Eine computergestützte Plattform zur Unterstützung von Klinikern bei der Analyse und Diagnose von Essstörungen

Diäten und eine damit verbundene Zunahme der körperlichen Aktivität sind die bekannten Ursachen für Anorexia nervosa und andere Essstörungen¹. Die häufigsten Essstörungen, die im Diagnosehandbuch für psychische Störungen (DSM-5) erwähnt werden, sind Anorexia nervosa (AN), Bulimia nervosa (BN), Binge-Eating-Störung (BED) und andere spezifizierte Fütterungs- oder Essstörungen (OSFED)². Diese Störungen betreffen in erster Linie Frauen und werden von schweren körperlichen und / oder psychosozialen Gesundheitskomplikationen und Stress^{begleitet 3}. Etwa 13% der Frauen leiden an Essstörungen⁴, und die Prävalenz von AN bei Frauen wird während ihres gesamten Lebens auf 0,3% -1% geschätzt, wobei ein noch höherer Prozentsatz von Frauen an BN⁵ leidet.

Eine Vielzahl von Risikofaktoren ist mit spezifischen Essstörungen verbunden. Diäten während der frühen Adoleszenz und ein niedriger Body-Mass-Index (BMI) erhöhen das Risiko von AN bei Frauen, aber frühe Pubertät, dünn-ideale Internalisierung, Körperunzufriedenheit, negative Auswirkungen und soziale Unterstützungsdefizite nicht⁶. Zu den Faktoren, die den Beginn von BN vorhersagen, gehören Gewichtsprobleme, Körperunzufriedenheit, Drang nach Dünnheit, Ineffektivität, geringes interozeptives Bewusstsein und Diäten, aber nicht Perfektionismus, Reifeängste, zwischenmenschliches Misstrauen oder BMI⁶. Während es symptomatische Unterschiede zwischen den verschiedenen Arten von Essstörungen gibt, gibt es eine Ähnlichkeit in den Risikofaktoren. Dies deutet darauf hin, dass Esspathologie und maladaptives Essverhalten (Diät) häufige Risikofaktoren für alle Essstörungen sind.

In der Tat ist die Esspathologie bei Essstörungen auffällig. Die Schwierigkeit, pathologisches Essverhalten zu definieren und zu quantifizieren, kombiniert mit der Tatsache, dass die Diagnose in erster Linie auf der subjektiven Beschreibung der Symptomdimensionen beruht, kann jedoch die Grenzen zwischen den Diagnosen unklar erscheinen^{lassen 7}. Dieses Problem erschwert die Diagnose von Essstörungen, insbesondere für Angehörige der Gesundheitsberufe, die mit Patienten mit Essstörungen nicht vertraut sind, wie z. B. Hausärzte.

Angehörige der Gesundheitsberufe in der Primärversorgung sind oft die ersten, die von Personen angesprochen werden, die an einer Essstörung leiden. Angesichts der Bedeutung der Früherkennung und Intervention für eine günstige Prognose müssen die Leistungserbringer über die Werkzeuge verfügen, die ihnen helfen, diese Störungen zu erkennen. Daher muss eine Diagnose schnell und genau bestimmt werden, um Verzögerungen bei der Behandlung durch Spezialisten zu vermeiden.

Eine Möglichkeit, dieses diagnostische Ziel zu erreichen, besteht darin, Fragebögen zu ihren Symptomen zu digitalisieren und zu automatisieren. Ein zusätzlicher Vorteil dieser Methode könnte sein, dass die Antworten wahrheitsgetreuer sind, da Studien darauf hindeuten, dass Patienten virtuellen Therapeuten mehr vertrauen als menschlichen Klinikern, um psychische Gesundheitsprobleme zu diskutieren⁸. Ein weiterer potenzieller Vorteil ist die erhöhte diagnostische Zuverlässigkeit, wobei einige Studien darauf hindeuten, dass Computerdiagnosen eine höhere Zuverlässigkeit aufweisen können als persönliche Diagnosen ^9,10.

