Predictive Modelling for Personalised Multimorbidity Management

Abstract

[eng] Multimorbidity affects equally individuals and healthcare systems. Multimorbidity is associated with poor prognosis, functional impairment, and reduced quality of life, leading to increased healthcare resource utilisation and costs. Considering the rising incidence of multimorbidity, the long-term viability of health institutions is under threat. Research on disease mechanisms and health data analytics agree that, beyond the primary diagnostic, the overall disease burden is an important determinant of health outcomes, suggesting that a disease-centred approach is not optimal for management of patients with multiple chronic conditions. This resulted in the development of tools to measure multimorbidity, such as the Adjusted Morbidity Groups (AMG) or the Queralt indices. These tools have fostered Health Risk Assessment (HRA) strategies when aligned with integrated care programs. HRA adjusted to multimorbidity represents a fundamental cornerstone for comprehending the impacts of the phenomenon, allowing it to inform health policies and better allocate healthcare resources. As well as HRA enables the implementation of personalised healthcare strategies through patient stratification, facilitating the identification of at-risk individuals and advising the development of targeted interventions to optimise health outcomes. Nevertheless, despite the promising prospects offered by HRA, a noticeable disparity persists between its potential and its current implementation, particularly within the clinical domain. To this end, the thesis investigated three major HRA challenges through specific use cases. The first use case (Articles 1-3) was centred on creating clinical predictive modelling, using machine learning tools, to refine service selection upon patients’ hospital admission and to enhance transitional care after discharge. Key findings highlighted multimorbidity’s role as a major risk for adverse health events. The use case addressed technical challenges in modelling, such as feature selection, data accessibility, model

design, evaluation, and explainability. However, areas like application in real world settings remained out of the scope of the studies. The second use case (Article 4) involved transferring the AMG tool to Marche region (IT) and Viljandi Hospital (EE). Both enablers and barriers for transference and adoption of such tool, in clinical and public health contexts, were assessed employing robust methodological approaches grounded in established implementation frameworks. The dual perspectives offered by Marche and Viljandi, this is, a regional healthcare organisation and a county hospital, respectively, facilitated tailored AMG adoption guidelines and generalisable recommendations for addressing data requirements, GDPR nuances, and data exploitation through dashboards and KPIs. Additional research is proposed within this thesis to grasp each EU member state’s context seeking to create a harmonised HRA strategy for the future, avoiding inefficiencies and potential pitfalls. The last piece of the research (Article 5) investigated new strategies to incorporate disease trajectory insights, and enhanced analysis of disease clustering, into morbidity groupers. This integration aimed to improve the ability to adjust the morbidity burden assessment to an index disease and its comorbid conditions while enhancing the prediction of the progression of multimorbidity. The study utilised depression as a use case to create a new morbidity grouper, the so-called MADS – Multimorbidity Adjusted Disability Score. In the analysis of the MADS distribution, a connection was observed between its risk levels and adverse health events; in this regard, the associations were stronger in outcomes related to mental health. After validation with patients’ cohorts in Catalonia, the UK, and Finland, the approach hinted at a deeper integration between psychiatric and somatic medicine, aiming to better address depression-linked multimorbidity. While the results were promising, discussions continue on refining the method and its potential to improve the efficiency of existing tools, like the AMG algorithm. The research for this thesis was conducted within the framework of two European projects from 2020 to 2023: 1. The Joint Action on implementation of digitally enabled integrated person-centred care (JADECARE) project.

2. Temporal disease map-based stratification of depression-related multimorbidities: towards quantitative investigations of patient trajectories and predictions of multi- target drug candidates (TRAJECTOME).

