Publié
"La meilleure façon de prédire l'avenir est de le créer." – Peter Drucker, consultant en gestion renommé et auteur.
Les maladies chroniques représentent un problème majeur. Elles alourdissent les coûts des soins de santé et affectent la qualité de vie des personnes. Les modèles prédictifs de maladies constituent une nouvelle approche pour y remédier. Ils s'appuient sur l'analyse de données avancée et l'apprentissage automatique.
Ces modèles examinent les données passées et actuelles des patients. Ils permettent d'identifier les personnes à risque de manière précoce. Il est ainsi plus facile de commencer les traitements plus tôt et de prévenir les problèmes.
Points clés à retenir
- Les modèles prédictifs de maladies utilisent des algorithmes et machine learning pour deviner les problèmes de santé futurs.
- La détection précoce des patients à haut risque permet de prévenir les maladies et les conséquences néfastes.
- Ces modèles permettent d'élaborer des plans de traitement adaptés à chaque patient. Ils permettent également de s'assurer que les ressources sont utilisées à bon escient et que l'équipement fonctionne correctement.
- Mais il existe des défis tels que les données de mauvaise qualité, la confidentialité et la nécessité de s’assurer que les modèles sont clairs et équitables.
- Ces modèles permettent de repérer les patients à haut risque. Cela permet aux médecins de se concentrer sur les traitements les plus adaptés. Cela conduit à une meilleure santé et à des économies d'argent.
Le fardeau croissant des maladies chroniques
Les maladies chroniques sont de plus en plus fréquentes dans le monde entier. Ce phénomène représente un problème majeur pour les systèmes de santé et le bien-être des patients. Selon NCBI Bookshelf , en 2010, les maladies chroniques étaient responsables de 67 % des décès dans le monde. En 2019, ce chiffre atteignait 74 %.
L'incidence croissante des maladies chroniques
De plus en plus de personnes souffrent de maladies chroniques. Cela est dû au vieillissement de la population et aux changements de mode de vie. En Australie, 47 % de la population souffre d'au moins une maladie chronique. Aux États-Unis, environ 50 % de la population souffre d'une maladie chronique, ce qui représente 86 % des dépenses de santé.
L'impact sur les coûts des soins de santé et la qualité de vie
Les maladies chroniques ont un impact important sur les coûts des soins de santé. Aux États-Unis, 5 % de la population dépense entre 49 et 53 % du total des dépenses de santé. Les personnes atteintes de cinq maladies chroniques ou plus dépensent 14 fois plus que celles qui n'en souffrent pas. Les maladies chroniques sont également responsables de 90 % des coûts des soins de santé, de la morbidité et de la mortalité aux États-Unis.
| Le fardeau des maladies chroniques | Pourcentage |
|---|---|
| Maladies chroniques responsables de décès dans le monde en 2010 | 67 % |
| Maladies chroniques responsables de décès dans le monde en 2019 | 74 % |
| Australiens atteints d'au moins une maladie chronique | 47 % |
| Australiens atteints de 2 maladies chroniques ou plus | 20 % |
| Américains atteints d'une maladie chronique | 50 % |
| Coûts des soins de santé attribués aux maladies chroniques aux États-Unis | 86 % |
Le fardeau croissant des maladies chroniques a des répercussions sur les coûts des soins de santé et la qualité de vie. Pour y remédier, une approche globale de la prise en charge des maladies chroniques est indispensable. Celle-ci implique d'améliorer la santé de la population et de mettre en place des interventions précoces afin d'optimiser la prise en charge des patients et de réduire les coûts des soins.
Le rôle des soins primaires et communautaires
Les soins primaires et communautaires sont essentiels pour offrir des soins efficaces, coordonnés et adaptés à chaque personne. Ils contribuent à prévenir les admissions aux urgences, à améliorer la qualité des soins et à réduire les coûts de santé. Un rapport récent a révélé qu'aux États-Unis, jusqu'à une admission aux urgences sur cinq pourrait être évitée. Cela est particulièrement vrai pour les affections pouvant être prises en charge en ambulatoire . Il s'agit de problèmes de santé qui peuvent être gérés par une autogestion appropriée et rapide, par les soins primaires ou par des services de consultation externe.
