פלטפורמה מבוססת מחשב לסיוע לקלינאים בניתוח ואבחון הפרעות אכילה
10 במאי 2022
אבחון הפרעות אכילה בתחום הבריאות הוא מאתגר. לכן, הפרוטוקול הנוכחי מפתח אלגוריתם המבוסס על 949 תשובות של מטופלים לשאלון, כאשר האבחנה מוצגת בממשק מבוסס אינטרנט קל לשימוש. מערכת זו מאפשרת אבחנה מדויקת של הפרעות אכילה תוך אי הכללת אלה שנחשבו כבעלי הפרעת אכילה.
המערכת מחליטה אם המטופל עומד בקריטריונים האבחוניים להפרעת אכילה ואיזה סוג של הפרעת אכילה כגון אנורקסיה נרבוזה, בולימיה נרבוזה או הפרעת אכילה מוגזמת. אז חולים נוטים להיות כנים יותר כאשר הם עונים למחשב מאשר לאדם פיזי. וכמובן, המערכת חוסכת זמן עבור המטפל.
מטרת השיטה היא לשפר את האמינות של אבחון הפרעות אכילה, לסייע לקלינאים בבחירת הסובלים מהפרעת אכילה ולהפנות את אלה שאינם עומדים בקריטריונים של הפרעת אכילה לטיפולים אחרים או ללא טיפולים. מי שידגים את הנהלים יהיה אלקיוני גליבי, עוזר מחקר במעבדה שלנו. לאחר הפניית המטופל, נווט אל דף הנחיתה באינטרנט באמצעות כל דפדפן מודרני.
השתמש בחשבון קיים המשויך לקלינאי כדי להיכנס לכלי האינטרנט. מלאו את טופס רישום המטופל, כולל תעודת זהות של מטופל, תאריך לידה, גיל ומין, מספר ביטוח לאומי. לחץ על לחצן שמור כדי לרשום מטופל חדש.
פתח את יישום השאלון במכשיר חכם. מלא את מספר הביטוח הלאומי ואת תאריך הביקור הראשון של המטופל. התאריך הנוכחי משמש כברירת מחדל.
לאחר מכן מלא את המידע המתאים למשקל המטופל, גובהו וגילו. לאחר מכן, מלא את המידע המתאים להתנהגות כגון הקאות מושרות, תדירות החטיפים וקצב האכילה, ואחריו פרטים המתאימים לפריטים קוגניטיביים ורגשיים, כגון פחד לעלות במשקל ותחושות של דיסמורפיה בגוף. לחץ על לחצן סיום כדי לסיים את השאלון.
נווט אל דף הנחיתה באינטרנט באמצעות כל דפדפן אינטרנט. השתמש בחשבון קיים כדי להיכנס לכלי האינטרנט. חפש את המטופל באמצעות מספר הביטוח הלאומי של המטופל או תעודת הזהות של המטופל.הוסף משקל וגובה נמדדים למערכת.
לחץ על הכרטיסיה תוצאה כדי לקבל את ההחלטה האלגוריתמית אם למטופל יש הפרעת אכילה, או ED ואיזה סוג של ED. לאחר מכן לחץ על הלשונית שאלות 1 עד 20 או על שאלות 21 עד 34 כדי להציג את השאלות שבהן תשובות המטופל חורגות מתשובות של אנשים בריאים. בחר אבחנה סופית תחת הלשונית תוצאה, בהתבסס על האלגוריתם ועל המומחיות של המטפל. דוגמה לדף הערכת סיכונים לאבחון מומלץ וההסתברות המשוערת לדיוק מאפס לאחד מוצגת כאן.
מהאבחנה המומלצת ומהתשובות לשאלונים, נוצרו תגובות בריאות וסוטות. האלגוריתם המעריך את ההסתברות לסוגים שונים של הפרעות אכילה עבור הפרט מודגם כאן. הדיוק של המודל נקבע להיות 97.1 עבור ED ו 82.8 עבור אבחון ED.
