.png){kind=logo}
Personalización profunda de los programas de apoyo al paciente con tecnologías digitales para mejorar la experiencia y la adherencia del paciente.
Los programas de apoyo al paciente (PSP) se enfrentan a desafíos cada vez más abrumadores en el panorama sanitario actual debido a la creciente complejidad de las enfermedades, la fragmentación de los canales de comunicación y los recursos limitados. Los PSP tradicionales luchan por adaptarse a las diversas necesidades de los pacientes, lo que se traduce en tasas de participación y cumplimiento inferiores a las óptimas, especialmente en las enfermedades crónicas, en las que el apoyo sostenido es crucial para un tratamiento eficaz de la enfermedad. El sesenta por ciento de los pacientes no siguen las instrucciones del médico (1), y la falta de adherencia a los medicamentos puede costar al sistema de salud de los EE. UU. hasta 300 000 millones de dólares al año, lo que aumenta las hospitalizaciones, las complicaciones médicas y la mortalidad (2). Este problema es especialmente pronunciado entre los pacientes con enfermedades crónicas como la diabetes, la hipertensión y las enfermedades cardíacas (3).
«AdhereAI» es un modelo predictivo desarrollado para impulsar la adherencia de los pacientes a los programas de apoyo al paciente (PSP). Este modelo utiliza el aprendizaje automático para analizar variables individuales y relacionadas con la salud, lo que permite realizar intervenciones personalizadas y, por lo tanto, mejorar las tasas de cumplimiento de los regímenes de atención de los pacientes.
Para predecir la adherencia se utilizan variables como el recuento de enfermedades crónicas, el recuento de medicamentos, el nivel de participación y la frecuencia de interacción. El conjunto de datos sintéticos de este modelo se basa en los hallazgos empíricos de la investigación científica, incluidos los estudios de Unni (2), Chaudri (3), Jimmy y Jose (4) y Brown y Bussell (5). Estas referencias sirven para seleccionar las variables y sus rangos, lo que garantiza que las predicciones del modelo se alineen con el comportamiento en el mundo real dentro de los parámetros clínicamente relevantes.
Los programas de apoyo al paciente (PSP) se enfrentan a desafíos cada vez más abrumadores en el panorama sanitario actual debido a la creciente complejidad de las enfermedades, la fragmentación de los canales de comunicación y los recursos limitados. Los PSP tradicionales luchan por adaptarse a las diversas necesidades de los pacientes, lo que se traduce en tasas de participación y cumplimiento inferiores a las óptimas, especialmente en las enfermedades crónicas, en las que el apoyo sostenido es crucial para un tratamiento eficaz de la enfermedad. El sesenta por ciento de los pacientes no siguen las instrucciones del médico (1), y la falta de adherencia a los medicamentos puede costar al sistema de salud de los EE. UU. hasta 300 000 millones de dólares al año, lo que aumenta las hospitalizaciones, las complicaciones médicas y la mortalidad (2). Este problema es especialmente pronunciado entre los pacientes con enfermedades crónicas como la diabetes, la hipertensión y las enfermedades cardíacas (3).
«AdhereAI» es un modelo predictivo desarrollado para impulsar la adherencia de los pacientes a los programas de apoyo al paciente (PSP). Este modelo utiliza el aprendizaje automático para analizar variables individuales y relacionadas con la salud, lo que permite realizar intervenciones personalizadas y, por lo tanto, mejorar las tasas de cumplimiento de los regímenes de atención de los pacientes.
Para predecir la adherencia se utilizan variables como el recuento de enfermedades crónicas, el recuento de medicamentos, el nivel de participación y la frecuencia de interacción. El conjunto de datos sintéticos de este modelo se basa en los hallazgos empíricos de la investigación científica, incluidos los estudios de Unni (2), Chaudri (3), Jimmy y Jose (4) y Brown y Bussell (5). Estas referencias sirven para seleccionar las variables y sus rangos, lo que garantiza que las predicciones del modelo se alineen con el comportamiento en el mundo real dentro de los parámetros clínicamente relevantes.