Prévenir les admissions aux urgences évitables
De nombreux problèmes de santé prennent du temps à se développer. En prenant des mesures proactives, nous pouvons réduire le risque d'urgences. Cela comprend :
- Promouvoir soins auto-administrés et comportements préventifs en matière de santé
- Fournir premiers soins qui s'attaque aux problèmes de santé dès le début
- De coordination soins ambulatoires pour gérer les maladies chroniques
En mettant l’accent sur ces interventions communautaires, les systèmes de santé peuvent prévenir des admissions aux urgences qui pourraient être évitées. Cela améliore la qualité des soins et réduit la charge de travail des hôpitaux.
« Jusqu’à une admission aux urgences sur cinq pourrait être évitée, en particulier lorsqu’elle est liée à des pathologies nécessitant des soins ambulatoires. »
Identifier les patients à risque
Le repérage des patients à risque de problèmes de santé graves est essentiel pour une prise en charge précoce et ciblée. Or, les méthodes traditionnelles de repérage de ces patients présentent des lacunes importantes. La sélection par les cliniciens s'avère souvent inefficace, car les médecins ne peuvent pas toujours deviner qui est à risque.
D'autres méthodes, comme la sélection des patients de plus de 65 ans ayant effectué deux visites aux urgences, passent à côté de certaines personnes à risque. Ces règles strictes ne conviennent pas à tout le monde et peuvent conduire à des estimations erronées sur les personnes qui ont besoin d'aide.
Le secteur de la santé utilise désormais la modélisation prédictive pour mieux identifier les patients à risque. Ces outils exploitent de grandes quantités de données pour repérer plus précisément les patients à haut risque , ce qui permet aux médecins de leur prodiguer des soins plus adaptés et plus précoces.
« Des interventions précoces ciblant les 760 % des utilisateurs les plus importants du système de santé en Ontario pourraient potentiellement permettre d’économiser 1.5 millions de dollars en coûts de santé avec une réduction de 10 % et jusqu’à XNUMX milliard de dollars avec une réduction de XNUMX %. »
Modèles de prédiction clinique pour l'évaluation des risques
Une autre approche consiste à utiliser l'analyse prédictive et la modélisation des risques . Ces modèles exploitent des données démographiques et cliniques pour prédire le risque individuel. Par exemple, ils peuvent estimer la probabilité d'une consultation aux urgences. Leur objectif est d'aider les médecins à prendre de meilleures décisions en leur fournissant des estimations de risques plus précises.
Sources de données pour les modèles de prévision des risques
Les modèles tirent des données de trois sources principales :
- Données autodéclarées des patients
- Données administratives collectées régulièrement
- Données provenant de dossiers cliniques ou d’autres sources de données primaires
Une étude a montré que les meilleurs modèles s'appuient sur les données cliniques des patients. En effet, les données autodéclarées présentent leur lot de difficultés, comme des taux de réponse faibles et des problèmes de mémorisation.
| La source de données | Avantages | Limites |
|---|---|---|
| Autodéclaré | Donne un aperçu de l'expérience du patient | Limité par les taux de réponse, les problèmes de rappel et la charge de travail des répondants |
| Administratif | Données complètes et collectées régulièrement | Peut manquer de nuances cliniques |
| Dossiers cliniques | Informations cliniques riches et détaillées | Nécessite une robustesse intégration de données et intégration de données |
« Les modèles les plus performants utilisaient des données cliniques de routine sur les patients plutôt que des données de questionnaires autodéclarés. »
Mise en œuvre de modèles de prévision des risques
Les modèles de prédiction des risques sont souvent recommandés dans le domaine de la santé. Cependant, leur efficacité et leur utilisation restent floues. La gestion de cas est une méthode courante pour réduire le nombre de consultations aux urgences. Elle consiste à planifier et à suivre les soins prodigués au patient.
