Platforma komputerowa wspomagająca klinicystów w analizie i diagnozowaniu zaburzeń odżywiania
10 maja 2022
Diagnozowanie zaburzeń odżywiania w służbie zdrowia jest wyzwaniem. W związku z tym w niniejszym protokole opracowano algorytm oparty na 949 odpowiedziach pacjentów na kwestionariusz, a diagnoza jest wyświetlana na łatwym w użyciu interfejsie internetowym. System ten ułatwia dokładną diagnozę zaburzeń odżywiania, wykluczając jednocześnie osoby, które uważa się za mające zaburzenia odżywiania.
System decyduje, czy pacjent spełnia kryteria diagnostyczne zaburzeń odżywiania i jakiego rodzaju zaburzenia odżywiania, takie jak jadłowstręt psychiczny, bulimia lub zaburzenie z napadami objadania się. Tak więc pacjenci są bardziej szczerzy, gdy odpowiadają komputerowi niż osobie fizycznej. I, oczywiście, system oszczędza czas lekarza.
Celem metody jest poprawa wiarygodności diagnozy zaburzeń odżywiania, pomoc klinicystom w wyborze osób cierpiących na zaburzenia odżywiania i skierowanie tych, którzy nie spełniają kryteriów zaburzeń odżywiania, do innych metod leczenia lub ich braku. Procedury zademonstruje Alkioni Glibi, asystent naukowy w naszym laboratorium. Po skierowaniu pacjenta przejdź do internetowej strony docelowej za pomocą dowolnej nowoczesnej przeglądarki.
Użyj istniejącego konta powiązanego z lekarzem, aby zalogować się do narzędzia internetowego. Wypełnij formularz rejestracyjny pacjenta, podając identyfikator pacjenta, datę urodzenia, wiek i płeć, numer ubezpieczenia społecznego. Naciśnij przycisk Zapisz, aby zarejestrować nowego pacjenta.
Otwórz aplikację do ankietowania na urządzeniu inteligentnym. Wpisz numer ubezpieczenia społecznego i datę pierwszej wizyty pacjenta. Domyślnie używana jest bieżąca data.
Następnie uzupełnij informacje odpowiadające wadze, wzrostowi i wiekowi pacjenta. Następnie uzupełnij informacje odpowiadające zachowaniu, takie jak wywołane wymioty, częstotliwość przekąsek i tempo jedzenia, a następnie szczegóły odpowiadające elementom poznawczym i emocjonalnym, takim jak strach przed przybraniem na wadze i uczucie dysmorfii ciała. Naciśnij przycisk Gotowe, aby zakończyć wypełnianie kwestionariusza.
Przejdź do strony docelowej za pomocą dowolnej przeglądarki internetowej. Użyj istniejącego konta, aby zalogować się do narzędzia internetowego. Wyszukaj pacjenta, korzystając z jego numeru ubezpieczenia społecznego lub identyfikatora pacjenta.Dodaj zmierzoną wagę i wzrost do systemu.
Naciśnij kartę Wynik, aby uzyskać algorytmiczną decyzję, czy pacjent ma zaburzenia odżywiania, czy zaburzenia erekcji i jaki rodzaj zaburzeń erekcji. Następnie naciśnij zakładkę pytania od pierwszego do 20 lub pytania od 21 do 34, aby wyświetlić pytania, w których odpowiedzi pacjentów różnią się od odpowiedzi osób zdrowych. Wybierz ostateczną diagnozę na karcie Wynik, w oparciu o algorytm i wiedzę lekarza. Przykład strony oceny ryzyka dla zalecanej diagnozy i szacowanego prawdopodobieństwa dokładności od zera do jednego jest pokazany tutaj.