Im vorliegenden Protokoll wurde ein Algorithmus entwickelt, der auf den Antworten auf offene und geschlossene Fragen zu körperlicher Verfassung, Verhalten, Emotionen und Gedanken von 949 konsekutiv überwiesen Patienten basiert (für demografische Daten siehe Tabelle 1). Von den 949 Teilnehmern waren 91,6% (869) weiblich, 18,0% hatten AN, 19,0% BN, 13,5% BED, 36,8% OSFED, 6,8% Adipositas (OB) und 5,9% hatten keine Essstörung (No ED). Der Algorithmus schätzt sowohl die Wahrscheinlichkeit, eine Essstörung zu haben, als auch die Schlussfolgerung darüber, welche Art von Essstörung das Individuum hat. Die Fragebogenpunkte basieren auf DSM-5-Kriterien für Fütterungs- und Essstörungen und den diagnostischen Merkmalen von AN, BN, BED und OSFED. OB (überschüssiges Körperfett) ist in DSM-5 als psychische Störung nicht enthalten. Es gibt jedoch robuste Assoziationen zwischen OB und BED². Die Fragebogenpunkte sind in drei Kategorien unterteilt: (1) Bedingungen wie BMI, Gewichtsverlust / -zunahme im letzten Jahr und selbstinduziertes Erbrechen. (2) Verhaltensweisen wie Essgewohnheiten, Diäten, Wiegen, selbstinduziertes Erbrechen, Isolation von Freunden und Familie und Vermeidung von Aktivitäten. (3) Kognitionen / Gedanken, wie das gewünschte Gewicht, Angst vor Kontrollverlust, übermäßiges Essen, Gedanken über Essen, der Glaube, dass man fett ist, wenn andere sagen, dass man zu dünn ist, und Reaktion auf Gewichtszunahme. Der Algorithmus basiert auf einer bedingungslosen Diskriminanzanalyse, die den Elementen schrittweise Gewichtungen zuweist und die anspruchsvollsten Elemente für jede der fünf Diagnosen identifiziert. Die Diagnoseinformationen werden auf einer benutzerfreundlichen webbasierten Oberfläche angezeigt.

Alle Arbeiten an Versuchspersonen und Patienten wurden von der Swedish Ethical Review Authority, Schweden, genehmigt (D. nr: 2019-05505). Vor der Registrierung im System haben alle Personen der Speicherung, Verarbeitung und Analyse ihrer Daten schriftlich zugestimmt. Die Patienten wurden zur spezialisierten Behandlung von Essstörungen entweder durch ärztliche Überweisung oder Selbstüberweisung an die Klinik überwiesen. An einer Essstörung zu leiden war das Einschlusskriterium für die Patienten.

1. Patientenregistrierung durch Kliniker

HINWEIS: Die Patientenregistrierung (Abbildung 1) wird von einem Kliniker mit einem entwickelten benutzerdefinierten Webtool (siehe Materialverzeichnis) durchgeführt.

1. Navigieren Sie nach der Überweisung des Patienten mit einem beliebigen modernen Browser zur Web-Zielseite.
2. Verwenden Sie ein vorhandenes Konto, das einem Kliniker zugeordnet ist, um sich beim Web-Tool anzumelden.
3. Füllen Sie das Patientenregistrierungsformular aus, einschließlich Patienten-ID, Sozialversicherungsnummer, Geburtsdatum, Alter und Geschlecht.
4. Klicken Sie auf die Schaltfläche Speichern , um einen neuen Patienten zu registrieren. An diesem Punkt kann der Vorgang angehalten und später neu gestartet werden.

2. Fragebogen für Patienten

HINWEIS: Der Patient füllt den Fragebogen auf einem intelligenten Gerät mit einer benutzerdefinierten App aus, die in einem Webtool entwickelt wurde (siehe Materialverzeichnis). Wenn der Patient minderjährig ist, wird der Fragebogen von einem Elternteil oder Erziehungsberechtigten ausgefüllt. Ihre Daten sind in thematischen Blöcken organisiert. Nachdem die Antwort auf jede Frage abgeschlossen ist, zeigt das System die nächste Frage an (Abbildung 2).