Certaines études montrent que certains aspects de la gestion des cas fonctionnent bien. Par exemple, avoir un médecin traitant, un plan clair pour quitter l’hôpital et planifier les soins futurs. Mais une étude récente a révélé que la gestion des cas ne réduirait pas réellement le nombre de visites à l’hôpital ou les coûts. Elle rend néanmoins les patients plus heureux.
Intégration des modèles de risque dans la coordination des soins
La mise en œuvre efficace des modèles de risque et la coordination des soins sont difficiles. Plusieurs problèmes majeurs se posent :
- Les outils et les dossiers médicaux ne communiquent pas bien entre eux, ce qui rend leur utilisation difficile pour les médecins.
- Les différentes méthodes de codage et les normes de données rendent difficile la connexion des systèmes.
- Les médecins ne sont pas souvent impliqués dans la fabrication de ces modèles, ce qui entraîne des problèmes lors de leur utilisation.
Pour remédier à ces problèmes, nous avons besoin de réglementations et de normes . Cela permettra aux outils d'évaluation des risques de fonctionner correctement avec les dossiers médicaux. Les médecins pourront ainsi identifier les personnes à risque et intervenir rapidement pour les aider.
« Des exemples réussis comme QRISK en soins primaires ont démontré les effets positifs de l’intégration d’outils de prédiction des risques dans les dossiers de santé électroniques. »
prédiction de la progression de la maladie, évaluation des risques, intervention précoce
Prévoir l'évolution des maladies et évaluer les risques sont essentiels pour une prise en charge précoce. Des méthodes avancées aident les médecins à identifier les personnes à haut risque. Ils peuvent ainsi agir rapidement pour éviter les conséquences néfastes sur la santé.
Des études montrent que des modèles peuvent prédire l'évolution de la maladie d'Alzheimer, des maladies rénales chroniques et de la COVID-19. Ces modèles utilisent des données telles que les dossiers médicaux à long terme et les biomarqueurs . Une étude a démontré l'efficacité d'un dépistage de la maladie d'Alzheimer en deux étapes.
Dans le cas des maladies rénales chroniques, l'IA et l'apprentissage automatique sont très précis. Ils analysent les données à long terme et les biomarqueurs comme le DFG et la protéinurie. Cela aide les médecins à ralentir la progression de la maladie et à améliorer la prise en charge.
Dans le contexte de la pandémie de COVID-19, il est essentiel de prévoir la progression de la maladie. Connaître des facteurs tels que l'âge et l'état de santé permet aux médecins de cibler les personnes à risque. Ils peuvent ainsi réduire l'impact de la maladie.
| Maladie | Facteurs prédictifs | Interventions potentielles |
|---|---|---|
| La maladie d'Alzheimer | Mesures IRM, évaluations cliniques | Suivi ciblé, thérapies cognitives précoces |
| Maladie rénale chronique | Données longitudinales, caractéristiques de base, biomarqueurs (DFGe, protéinurie, albumine, hémoglobine) | Gestion des médicaments, modifications du mode de vie, orientation vers la dialyse |
| COVID-19 | Âge, comorbidités, état du système immunitaire | Surveillance ciblée, traitement précoce, priorisation de la vaccination |
L'utilisation de modèles de prédiction et de risque des maladies aide les prestataires de soins de santé à mieux gérer les maladies chroniques. Cela conduit à de meilleurs résultats en matière de santé, à une réduction des coûts et à une meilleure qualité des soins.

« La prédiction de l’évolution de la maladie et l’évaluation des risques sont des éléments cruciaux pour assurer une intervention précoce et des soins proactifs aux personnes présentant un risque élevé de maladies chroniques. »
Incitations contractuelles pour l'adoption de modèles de risque
Même si les preuves de l'efficacité des modèles de risque sont encore peu nombreuses, le monde de la santé s'oriente vers eux. Au Royaume-Uni, des contrats sont conclus pour encourager les médecins à utiliser ces modèles. Ils proposent de l'argent pour le faire.