יתרון נוסף של המערכת הוא שהיא מספקת את התשובות האחראיות לאבחון המוצע, המאפשר למערכת ללמד קלינאים לאבחן חולים טוב יותר ולהתייעץ עם אנשי מקצוע נוספים בתחום הבריאות במקרים קשים.
סקירה כללית
מאמר זה מציג אלגוריתם מבוסס רשת שנועד לשפר את האבחנה של הפרעות אכילה באמצעות ניתוח תשובות מטופלים לשאלון. המערכת משפרת את דיוק האבחנה תוך שהיא מאפשרת לקלינאיים להעריך מטופלים באופן יעיל.
מרכיבי מפתח של המחקר
תחום המדע
- פסיכולוגיה קלינית
- טכנולוגיה של שירותי בריאות
- אבחון של הפרעות אכילה
רקע
- אבחון הפרעות אכילה מהווה לעיתים קרובות אתגר עבור נותני שירותי בריאות.
- שיטות מסורתיות עלולות להוביל לאבחון שגוי או לתת-אבחון.
- שימוש בטכנולוגיה יכול לשפר את כנות המטופלים ולייעל את תהליך האבחון.
- האלגוריתם מבוסס על נתוני מטופלים נרחבים כדי להגביר את המהימנות.
מטרת המחקר
- פיתוח כלי אבחון אמין להפרעות אכילה.
- סיוע לקליניקאים בזיהוי מטופלים העומדים בקריטריונים להפרעות אכילה.
- מתן ממשק ידידותי למשתמש עבור קליניקאים ומטופלים.
שיטות שנעשה בהן שימוש
- שאלון מבוסס רשת לתשובות מטופלים.
- ניתוח אלגוריתמי של התשובות לקביעת האבחנה.
- שילוב נתוני מטופל כגון משקל, גובה ודפוסי התנהגות.
- קלט של קליניקאי לצורך אבחנה סופית בהתבסס על תוצאות האלגוריתם.
תוצאות עיקריות
- האלגוריתם השיג דיוק אבחנתי של 97.1% עבור הפרעות אכילה.
- הוא סיפק תובנות לגבי תגובות של מטופלים שסטו מנורמות בריאות.
- קלינאיים קיבלו המלצות המבוססות על הערכות אלגוריתמיות.
- המערכת מסייעת בהוראת קלינאיים לשיטות אבחון טובות יותר.
מסקנות
- הכלי מבוסס האינטרנט משפר באופן משמעותי את מהימנותם של אבחוני הפרעות אכילה.
- הוא מאפשר ניהול מטופלים ותהליכי הפניה טובים יותר.
- המערכת יכולה לשפר את ההכשרה של קלינאים ואת קבלת ההחלטות.
שאלות נפוצות
רלוונטיות תעשייתית למנהלים
פלטפורמות אבחון מונחות-אלגוריתם להפרעות התנהגותיות מורכבות נותנות מענה לפער קריטי בזיהוי מוקדם ומדויק, במיוחד במסגרות של רפואה ראשונית שבהן חסרה מומחיות של מומחים. באמצעות סטנדרטיזציה של קריטריונים אבחוניים וכימות של הערכות הסתברות, מערכות אלו משפרות את הביטחון החיזוי ומייעלות את תהליך מיון המטופלים. גישה זו תומכת בקבלת החלטות ניתנת לשחזור ובקנה מידה רחב בסביבות קליניות מגוונות, ובכך משפיעה באופן ישיר על ניהול סיכונים ברמת הפורט폴יו במחקר ופיתוח של בריאות דיגיטלית ורפואה התנהגותית.
יישומים אסטרטגיים במחקר ופיתוח בביופארמה
גילוי מוקדם ותיקוף מטרה
- מאפשר בחינה שיטתית של קריטריונים אבחנאיים להפרעות התנהגותיות באמצעות מאגרי נתונים רחבי היקף המלווים בהערות מומחים.
