一种基于计算机的平台，用于帮助临床医生进行进食障碍分析和诊断
2022年5月10日
在医疗保健中诊断饮食失调是具有挑战性的。因此，本方案基于949名患者对问卷的回答开发了一种算法，诊断显示在易于使用的基于Web的界面上。该系统有助于准确诊断饮食失调，同时排除那些被认为患有进食障碍的人。
该系统决定患者是否符合进食障碍的诊断标准以及哪种类型的进食障碍，如神经性厌食症、神经性贪食症或暴食症。因此，患者在回答计算机时往往比自然人更诚实。当然，该系统为临床医生节省了时间。
该方法的目的是提高进食障碍诊断的可靠性，帮助临床医生选择患有进食障碍的人，并将那些不符合饮食失调标准的人转诊到其他治疗或不治疗。演示这些程序的将是我们实验室的研究助理Alkioni Glibi。在患者转诊后，使用任何现代浏览器导航到网络登录页面。
使用与临床医生关联的现有帐户登录 web 工具。填写患者登记表，包括患者ID，出生日期，年龄和性别，社会安全号码。按"保存"按钮注册新患者。
在智能设备上打开调查表应用程序。填写患者的社会安全号码和首次就诊日期。默认情况下使用当前日期。
然后填写与患者体重，身高和年龄相对应的信息。接下来，填写与诱发呕吐、零食频率和进食率等行为相对应的信息，然后填写与认知和情绪项目相对应的细节，例如对体重增加的恐惧和身体畸形的感觉。按"完成"按钮完成调查表。
使用任何网络浏览器导航到网络登录页面。使用现有帐户登录 web 工具。使用患者的社会保险号或患者 ID 搜索患者。将测量的体重和身高添加到系统中。
按"结果"选项卡可获取患者是否患有进食障碍或 ED 以及哪种类型的 ED 的算法决策。然后按 Tab 键式问题 1 到 20 或问题 21 到 34 以显示患者响应偏离健康个体答案的问题。根据算法和临床医生的专业知识，在"结果"选项卡下选择最终诊断。此处显示了用于推荐诊断的风险评估页面的示例，以及从 0 到 1 的估计准确概率。
从推荐的诊断和问卷回答中，产生了健康和偏离的回答。这里演示了估计个体不同类型饮食失调概率的算法。该模型的ED诊断准确率为97.1，ED诊断准确率为82.8。
该系统的另一个好处是，它提供了负责建议诊断的答案，这使得该系统能够教临床医生更好地诊断患者，并在疑难病例中咨询其他卫生专业人员。
概述
本文介绍了一种基于网络的算法，该算法通过分析患者对问卷的回答来提高进食障碍的诊断准确性。该系统在提升诊断精确度的同时，使临床医生能够高效地评估患者。
关键研究组成部分
科学领域
- 临床心理学
- 医疗技术
- 进食障碍诊断
背景
- 对于医疗保健提供者而言，诊断进食障碍常常具有挑战性。
- 传统方法可能导致误诊或漏诊。
- 利用技术手段可提高患者陈述的诚实性，并简化诊断流程。
- 该算法基于大量患者数据，以提升可靠性。
研究目的
- 开发一种可靠的进食障碍诊断工具。
- 协助临床医生识别符合进食障碍诊断标准的患者。
- 为临床医生和患者提供友好的用户界面。
使用的方法
- 基于网络的问卷，用于收集患者反馈。
- 通过算法分析反馈内容以确定诊断结果。
- 整合患者数据，如体重、身高和行为模式。
- 临床医生根据算法分析结果进行最终诊断。
主要结果
- 该算法对进食障碍的诊断准确率达到97.1%。
- 该算法提供了关于患者反应偏离健康常模的深入见解。
- 临床医生获得了基于算法评估的诊断建议。
- 该系统有助于培训临床医生掌握更优的诊断实践方法。
结论
- 该基于网络的工具显著提高了进食障碍诊断的可靠性。
- 它有助于改善患者的管理和转诊流程。
- 该系统可增强临床医生的培训和决策能力。
常见问题
行业应用价值
针对复杂行为障碍的算法驱动型诊断平台，解决了在缺乏专科专家的初级医疗环境中早期准确识别的关键空白。通过标准化诊断标准并量化概率估计，此类系统可提高预测的可信度，并简化患者的分诊流程。该方法支持在不同临床环境中实现可扩展且可重复的决策，直接影响数字健康与行为医学研发领域中的组合级风险管理。
生物制药研发中的战略应用
早期发现与靶点验证
- 利用大规模、专家标注的数据集，系统性地检验行为障碍的诊断标准。
- 通过量化诊断概率并识别反应偏差，支持生物学和行为学层面的风险评估与降低。
- 有助于提升患者分层和早期干预策略的预测可信度。
筛选与检测方法开发
- 为下游临床和转化工作流程准备经过验证的数字表型系统。
- 标准化数据采集和算法评估，以获得可重复、定量的输出结果。
- 实现对高风险人群的大规模筛查，并保持一致的诊断阈值。
转化与临床前研究
- 将数字诊断结果与临床终点对齐，以实现转化连续性。
- 支持经风险调整的数字生物标志物和行为终点的推进。
- 通过将问卷应答与诊断结果关联，提供机制层面的风险降低。
流程与工作流整合
这种基于计算机的诊断平台可融入从早期发现到临床转化的连续过程，支持假设验证、数字生物标志物验证以及可扩展的患者分层。
- 发现生物学：量化诊断概率，并识别关键反应偏差，以推动基于假设的优化。
- 筛查：提供可重复的、基于算法的输出结果，用于高通量患者评估。
- 分析：提供定量读数和统计准确性指标，支持跨疾病状态的比较分析。
- 转化研究：连接数字化诊断数据与临床决策及转诊路径。
- 企业级复用：提供可复用的、基于网络的基础设施，可适应其他行为或精神疾病适应症的应用。
运营与企业影响
- 科学价值：提高行为健康的预测可信度，减少诊断模糊性。
- 操作价值：标准化并自动化诊断工作流程，以实现可扩展性和可重复性。
- 战略价值：支持更早做出基于数据的决策，并优化资源配置。
- 组合影响：支持对数字健康资产和诊断算法进行风险调整后的优先级排序。
实施注意事项
- 最终诊断及对算法输出结果的解读需要临床专业知识。
- 需要安全的数字基础设施以采集和分析患者数据。
- 要求跨团队统一数据录入和解读流程的标准化。
- 可适用于多种临床环境，但可能需要针对不同人群进行本地化调整。
- 算法准确性依赖于训练数据集的质量和代表性。