Le NHS England a investi 480 millions de livres sterling dans un programme visant à aider les médecins à utiliser ces modèles. Cela montre combien d'argent et d'efforts sont consacrés à l'intégration des modèles de risque dans les soins de santé. Cela se produit même lorsqu'il n'existe aucune preuve solide de leur utilité.
La volonté d' adopter des modèles de gestion des risques témoigne de la volonté du secteur de la santé d'utiliser les politiques de santé et les incitations financières pour aider les patients et réaliser des économies. Face à l'augmentation du nombre de personnes atteintes de maladies chroniques , ces plans visent à identifier précocement les patients à risque et à leur apporter une aide adaptée.
« L’accent accru mis sur l’adoption de modèles de risque souligne la volonté du secteur de la santé de tirer parti des politiques de santé et des incitations financières pour améliorer les résultats des patients et maîtriser les coûts. »
Mais il reste à déterminer si ces modèles permettent réellement de réduire le nombre de visites aux urgences et les coûts. Alors que les services de santé cherchent de nouvelles façons de traiter les maladies chroniques, il est essentiel de trouver le bon équilibre. C'est un défi pour les décideurs politiques et pour les professionnels de santé.
Approches d'apprentissage automatique pour la prédiction des risques
Les progrès de l'apprentissage automatique ont ouvert de nouvelles perspectives dans la prédiction des risques en santé. Ces nouvelles méthodes surpassent les anciennes approches statistiques grâce à l'utilisation d'un volume de données plus important, à la compréhension des relations complexes et à une meilleure gestion des données manquantes.
Avantages et limites de l'apprentissage automatique
Les modèles d'apprentissage automatique sont prometteurs, mais présentent d'importants défis. Ils peuvent aggraver les biais, notamment raciaux ou ethniques. De plus, leur complexité rend leur fonctionnement difficile à comprendre, ce qui peut limiter leur utilisation dans le domaine de la santé.
Pour remédier à ces problèmes, il est nécessaire de comparer l'apprentissage automatique aux méthodes traditionnelles. Il faut également vérifier l'absence de biais et s'assurer de l'équité de ces modèles. En évaluant leurs avantages et leurs inconvénients, le secteur de la santé pourra utiliser ces outils pour mieux prédire les risques et aider plus efficacement les patients.
« L’application de l’apprentissage automatique dans le domaine de la santé est très prometteuse, mais il est essentiel d’aborder ces modèles avec un œil critique et de veiller à ce qu’ils soient conçus et mis en œuvre de manière responsable, transparente et équitable. »
Alors que le secteur de la santé recourt de plus en plus à l'apprentissage automatique et à la modélisation prédictive , il est essentiel de se prémunir contre les biais algorithmiques . Trouver le juste équilibre entre les avantages et les inconvénients de ces outils contribuera à améliorer la prise en charge des patients. Elle permettra de rendre les soins plus personnalisés, plus efficaces et plus équitables pour tous.
Lutter contre les biais algorithmiques
Les modèles d'apprentissage automatique sont de plus en plus utilisés dans le domaine de la santé. Il est essentiel d'éviter d'aggraver les biais. Ces biais peuvent provenir des données utilisées pour créer les modèles. Pour y remédier, il est nécessaire d'utiliser des indicateurs d'équité afin de vérifier que tous les individus sont traités de la même manière.
Évaluation des mesures d'équité dans les modèles de prévision des risques
Les indicateurs d'équité permettent de s'assurer que les modèles ne pénalisent pas injustement certains groupes. Des études montrent que des facteurs tels que les ressources financières, le soutien social et les conditions de vie influent sur les maladies cardiaques. Or, ces facteurs sont souvent négligés dans les modèles. Leur intégration est essentielle pour garantir l'équité et améliorer les modèles.
