Proyecto BEAMER. Desarrollo de un modelo predictivo de falta de adherencia terapéutica para mejorar el cumplimiento, los resultados en salud, la calidad de vida y la eficiencia de la atención médica (oral)

Abstract

Objetivos La adherencia del paciente al tratamiento en los pacientes de alto riesgo es fundamental para maximizar el beneficio del tratamiento y un factor clave para una variedad de resultados de salud posteriores. En este perfil de pacientes, la falta de adherencia se asocia con una mayor morbimortalidad y una sobrecarga de costes muy significativa para los sistemas de salud. El objetivo de este proyecto es describir las características y la adherencia a la medicación de una población de pacientes crónicos de alto riesgo para poder desarrollar un modelo predictivo de falta de adherencia a la medicación a partir de Real World Data. Material y métodos Estudio observacional descriptivo transversal con enfoque analítico. Se incluirán el total de pacientes con al menos una enfermedad crónica ≥ 18 años de la Comunidad de Madrid, estratificados como de alto riesgo e identificados por los grupos de morbilidad ajustados (GMA) integrados en la historia clínica electrónica de Atención Primaria (AP) de la Comunidad de Madrid. Se estudiarán variables sociodemográficas, de estilos de vida, clínicas, de utilización de servicios y de tratamiento, que se recogerán de la historia clínica electrónica de AP (AP-Madrid) y de Sistemas de Información Farmacéutica. Análisis univariado, bivariado y regresión logística. La principal limitación del estudio se basa en la fuente de datos que se va a utilizar. Aplicabilidad de los resultados esperados La finalidad del proyecto europeo H2020-IMI «BEAMER» es poder mejorar los niveles de adherencia de los pacientes a lo largo de su atención médica, lo que mejorará su estado de salud y calidad de vida, así como la accesibilidad y sostenibilidad de la atención médica. Este estudio nos permitirá desarrollar y hacer una extensa búsqueda de datos que pueda predecir la falta de adherencia al ayudar a comprender mejor la complejidad de los factores que influyen en la adherencia de estos pacientes al centrarse en los «individuos reales» en lugar de en los «individuos ideales» a través del conocimiento de las características y la adherencia a la medicación de una gran población de pacientes crónicos de alto riesgo en base a datos de historia clínica electrónica y de farmacia de Real World Data. El modelo predictivo de falta de adherencia a la medicación que se desarrolle en base a datos de historia clínica y de farmacia posibilitará crear posteriormente una herramienta para poder identificarlos de forma automática en la historia clínica electrónica y así permitir hacer intervenciones personalizadas dirigidas a mejorar su adherencia, lo que puede repercutir de forma positiva en sus resultados en salud, calidad de vida y en la eficiencia de la atención médica. Aspectos ético-legales Estudio enviado en el mes de febrero al Comité Ético de Investigación en Medicamentos del Hospital Universitario de la Princesa y a la Comisión Central de Investigación de la Gerencia Asistencial de AP de Madrid para valoración y aprobación. Financiación Financiado con fondos europeos Horizonte 2020 (H2020)-Innovative Medicines Initiative (IMI). CEI Informe favorable Comisión Central de Investigación Gerencia Asistencial de Atención Primaria de Madrid. Código Comisión: 20230007.