1. Öffnen Sie die Fragebogenanwendung auf einem intelligenten Gerät.
2. Geben Sie die Sozialversicherungsnummer für die Patienten ein (Abbildung 3).
3. Geben Sie das Datum des ersten Besuchs ein. Standardmäßig wird das aktuelle Datum verwendet.
4. Geben Sie die Informationen ein, die dem Gewicht, der Größe und dem Alter der Patienten entsprechen.
5. Geben Sie die Informationen ein, die dem Verhalten entsprechen, z. B. induziertes Erbrechen, Snack-Häufigkeit und Essfrequenz.
6. Füllen Sie die Einzelheiten aus, die kognitiven und emotionalen Elementen wie der Angst vor Gewichtszunahme und dem Gefühl von Körperdysmorphien entsprechen.
7. Klicken Sie auf die Schaltfläche Fertig , um den Fragebogen abzuschließen. An dieser Stelle kann der Fragebogen pausiert und später neu gestartet werden.

3. Risikobewertung durch Kliniker

HINWEIS: Die Risikobewertung (Abbildung 4) wird abgerufen und vom Arzt mithilfe eines benutzerdefinierten Webtools verwendet (siehe Materialverzeichnis).

1. Navigieren Sie mit einem beliebigen Webbrowser zur Web-Zielseite. Verwenden Sie ein vorhandenes Konto, um sich beim Web-Tool anzumelden.
2. Suchen Sie nach dem Patienten mit der Sozialversicherungsnummer oder der Patienten-ID des Patienten.
3. Fügen Sie dem System gemessenes Gewicht und Höhe hinzu.
4. Drücken Sie auf die Registerkarte Ergebnis , um die algorithmische Entscheidung zu erhalten, ob der Patient eine ED hat und, wenn ja, welche Art von ED.
5. Drücken Sie die Registerkarte Fragen 1-20 oder Fragen 21-34, um die Fragen anzuzeigen, bei denen die Antworten der Patienten von den Antworten gesunder Personen abweichen.
6. Wählen Sie auf der Registerkarte Ergebnis eine endgültige Diagnose aus, die auf dem Algorithmus und dem Fachwissen des Klinikers basiert.

Die in Schritt 1 beschriebene Patientenregistrierung wird von einem Kliniker durchgeführt, der das in Abbildung 1 dargestellte Formular in den computergestützten Krankenakten ausfüllt. Sobald der Kliniker einen neuen Patienten registriert hat, geht die Anwendung zu Schritt 2 über, der es dem Patienten ermöglicht, den Fragebogen auszufüllen. Um den Fragebogen zu starten, muss der Patient oder Arzt zunächst die Sozialversicherungsnummer (oder ID) des Patienten in die App auf einem intelligenten Gerät eingeben (Abbildung 3), woraufhin die App den ersten Fragebogeneintrag anzeigt. Abbildung 2 zeigt einen Screenshot eines Elements aus dem Diagnosefragebogen. Sobald eine Antwort auf ein Fragebogenelement ausgewählt wurde, wechselt die Anwendung zum nächsten Element. Patienten können nicht zurückgehen, um die Antwort früherer Fragen zu ändern, und wenn der Fragebogen vorzeitig beendet wird, werden die Antworten immer noch gespeichert, und der Benutzer kann zurückkehren, um die fehlenden Elemente auszufüllen. Sind alle Fragen beantwortet, wird die App automatisch geschlossen.

Nachdem der Fragebogen ausgefüllt wurde, steht dem Kliniker die in Abbildung 4 dargestellte Seite zur Risikobewertung über eine Webschnittstelle zur Verfügung. Kliniker können die empfohlene Diagnose auf der Seite "Ergebnis" zusammen mit der geschätzten Wahrscheinlichkeit einer Genauigkeit von 0-1 (dh einem Bereich von 100%) anzeigen, basierend auf einer automatischen Berechnung der Risikofaktoren des Fragebogens. Durch Drücken der Registerkarte "Fragen 1-20" oder "Fragen 21-34" können Kliniker die gesunden Antworten (Farbe türkis) und die abweichenden Antworten (Farbe rot) anzeigen, die zu der vorgeschlagenen Diagnose geführt haben (Abbildung 5). Der Algorithmus (siehe Tabelle der Materialien) schätzt sowohl die Wahrscheinlichkeit, eine Essstörung zu haben, als auch die Schlussfolgerung darüber, welche Art von Essstörung das Individuum hat. Die Genauigkeit des Modells beträgt 97,1% für eine ED und 82,8% für ED-Diagnosen (Tabelle 2). Die Diagnoseinformationen werden auf einer benutzerfreundlichen webbasierten Oberfläche angezeigt. Diese Informationen geben Klinikern Vertrauen in ihre Entscheidung, wenn die algorithmische Diagnose mit der eigenen Bewertung des Klinikers übereinstimmt. Wenn die algorithmische Diagnose nicht mit der Bewertung des Klinikers übereinstimmt, wird der Kliniker ermutigt, eine zweite Meinung von anderen Angehörigen der Gesundheitsberufe einzuholen. Das System ermöglicht es Klinikern auch, sich selbst darin zu schulen, besser in der Diagnose von Patienten zu werden, indem sie die spezifischen Fragen betrachten, von denen erwartet wird, dass sie von einer gesunden Person in den Frageregisterkarten abweichen, und indem sie schwierige Fälle mit anderen Angehörigen der Gesundheitsberufe überprüfen.

