《Value in Health Regional Issues》：Disparity Considerations in an Alternative Eligibility Criterion for Medicare Medication Therapy Management Programs With Machine Learning
编辑推荐：
现有证据提示，Medicare药物治疗管理（Medication Therapy Management, MTM）项目的资格标准可能使种族和族裔少数群体处于不利地位。据作者所知，本研究是首批评估住院与急诊室（emergency room, ER）费用同种族/族
现有证据提示，Medicare药物治疗管理（Medication Therapy Management, MTM）项目的资格标准可能使种族和族裔少数群体处于不利地位。据作者所知，本研究是首批评估住院与急诊室（emergency room, ER）费用同种族/族裔在塑造MTM资格方面交互作用的研究之一，同时评估机器学习（machine learning, ML）模型是否复现所观察到的差异。住院与急诊室费用构成一种潜在的替代MTM资格标准，可能提高高需求Black受益人的纳入程度。然而，仅依赖该标准可能低估其他少数群体。机器学习模型强化了观察到的差异，凸显在预测工具中进行以公平为核心设计的重要性。
论文由Chi Chun Steve Tsang、Yan Cui、William C. Cushman、Carmen C. Coleman与Junling Wang完成。研究背景在于，Medicare Part D引入的药物治疗管理（Medication Therapy Management, MTM）项目旨在改善高风险受益人的用药、减少不良事件并提升健康结局；美国医疗保险和医疗补助服务中心（Centers for Medicare and Medicaid Services, CMS）要求Part D计划依据慢性病数量、覆盖药物数量及年度药物支出阈值确定资格。既往证据提示Black受益人较非西班牙裔White（White）受益人更少达到MTM资格，现行标准可能未公平覆盖不同种族和族裔群体。2017年Enhanced MTM示范项目虽允许计划灵活设定资格，但计划仍主要依赖药物支出和总医疗支出，可能忽略住院与急诊室（ER）利用这一更能直接提示干预机会的维度。住院和ER费用占Medicare支出较大份额，且对用药依从性、照护协调和慢病管理缺口敏感；少数群体住院和ER利用模式与White受益人不同。与此同时，Part D计划已使用机器学习和预测建模识别可能符合MTM资格或需外展的受益人，若未纳入公平设计，算法可能复制历史数据中的种族和族裔差异。因此，研究人员评估住院与ER费用作为替代MTM资格标准时种族和族裔差异，并检验机器学习模型是否复现这些差异。研究结论提示，住院与ER费用可识别具有高急性照护需求者，并可能增加高需求Black受益人的纳入，但单用该标准可能低估其他少数群体；机器学习模型大体复现观察差异，说明预测工具需进行公平导向设计。其意义在于为完善MTM资格框架、促进更包容的用药管理服务可及性及在算法决策中纳入公平考量提供政策证据。
关键技术与方法（不超过250字）：研究使用2019年Medicare按受益人识别号末位“0”抽取的10%系统随机样本，数据来源为Medicare Master Beneficiary Summary File、Medicare行政claims及Area Health Resource Files（AHRF），限定全年连续参加Parts A、B、D且存活，排除Medicare Advantage。结局为住院与ER总费用前四分位。采用描述统计和多变量logistic回归；以75%训练集和25%测试集分层拆分，使用正则化logistic回归、支持向量机、多层感知机神经网络、随机森林、梯度提升树及共识模型，评价AUC-ROC、公平性指标、Shapley Additive Explanations（SHAP）及敏感性分析。
研究结果按原文结果段落主题概括如下。研究人群：共纳入1 848 654名受益人，训练与测试样本种族和族裔分布一致，White占80.56%、Black占8.03%、Hispanic占5.49%、Asian/Pacific Islander（Asian）占2.88%、Other racial占3.04%。与White相比，Black、Hispanic和Other更年轻，Asian更年长；Black和Hispanic更多以残疾保险福利（DIB）或终末期肾病（ESRD）为Medicare参保原因，低收入补贴比例更高；Black和Hispanic所在县非White人口比例、无保险比例较高，已婚家庭比例和教育水平较低；Asian所在县人均收入较高、无保险率较低；Black多集中于South，Asian多集中于West；Black和Hispanic风险调整总结分较高，Other较低。