איך מפצחים את הנוסחא ומניעים כל מטופל להתמיד בטיפול?

כאשר מודלים פסיכולוגים ומתמטיקה נפגשים
ראיון עם דר. ג’קי אסא, מנהל מחקר ומדעי נתונים – Well-Beat

האם ניתן להפוך את הנעת החולים להצמד לטיפול (Adherence) לנוסחה באמצעות מכונה המבינה את המטופל וממליצה ​​על התערבויות?

עד כמה הנושא קרוב למנוע ההמלצות של נטפליקס?

מהם האתגרים, הסיכונים והפתרונות?

בימינו כבר לא מספיק לומר למטופלים – ‘פשוט תעשו את זה’  Just Do It –. עלינו למצוא מידע נוסף אודות הפרופיל ההתנהגותי ודפוסי ההתנהגות של כל מטופל, כולל החסמים והמניעים מאחורי הפעולה (או אי-הפעולה). עלינו להבין מדוע מטופלים אינם מגיעים לתורים שנקבעו עם הרופא, מדוע לא נטלו את התרופות בזמן או לא ביצעו את הבדיקות הנדרשות. עלינו ליצור אמון ומעורבות אישית גם במצב ריחוק כגון מגפת ה COVID-19. וכן עלינו לתמוך במטפלים העובדים שעות נוספות תחת לחץ כבד ולסייע להם עם כלים תומכי החלטה ויצירת תקשורת אפקטיבית בגישה מותאמת אישית.

באמצעות ראיון עם ד”ר ג’קי אסא, מנהל מחקר ומדעי נתונים, למדנו על שילוב של טכנולוגיית למידת מכונה (Machine Learning) ייחודית עם מודלים פסיכולוגים, המסייעים להגברת הענות המטופל לטיפול.

סוג ההתקדמות ההכרחי בעולם הרפואה שאנו מצפים לו.

***

לאחרונה ראיינו את ד”ר ג’קי אסא אודות למידת מכונה (Machine Learning), בינה מלאכותית (Artificial Intelligence), מודלים פסיכולוגים ועבודתו עם חברת Well-Beat לגבי הנעת מטופלים לדבוק בתכנית הטיפולים שלהם.

ד”ר ג’קי אסא מוכר מאוד בתחום ה- ML, בעל ניסיון רב בחברות שונות ובכלל זה חברות היי-טק, כולל חברות גדולות כמו eBay, Intel, CitiBank ואחרות.

“לפני מספר שנים, פנו אלי מייסדי חברת Well-Beat קרן אהרון, דודו וושינה ורוית רם בר-דעה. הרעיון היה לבנות נוסחה אשר מזהה כיצד ניתן להניע מטופלים שונים לדבוק בטיפול שניתן להם, על פי מודל מתודולוגי שיאפשר למכונה להבין ולהמליץ ​​על התערבויות להגברת ההיצמדות (Persistence) לטיפול”, הוא אומר. “עמדנו בפני אתגרים מורכבים – כגון כיצד להבין מטופלים לעומק גם כשהסיבות להתנהגות אינן גלויות או מוצהרות, כיצד לבנות פרופיל מטופל מדויק, וכיצד לייצג את הפרופיל למכונה כך שתוכל לחזק התנהגויות רצויות ולשנות התנהגויות בלתי רצויות וללמוד ממטופלים דומים להם. צריך להבין שאנשים אינם מתנהגים באופן רציונלי ועקבי וכן המניעים שלהם הגלויים והנסתרים שונים ומורכבים ועלינו להבין איך אפשר להניע כל אחד מהם לפעולה ומה מצליח עבור כל אחד”.

תמונה: Well Beat App

נמצאה דרך מתודולוגית!

“פעילות גופנית חיונית להמשך הטיפול. צא להליכה היום”. זוהי דוגמא למסר מוטיבציוני אשר יכול להניע מטופל כלשהו, אשר נוטה להיות ממושמע . אבל לא כל מטופל. ישנם לא מעט מטופלים שמשפט כזה יעורר אצלם אנטגוניזם חזק. הבעיה היא להבין איזה מסר (ואיזה תוכן) מתאים לאיזה מטופל, מתי ובאיזה טונציה. לימוד דפוסי התגובה למסרים המוצלחים הוא נושא שכבר מיושם על ידי מכונה, אבל במקרה של טיפול המורכבות גבוהה משום שמתערבים משתנים נוספים כגון השלב במחלה, השתנות מצבם לאורך המחלה, כמו גם התגברות על חסמים מסוימים והתעוררות חסמים שלא היו קודם לכן פעילים. שימוש בתוצאות של אנשים קודמים, או מטופלים במקרה שלנו, כבר ידוע, במיוחד בזירת מנועי ה”המלצות” (Recommendations). הוא מבוסס על ‘הצלחה’ ו’כישלון’, אך כרגע משתמשים בו בתחום שונה לגמרי – מכירות. דוגמה לאחד השימושים הבולטים היא נטפליקס. המערכת תמליץ על סרט בהתבסס על היסטוריית לקוחות אחרים או צפיות קודמות.

