在医疗保健中诊断进食障碍具有挑战性。因此，本方案基于949名患者对问卷的应答，开发了一种算法，并将诊断结果展示在一个易于使用的基于网络的界面上。该系统有助于准确诊断进食障碍，同时排除那些被认为患有进食障碍但实际上不符合诊断标准的个体。
本文内容
摘要
摘要
进食障碍（神经性厌食、神经性贪食、暴食障碍及其他特定进食或进食障碍）的总体患病率为13%，并与严重的躯体及心理社会问题相关。早期诊断对于有效治疗及预防不良的长期健康后果至关重要，但在不熟悉此类患者的非专科临床医生（如初级保健工作者）中实施早期诊断存在困难。在初级保健环境中实现早期、准确的诊断，可使专业干预在疾病早期即得以介入，从而促进积极的治疗效果。计算机辅助诊断程序通过提供专业支持，为解决这一问题提供了可能的途径 通过 一种基于大量由专家诊断人员和专业护理人员亲自诊断的病例而开发的算法。基于这些数据，开发出了一种用于确定疑似进食障碍患者准确诊断的网络系统。该过程通过算法实现自动化，算法可估算受访者患有进食障碍的概率及其所患进食障碍的类型。该系统生成一份报告，可在临床诊断过程中辅助临床医生，并作为新晋临床医生的教育工具。
引言
节食及伴随增加的体力活动是已知导致神经性厌食症及其他进食障碍的原因1。在《精神障碍诊断与统计手册》（DSM-5）中提到的最常见进食障碍包括神经性厌食症（AN）、神经性贪食症（BN）、暴食症（BED）以及其他特定的进食或进食障碍（OSFED）2。这些障碍主要影响女性，并伴有严重的身体和/或心理社会健康并发症及痛苦3。大约13%的女性患有进食障碍4，女性一生中神经性厌食症的患病率估计为0.3%–1%，而患有神经性贪食症的女性比例更高5。
多种风险因素与特定的进食障碍相关。青春期早期节食和低体重指数（BMI）会增加女性患神经性厌食症（AN）的风险，但早期青春期发育、对苗条理想的内化、身体不满、负面情绪以及社会支持缺乏则不会增加该风险6。预测暴食症（BN）发病的因素包括对体重的担忧、身体不满、追求苗条的动机、无能感、较低的内感受觉察能力以及节食行为，但完美主义、对成熟的恐惧、人际不信任或体重指数（BMI）则与之无关6。尽管不同类型的进食障碍在症状上存在差异，但其风险因素具有相似性。这表明进食障碍病理特征和适应不良的进食行为（如节食）是各类进食障碍共有的风险因素。
事实上，进食障碍在进食障碍类疾病中表现显著。然而，由于病理性进食行为难以定义和量化，加之诊断主要依赖于症状维度的主观描述，这可能导致不同诊断之间的界限显得模糊不清7。这一问题使得进食障碍的诊断变得困难，尤其对于不熟悉进食障碍患者的医疗从业者而言更是如此，例如初级保健医生。
初级保健中的医疗专业人员通常是进食障碍患者首先寻求帮助的对象。鉴于早期发现和干预对改善预后具有重要意义，护理提供者必须具备识别这些疾病的有效工具。因此，必须迅速而准确地作出诊断，以避免延误患者接受专科治疗。
实现这一诊断目标的一种方法是对症状相关问卷进行数字化和自动化。该方法的另一个潜在优势在于，患者的回答可能更加真实，因为研究表明，在讨论心理健康问题时，患者对虚拟治疗师的信任程度高于对人类临床医生的信任8。另一个可能的优势是提高诊断的可靠性，一些研究提示，计算机诊断的可靠性可能高于面对面诊断9,10。
在本方案中，基于949名连续转诊患者对有关身体状况、行为、情绪和思维的开放式与封闭式问题的回答，开发了一种算法（人口统计学数据见表1）。在949名参与者中，91.6%（869人）为女性，18.0%患有神经性厌食症（AN），19.0%患有神经性贪食症（BN），13.5%患有暴食症（BED），36.8%患有其他特定的喂养或进食障碍（OSFED），6.8%患有肥胖症（OB），5.9%无进食障碍（无ED）。该算法可同时估算个体患有进食障碍的概率，并判断其具体属于哪种类型的进食障碍。问卷条目基于《精神障碍诊断与统计手册（第五版）》（DSM-5）中关于喂养与进食障碍的诊断标准，以及AN、BN、BED和OSFED的诊断特征。肥胖症（体脂过多）未被DSM-5列为精神障碍，但已有充分证据表明肥胖症与暴食症之间存在显著关联2。问卷条目分为三类：（1）状况类，如体重指数（BMI）、过去一年内的体重增减、自我诱发呕吐；（2）行为类，包括进食模式、节食、称重、自我诱发呕吐、回避亲友、回避日常活动；（3）认知/思维类，如期望体重、害怕失控、暴食、对食物的想法、当他人认为你过瘦时仍觉得自己胖、对体重增加的反应。该算法基于无条件判别分析，逐步为各条目赋予权重，识别出对五种诊断最具区分力的条目。 诊断结果通过一个易于使用的基于网页的界面呈现。
方案
所有涉及实验对象和患者的研究工作均经瑞典伦理审查局（瑞典）批准（D. nr: 2019-05505）。在系统注册前，所有个体均已签署书面同意书，同意其数据的存储、处理和分析。患者通过医生转诊或自行就诊的方式被转介至本诊所接受进食障碍的专科治疗。患有进食障碍是患者纳入研究的入选标准。
1. 临床医生进行患者登记
注意：患者注册（图1）由临床医生使用专门开发的自定义网络工具完成（参见材料表）。
- 在收到患者转诊后，使用任何现代浏览器访问网页登录页面。
- 使用与临床医生关联的现有账户登录网络工具。
