AI based Rapid Evidence Generator with risk-adjusted propensity score matching

Zusammenfassung Hintergrund Der „Rapid Evidence Generator“ (REG) wurde im Deutsch-Kanadischen Kooperationsprojekt „AI based Risk Prediction and Treatment Effect Estimation“ (AIR_PTE) entwickelt und vom Programm „Smart Datenwirtschaft“ des Bundesministeriums für Wirtschaft und Klimaschutz gefördert. Er nutzt moderne KI basierte Risikomodelle, um ein risikoadjustiertes Propensity Score Matching (RAPSM) umzusetzen. Daten und Methoden Der REG wurde auf Basis der in Deutschland und Kanada regelhaft verfügbaren Abrechnungsdaten der gesetzlichen Krankenversicherungen anhand einer Studie zu Behandlungseffekten bei tiefer Venenthrombose entwickelt. Die REG-Methoden wurden dabei auch auf die Anforderungen der Kosteneffektivitätsanalyse eines deutschen geriatrischen Coaching-Programms angepasst und angewendet. Ergebnisse Die bisher verfügbaren Studienergebnisse zeigen, dass die REG-Methoden eine schnelle, kostengünstige und valide Alternative bieten, um Real-World-Evidenz durch retrospektive Kohortenstudien auch bei nicht für klinische Studien geeigneten Populationen und Indikationen zu generieren Schlussfolgerungen Die REG-Ergebnisse können für die Fokussierung von Versorgungsinnovationen sowie für Zulassungs- und Post-market-Surveillance-Studien genutzt werden und Mediziner bei Entscheidungen unterstützen. Die REG-Methoden sind aktuell als Formular der eva-Plattform und als Python-Modul der DCC Contract Smart Suite sowie als Servicemodell anwendbar.