.png){kind=logo}
Personalização profunda dos programas de suporte ao paciente com tecnologias digitais para aprimorar a experiência e a adesão do paciente.
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).
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.
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.
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).
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.
Failure to implement these technologies perpetuates high non-adherence rates, resulting in significant avoidable costs.
In Spain, expenses due to complications related to non-adherence amount to €11.25 billion annually, of which up to 40% could be avoided with effective intervention strategies [2].
Furthermore, non-adherence erodes trust in PSPs, negatively impacting their reputation and stakeholder outcomes.
Using a predictive model could improve adherence rates by 20%-30%, reducing hospitalizations and avoidable complications. This would optimize healthcare resources, lower associated costs, and improve patients' quality of life, generating a positive clinical and economic impact [2,3].
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.