- 填写患者注册表单，包括患者编号、社会保险号码、出生日期、年龄和性别。
- 点击保存按钮以注册新患者。此时，操作可暂停，并可在之后继续进行。
2. 患者问卷
注意：患者使用基于网络工具开发的定制应用程序在智能设备上填写问卷（参见材料表）。如果患者为未成年人，则由其父母或监护人填写问卷。所收集的数据按主题模块进行组织。每完成一个问题的回答后，系统将自动显示下一个问题（图2）。
- 在智能设备上打开问卷应用程序。
- 填写患者的社会保障号码（图3）。
- 填写首次就诊日期；默认使用当前日期。
- 填写与患者体重、身高和年龄相关的信息。
- 填写与行为相关的信息，如诱导性呕吐、零食频率和进食速度。
- 填写与认知和情绪项目相关的内容，如对体重增加的恐惧和身体形象扭曲的感受。
- 按下完成按钮以结束问卷。此时，问卷可暂时中止，并可在之后重新继续。
3. 临床医生进行的风险评估
注意：临床医生使用定制的网络工具检索并使用风险评估（图4）（参见材料表）。
- 使用任意网页浏览器访问网站登录页面。使用现有账户登录该网络工具。
- 通过患者的社保号码或患者编号搜索患者信息。
- 将测得的体重和身高数据录入系统。
- 点击 结果 标签，以获取算法判断该患者是否患有进食障碍（ED），以及具体属于何种类型的进食障碍。
- 点击 问题 1-20 或 问题 21-34 标签，以显示患者回答与健康个体存在偏离的问题项。
- 在 结果 标签下，结合算法结果与临床医生的专业判断，选择最终诊断。
结果
步骤1中所述的患者登记由临床医生填写所提供的表格来完成 图1 在计算机化的医疗记录中。一旦临床医生注册了一位新患者，应用程序将进入第2步，允许患者完成问卷。要开始填写问卷，患者或临床医生首先需要在智能设备的应用程序中输入患者的社保号码（或身份证号码）图3），随后应用程序会显示第一个问卷项目。 图2 显示诊断问卷中一个项目的截图。当患者选择问卷项目的答案后，应用程序将自动跳转至下一个项目。患者无法返回修改先前问题的答案；若问卷提前终止，已填写的回答仍将被保存，用户可返回继续补全遗漏的项目。当所有问题回答完毕后，应用程序将自动关闭。
问卷填写完成后，将显示风险评估页面 图4 可供临床医生使用 通过 一个网页界面。临床医生可以在“结果”页面查看推荐的诊断，以及基于问卷风险因素自动计算得出的准确性估计概率（范围为0-1，即100%）。通过点击“问题1-20”或“问题21-34”标签，临床医生可以查看导致建议诊断的健康回答（颜色为青绿色）和偏离正常回答（颜色为红色）图5）。该算法（见 材料表）可同时估计个体患有进食障碍的概率以及具体属于哪种类型的进食障碍。该模型在判断是否患有进食障碍方面的准确率为97.1%，在进食障碍诊断类型上的准确率为82.8%（表 2诊断信息显示在易于使用的基于网络的界面上。当算法诊断结果与临床医生自身的评估一致时，该信息可增强医生决策的信心。若算法诊断结果与临床医生的评估不一致，建议医生向其他医疗专业人员寻求第二意见。该系统还允许临床医生通过查看问题标签中提示预期偏离健康个体的具体问题，以及与其他医疗专业人员共同回顾疑难病例，来提升自身的诊断能力。
图 1：网络工具中患者注册表单的示意图。 请点击此处查看此图的放大版本。
图 2：在智能平板上显示的单个问卷条目的示例。 请点击此处查看此图的放大版本。
图 3：在完成诊断问卷之前，要求输入社会保障号码的页面截图。 请点击此处查看此图的放大版本。
图 4：使用网络工具显示的诊断结果页面示例，包含推荐诊断及估计准确率（本例中为 100%）。 结果页面还显示患者的就诊日期、性别、年龄和 BMI。页面顶部，临床医生可选择诊断选项。 请点击此处查看该图的放大版本。
图5：问卷回答及其与建议诊断的关联性。 红色表示强关联，青绿色表示弱关联。请点击此处查看该图的放大版本。
| 女性 (n = 869) | 男性 (n = 80) | 总计 (n = 949) | |
| 年龄 | 21.0 (17.0 - 30.0) | 21.0 (15.0 - 33.5) | 21.0 (17.0 - 30.0) |
| 身高 | 167.0 (162.0 - 170.0) | 176.5 (169.0 - 183.0) | 167.0 (162.0 - 171.0) |
| 体重 | 58.2 (50.0 - 75.0) | 71.5 (57.0 - 97.0) | 59.1 (50.0 - 76.5) |
| BMI | 20.9 (17.8 - 26.7) | 21.3 (18.0 - 31.2) | 21 (17.9 - 27.1) |
表1：用于诊断算法开发的949例患者的基线数据。 数值以中位数（下四分位数 - 上四分位数）表示。
| 诊断 | 临床医生诊断 | 算法诊断 | 准确率 (%) |
| AN | 171 | 172 | 87.1 |
| BN | 180 | 181 | 82.2 |
| BED | 128 | 138 | 81.3 |
| OSFED | 349 | 328 | 79.9 |
| OB | 65 | 74 | 90.8 |
表2：经培训的临床医生诊断的各急诊科分类中的患者数量，以及算法的决策与准确性。