Certains modèles, comme les scores de risque de Reynolds spécifiques au sexe aux États-Unis, incluent des facteurs prédictifs spécifiques. Mais seuls 3 % des 363 modèles de maladies cardiaques incluent les facteurs financiers et sociaux. Ce manque d’inclusion peut aggraver les disparités en matière de santé, comme on l’a vu aux Pays-Bas.
| État | Prévalence | Financement par patient |
|---|---|---|
| Mucoviscidose (Fibrose kystique) | Plus de 40,000 XNUMX patients aux États-Unis | Plus de 3 fois plus de financement par patient de la part du NIH par rapport au SCD |
| Maladie drépanocytaire (SCD) | Environ 100,000 XNUMX patients aux États-Unis | - |
La différence de financement entre la fibrose kystique et la drépanocytose montre que nous devons nous concentrer sur l’équité. Les femmes reçoivent également moins de soins cardiaques que les hommes, même si elles ont plus de problèmes cardiaques.
Pour résoudre ces problèmes, nous utilisons l'apprentissage automatique pour vérifier comment la race et l'ethnicité affectent les modèles. Un projet récent a testé un outil permettant de détecter les biais dans les modèles tenant compte de la race. Cet outil permet de s'assurer que les modèles sont justes, équitables et impartiaux.
Développer un modèle pragmatique de prévision des risques
Les professionnels de santé recherchent des modèles de risque pragmatiques pour identifier et prendre en charge les patients à haut risque. Ces modèles doivent être précis et s'intégrer facilement aux systèmes de santé existants.
Un élément essentiel d'un modèle pragmatique est l' intégration des données de santé . Celles-ci exploitent les données des dossiers médicaux électroniques et des remboursements pharmaceutiques, permettant ainsi d'obtenir une vision complète de la santé et des risques du patient. De plus, cela facilite la maintenance du modèle dans le temps.
Exploiter les sources de données existantes
Un bon modèle pragmatique de prévision des risques utilise des données déjà collectées par des groupes de soins de santé. Cela comprend :
- Informations démographiques (âge, sexe, race, etc.)
- Diagnostics et comorbidités
- Historique des médicaments et réclamations pharmaceutiques
- Utilisation des soins de santé (hospitalisations, visites aux urgences, consultations externes)
- Résultats des tests de laboratoire
- Facteurs socioéconomiques (revenu, éducation, etc.)
L'utilisation de ces points de données permet au modèle de fournir des informations utiles sans avoir besoin de données supplémentaires. Il est ainsi plus susceptible d'être largement adopté.
| La source de données | Exemples de mesures |
|---|---|
| Dossiers de santé électroniques | Diagnostics, médicaments, résultats de laboratoire, utilisation des soins de santé |
| Réclamations de pharmacie | Adhésion au traitement, polypharmacie, prescriptions à haut risque |
| Données administratives | Statut socioéconomique, couverture d'assurance, coûts des soins de santé |
L’utilisation de ces sources de données permet aux organismes de santé d’élaborer des modèles de risque pragmatiques . Ces modèles contribuent à évaluer le risque pour le patient et à orienter les interventions ciblées, améliorant ainsi les résultats de santé et l’intégration des données de santé.
Comparaison des approches traditionnelles et d'apprentissage automatique
Les professionnels de la santé utilisent depuis longtemps la modélisation statistique , comme la régression logistique, pour prédire les problèmes de santé. Mais avec l'essor du big data, la comparaison des modèles prédictifs a évolué. Désormais, l'apprentissage automatique est considéré comme un concurrent sérieux de la modélisation statistique traditionnelle.
Les modèles d'apprentissage automatique peuvent traiter davantage de données et identifier des tendances complexes. Ils excellent dans le traitement des données non linéaires, fréquentes dans le secteur de la santé. Ils gèrent également efficacement les données manquantes, un problème majeur en milieu clinique.
