Améliorer les scores HEDIS : Comment les mesures de qualité basées sur l'IA transforment les soins

Introduction : L'importance croissante de HEDIS dans les soins basés sur la valeur

Les organisations de soins de santé opérant dans l'environnement axé sur la performance d'aujourd'hui sont de plus en plus évaluées—et rémunérées—sur la base de résultats mesurables plutôt que sur le volume des services. Dans ce contexte, le HEDIS (Healthcare Effectiveness Data and Information Set) est devenu un cadre central pour évaluer la performance clinique, la prestation de soins préventifs, la gestion des maladies chroniques et la sécurité des patients au sein des régimes d'assurance maladie et des réseaux de prestataires. Développé et maintenu par le National Committee for Quality Assurance (NCQA), HEDIS est largement considéré comme un ensemble de mesures de qualité "étalon-or" utilisé dans les évaluations de qualité, les rapports publics et les contrats basés sur la valeur.

Le virage accéléré vers les soins basés sur la valeur fait de la mesure précise plus qu'un simple exercice de conformité. La performance de la qualité influence désormais l'éligibilité aux économies partagées, les accords de risque, les incitations des payeurs et les évaluations par étoiles ("star ratings") qui peuvent affecter matériellement la compétitivité du marché. Alors que de plus en plus de contrats lient le remboursement à des résultats mesurables, la capacité d'identifier les lacunes de soins ("care gaps") précocement, de les combler de manière fiable et de les documenter correctement est devenue un impératif financier.

Pourtant, de nombreuses organisations s'appuient encore sur des processus de suivi manuels ou semi-manuels – feuilles de calcul, extraits de créances tardifs, audits rétrospectifs de dossiers patients et listes de démarchage ("outreach lists") nécessitant beaucoup de main-d'œuvre. Ces approches sont souvent :

Chronophages pour les équipes cliniques et administratives
Sujettes aux erreurs en raison d'une saisie de données incohérente et de variations de codage
Rétrospectives, identifiant les occasions manquées une fois les fenêtres de mesure fermées
Incomplètes, car les preuves critiques se trouvent dans des notes non structurées ou des systèmes externes

Cela crée un résultat prévisible : dépistages manqués, suivi incomplet, exclusions non documentées et interventions retardées qui aggravent les résultats et diminuent la performance. L'analyse par l'IA—lorsqu'elle est déployée avec une gouvernance appropriée, une validation clinique et une intégration aux flux de travail—offre une voie significative pour l'avenir. En intégrant des données multi-sources, en révélant des lacunes de soins exploitables et en priorisant le démarchage au niveau de la population, l'IA peut renforcer la gestion de la santé des populations et aider les organisations à améliorer les résultats HEDIS sans surcharger des équipes déjà sous pression.

Comprendre le défi HEDIS : les lacunes des approches traditionnelles

La performance HEDIS n'est pas un flux de travail unique ; c'est un écosystème de mesure, de documentation et d'intervention à travers diverses conditions cliniques et contextes de soins. L'ensemble HEDIS moderne couvre des dizaines de domaines, et de nombreuses organisations doivent suivre plus de 90 mesures ou composants de mesures à travers plusieurs secteurs d'activité (commercial, Medicare Advantage, Medicaid). Cette complexité est amplifiée par des populations de patients hétérogènes et des soins dispensés à travers un réseau fragmenté.

Pourquoi le suivi HEDIS est intrinsèquement complexe

Plusieurs facteurs structurels rendent HEDIS difficile même pour les organisations dotées de ressources suffisantes :

Les spécifications des mesures sont nuancées. Les dénominateurs, numérateurs, critères d'inscription continue, exclusions et preuves admissibles varient selon la mesure et peuvent changer d'une année à l'autre.
Les preuves sont distribuées sur différents systèmes. La documentation nécessaire peut se trouver dans les listes de problèmes des EHR, les dossiers de médicaments, les flux de laboratoires, les créances, les registres de vaccination, les documents numérisés ou les notes de spécialistes.
Le timing est important. De nombreuses mesures exigent une action dans un délai défini (par exemple, les dépistages annuels), et des opportunités peuvent être perdues si l'identification se produit trop tard.
La documentation est aussi importante que la prestation de soins. Un dépistage effectué en dehors du réseau—ou documenté uniquement dans une note numérisée—peut ne pas être "comptabilisé" sans une saisie fiable.

