研究背景：

药物依从性在控制慢性疾病的演变中起着至关重要的作用，因为低药物依从性可能导致更糟糕的健康结果、更高的死亡率和发病率。临床医生对患者的药物依从性进行评估对于避免不适当的治疗强化、相关的医疗开支以及不适当地将患者纳入耗时和资源消耗的教育干预是至关重要的。在研究和临床实践中，最广泛使用的药物依从性测量工具是患者报告的结果测量（PROMs），因为它们能够捕捉非依从性的主观维度。机器学习（ML）是人工智能的一个子领域，使用可以通过经验自动改进的计算机算法。在这个背景下，ML工具可以有效地模拟导致药物依从性的多个患者行为的复杂性和相互作用。

研究目标：本研究旨在创建和验证一种基于ML方法解释的药物依从性PROM。

研究方法：

这是一项横断面、单中心、观察性研究，于2021年至2022年在法国一所教学医院进行。符合条件的患者必须至少接受了1种长期治疗、进行了除问卷之外的药物依从性评估、能够阅读或理解法语、年龄在18岁以上，并提供了不反对参与的同意。被纳入的成年患者回答了一个由11个项目组成的PROM的初始版本，每个项目都使用4级力克特量表呈现。初始项目组是通过Delphi共识过程获得的。根据每个门诊单位的日常实践中使用的药物依从性评估标准的结果，将患者分类为依从性差、中等或高的患者。ML导出的决策树是通过结合药物依从性状态和PROM回答构建的。评估了最终的5个项目PROM的敏感性、特异性、阳性和阴性预测值（NPVs）以及总体准确性。

研究结果：

我们使用Delphi过程创建了一个由11个项目组成的初始PROM，使用4级力克特量表。在减少项目后，从包括来自最终的5个项目PROM的数据的218名患者中导出的决策树允许根据项目回答将患者分类为依从性差、中等或高的患者。心理测量特性包括78%（95% CI 40%-96%）的敏感性，71%（95% CI 53%-85%）的特异性，41%（95% CI 19%-67%）的阳性预测值，93%（95% CI 74%-99%）的NPV和70%（95% CI 55%-83%）的准确性。

研究结论：

我们开发了一种基于ML的药物依从性工具，具有出色的NPV。这可以允许优先考虑流程，避免将高度依从性的患者纳入耗时和资源消耗的干预措施。决策树可以轻松实施在计算机化的处方医嘱系统和智能手机中的数字工具中。需要在一个包括更多与低药物依从性相关疾病患者的研究中对该工具进行外部验证，以确认其在分析和评估药物依从性复杂性方面的应用。

原始出处：

Korb-Savoldelli V, Tran Y, Perrin G, Touchard J, Pastre J, Borowik A, Schwartz C, Chastel A, Thervet E, Azizi M, Amar L, Kably B, Arnoux A, Sabatier B. Psychometric Properties of a Machine Learning-Based Patient-Reported Outcome Measure on Medication Adherence: Single-Center, Cross-Sectional, Observational Study. J Med Internet Res. 2023 Oct 16;25:e42384. doi: 10.2196/42384. PMID: 37843891.