- תומך בהפחתת סיכונים ביולוגיים והתנהגותיים על ידי כימות ההסתברות האבחנאית והדגשת חריגות בתגובה.
- מסייע בביסוס ביטחון חיזוי באסטרטגיות של סיווג חולים והתערבות מוקדמת.
סריקה ופיתוח בדיקה
- מכין מערכות פנוטיפיקה דיגיטלית מתוקפות עבור תהליכי עבודה קליניים וטרנסלציונליים המשכיים.
- מסטנדרט את לכידת הנתונים וההערכה האלגוריתמית לקבלת תוצאות כמותיות הניתנות לשחזור.
- מאפשר סריקה ניתנת להרחבה של אוכלוסיות בסיכון עם ספי סגף אבחוניים עקביים.
מחקר תרגומי ופרה-קליני
- מסנכרן פלטים של אבחון דיגיטלי עם נקודות סיום קליניות להמשכיות תרגומית.
- תומך בקידום מותאם-סיכון של סממנים ביולוגיים דיגיטליים ונקודות סיום התנהגותיות.
- מספק הפחתת סיכונים מכניסטית על ידי קישור תשובות לשאלונים לתוצאות אבחון.
שילוב תהליכי עבודה וצינור עיבוד
פלטפורמה אבחנתית מבוססת מחשב זו משתלבת ברצף המוקדם שבין הגילוי לתרגום הקליני, ותומכת בבדיקת היפותזות, תיקוף של סממנים ביולוגיים דיגיטליים וסיווג חולים ברת-הרחבה.
- ביולוגיה של הגילוי: מכמתת את ההסתברות האבחנתית ומזהה סטיות תגובה מרכזיות לצורך זירוף מונחה-השערה.
- סריקה: מספקת פלטים הניתנים לשחזור, המבוססים על אלגוריתמים, להערכה של מטופלים בסביבת עיבוד גבוהה (high-throughput).
- אנליטיקה: מספקת קריאות כמותיות ומדדי דיוק סטטיסטיים להנחיית השוואות בין מצבים שונים.
- מחקר תרגומי: מגשרת בין נתונים אבחנתיים דיגיטליים לבין קבלת החלטות קליניות ונתיבי הפנייה.
- שימוש חוזר ארגוני: מציעה תשתית מבוססת רשת הניתנת לשימוש חוזר, הניתנת להתאמה לאינדיקציות התנהגותיות או פסיכיאטריות נוספות.
השפעה תפעולית וארגונית
- ערך מדעי: מגביר את הביטחון החזוי ומפחית עמימות אבחנתית בבריאות התנהגותית.
- ערך תפעולי: סטנדרטיזציה ואוטומציה של זרימות עבודה אבחנתיות למען סקילביליות ושחזוריות.
- ערך אסטרטגי: מאפשר קבלת החלטות מבוססות נתונים של go/no-go בשלב מוקדם יותר ומבצע אופטימיזציה של הקצאת משאבים.
- השפעה על הפורטפוליו: תומך בתיעדוף מותאם סיכונים של נכסי בריאות דיגיטלית ואלגוריתמים אבחנתיים.
שיקולי יישום
- דורש מומחיות קלינית לצורך אבחנה סופית ופירוש של פלטי האלגוריתם.
- דורש תשתית דיגיטלית מאובטחת לאיסוף וניתוח נתוני מטופלים.
- מחייב סטנדרטיזציה בין-צוותית של פרוטוקולי הזנת נתונים ופירושם.
- ניתן להתאמה לסביבות קליניות שונות, אך עשוי לדרוש התאמה מקומית לאוכלוסיות שונות.
- תלוי באיכות ובמידת הייצוגיות של מערכי נתוני האימון לצורך דיוק אלגוריתמי.