Points douloureux courants des approches traditionnelles

Le suivi traditionnel échoue souvent de manière prévisible :

Sources de données fragmentées : Les organisations exploitent fréquemment plusieurs instances d'EHR, s'appuient sur des laboratoires externes ou manquent de flux cohérents de la part de spécialistes et de prestataires communautaires. Cela peut entraîner des doublons de dossiers, des résultats manquants et des historiques de patients incomplets.
Cycles de rapport rétrospectifs : De nombreuses équipes se concentrent sur les activités de "recherche de dossiers" ("chart chase") de fin d'année, travaillant à rebours pour trouver des preuves qu'un service a été achevé. Cela est coûteux et moins efficace que de prévenir les lacunes de manière prospective.
Opportunités de soins manquées : Sans signaux en temps réel, les patients qui sont en retard pour des services ne sont pas identifiés de manière cohérente au point de service ou pendant les périodes de démarchage.
Charge administrative : Les cliniciens et le personnel passent un temps considérable à rechercher des dossiers, à rapprocher des listes et à mettre à jour des registres – un temps qui pourrait autrement être utilisé pour l'engagement des patients et la prise de décision clinique.
Pratiques de codage et de documentation incohérentes : Les variations dans le codage, l'hygiène des listes de problèmes et la structure des notes peuvent entraîner une sous-estimation de la performance même lorsque les soins ont été dispensés.

L'impact financier et stratégique d'une mauvaise performance HEDIS

Une sous-performance affecte les organisations sur plusieurs fronts :

Évaluations de qualité inférieures (y compris les évaluations par étoiles des régimes de santé et les tableaux de bord des réseaux), ce qui peut réduire la compétitivité d'inscription et le pouvoir de négociation des payeurs.
Réduction des paiements incitatifs dans le cadre des contrats de rémunération à la performance et basés sur la valeur lorsque les seuils ne sont pas atteints.
Coût plus élevé de la remédiation de la qualité, y compris les pics de démarchage de fin d'année, les heures supplémentaires, la récupération de dossiers par des fournisseurs et l'épuisement professionnel des cliniciens dû aux exigences de documentation de dernière minute.
Augmentation des dépenses médicales au fil du temps si les services préventifs et la gestion des maladies chroniques sont incohérents, entraînant des complications et une utilisation évitables.

Bien que l'impact financier exact varie selon la structure des contrats et la composition de la population de membres, la direction est cohérente : une capture de qualité incomplète et un comblement tardif des lacunes érodent les revenus basés sur la performance et augmentent les coûts opérationnels. Aborder ces problèmes ne nécessite pas simplement de "travailler plus dur", mais d'utiliser des systèmes plus intelligents capables d'interpréter la réalité clinique au fur et à mesure qu'elle se manifeste.

Comment l'analyse par l'IA révolutionne le suivi des mesures de qualité

La valeur de l'IA dans la mesure de la qualité n'est pas théorique ; elle est opérationnelle. Lorsqu'elle est déployée de manière responsable, l'IA peut réduire les frictions entre les données, la logique de mesure et l'action clinique—transformant le travail de qualité d'un audit rétrospectif en un moteur proactif de gestion des soins.

Agrégation et normalisation en temps réel à travers les sources de données

L'un des avantages les plus pratiques de l'analyse par l'IA est la capacité d'agréger et de normaliser les données à travers :

Champs structurés des EHR (ordres, signes vitaux, listes de problèmes, médicaments)
Créances et rencontres (y compris les services hors réseau)
Résultats de laboratoire et d'imagerie
Registres de vaccination
Plateformes de gestion des soins et flux HIE

Les pipelines de données basés sur l'IA peuvent aider à concilier l'identité des patients, à standardiser les codes (ICD-10, CPT, LOINC, RxNorm) et à aligner les données entrantes avec les définitions des mesures. Cela soutient une "source unique de vérité" pour la performance de la qualité—mise à jour en continu plutôt que mensuellement ou trimestriellement.

Pourquoi c'est important : De nombreuses lacunes HEDIS ne sont pas réellement des lacunes de soins ; ce sont des lacunes de documentation. Si l'IA peut fiablement faire ressortir les preuves existantes (par exemple, un test A1c réalisé par un laboratoire externe) et les connecter à la logique de mesure appropriée, la performance s'améliore sans services répétés inutiles.