Cependant, l'apprentissage automatique n'est pas parfait. On craint qu'il n'aggrave les biais ou ne produise des scores de risque difficiles à interpréter. Il est donc essentiel de comparer attentivement les méthodes traditionnelles et celles d'apprentissage automatique. Cela permet de déterminer l'approche la plus adaptée aux besoins du système de santé.
Cette étude souligne la nécessité de comparer en détail la modélisation statistique et l'apprentissage automatique. Cela est particulièrement vrai pour la prédiction d'événements graves, comme les hospitalisations chez les personnes âgées dues aux effets secondaires des médicaments. Connaître les avantages et les inconvénients de chaque méthode permet aux professionnels de santé de faire un choix éclairé.
Prioriser les interventions pour les patients à haut risque
Les professionnels de santé sont confrontés à un défi de taille : la gestion des médicaments chez les personnes âgées est limitée. Ils doivent se concentrer sur les patients qui en ont le plus besoin. Cela peut impliquer des bilans médicamenteux annuels réalisés par un pharmacien ou l’inscription à une consultation de déprescription pour un suivi personnalisé.
Examens complets des médicaments
Les évaluations par un pharmacien clinicien sont essentielles pour les patients à haut risque. Elles aident à résoudre les problèmes de médicaments et à réduire les effets secondaires. Ces évaluations vérifient tous les médicaments, y compris les ordonnances et les suppléments, pour mieux les gérer.
Cliniques de déprescription
Les cliniques de déprescription proposent une approche plus approfondie pour réduire ou arrêter les médicaments inutiles. Dirigées par des pharmaciens, elles offrent une prise en charge personnalisée avec un suivi régulier. Ceci permet de sevrer en toute sécurité les médicaments devenus superflus.
En ciblant les patients à haut risque, les professionnels de santé peuvent optimiser la gestion des médicaments . Il en résulte une réduction des effets secondaires et de meilleurs résultats de santé pour les patients.
| Intervention | Population cible | Des bénéfices potentiels |
|---|---|---|
| Examens complets des médicaments | Patients à haut risque avec polymédication | Identifier et résoudre les problèmes liés aux médicaments, réduire les événements indésirables des médicaments, optimiser les schémas thérapeutiques |
| Déprescription Cliniques | Patients à haut risque avec des médicaments inappropriés ou inutiles | Réduisez et arrêtez les médicaments en toute sécurité, améliorez soins centrés sur le patient, réduire les événements indésirables liés aux médicaments |
Conclusion
Les maladies chroniques sont devenues un problème majeur et nous avons besoin de nouvelles méthodes pour les gérer. Les modèles prédictifs de maladies constituent une solution clé. Ils permettent de détecter précocement les patients à haut risque et de prédire l'évolution de la maladie.
Cela permet d’améliorer les interventions précoces et d’éviter les visites inutiles aux urgences. Les patients bénéficient ainsi de meilleurs soins et les systèmes de santé font des économies.
L'utilisation de ces modèles peut soulever des inquiétudes quant aux biais. Cependant, la création de modèles basés sur des données réelles peut s'avérer utile. Cela facilite leur utilisation en soins primaires.
L'utilisation de modèles prédictifs permet aux médecins de mieux prendre en charge les maladies chroniques. Cette approche améliore la santé de tous et incite le secteur de la santé à innover.
QFP
Quel est le fardeau croissant des maladies chroniques et son impact sur les soins de santé ?
Les maladies chroniques sont de plus en plus fréquentes. Elles ont des répercussions sur les coûts des soins de santé et sur la qualité de vie. Nous devons identifier et aider les patients à haut risque le plus tôt possible.
Comment les modèles prédictifs de maladies peuvent-ils aider à réduire le fardeau des maladies chroniques ?
Les modèles prédictifs permettent de repérer précocement les personnes à haut risque. Cela contribue à anticiper l'évolution de la maladie et à évaluer les risques, et favorise ainsi des interventions précoces.
