Journal of Managed Care & Specialty Pharmacy· 2026Q1
Makine Öğrenmesi Eczacı Danışmanlık Kabul Oranını %68 Artırdı
Precision targeting using machine learning to optimize medication therapy management delivery in value-based care: A quasi-experimental study using real-world evidence
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Bir makine öğrenmesi (MÖ) modeli, 183.888 hasta çifti üzerinde yapılan gerçek dünya çalışmasında, geleneksel yöntemlere kıyasla hastaların eczacı danışmanlıklarını kabul etme oranını %68 (21,2% - 12,6%) oranında artırdı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Makine öğrenmesi (MÖ) hassas hedefleme, eczacı danışmanlık kabulünü (görüşme kabul oranı) %12,6'dan %21,2'ye yükseltti (%8,6 mutlak artış, %68 göreceli iyileşme).
- MÖ modeli demografik bilgileri, ilaç kullanım örüntülerini, sağlıkta sosyal belirleyicileri, etkileşim geçmişini ve plan/mağaza özelliklerini analiz etti.
- Çalışma, geriye dönük eczane verilerinden elde edilen 183.888 eşleştirilmiş hasta çiftini analiz etti.
- Sonuçlar istatistiksel olarak anlamlıydı (P < 0,001) ve ölçülmemiş potansiyel karıştırıcı etkilere karşı dayanıklıydı (E değeri = 2,75).
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
BACKGROUND: Medication therapy management (MTM) is a core component of managed care pharmacy that improves medication safety, adherence, and clinical outcomes in high-risk populations. However, traditional eligibility criteria lack precision, limiting scalability and impact. OBJECTIVE: To provide real-world evidence of how machine learning (ML) integration into pharmacy workflows can improve MTM delivery by identifying patients most likely to engage. METHODS: We conducted a retrospective cohort study using a de-identified pharmacy dataset. MTM-eligible patients in 2025 were assigned to centralized or community pharmacists via an ML-based precision-targeting model, whereas a 2024 cohort was assigned using traditional eligibility-based assignment. The propensity score matching model incorporated demographics, medication patterns, social determinants of health, engagement history, and plan-level/store-level characteristics. The primary outcome was the call favorability rate (acceptance of a pharmacist consultation). RESULTS: After propensity score matching, 183,888 matched patient pairs were analyzed. The ML cohort showed a 21.2% call favorability rate vs 12.6% in the historical cohort, an 8.6% absolute increase and 68% relative improvement (risk ratio = 1.68). Results were robust to moderate unmeasured confounding (E value = 2.75). Results were statistically significant ( P < 0.001) and remained stable with checks for bias. CONCLUSIONS: ML-based precision targeting was associated with higher MTM call favorability compared with traditional eligibility-based approaches. These findings support integrating ML into pharmacists’ workflows to improve patient engagement and resource use amid evolving reimbursement structures. The results were robust to potential hidden bias, suggesting that this approach could be scaled for use in managed care MTM programs.
Yazarların özeti; kaynağından alınmıştır. Journal of Managed Care & Specialty Pharmacy, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Geriatri ve Gerontoloji
Geriatrics and GerontologyMedicine