Analyse prédictive pour identifier les patients avant que des lacunes n'apparaissent

Les approches traditionnelles signalent les lacunes après coup—lorsque les patients sont déjà en retard. La modélisation prédictive peut faire passer l'approche de réactive à proactive en estimant :

La probabilité de devenir non conforme au cours de l'année de mesure
La probabilité de réaliser un service s'il est contacté (et par quel canal)
Le risque de détérioration pour les mesures de maladies chroniques (par exemple, le contrôle du diabète)
Le risque de non-présentation et les obstacles à l'accès aux soins

Ceci est particulièrement pertinent pour les organisations gérant de vastes panels où les ressources sont limitées. Les informations prédictives peuvent cibler le démarchage là où il est le plus susceptible d'améliorer l'achèvement du numérateur et les résultats cliniques.

Limitation importante : Les modèles prédictifs ne valent que par leurs données d'entraînement et leur gouvernance. Les organisations doivent valider les modèles au sein de leurs propres populations, surveiller la dérive et évaluer les performances à travers les sous-groupes démographiques afin de réduire le risque de biais.

Stratification et priorisation automatisées des patients

De nombreuses équipes de soins ont des listes, mais pas de priorisation. L'IA peut stratifier les patients selon :

Risque clinique (comorbidités, schémas d'utilisation)
Urgence de la mesure (délais imminents, fenêtres de clôture)
Impact d'opportunité (patients présentant plusieurs lacunes ouvertes)
Facteurs d'accès (distance, disponibilité des rendez-vous, langue préférée)

Cela crée des files d'attente de travail exploitables plutôt que des registres statiques. Au lieu d'envoyer un démarchage généralisé à des milliers de patients, les équipes peuvent cibler ceux qui sont les plus susceptibles de bénéficier et les plus à même de "faire bouger les choses" concernant les mesures de qualité.

PNL pour l'extraction de données cliniques non structurées

Une proportion majeure de preuves cliniquement pertinentes est piégée dans du texte non structuré :

Notes de suivi
Lettres de consultation de spécialistes
Comptes rendus de sortie
Documents numérisés
Historiques rapportés par les patients

Le traitement du langage naturel (NLP) peut extraire des éléments pertinents—tels que la documentation d'un dépistage réalisé, une contre-indication ou un critère d'exclusion—puis les mapper à la logique de mesure. Par exemple, le NLP peut identifier la preuve d'un résultat de coloscopie documenté dans une note narrative, ou détecter la mention d'un examen oculaire diabétique effectué par un ophtalmologiste externe.

Bénéfice opérationnel : Le NLP peut réduire la charge de révision des dossiers de fin d'année et améliorer la précision en capturant les preuves que les champs structurés ne saisissent pas.

Exigence de gouvernance : Les sorties du NLP doivent être auditables, avec une traçabilité claire vers le texte source et un examen humain approprié pour les cas ambigus.

Apprentissage continu pour améliorer la précision et identifier les opportunités d'intervention

Les systèmes d'apprentissage automatique peuvent s'améliorer avec le temps en apprenant des modèles tels que :

Quelles sources de données sont les plus fiables pour des mesures spécifiques
Où la documentation fait fréquemment défaut (par exemple, mappage LOINC manquant)
Quelles interventions de démarchage mènent à l'achèvement pour différents segments de patients
Quels cliniciens ou sites pourraient nécessiter une éducation ciblée sur la documentation

Cela soutient une boucle d'amélioration continue : mesurer la performance → identifier les goulots d'étranglement → intervenir → surveiller les résultats. Dans les organisations très performantes, l'amélioration de la qualité devient une discipline opérationnelle plutôt qu'une course annuelle.

Stratégies pratiques pour la mise en œuvre de l'amélioration HEDIS alimentée par l'IA

La mise en œuvre de l'IA pour l'optimisation HEDIS n'est pas principalement un exercice technologique. C'est une initiative de gestion du changement qui doit aligner la gouvernance des données, les flux de travail cliniques, les exigences de conformité et la responsabilité opérationnelle. Les stratégies suivantes reflètent les meilleures pratiques observées dans les programmes de santé des populations et de qualité.