מדוע לא ליישם אותה שיטה? וכיצד ניתן ליישם את השיטה להיענות (Adherence) ולמעורבות   (Engagement) בעולם הרפואה?

תמונה: תקשורת מותאמת אישית

האתגר – מתחילים מאפס

בחברת Well-Beat נתקלנו באתגר שהוא ספציפי לתחום הרפואי ולא מוכר בתחום המכירות. התחלה ללא נתונים קודמים בנושא העדפות. פירוש הדבר שאין נתונים על ‘הצלחה’ או ‘כישלון’ של מסרים שאפשר להתבסס עליהן. מה עושים?

הבעיה מכונה בספרות המסורתית “cold start” או אתחול מנוע המלצה. ברגע שהוא יוצא לדרך, המנוע מתחיל לעבוד ומציע אפשרויות רלוונטיות, תוך שימוש בפרופילים דומים. כצוות, היינו צריכים לייצר נתונים והמלצה מדויקת, ללא נתונים, ללא בדיקות A/B.

אם נחזור לדוגמא של נטפליקס – כשאנחנו פותחים חשבון חדש ומחפשים סרטונים מומלצים מבלי שנטפליקס תדע דבר על העדפותינו או הפרופילים שלנו, קבלת המלצה פחות מדויקת או יותר כללית אינה מזיקה. אכזבה קלה ממבחר הסרטים כנראה לא תמנע מאיתנו להיות לקוחות של נטפליקס. עם זאת, המידע הזה ישמש לאיסוף נתונים שילמדו את מנוע ההמלצה על ידי קביעת הפרטים בפרופיל הצפייה שלנו.

בתחום הבריאות התחלה מאפס היא נושא רגיש. אם לא נשתמש במסר נכון עלולה להיות השפעה שלילית על ההתנהגות. למעשה, זה עשוי לעשות את ההפך ממה שאנחנו רוצים ולגרום לפגיעה ברצף הטיפול. אם אתה גורם חלילה להפסקת הטיפול, במיוחד בשלבים הראשוניים, זה הופך להיות מסוכן. לכן עלינו להיות הרבה יותר זהירים.

רעיון חדשני – שילוב עולם הפסיכולוגיה

בדקנו כיצד נוכל לפתור את אתגר “cold start”. בהנחה שיש לנו פרופיל מטופל ראשוני, איך נדע איזה מסר עובד? מה הגישה הנכונה, הטונציה והעיתוי המתאימים? ועל איזה משתמש?

תמונה: מערכת Well-Beat

תמונה: הודעות למטופלים וגיידליין למטפלים

הרעיון היה שימוש בהכללות בתהליך ועבודה על בסיס רבדים. אנו יכולים להסתכל על קבוצות מטופלים ולקבוע מספר מאפיינים נפוצים אשר משפיעים על ההתנהגות. השלב הבא היה לבקש ממומחי התנהגות, כמו פסיכולוגים, להסביר את מאפייני המטופל. ואולם, כיוון שבהתנהגות אנושית לא ניתן למצוא נוסחאות פשוטות בהם A מוביל תמיד ל- B, נדרש היה למצוא שילובים אשר מייצרים התנהגות מובחנת מהופעת כל מאפיין בנפרד. על זאת הוספנו נדבכים פסיכולוגים נוספים המשפיעים על ההתנהגות כגון רמת הבשלות לשינוי ואחרים. כלומר, נדרש חיבור של עולם הפסיכולוגיה עם עולם המתמטיקה בכדי לבנות פרופיל מוטיבציוני עובד.

גישת  הכנסת מומחים איפשרה לנו להסתמך על ניסיון מקצועי בשילוב אלגוריתמים. מכונות יכולות סוף סוף לרתום את מה שהמומחים יודעים ולהרחיב אותו בעזרת ההסקה מבוססת הסטטיסטיקה שלהם.