住院与ER费用分布：Black前四分位纳入率为31.97%，较White的24.48%高7.49个百分点；Hispanic为28.35%，高3.87个百分点；Asian为18.93%，低5.55个百分点；Other为20.12%，低4.36个百分点。全体零成本比例为65.24%；Black和Hispanic零成本比例较低，Asian和Other较高；正成本者中各组均值均高于中位数，呈右偏分布，少数群体正成本均值高于White；前四分位差异更多反映零成本比例差异而非正成本幅度差异。多变量logistic回归：调整后Black前四分位纳入可能性仍高于White（OR=1.09，95%CI=1.07-1.12）；Asian（OR=0.66，95%CI=0.63-0.69）和Other（OR=0.87，95%CI=0.85-0.89）较低；Hispanic与White相当（OR=0.99，95%CI=0.96-1.01）。年龄、低收入补贴、风险调整总结分、DIB/ESRD参保原因与更高纳入相关；男性、县非White比例较高、都市统计区（MSA）与更低纳入相关。机器学习模型预测性能：各模型AUC-ROC集中于0.71-0.72，梯度提升树最高（0.7206），共识模型为0.7199，多层感知机为0.7194，模型间变异较小。共识模型公平性：AUC-ROC由White的0.7149至Black的0.7305；校准差异较小；Black和Hispanic的人口统计均等、真阳性率和假阳性率较高，假阴性率较低；Asian和Other呈相反模式；机会均等差异Black为0.1672、Hispanic为0.0967、Asian为-0.0858、Other为-0.0799。SHAP特征贡献：风险调整总结分、DIB参保、年龄、低收入补贴、若干层级条件类别（HCCs）及部分主要诊断类别-诊断相关组（MDC-DRGs）是最有影响的预测因子；种族和族裔指标重要性排名常较低，预测主要由临床和风险因素驱动。共识模型预测概率的种族/民族差异：共识模型复现多数观察模式，Black预测概率高于White（OR=1.070，95%CI=1.065-1.075）；Asian（OR=0.75，95%CI=0.74-0.76）和Other（OR=0.909，95%CI=0.904-0.915）较低；Hispanic预测概率显著低于White（OR=0.984，95%CI=0.978-0.990），尽管观察纳入无显著差异。其他协变量与敏感性分析：年龄、低收入补贴、风险调整总结分、DIB/ESRD与更高纳入相关，男性、县非White比例和MSA与更低纳入相关；两部分模型及采用相同协变量的回归模型结果与主分析相似。
讨论部分总结：该研究并非主要开发操作型预测工具，而是展示替代MTM资格方法可能改变受益人识别模式。住院与ER费用捕捉急性照护需求维度，Black受益人更高纳入可能反映及时门诊可及性的结构性障碍导致急性服务依赖增加；Asian和Other较低可能反映利用和支出较低，原文也提示必要急诊服务利用不足的可能性；Hispanic结果在不同分析策略下不一致，反映观察纳入与预测概率方法差异，而非估计差异具有实质意义。不同少数群体机制不同，提示替代标准的公平影响因族群而异，不能假设对所有弱势群体均等获益。政策上，将住院与ER费用作为补充路径可识别高急性照护需求者并改善Black代表性，但单用可能遗漏其他少数群体，需与现有资格指标结合。机器学习模型大体复现回归中的差异，说明算法可编码并延续现存不平等；模型预测力部分来自真实成本驱动因素和嵌入的结构性差异，存在公平与效率权衡；未来模型复杂度和数据粒度提升若缺乏公平设计，可能加深亚组差异，需公平导向设计策略及政策激励。非种族因素方面，年龄、残疾或ESRD参保、低收入补贴、较高风险分与更高纳入相关，男性、县非White比例较高和MSA与更低纳入相关。局限包括单年数据无法评估时间变化和纵向轨迹；前四分位定义可能与顶部十分位或连续费用建模不同；仅限fee-for-service Medicare，不能推广至Medicare Advantage；依赖行政claims和县级背景数据，未测量社会决定因素、提供者网络和当地可及性障碍；费用为报销记录而非直接资源强度；因计算资源限制未进行网格搜索和交叉验证等内部验证，但敏感性分析和与历史差异的一致性支持结果稳健性。
研究结论（原文Conclusions翻译）：本研究探讨了以住院和ER费用作为MTM资格替代标准的可行性。研究结果表明，不同种族和族裔群体以系统性不同方式经历这些费用，Black受益人比White受益人更可能落入前四分位，而Asian和Other种族受益人更不可能。机器学习模型在很大程度上复现了这些基于费用的纳入模式，提示预测方法可能强化观察到的群体差异。将住院和ER费用纳入MTM资格可扩大对具有大量急性照护利用患者的覆盖，但仅依赖该指标可能忽略费用主要来自其他照护领域的受益人。未来研究应评估住院和ER费用的纵向模式，检验这些结局如何与MTM资格相互作用，并测试公平感知算法策略，以支持更具包容性的高需求受益人识别。