Na podstawie zaleconej diagnozy i odpowiedzi kwestionariuszowych uzyskano odpowiedzi zdrowe i odbiegające od normy. Przedstawiono tutaj algorytm szacujący prawdopodobieństwo wystąpienia różnych rodzajów zaburzeń odżywiania u danej osoby. Dokładność modelu określono na 97,1 dla diagnozy zaburzeń erekcji i 82,8 dla diagnostyki zaburzeń erekcji.
Kolejną zaletą systemu jest to, że dostarcza on odpowiedzi odpowiedzialnych za sugerowaną diagnozę, co pozwala systemowi uczyć klinicystów, jak lepiej diagnozować pacjentów i konsultować się z dodatkowymi pracownikami służby zdrowia w trudnych przypadkach.
Przegląd
Niniejszy artykuł przedstawia oparty na sieciach internetowych algorytm zaprojektowany w celu usprawnienia diagnostyki zaburzeń odżywiania poprzez analizę odpowiedzi pacjentów na kwestionariusz. System zwiększa dokładność diagnostyczną, umożliwiając jednocześnie klinicystom efektywną ocenę stanu pacjentów.
Kluczowe elementy badania
Dziedzina nauki
- Psychologia kliniczna
- Technologia opieki zdrowotnej
- Diagnostyka zaburzeń odżywiania
Wprowadzenie
- Diagnozowanie zaburzeń odżywiania jest często wyzwaniem dla pracowników służby zdrowia.
- Tradycyjne metody mogą prowadzić do błędnych diagnoz lub niedostatecznego rozpoznawania schorzeń.
- Wykorzystanie technologii może zwiększyć szczerość pacjentów i usprawnić proces diagnostyczny.
- Algorytm opiera się na obszernych danych pacjentów w celu zwiększenia wiarygodności.
Cel badania
- Opracowanie niezawodnego narzędzia diagnostycznego do wykrywania zaburzeń odżywiania.
- Wsparcie klinicystów w identyfikacji pacjentów spełniających kryteria zaburzeń odżywiania.
- Zapewnienie intuicyjnego interfejsu dla klinicystów i pacjentów.
Zastosowane metody
- Kwestionariusz internetowy do zbierania odpowiedzi od pacjentów.
- Algorytmiczna analiza odpowiedzi w celu ustalenia diagnozy.
- Integracja danych pacjenta, takich jak waga, wzrost i wzorce behawioralne.
- Weryfikacja kliniczna w celu postawienia ostatecznej diagnozy na podstawie wyników algorytmu.
Główne wyniki
- Algorytm osiągnął dokładność diagnostyczną na poziomie 97,1% w przypadku zaburzeń odżywiania.
- Dostarczył on informacji na temat reakcji pacjentów, które odbiegały od norm dla osób zdrowych.
- Klinicyści otrzymywali rekomendacje oparte na ocenach algorytmicznych.
- System pomaga w nauczaniu klinicystów lepszych praktyk diagnostycznych.
Wnioski
- Narzędzie internetowe znacząco poprawia wiarygodność diagnoz zaburzeń odżywiania.
- Umożliwia ono lepsze zarządzanie pacjentami oraz procesami kierowania na leczenie.
- System może usprawnić szkolenie klinicystów oraz proces podejmowania decyzji.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Platformy diagnostyczne oparte na algorytmach, przeznaczone dla złożonych zaburzeń behawioralnych, wypełniają krytyczną lukę w zakresie wczesnej i dokładnej identyfikacji, szczególnie w placówkach podstawowej opieki zdrowotnej, w których brakuje specjalistycznej wiedzy. Dzięki standaryzacji kryteriów diagnostycznych i kwantyfikacji szacunków prawdopodobieństwa, systemy te zwiększają pewność prognostyczną i usprawniają triaż pacjentów. Takie podejście wspiera skalowalne i reprodukowalne podejmowanie decyzji w różnorodnych środowiskach klinicznych, bezpośrednio wpływając na zarządzanie ryzykiem na poziomie portfela w obszarze B+R w dziedzinie zdrowia cyfrowego i medycyny behawioralnej.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne odkrywanie i walidacja celu
- Umożliwia systematyczną analizę kryteriów diagnostycznych zaburzeń behawioralnych z wykorzystaniem wielkoskalowych zbiorów danych z adnotacjami eksperckimi.
