Die USA sind eine alternde Nation. Amerikaner ab 65 Jahren werden bis 2030 voraussichtlich mehr als 20 Prozent der Bevölkerung ausmachen, verglichen mit 17 Prozent im Jahr 2022 und sogar 23 Prozent im Jahr 2050. Wir leben länger, aber nicht besser; einen zunehmenden Teil unseres Lebens verbringen wir in schlechter Gesundheit.
Dieser demografische Wandel bringt kostspielige und komplexe Gesundheitsbedürfnisse mit sich, da ältere Menschen häufig an chronischen Krankheiten und Begleiterkrankungen leiden, die eine intensivere medizinische Versorgung erfordern. Unser derzeitiges Gesundheitssystem leidet unter Personalmangel, Kapazitätsproblemen und steigenden Kosten, die bereits jetzt die budgetierten Medicare-Ausgaben übersteigen. Wir sind auf die wachsenden Anforderungen unserer alternden Bevölkerung völlig unzureichend vorbereitet.
Um die Herausforderungen der „grauen Welle“ effektiv zu bewältigen, müssen Gesundheitsorganisationen und Kostenträger zusammenarbeiten und einen neuen Ansatz verfolgen, der dazu beitragen kann, die Risiken für ältere Menschen durch frühere Erkennung und Intervention zu verringern. Trotz der wachsenden Zahl verfügbarer Technologieressourcen haben wir noch keinen Weg gefunden, die Interaktion dieser Ressourcen untereinander – und, was noch wichtiger ist, mit Kostenträgern, Anbietern, Patienten und dem öffentlichen Gesundheitswesen – zu maximieren.
Prädiktive Modellierung kann helfen, eines der größten Gesundheitsrisiken zu mildern
Eine der größten Gefahren, denen wir im Alter ausgesetzt sind, sind Stürze, die bei Patienten über 65 Jahren die häufigste Ursache für Behinderungen und Todesfälle sind. Stürze sind nicht nur körperliches Stolpern, sie sind eine ernsthafte Bedrohung für die Gesundheit und Unabhängigkeit älterer Menschen. Sie stellen auch eine wirtschaftliche Bedrohung dar; laut den Centers for Disease Control and Prevention (CDC) werden in den USA jedes Jahr etwa 50 Milliarden Dollar für medizinische Kosten im Zusammenhang mit Stürzen älterer Menschen ausgegeben. Darüber hinaus passieren Stürze aus einer Vielzahl von Gründen und deren Zusammentreffen, sei es aufgrund der Folgen von Polypharmazie, Dekonditionierung und Sarkopenie, kognitiven Veränderungen oder Mustern nachlassender Gesundheit
Prädiktive Modelle bieten eine mögliche Antwort zur Erkennung und letztendlich zur Entwicklung notwendiger Präventionsstrategien. Diese Modelle analysieren unterschiedliche Datenpunkte, um Gesundheitsereignisse vorherzusagen und ermöglichen so rechtzeitige und gezielte Interventionen, die die Gesundheitsspanne verlängern und die Lebensqualität verbessern können. Durch die Nutzung riesiger Mengen an Patientendaten und künstlicher Intelligenz (KI) können prädiktive Modelle präzise Mortalitäts- und Morbiditätsvorhersagen erstellen, z. B. Patienten mit Sturzrisiko Monate und sogar Jahre im Voraus identifizieren.
Für prädiktive Modelle stehen Unmengen von Daten zur Verfügung, die zu einer genauen Risikovorhersage bei Erkrankungen wie Stürzen führen könnten, aber die Datenerfassung am Behandlungsort und die Dateninteroperabilität sind nach wie vor inkonsistent. Klinische Daten sind von EHR zu EHR, von Implementierung zu Implementierung derselben EHR, zwischen Anbietern und sogar zwischen Patienten aufgrund sozialer und medizinischer Unterschiede mit Variabilität behaftet. Diese Diskrepanzen bei Datenerfassung, -präsentation und -qualität führen zu Herausforderungen bei der Erstellung einer zusammenhängenden „Geschichte“, die nicht nur für prädiktive Modelle, sondern – noch wichtiger – für die Gesundheitsversorgung erforderlich ist. Um diese Hürden zu überwinden, sind Interoperabilitätslösungen und strukturierte Datenrahmen unabdingbar.