1) Commencer par les mesures à fort impact et définir le retour sur investissement (ROI)

Toutes les mesures ne sont pas égales en termes d'impact financier ou de faisabilité opérationnelle. Une approche pratique consiste à commencer par des mesures qui répondent à plusieurs critères :

Volume élevé (grand dénominateur)
Lien fort avec les paiements incitatifs ou les évaluations
Interventions claires et exploitables (dépistages, analyses de laboratoire, observance médicamenteuse)
Taux de lacunes initial élevé et potentiel d'amélioration réaliste

Les organisations trouvent souvent un ROI précoce dans les mesures de soins préventifs (par exemple, dépistages, vaccinations) et les mesures de maladies chroniques à forte prévalence (par exemple, composants de soins du diabète, contrôle de l'hypertension), selon leur composition de payeurs et le profil de leur population.

Un déploiement mesuré soutient également une meilleure validation des modèles et une meilleure adoption par les utilisateurs.

2) Intégrer l'IA dans les flux de travail cliniques existants (ne pas créer de systèmes parallèles)

Les informations de l'IA n'ont d'importance que si elles atteignent le point de décision :

Lors de la planification pré-visite
Dans la salle au point de service
Au sein des files d'attente de travail de gestion des soins
Au sein des flux de travail de démarchage et de planification

L'intégration transparente peut inclure des alertes de boîte de réception EHR (utilisées judicieusement pour éviter la fatigue d'alerte), des widgets intégrés pour les lacunes de soins, des résumés pré-visite automatisés ou des listes de démarchage priorisées acheminées vers les plateformes de coordination des soins existantes.

Principe de conception clé : l'IA doit réduire les clics et la charge cognitive, et non ajouter d'autres tableaux de bord à consulter pour les cliniciens.

3) Établir des tableaux de bord en temps réel avec des vues basées sur les rôles

Les tableaux de bord sont plus efficaces lorsqu'ils sont adaptés :

Vue exécutive : tendances de performance, comparaisons de sites, prévisions par rapport aux objectifs et implications financières
Vue de l'équipe qualité : explorations au niveau des mesures, changements de dénominateurs, taux de capture de preuves et indicateurs de qualité des données
Vue de l'équipe de soins : listes d'actions au niveau du patient, rendez-vous à venir et tâches de démarchage

Les tableaux de bord devraient rendre la logique de mesure transparente—montrant pourquoi un patient est dans le dénominateur, quelles preuves sont manquantes et ce qui qualifie comme clôture. La confiance dépend de l'explicabilité.

4) Mettre en place un démarchage automatisé déclenché par des lacunes de soins identifiées par l'IA

Une fois les patients stratifiés et priorisés, les organisations peuvent utiliser des campagnes automatisées pour combler les lacunes à grande échelle. Les exemples incluent :

Démarchage pour planifier des dépistages (mammographie, dépistage colorectal)
Rappels pour les analyses de laboratoire (test A1c)
Suivis et renouvellements d'observance médicamenteuse
Suivi post-hospitalisation pour les mesures de transition des soins

Le démarchage doit être multicanal et centré sur le patient, tel que :

SMS et e-mail lorsque autorisé
Messages du portail patient
Démarchage téléphonique via des coordinateurs de soins
Engagement d'agents de santé communautaires pour les populations à fortes barrières

Les programmes efficaces mesurent également la performance du démarchage (taux de contact, conversion en rendez-vous planifié, taux d'achèvement) et réinjectent ces résultats dans la logique de priorisation.

5) Former le personnel à interpréter les informations de l'IA et à les traduire en actions

L'adoption dépend d'une formation pratique, et non d'une théorie technique. La formation devrait couvrir :

Comment interpréter la logique des lacunes de soins et les exigences de preuve
Quand faire confiance aux clôtures automatisées et quand vérifier
Comment documenter les services pour qu'ils soient comptabilisés (codage, champs structurés, hygiène de la liste de problèmes)
Voies d'escalade lorsque les données semblent incorrectes
Boucles de rétroaction pour améliorer la performance du modèle et le mappage des données

Les organisations devraient également définir une responsabilité claire : qui est responsable de la résolution d'une lacune signalée, et qui est responsable de la correction des problèmes de données en amont qui créent de fausses lacunes ?