Quel est le rôle des soins primaires et communautaires dans la prévention des admissions aux urgences évitables ?
Les soins primaires et communautaires peuvent éviter les visites aux urgences. Ils offrent des soins efficaces et personnalisés. Cela améliore la qualité et réduit les coûts.
Quelles sont les limites des approches traditionnelles pour identifier les patients à risque ?
Les méthodes traditionnelles ne sont pas efficaces. Elles reposent sur le hasard et sont sujettes à des erreurs. Elles ne permettent donc pas d'éviter les visites à l'hôpital.
Comment les modèles de prédiction clinique améliorent-ils l’évaluation des risques ?
Les modèles cliniques utilisent les données pour prédire les risques. Ils aident les médecins à prendre des décisions éclairées. Cela améliore les soins aux patients.
Quels sont les défis dans la mise en œuvre de modèles de prédiction des risques ?
La mise en œuvre de modèles comme l'EARP est délicate. Les preuves de leur succès sont limitées. La gestion des cas, une approche courante, n'a montré que peu d'avantages.
Quel est le rôle de l’apprentissage automatique dans les modèles de prédiction des risques ?
L'apprentissage automatique peut gérer des données complexes. Il modélise des relations non linéaires. Mais il risque d'entraîner des biais et de créer des scores difficiles à comprendre.
Comment les biais algorithmiques peuvent-ils être traités dans les modèles de prédiction des risques ?
Pour éviter les biais, les mesures d’équité sont essentielles. Elles garantissent un traitement égal pour tous les groupes. Cela permet d’éviter l’aggravation des disparités en matière de santé.
Quelles sont les principales considérations à prendre en compte dans le développement d’un modèle pragmatique de prédiction des risques pour les soins primaires ?
Un bon modèle doit identifier les patients à haut risque. Il doit utiliser les données des dossiers médicaux électroniques. Cela permet de cibler efficacement les interventions.
Liens sources
- https://www.techtarget.com/pharmalifesciences/feature/Leveraging-Predictive-Analytics-for-Effective-Disease-Management
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8796116/
- https://healthsnap.io/predictive-analytics-remote-patient-monitoring-in-2024-and-beyond/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10613497/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC7515808/
- https://www.cdc.gov/pcd/issues/2021/21_0055.htm
- https://www.ncbi.nlm.nih.gov/books/NBK537222/
- https://ijmhs.biomedcentral.com/articles/10.1186/s13033-020-00356-9
- https://www.aapd.org/media/Policies_Guidelines/BP_CariesRiskAssessment.pdf
- https://secure.cihi.ca/free_products/HARP_reportv_En.pdf
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10864627/
- https://www.frontiersin.org/journals/medicine/articles/10.3389/fmed.2020.00294/full
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4155437/
- https://www.bmj.com/content/386/bmj-2023-078276
- https://www.publichealth.columbia.edu/research/population-health-methods/risk-prediction
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7898839/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7308420/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11166249/
- https://www.ncbi.nlm.nih.gov/books/NBK475995/
- https://www.ncbi.nlm.nih.gov/books/NBK215309/
- https://www.bettermedicarealliance.org/wp-content/uploads/2020/03/Understanding-Risk-Adjustment_WhitePaper_June2017.pdf
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10469091/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10469091/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10649900/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10287014/
- https://www.uspreventiveservicestaskforce.org/uspstf/sites/default/files/inline-files/assessing-algorithmic-bias-fairness_0.pdf
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9156409/
- https://www.nature.com/articles/s41398-020-01172-y
- https://www.nature.com/articles/s41598-024-72790-5
- https://www.mdpi.com/2075-4418/14/16/1741
- https://pmc.ncbi.nlm.nih.gov/articles/PMC6991258/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10540947/
- https://digitalhealth.folio3.com/blog/unraveling-risk-stratification/
- https://www.idsociety.org/practice-guideline/covid-19-guideline-treatment-and-management/
- https://www.nature.com/articles/s41598-020-78212-6
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8664519/