讨论
进食障碍的早期准确诊断对于启动适当治疗、改善治疗效果以及减少不良健康结局至关重要1。为了确定诊断，临床医生必须处理大量的心理和生理信息，而大量数据使得诊断成为一项耗时且误诊风险较高的任务。
本文所述系统通过提供基于自动问卷的诊断，加快了决策过程。此外，该系统允许临床医生查看与健康个体预期反应不符的具体回答。该系统在开发时充分考虑了临床医生的需求，因此问卷设计得足够简单，可由患者独立完成，从而进一步减少临床医生在考虑诊断时所需的时间。出于同样原因，回答内容在输入时即自动保存，确保流程可在任意时刻暂停。即使出现计算机连接问题或其他中断情况，也无需重复整个流程。
该方案的一个局限性是，除非所有问卷项目均已填写，否则无法计算诊断建议。另一个局限性是，系统未包含血压和外周温度等医学测量指标，这些指标必须由临床医生或医务人员进行评估。
有几种用于进食障碍诊断的数字工具，例如半结构化的电子访谈11，但目前尚无基于《精神障碍诊断与统计手册第五版》（DSM-5）或《国际疾病分类第11版》（International Classification of Disease, 11）的诊断算法th 修订版（ICD-11）。现有方法的主要问题在于，它们未能为临床医生提供一种简便的方式来获得诊断支持，或明确传达何为不健康的反应。当前的系统旨在供初级医疗机构中对进食障碍了解较少的卫生专业人员使用，同时也适用于专科诊所，用于讨论更复杂的病例，辅助临床医生在诊断进食障碍过程中的决策。该系统可提高医疗质量，减少临床医生的时间和精力消耗，并提升其日常临床工作的效率。
目前，诊断算法基于一份问卷，可帮助系统培训临床医生更准确地诊断患者，并在疑难病例中咨询其他医疗专业人员。未来系统的开发还必须纳入医学数据。此外，通过优化问卷，用更具相关性的条目替换冗余且无信息量的条目，可进一步提升算法的预后能力。还需考虑采用纵向研究方法。若患者接受了适当的治疗，则必须长期跟踪其健康进展。问卷中的许多条目仍适用于随访评估，但问卷和算法需要重新设计，以构建一个用于衡量健康进展的指数。
披露
在此，我们对财务安排作出完全公开的声明。Brodin 表示，他本人与本研究无任何经济利益关系。我们的研究在卡罗林斯卡学院（Karolinska Institute）开展，Södersten 为该学院的荣誉退休教授。本研究的临床转化工作由 Mando Group AB 公司实施，该公司由 Södersten 和 Bergh 创立，两人各持有公司 47.5% 的股份，加州大学欧文分校的 Michael Leon 教授持有剩余的 5% 股份。Mando Group AB 每五年与斯德哥尔摩地区政府（Region Stockholm）签订一次合同，为进食障碍患者提供治疗服务。该公司于 1997 年首次与斯德哥尔摩地区政府签约，自此其治疗方法成为向斯德哥尔摩市民提供的标准治疗方案之一。Mando Group AB 在最近一次招标中中标，目前在斯德哥尔摩的四家医院均设有 Mandometer 诊所。该合作模式与斯德哥尔摩地区政府委托其下属医疗机构治疗各类疾病（包括进食障碍）的模式相同。换言之，斯德哥尔摩地区政府通过其自有诊所和 Mando Group AB 共同向市民提供进食障碍治疗服务。瑞典的所有医疗卫生服务均由税收体系资助，自费医疗极为罕见。需要补充说明的是，Mando Group AB 遵循国际医学期刊编辑委员会关于“作者” 利益冲突-责任》，http://www.icmje.org/recommendations/browse/roles-and-responsibilities/。其次，还需补充说明的是，Mando Group AB 所获得的全部利润均已重新投入研发，公司从未向股东派发过股息。上述情况已在所有稿件提交时予以声明，迄今为止，期刊认为仅需公布部分细节即可。然而，似乎 当科学家在企业中将其研究成果转化为临床应用时，所面临的潜在伦理问题，与学术环境中的科学家在发展理论时需要进一步经济资助，并可能因其工作获得认可和经济利益的情况并无不同。在这种情况下，激励因素部分也是经济性的，因此两种情形下的伦理“问题”具有相似性。然而，更为重要的激励因素是对进食障碍患者治疗效果的改善。我们是在学术环境中工作的研究人员，而如今，包括卡罗林斯卡学院在内的许多医学研究机构都鼓励科学家将研究成果通过以创造经济利润为目的的企业转化为临床应用，以支持后续的研究与开发工作 （https://issuu.com/karolinska_institutet/docs/ki_strategy2030_eng）
致谢
本工作由斯德哥尔摩地区资助。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 用于辅助临床医生进行进食障碍分析与诊断的计算机平台 | Mando | 待分配 | |
| Claris FileMaker Go 19 | Claris | - | 用于患者登记、问卷自定义应用程序、风险评估 |
| iPad 第7代 (2019) | Apple | A2197 |
参考文献
