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 אינטרנט שנועד לשפר את האבחון של הפרעות אכילה על ידי ניתוח תגובות החולים לשאלון. המערכת משפרת את דיוק האבחון תוך אפשרות לרופאים להעריך חולים ביעילות.
מרכיבי מחקר מרכזיים
תחום המדע
- פסיכולוגיה קלינית
- טכנולוגיית בריאות
- אבחון הפרעות אכילה
רקע
- אבחון הפרעות אכילה הוא לעתים קרובות מאתגר עבור ספקי שירותי הבריאות.
- שיטות מסורתיות עלולות להוביל לאבחון שגוי או תת-אבחון.
- שימוש בטכנולוגיה יכול לשפר את כנות החולים ולייעל את תהליך האבחון.
- האלגוריתם מבוסס על נתוני מטופלים נרחבים כדי לשפר את האמינות.
מטרת המחקר
- לפתח כלי אבחון אמין להפרעות אכילה.
- לסייע לרופאים בזיהוי חולים העונים על הקריטריונים להפרעות אכילה.
- לספק ממשק ידידותי למשתמש לרופאים ולחולים.
שיטות בשימוש
- שאלון מבוסס אינטרנט לתגובות החולים.
- ניתוח אלגוריתמי של התגובות לקביעת האבחון.
- שילוב נתוני מטופל כגון משקל, גובה ודפוסי התנהגות.
- קלט של רופא להחלטת אבחון סופית על פי תוצאות האלגוריתם.
תוצאות עיקריות
- האלגוריתם השיג דיוק אבחוני של 97.1% להפרעות אכילה.
- הוא סיפק תובנות על תגובות החולים שחרגו מנורמות בריאות.
- רופאים קיבלו המלצות על סמך הערכות אלגוריתמיות.
- המערכת מסייעת בהוראת שיטות אבחון טובות יותר לרופאים.
מסקנות
- הכלי המבוסס אינטרנט משפר משמעותית את האמינות של אבחון הפרעות אכילה.
- הוא מאפשר ניהול טוב יותר של החולים ותהליכי הפניה.
- המערכת יכולה לשפר את הכשרת הרופאים וקבלת ההחלטות שלהם.
שאלות נפוצות
Executive Industry Relevance
Algorithm-driven diagnostic platforms for complex behavioral disorders address a critical gap in early, accurate identification, especially in primary care settings lacking specialist expertise. By standardizing diagnostic criteria and quantifying probability estimates, such systems enhance predictive confidence and streamline patient triage. This approach supports scalable, reproducible decision-making across diverse clinical environments, directly impacting portfolio-level risk management in digital health and behavioral medicine R&D.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables systematic interrogation of diagnostic criteria for behavioral disorders using large-scale, expert-annotated datasets.
- Supports biological and behavioral de-risking by quantifying diagnostic probability and highlighting response deviations.
- Facilitates predictive confidence in patient stratification and early intervention strategies.
Screening & Assay Development
- Prepares validated digital phenotyping systems for downstream clinical and translational workflows.
- Standardizes data capture and algorithmic assessment for reproducible, quantitative outputs.
- Enables scalable screening of at-risk populations with consistent diagnostic thresholds.
Translational & Preclinical Research
- Aligns digital diagnostic outputs with clinical endpoints for translational continuity.
- Supports risk-adjusted advancement of digital biomarkers and behavioral endpoints.
- Provides mechanistic de-risking by linking questionnaire responses to diagnostic outcomes.
Pipeline & Workflow Integration
This computer-based diagnostic platform integrates into the early discovery-to-clinical translation continuum, supporting hypothesis testing, digital biomarker validation, and scalable patient stratification.
- Discovery Biology: Quantifies diagnostic probability and identifies key response deviations for hypothesis-driven refinement.
- Screening: Delivers reproducible, algorithm-based outputs for high-throughput patient assessment.
- Analytics: Provides quantitative readouts and statistical accuracy metrics to inform cross-condition comparisons.
- Translational Research: Bridges digital diagnostic data with clinical decision-making and referral pathways.
- Enterprise Reuse: Offers a reusable, web-based infrastructure adaptable to additional behavioral or psychiatric indications.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces diagnostic ambiguity in behavioral health.
- Operational Value: Standardizes and automates diagnostic workflows for scalability and reproducibility.
- Strategic Value: Enables earlier, data-driven go/no-go decisions and optimizes resource allocation.
- Portfolio Impact: Supports risk-adjusted prioritization of digital health assets and diagnostic algorithms.
Implementation Considerations
- Requires clinical expertise for final diagnosis and interpretation of algorithmic outputs.
- Needs secure digital infrastructure for patient data capture and analysis.
- Demands cross-team standardization of data entry and interpretation protocols.
- Adaptable to various clinical settings but may require localization for different populations.
- Dependent on the quality and representativeness of training datasets for algorithmic accuracy.
