Il Modello
Un nuovo framework computazionale incorpora le interazioni sociali per analizzare il modo migliore per comunicare le nuove linee guida mediche per incoraggiarne l’adozione
HAMPAIGN, Illinois — Gli operatori sanitari spesso non adottano nuove linee guida per le migliori pratiche nell’assistenza medica fino a molto tempo dopo che tali linee guida sono state stabilite. Un team di ricercatori guidato da Eunice E. Santos, preside della School of Information Sciences dell’Università dell’Illinois Urbana-Champaign, ha sviluppato un nuovo framework di modellazione e simulazione computazionale per analizzare il processo decisionale e identificare strategie di diffusione efficaci per le linee guida mediche .
Il team di ricerca ha esaminato le linee guida per il diabete di tipo 2 stabilite nel 2012 e non ancora adottate anni dopo. I ricercatori hanno scoperto che le specialità degli operatori sanitari, il volume dei pazienti e l’esperienza sono stati tra i fattori che hanno influenzato l’accettazione delle linee guida personalizzate per il controllo glicemico.
Il team ha sviluppato un nuovo quadro computazionale che incorpora le interazioni e le influenze tra gli operatori sanitari, insieme ad altre complessità del processo decisionale medico, per simulare e analizzare un’ampia gamma di scenari del mondo reale. I ricercatori hanno introdotto il Culturally Infused Agent Based Model (CI-ABM) e hanno riportato i loro risultati nell’articolo di copertina del numero di giugno dell’IEEE Journal of Biomedical and Health Informatics .
La loro ricerca evidenzia che la modellazione e la simulazione dei comportamenti umani devono tenere conto di fattori come il contesto socioculturale e le complesse interazioni sociali, senza le quali i modelli possono portare a un profondo fraintendimento del processo decisionale umano, hanno affermato.
“Una delle maggiori sfide è catturare il processo decisionale degli attori e dei fattori che li influenzano. Ciò è particolarmente vero quando gli agenti sono esseri umani (ad es. operatori sanitari), dove il loro comportamento è incerto e le informazioni sul fattori che influenzano il loro processo decisionale è spesso incompleto e/o contraddittorio”, hanno scritto.
Il sistema di modellizzazione che hanno sviluppato incorpora i social network e le influenze culturali che guidano il processo decisionale e cattura come le credenze evolvono nel tempo a causa di fattori personali ed esterni. Fornisce quella capacità di modellare eventi del mondo reale che coinvolgono informazioni incomplete, imprecise e conflittuali e fornisce un modo per gestire l’incertezza nel comportamento umano. Questi aspetti del loro modello computazionale hanno portato a una migliore analisi e previsione dei comportamenti di diffusione delle linee guida, hanno affermato i ricercatori.
Santos e i suoi colleghi hanno utilizzato il modello per analizzare la diffusione di una linea guida sul diabete di tipo 2 che raccomanda di individuare gli obiettivi glicemici per i pazienti. Le linee guida per la cura del diabete dal 2012 hanno enfatizzato l’individualizzazione degli obiettivi glicemici in base a fattori del paziente come l’età, il rischio di ipoglicemia e la salute generale. Ma non si sa quanti medici abbiano adottato questa linea guida.
I ricercatori hanno utilizzato due sondaggi del 2015 incentrati sulle sfide affrontate dai medici nell’individuare gli obiettivi glicemici dei loro pazienti. Le indagini includevano medici di diversa estrazione e una serie di specialità – tra cui endocrinologia, medicina di famiglia e geriatria – livelli di esperienza e tipi di pratica.
Nella loro simulazione, alcuni medici hanno ricevuto raccomandazioni sulle linee guida dall’American Diabetes Association. Le migliori pratiche si sono diffuse anche attraverso il passaparola. Il team ha confrontato i risultati delle simulazioni con le risposte fornite nei sondaggi. I ricercatori hanno scoperto che l’inclusione di fattori socioculturali e informazioni sulle interazioni sociali degli operatori sanitari nel loro modello ha aumentato l’accuratezza della previsione dei comportamenti di adozione delle linee guida di vari gruppi demografici. Inoltre, includendo informazioni socioculturali, il modello aiuta a identificare i fattori che guidano il comportamento di adozione delle linee guida.
Il quadro consente inoltre ai responsabili delle politiche di studiare l’effetto di diverse barriere alla diffusione delle informazioni sulle linee guida mediche, identificare i fattori che contribuiscono all’adozione delle linee guida e creare strategie mirate per migliorare la comunicazione sulle linee guida, hanno affermato.
Il sistema di modellizzazione aiuterà i responsabili delle politiche a testare diverse strategie e ad analizzare i loro effetti, hanno affermato i ricercatori. Fornisce un modo per catturare l’effetto di fattori unici – ad esempio, quando si modella la diffusione delle linee guida per le malattie infettive, può aiutare ad analizzare gli effetti dell’incorporazione di informazioni sulla novità e la mortalità delle malattie infettive, nonché l’impatto dei cambiamenti nelle condizioni sociali reti a causa dei blocchi.
Il team di ricercatori comprendeva Suresh Subramanian e Vairavan Murugappan, entrambi studenti di dottorato presso la School of Information Sciences dell’Illinois; John Korah, professore di informatica presso la California State Polytechnic University; Elbert S. Huang e Neda Laiteerapong, entrambi professori di medicina presso l’Università di Chicago Medicine; e Ali Cinar, professore di ingegneria chimica e biologica presso l’Illinois Institute of Technology.