איך זה עובד

על מנת להניע כל לקוח באופן המתאים לו ולהימנע מפתרונות בסגנון One Size Fits All, היה צריך לשים דגש על זיהוי מעמיק של פרופיל הלקוח והגדרת התאמה פרסונלית עמוקה. לשם כך היה צורך ללמוד ולהבין את הרגישויות והצרכים (ובכלל זה צרכים לא מודעים) של המטופל, לבצע בירור חסמים באופן עקיף, וכן ללמוד איזה התערבויות אפקטיביות בכל סיטואציה. לאחר מכן לעשות שימוש במנגנוני למידת מכונה אשר כוללים ניהול וניטור הצלחה רציפים. התוצאה –  יצירת מגוון התערבויות אנושיות ודיגיטליות, המונגשות במגוון דרכים ובאופן מותאם אישית לכל מטופל. בדרך זו ניתן להניע את המטופלים השונים לפעולה באופן רציף ולאורך זמן בדרך המאפשרת לארגון הבריאות גמישות מירבית בזמן אמת.

התנהגות אנושית אינה אחידה ויש עליות ומורדות אשר הינן מובנות בתהליך. לכן נדרש ממנוע ההמלצה לשערך את יציבות המטופל בתהליך ולמדוד את הסיכון של המטופל לנטוש את התהליך הרפואי. דמיינו עולם בו הצוות המטפל (או ההנהלה) יודעים מראש מתי צפויה “נפילה” ויכולים להגיב באופן פרואקטיבי על ידי התאמת מסרים מוטיבציוניים מותאמים. כי כשיודעים מראש מי בסיכון גבוה להפסיק את הטיפול ניתן להתייחס למטופלים אלה באופן שונה, תוך הקצאת משאבים מושכלת.

Well-Beat עושה משהו ייחודי נוסף – ניטור פרופיל באופן דינמי והתאמת המסרים לפי סטטוס המטופל. המערכת משקפת את הפרופיל הדינמי של המטופל אשר משתנה באופן תכוף. ההשתנות נעשית כפונקציה של תהליכים שעוברים על המטופל, ההתקדמות הפיזית והרגשית שלו במחלה, גורמים סביבתיים, היסטוריה מתפתחת עם הגוף הרפואי במגוון הממשקים וכן הסגנון האישי.. המנוע מעדכן את הפרופיל אוטומטית ברמה יומית לפי הצורך בהתאם לפעילות המטופל, וההתערבות המומלצת מתעדכנת.

Well-Beat ערכה עד כה מגוון פיילוטים  במספר מרכזים רפואיים ידועים בארץ ובעולם ובכלל זה מרכז שיקום הלב של שיבא. התוצאות היו מרשימות וכללו שילוש של כמות המטופלים המתמידים בתהליך השיקום לאורך זמן וחיזוי של 85% של התמדה בשיקום לאורך זמן או נטישת התהליך. אלו נתונים פורצי דרך כיוון שמחקרים רבים מוכיחים שמטופל אשר מתמיד בתוכנית השיקום מפחית את הסיכון להזדקק לטיפול רציני יותר בעתיד.

מה צופן העתיד?

הנעת חולים להתמדה בטיפול היא רק חלק מהתמונה הגדולה יותר. חולים כרוניים ואוכלוסיית הקשישים – הם המוקדים העיקריים בתחום הבריאות בעשורים הבאים. אלה הן אוכלוסיות גדלות אשר ידרשו שירות אשר יימשך עד סוף חייהם ויסייע להם בניהול אורח חייהם. בכדי לספק שירות ארוך טווח כזה ולהתמודד למול עייפות, ויתור, הדחקה והכחשה של המטופלים, עלינו להבין לעומק כל מטופל באופן אישי ולהציע את ההתערבות המתאימה לו.

למעשה, האתגר הזה כבר כאן, מכיוון שהמטפלים מתמודדים עם חוסר מתמיד במשאבים. עלינו להיות מסוגלים להעמיד לרשות הצוות הטיפולי כלי עזר אשר מסייעים להם לראות את המטופל ולהבין את צרכיו במהירות, לתת להם כלים נוספים אשר מורידים מהם עומסים ומחזקים את הקשר עם המטופל גם ללא מעורבות פעילה רציפה ותכופה שלהם עם כל מטופל. אפשר לעשות זאת באמצעות מסרים מוטיבציוניים דיגיטאליים המיוצרים באופן אוטומטי על ידי מנועי המלצה ומאפשרים לצוות המוביל לנהל את הקצאת המשאבים המוגבלים באופן חכם ויעיל.

זה אתגר עצום, אבל המסע צריך להתחיל בצעדים קטנים ראשונים.

Well-Beat משתתפת בתכנית החדשנות IP² LaunchPad של חברת החדשנות הגדולה בטייוואן innovation to Industry-i2i . התכנית מיועדת לעזור לחברות ישראליות לחדור לשווקי מזרח אסיה באמצעות תאום שותפים לביצוע פיילוטים, קישור עם שותפים אסטרטגיים וקידום השקעות.