6) Assurer l'intégrité de la mesure, la confidentialité et la préparation à l'audit

Les programmes de qualité basés sur l'IA doivent respecter les normes de conformité et soutenir l'auditabilité :

Confirmer que la logique de mesure s'aligne avec les spécifications et mises à jour du NCQA
Maintenir la traçabilité du statut de la lacune aux preuves sources (créances, laboratoires, notes)
Mettre en œuvre des contrôles d'accès basés sur les rôles et des garanties conformes à HIPAA
Surveiller les biais dans la stratification des risques et les schémas de démarchage
Valider régulièrement la performance par échantillonnage de révision des dossiers

Lorsque l'IA est utilisée pour inférer ou extraire des preuves, la transparence et la documentation sont essentielles. Les gains de qualité qui ne peuvent être défendus lors des processus d'audit sont fragiles.

Points clés pratiques

Prioriser une courte liste de mesures HEDIS ayant le plus grand impact financier et clinique, puis étendre une fois les flux de travail stabilisés.
Traiter l'amélioration HEDIS comme un système opérationnel : l'intégration des données, la logique des mesures, les flux de travail, le démarchage et les boucles de rétroaction doivent être alignés.
Investir tôt dans la normalisation des données (codes, identité du patient, mappages de laboratoire) pour réduire les fausses lacunes et la charge de la "recherche de dossiers".
Utiliser la stratification basée sur l'IA pour concentrer la capacité limitée de gestion des soins sur les patients présentant la plus grande opportunité et urgence.
Intégrer la fermeture des lacunes dans la planification pré-visite et les flux de travail au point de service pour réduire les opportunités manquées.
Associer les tableaux de bord à la responsabilité : définir qui agit sur chaque lacune et comment les exceptions sont gérées.
Concevoir le démarchage comme un entonnoir mesurable (contact → planification → achèvement → documentation) et l'optimiser en continu.
Exiger l'explicabilité et l'auditabilité : chaque clôture doit être traçable à la preuve.
Surveiller la performance du modèle à travers les sous-groupes pour soutenir des interventions équitables et réduire le risque de biais.
Sélectionner des partenaires et des plateformes qui prennent en charge l'interopérabilité et l'intégration basée sur les standards ; les solutions ne doivent pas reposer sur des interfaces ponctuelles fragiles.

Perspectives d'avenir : IA, interopérabilité et amélioration continue

Le paysage de la mesure de la qualité évolue rapidement. Le rôle de l'IA s'étendra à mesure que les mesures deviendront plus numériques, que l'échange de données s'améliorera et que les attentes passeront du reporting annuel à la gestion continue de la performance.

Mesures HEDIS numériques et eCQMs : une adéquation naturelle pour les systèmes basés sur l'IA

Le mouvement du NCQA vers la mesure de la qualité numérique (souvent discutée dans le contexte du HEDIS numérique) et l'adoption plus large des mesures de qualité cliniques électroniques (eCQMs) reflète une volonté de réduire l'abstraction manuelle et de permettre une mesure évolutive. À mesure que les mesures deviennent plus calculables, l'IA peut apporter de la valeur en :

Améliorant l'exhaustivité des données grâce à la capture automatisée des preuves
Identifiant les incohérences de documentation et les lacunes de codage
Soutenant les mises à jour de mesure quasi en temps réel
Optimisant les interventions plutôt que de simplement noter la performance

Cependant, la numérisation ne résout pas automatiquement les problèmes de qualité des données. Si la documentation clinique sous-jacente est incohérente ou si l'interopérabilité est limitée, les mesures numériques peuvent toujours mal représenter la prestation de soins.

Les standards d'interopérabilité (FHIR, USCDI) accéléreront le suivi de la qualité en temps réel

L'interopérabilité reste l'un des plus grands leviers pour une amélioration durable. À mesure que les organisations adoptent des standards tels que les API FHIR et alignent les éléments de données avec USCDI, les systèmes d'IA accèdent à des données plus opportunes, structurées et portables. Cela peut réduire la dépendance aux créances retardées et soutenir :

Clôture plus rapide des lacunes lorsque les services ont lieu en dehors du EHR principal
Construction plus précise du dénominateur (par exemple, capture de diagnostics provenant de plusieurs sites)
Meilleure coordination entre les prestataires d'un réseau

Pourtant, l'interopérabilité est inégale. De nombreuses organisations sont encore confrontées à des échanges de données partiels, des formats propriétaires et une connectivité limitée des spécialistes. L'IA peut atténuer certaines frictions grâce à la normalisation et à la correspondance probabiliste, mais l'adoption des standards reste fondamentale.