[cat] La multimorbiditat suposa una càrrega tant per la població com pels sistemes de salut. La concurrència de múltiples condicions cròniques està associada amb un pronòstic desfavorable, a un deteriorament funcional i una disminució de la qualitat de vida, aquest fet està estretament lligat a un augment de l'ús de recursos i costos sanitaris. Considerant l'augment de la incidència de la multimorbiditat, la viabilitat a llarg termini dels sistemes de salut està en risc. La investigació sobre els mecanismes de la malaltia i l’anàlisi de bases de dades administratives de l’àmbit de la salut concorden que, més enllà del diagnòstic primari, la càrrega de comorbiditats és determinant en els resultats de salut, suggerint que un enfocament centrat en la malaltia no és òptim per a la gestió de pacients amb múltiples condicions cròniques. El reconeixement de la importància de la multimorbiditat ha resultat en el desenvolupament d'eines per mesurar-la, com els Grups de Morbiditat Ajustats (GMA) o els sistema de Queralt. Alineades amb programes de atenció integrada aquestes eines han impulsat estratègies d'Avaluació del Risc en la Salut (ARS). L’ARS ajustada per càrrega de morbiditat representa una pedra angular fonamental per comprendre l’impacte de la multimorbiditat, informar les polítiques de salut i millorar la distribució dels recursos sanitaris. En entorns d’atenció sanitària, l’ARS permet la implementació d'estratègies de salut personalitzades a través de l'estratificació del pacient, facilitant la identificació d'individus en risc i assessorant el desenvolupament d'intervencions dirigides per optimitzar els resultats de salut. No obstant això, malgrat les perspectives prometedores ofertes per l’ARS, persisteix una disparitat notable entre el seu potencial i la seva implementació, particularment dins del domini clínic. Aquesta tesi doctoral investiga tres grans reptes de la HRA a través de casos d'ús específics. El primer cas d’us (Articles 1-3) es va centrar en la creació de modelatge predictiu en l’entorn clínic, utilitzant eines d'aprenentatge automàtic, per millorar la selecció de serveis a l'ingrés hospitalari i per millorar l’atenció transicional després de l'alta. Les

principals troballes van destacar el paper de la multimorbiditat com al principal determinant de risc principal per a esdeveniments de salut adversos. El cas d'ús va abordar reptes tècnics en modelatge, com la selecció de variables predictores, l'accessibilitat de dades, el disseny i l'avaluació del model i l'explicabilitat de les prediccions. No obstant això, àrees com l'aplicació en el món real i el manteniment continu del model van quedar fora de l'àmbit dels estudis. El segon cas d'ús (Article 4) va implicar la transferència del GMA a la regió de Marche (IT) i a l'Hospital de Viljandi (EE). Tant els facilitadors com les barreres per a la transferència i adopció d'aquesta eina, en contextos clínics i de salut pública, van ser avaluats utilitzant enfocaments metodològics robustos basats en marcs d'implementació establerts. Les perspectives duals ofertes per Marche i Viljandi, des d'una organització sanitària regional fins a un hospital provincial, van facilitar pautes d'adopció d'GMA a mida i recomanacions generalitzables per abordar l'accés al conjunt mínim a dades, les interpretacions de la legislació vigent en ètica de l’investigació i protecció de dades, i l'explotació dels resultats a través de quadres de comandament i indicadors clau de rendiment. L’estudi delimita una recerca addicional per comprendre el context de cada estat membre de la UE, buscant crear una estratègia d'HRA harmonitzada per al futur, evitant ineficiències i possibles esculls. L’últim cas d’us (Article 5) es va enfocar a la recerca de noves estratègies per incorporar competències derivades de l’anàlisi de les trajectòries de malaltia i l’anàlisi millorada de l'agrupació de malalties, als agrupadors de morbiditat. Aquesta integració tenia com a objectiu millorar la capacitat d'ajustar l'avaluació de la càrrega de morbiditat a una malaltia índex i les seves condicions comòrbides, alhora que millorava la predicció de la progressió de la multimorbiditat. L'estudi va utilitzar la depressió com a malaltia objectiu per crear un nou grup de morbiditat, el denominat MADS. En l’anàlisi de la distribució del MADS es va observar una connexió entre els seus nivells de risc i esdeveniments adversos de salut, al respecte, les associacions eren més fortes en resultats relacionats amb la salut mental. Després de la validació a Catalunya, el Regne Unit i Finlàndia, els resultats van suggerir una integració més profunda entre la medicina psiquiàtrica i somàtica, amb l'objectiu de tractar millor la multimorbiditat lligada a la depressió. Encara que els resultats van ser prometedors, el debat sobre la refinació del mètode i el seu potencial per potenciar l'eficiència d'eines existents, com l'algoritme AMG segueix vigent. Els estudis que integren aquesta tesi es van realitzar dins el marc de dos projectes europeus contemporanis, en el període comprès entre 2020 i 2023: 1. The Joint Action on implementation of digitally enabled integrated person-centred care (JADECARE) project. 2. Temporal disease map-based stratification of depression-related multimorbidities: towards quantitative investigations of patient trajectories and predictions of multi- target drug candidates (TRAJECTOME).