Einen standardbasierten Ansatz erreichen
Die STEADI-Initiative (Stopping Elderly Accidents, Deaths, and Injuries) des CDC ist ein Beispiel für einen erfolgreichen standardbasierten Ansatz. Basierend auf den klinischen Sturzpräventionsrichtlinien der amerikanischen und britischen Geriatriegesellschaften bietet STEADI Gesundheitsdienstleistern einen strukturierten Prozessrahmen für die Überprüfung von Sturzrisiken, die Bewertung veränderbarer Risikofaktoren und die Umsetzung gezielter Interventionen. Wie bereits erwähnt, kann die Wirkung solcher Initiativen jedoch durch inkonsistente und nicht standardisierte Datenaufzeichnung in EHRs begrenzt sein, wodurch die Wirkung von Vorhersagemodellen und anderen neuen Technologien, die für ihre effektive Nutzung auf optimierte Daten angewiesen sind, abgeschwächt wird. Viele Interaktionen zwischen Patienten und Leistungserbringern werden mithilfe von Fragebögen dokumentiert, die nicht an vorhandene Vokabulare angehängt sind, und wenn doch, werden sie nicht in EMR-Systeme integriert, was zu einer fragmentierten Datenerfassung führt, die nur schwer umfassend analysiert werden kann. Durch die Einführung und Durchsetzung von Standards für solche Datenerfassungstools mit Vokabularen wie Logical Observation Identifiers Names and Codes (LOINC) können Gesundheitsdienstleister sicherstellen, dass Daten aus dem STEADI- und anderen Fragebögen konsistent aufgezeichnet und im Laufe der Zeit als Daten verfolgt werden. Diese Standardisierung würde eine bessere Längsschnittanalyse ermöglichen und die Patientenversorgung verbessern, indem sie den Ärzten einen klaren Überblick über die Gesundheitsentwicklung eines Patienten bietet. Indem ein Technologiepartner seine Modelle so anpasst, dass sie STEADI-Kriterien einbeziehen, kann er sicherstellen, dass die prädiktive Analyse den etablierten Richtlinien zur Bewertung des Sturzrisikos entspricht.
Angesichts der Tatsache, dass wir alle immer länger leben, ist das Problem der Stürze bei älteren Menschen ein großes Problem für die öffentliche Gesundheit. Es gibt viele andere Gesundheitsmesswerte und klinische Zustände, die für eine effektivere öffentliche Gesundheitsinitiative unbedingt berücksichtigt werden müssen. Durch die Etablierung einer Standardmethode zur Datenerfassung und die Nutzung von Programmen wie STEADI können wir unsere Bemühungen zur Gebrechlichkeits- und Sturzprävention erheblich vorantreiben und die Versorgungsmodelle für andere Erkrankungen verbessern, die die schwächsten Mitglieder unserer Bevölkerung betreffen. Die Standardisierung ebnet nicht nur den Weg für kompatible Daten im gesamten System, sondern gibt Gesundheitsdienstleistern auch wertvolle Erkenntnisse, um fundierte Entscheidungen treffen zu können. Die Einbeziehung fortschrittlicher prädiktiver Technologien in die Sturzpräventionsbemühungen wird die Ergebnisse weiter verbessern, das Gesundheitssystem entlasten und allen Akteuren im Ökosystem die Möglichkeit bieten, eine wertorientierte Versorgung voranzutreiben und eine alternde Bevölkerung besser zu versorgen.
Foto: Getty Images
Paulo Pinho, MD, ist Chief Medical and Strategy Officer bei Discern Health, einem Startup für Gesundheitstechnologie, das sich auf prädiktive Datenmodelle zur Verbesserung der Gesundheitsergebnisse konzentriert. Er verfügt über fast 25 Jahre Praxiserfahrung und ist Facharzt für Innere Medizin, Pädiatrie und Versicherungsmedizin. Dr. Pinho hatte zuvor Führungspositionen bei Availity Clinical Solutions und Prudential International Insurance inne und gründete PASE Healthcare. Seine globale klinische Erfahrung erstreckt sich auf unterschiedliche Bereiche und er ist nach wie vor ein bekannter Redner und publizierter Experte für Gesundheitsversorgung und Patientenermächtigung. Dr. Pinho macht außerdem einen Master in Gesundheitsinformatik an der Rutgers University.
Dieser Beitrag erscheint im Rahmen des MedCity Influencers-Programms. Über MedCity Influencers kann jeder seine Sichtweise zu Wirtschaft und Innovation im Gesundheitswesen auf MedCity News veröffentlichen. Klicken Sie hier, um zu erfahren, wie.