Du reporting annuel à la mesure continue de la qualité

Un changement majeur en cours est l'attente que la performance qualité soit surveillée en continu, et non "ajustée" en fin d'année. Cela s'aligne avec des tendances plus larges en matière d'analyse opérationnelle et de contractualisation basée sur la valeur.

La mesure continue permet :

Détection plus précoce des baisses de performance (par exemple, baisse des taux de dépistage)
Correction en cours d'année avec des interventions ciblées
Meilleure planification des capacités pour le démarchage et la planification des cliniques
Intensité réduite de la "recherche de dossiers" de fin d'année

L'IA soutient cela en fournissant des vues en temps réel des lacunes de soins, en prévoyant la performance de fin d'année et en recommandant où la concentration opérationnelle produira la plus grande amélioration.

Équité en santé et déterminants sociaux de la santé (DSS)

La mesure de la qualité est de plus en plus censée refléter l'équité—à la fois dans les résultats et dans l'accès aux soins fondés sur des preuves. L'IA peut soutenir les programmes axés sur l'équité en :

Identifiant les sous-populations avec des lacunes de soins persistantes
Détectant les obstacles tels que le transport, les besoins linguistiques ou le logement instable (lorsque documenté et disponible)
Adaptant les stratégies de démarchage pour améliorer l'engagement
Surveillant si les interventions réduisent les disparités ou les élargissent par inadvertance

C'est aussi là où le risque est le plus élevé. Les algorithmes peuvent hériter de biais historiques, et des données DSS incomplètes peuvent entraîner une classification erronée. Une utilisation responsable exige :

Surveillance des biais et analyse des sous-groupes
Sélection de fonctionnalités et gouvernance transparentes
Supervision humaine dans les décisions qui affectent l'accès et l'allocation des ressources

À mesure que le domaine évolue, les organisations qui associent l'IA à une gouvernance solide en matière d'équité seront mieux positionnées pour répondre aux attentes émergentes des payeurs, des régulateurs et des communautés.

En pratique, des plateformes telles qu'Arkangel AI sont souvent évaluées en fonction de la manière dont elles combinent l'ingestion de données interopérables, l'analyse explicable et l'intégration des flux de travail—car l'amélioration de la qualité repose sur les détails opérationnels.

Conclusion : Collaborer avec l'IA pour atteindre l'excellence en matière de qualité

HEDIS demeure l'un des cadres les plus influents pour l'évaluation de la performance des soins de santé, et son importance ne fera que croître à mesure que les soins basés sur la valeur se développeront. Pour les régimes d'assurance maladie et les organisations de prestataires, une performance solide en matière de mesures de qualité est désormais liée au remboursement, aux évaluations, à la compétitivité et—surtout—aux résultats pour les patients.

Les approches traditionnelles du suivi HEDIS peinent face à la complexité moderne : données fragmentées, cycles rétrospectifs, charge administrative élevée et occasions manquées d'intervenir avant que les lacunes ne deviennent des échecs. L'analyse par l'IA offre une alternative pragmatique : intégrer des données multi-sources, extraire des preuves de la documentation non structurée, prédire quels patients risquent de ne pas être conformes et permettre un démarchage ciblé qui améliore à la fois la prestation de soins et la capture des mesures.

L'IA ne remplace pas le jugement clinique ni n'est un raccourci pour contourner la discipline opérationnelle. Son rôle est d'augmenter les équipes de soins—en réduisant le travail manuel, en concentrant l'attention là où cela compte et en permettant une amélioration continue des populations. Les dirigeants du secteur de la santé qui évaluent les solutions de qualité basées sur l'IA devraient se concentrer sur la préparation (disponibilité des données, gouvernance, intégration des flux de travail), l'intégrité des mesures (auditabilité, transparence) et la capacité à traduire les informations en actions cohérentes.

Les organisations qui investissent dès maintenant dans une infrastructure de santé des populations et de qualité basée sur l'IA seront mieux positionnées pour la prochaine ère des mesures numériques, de la coordination des soins axée sur l'interopérabilité et de la gestion de la performance en temps réel.