Abbildung 1: Eine Abbildung des Patientenregistrierungsformulars im Webtool. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 2: Beispiel eines einzelnen Fragebogenelements, das auf einem Smart-Tablet angezeigt wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 3: Momentaufnahme der Seite, auf der nach der erforderlichen Sozialversicherungsnummer gefragt wird, bevor der Diagnosefragebogen ausgefüllt wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 4: Beispiel für eine Ergebnisseite mit empfohlener Diagnose und geschätzter Genauigkeit (in diesem Fall 100%), wie sie mit dem Web-Tool angezeigt wird. Die Ergebnisseite zeigt auch das Datum, das Geschlecht, das Alter und den BMI des Patienten an. An der Spitze können Kliniker eine Diagnose auswählen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Abbildung 5: Antworten auf den Fragebogen und ihre Assoziation mit der vorgeschlagenen Diagnose. Rot zeigt eine hohe Assoziation an, und Blaugrün deutet auf eine niedrige Assoziation hin. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Tabelle 1: Demografische Daten der 949 Patienten, die für die Entwicklung des Diagnosealgorithmus einbezogen wurden. Die Werte werden als Median (unteres Quartil - oberes Quartil) ausgedrückt.

Tabelle 2: Anzahl der Patienten in jeder ED-Kategorie, die von einem ausgebildeten Kliniker diagnostiziert wurden, und die Entscheidung und Genauigkeit des Algorithmus.

Hier ist eine völlige Offenheit in Bezug auf die finanziellen Regelungen vorgesehen. Brodin erklärt, dass er keine finanziellen Interessen im Zusammenhang mit dieser Studie hat. Unsere Forschung wird am Karolinska-Institut durchgeführt, wo Södersten emeritierter Professor ist. Die Forschung wird klinisch von Mando Group AB übersetzt, einem Unternehmen, das von Södersten und Bergh gegründet wurde, die jeweils 47,5% der Aktien halten. Professor Michael Leon von der University of California in Irvine hat die restlichen 5%. Mando Group AB schließt alle fünf Jahre Verträge mit der Region Stockholm ab, um Patienten mit Essstörungen zu behandeln. Mando Group AB unterzeichnete seinen ersten Vertrag 1997 mit der Region Stockholm und seitdem ist seine Behandlung einer der Standards für die Versorgung, die den Bürgern von Stockholm angeboten wird. Mando Group AB hat die jüngste Ausschreibung gewonnen und es gibt jetzt Mandometer Clinics in vier Stockholmer Krankenhäusern. Diese Vereinbarung ist die gleiche, wenn die Region Stockholm Verträge mit ihren eigenen Kliniken abschließt, um Patienten mit allen Arten von Krankheiten, einschließlich Essstörungen, zu behandeln. Das heißt, die Region Stockholm bietet den Bürgern von Stockholm sowohl über eine eigene Klinik als auch über die Mando Group AB Dienstleistungen im Bereich Essstörungen an. Die gesamte Gesundheitsversorgung in Schweden wird durch das Steuersystem finanziert; Private Bezahlung ist äußerst ungewöhnlich. Zunächst sollte hinzugefügt werden, dass Mando Group AB der Empfehlung des International Committee of Medical Journal Editors zum Thema "Author Responsibilities-Conflicts of Interest", http://www.icmje.org/recommendations/browse/rolesand-responsibilities/, nachkommt. Zweitens sollte auch hinzugefügt werden, dass alle Gewinne, die Mando Group AB erzielt hat, in Forschung und Entwicklung reinvestiert wurden und es keine Dividenden an die Aktionäre gab. All dies wird in allen Manuskripteinre