Variáveis como contagem de doenças crônicas, contagem de medicamentos, nível de participação e frequência de interação são usadas para predizer a adesão. O conjunto de dados sintéticos para este modelo é baseado em descobertas empíricas de pesquisas científicas, incluindo estudos de Unni (2), Chaudri (3), Jimmy e Jose (4) e Brown e Bussell (5). Essas referências informam a seleção de variáveis e seus intervalos, garantindo que as previsões do modelo estejam alinhadas com o comportamento do mundo real dentro de parâmetros clinicamente relevantes.

Citations

  1. McKinsey e companhia. (2021). Engajamento do paciente: a chave para melhorar os resultados.
  2. Unni E. Uso de medicamentos em doenças crônicas. Farmácia (Basileia). 12 de junho de 2023; 11 (3): 100. doi: 10.3390/pharmacy11030100. PMID: 37368426; PMCID: PMC10305574.
  3. Chaudri NA. Adesão às terapias de longo prazo: evidências de ação. Ann Saudi Med. Maio-junho de 2004; 24 (3) :221—2. doi: 10.5144/0256-4947.2004.221. PMCID: PMC6147925.
  4. Jimmy B, Jose J. Adesão do paciente à medicação: medidas na prática diária. Oman Med J. maio de 2011; 26 (3): 155-9. doi: 10.5001/omj.2011.38. PMID: 22043406; PMCID: PMC3191684.
  5. Brown MT, Bussell JK. Adesão à medicação: quem se importa? Mayo Clin Proc. 2011, abril; 86 (4): 304-14. doi: 10.4065/mcp.2010.0575. Epub, 9 de março de 2011. PMID: 21389250; PMCID: PMC3068890.

Agende uma consulta gratuita

Com a confiança das principais instituições de saúde do mundo