- Treasure, J., Duarte, T. A., Schmidt, U. Eating disorders. Lancet. 395 (10227), London, England. 899-911 (2020).
- American Psychiatric Association. Diagnostic and Statistical Manual of Mental Disorders, 5th Edition. , American Psychiatric Publishing. Washington, DC. DSM-5 (2013).
- Smink, F. R. E., van Hoeken, D., Hoek, H. W. Epidemiology of eating disorders: incidence, prevalence and mortality rates. Current Psychiatry Reports. 14 (4), 406-414 (2012).
- Allen, K. L., Byrne, S. M., Oddy, W. H., Crosby, R. D. DSM-IV-TR and DSM-5 eating disorders in adolescents: prevalence, stability, and psychosocial correlates in a population-based sample of male and female adolescents. Journal of Abnormal Psychology. 122 (3), 720-732 (2013).
- Preti, A., et al. The epidemiology of eating disorders in six European countries: results of the ESEMeD-WMH project. Journal of Psychiatric Research. 43 (14), 1125-1132 (2009).
- Stice, E., Gau, J. M., Rohde, P., Shaw, H. Risk factors that predict future onset of each DSM-5 eating disorder: predictive specificity in high-risk adolescent females. Journal of Abnormal Psychology. 126 (1), 38-51 (2017).
- Södersten, P., Brodin, U., Zandian, M., Bergh, C. E. K. Verifying Feighner's hypothesis; anorexia nervosa is not a psychiatric disorder. Frontiers in Psychology. 10, 2110(2019).
- Lucas, G. M., Gratch, J., King, A., Morency, L. -P. It's only a computer: Virtual humans increase willingness to disclose. Computers in Human Behavior. 37, 94-100 (2014).
- Hendler, N., Spurgeon, D. Comparison of Clinical Diagnoses Versus Computerized Test Diagnoses using the Maryland Clinical Diagnostics Diagnostic Paradigm (Expert System) for Diagnosing Chronic Pain in the Neck, Back and Limbs. Journal of Anesthesia and Critical Care: Open Access. 6 (5), (2016).
- Richens, J. G., Lee, C. M., Johri, S. Improving the accuracy of medical diagnosis with causal machine learning. Nature Communications. 11 (1), 3923(2020).
- Dahlgren, C. L., Walsh, B. T., Vrabel, K., Siegwarth, C., Rø, Ø Eating disorder diagnostics in the digital era: validation of the Norwegian version of the Eating Disorder Assessment for DSM-5 (EDA-5). Journal of Eating Disorders. 8 (1), 1-7 (2020).
重印与许可