- Wspiera ograniczanie ryzyka biologicznego i behawioralnego poprzez kwantyfikację prawdopodobieństwa diagnostycznego i wskazywanie odchyleń w odpowiedziach.
- Ułatwia uzyskanie pewności prognostycznej w stratyfikacji pacjentów oraz w strategiach wczesnej interwencji.
Przesiewanie i opracowanie testu
- Przygotowuje zwalidowane systemy cyfrowego fenotypowania do późniejszych analiz klinicznych i translacyjnych.
- Standaryzuje przechwytywanie danych i ocenę algorytmiczną w celu uzyskania powtarzalnych, ilościowych wyników.
- Umożliwia skalowalny screening populacji grup ryzyka z zastosowaniem spójnych progów diagnostycznych.
Badania translacyjne i przedkliniczne
- Zapewnia zgodność cyfrowych wyników diagnostycznych z punktami końcowymi badania klinicznego w celu zachowania ciągłości translacyjnej.
- Wspiera dostosowany do ryzyka rozwój cyfrowych biomarkerów oraz behawioralnych punktów końcowych.
- Umożliwia mechanistyczną redukcję ryzyka poprzez powiązanie odpowiedzi w kwestionariuszach z wynikami diagnostycznymi.
Integracja potoków i przepływów pracy
Ta komputerowa platforma diagnostyczna integruje się z wczesnym continuum od etapu odkryć do translacji klinicznej, wspierając testowanie hipotez, walidację cyfrowych biomarkerów oraz skalowalną stratyfikację pacjentów.
- Biologia odkrywcza: Ilościowo określa prawdopodobieństwo diagnostyczne i identyfikuje kluczowe odchylenia w odpowiedziach w celu doprecyzowania hipotez.
- Przesiewanie: Dostarcza powtarzalne, oparte na algorytmach wyniki dla wysokoprzepustowej oceny pacjentów.
- Analityka: Zapewnia ilościowe odczyty i metryki dokładności statystycznej niezbędne do porównań między różnymi stanami klinicznymi.
- Badania translacyjne: Łączy cyfrowe dane diagnostyczne z procesami podejmowania decyzji klinicznych i ścieżkami skierowań.
- Ponowne wykorzystanie w przedsiębiorstwie: Oferuje reużywalną infrastrukturę internetową, którą można dostosować do dodatkowych wskazań behawioralnych lub psychiatrycznych.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność prognostyczną i zmniejsza niejednoznaczność diagnostyczną w obszarze zdrowia behawioralnego.
- Wartość operacyjna: Standaryzuje i automatyzuje procesy diagnostyczne w celu zapewnienia skalowalności i powtarzalności.
- Wartość strategiczna: Umożliwia wcześniejsze, oparte na danych decyzje o kontynuacji lub przerwaniu działań oraz optymalizuje alokację zasobów.
- Wpływ na portfolio: Wspiera priorytetyzację aktywów zdrowia cyfrowego i algorytmów diagnostycznych w oparciu o analizę ryzyka.
Uwagi dotyczące wdrożenia
- Wymaga wiedzy klinicznej do postawienia ostatecznej diagnozy i interpretacji wyników algorytmicznych.
- Wymaga bezpiecznej infrastruktury cyfrowej do gromadzenia i analizy danych pacjentów.
- Wymaga standaryzacji protokołów wprowadzania i interpretacji danych pomiędzy zespołami.
- Adaptowalny do różnych warunków klinicznych, lecz może wymagać lokalizacji dla różnych populacji.
- Zależny od jakości i reprezentatywności zestawów danych treningowych w celu zapewnienia dokładności algorytmicznej.
