Una piattaforma basata su computer per aiutare i medici nell'analisi e nella diagnosi dei disturbi alimentari
10 maggio 2022
Diagnosticare i disturbi alimentari nell'assistenza sanitaria è una sfida. Pertanto, il presente protocollo sviluppa un algoritmo basato su 949 risposte dei pazienti a un questionario, con la diagnosi visualizzata su un'interfaccia web-based di facile utilizzo. Questo sistema facilita la diagnosi accurata dei disturbi alimentari escludendo quelli che si ritiene abbiano un disturbo alimentare.
Il sistema decide se un paziente soddisfa i criteri diagnostici per un disturbo alimentare e quale tipo di disturbo alimentare come anoressia nervosa, bulimia nervosa o disturbo da alimentazione incontrollata. Quindi i pazienti tendono ad essere più onesti quando rispondono a un computer rispetto a una persona fisica. E, naturalmente, il sistema sta facendo risparmiare tempo al clinico.
Lo scopo del metodo è quello di migliorare l'affidabilità della diagnosi di disturbo alimentare, assistendo i medici nella selezione di coloro che soffrono di un disturbo alimentare e indirizzando coloro che non soddisfano i criteri di disturbo alimentare ad altri trattamenti o nessun trattamento. A dimostrare le procedure sarà Alkioni Glibi, assistente di ricerca presso il nostro laboratorio. Dopo il rinvio del paziente, vai alla pagina di destinazione web utilizzando qualsiasi browser moderno.
Utilizzare un account esistente associato a un medico per accedere allo strumento Web. Compila il modulo di registrazione del paziente, inclusi ID paziente, data di nascita, età e sesso, numero di previdenza sociale. Premere il pulsante Salva per registrare un nuovo paziente.
Aprire l'applicazione del questionario su uno smart device. Inserisci il numero di previdenza sociale e la data della prima visita per il paziente. La data corrente viene utilizzata per impostazione predefinita.
Quindi compilare le informazioni corrispondenti al peso, all'altezza e all'età del paziente. Successivamente, inserisci le informazioni corrispondenti al comportamento come il vomito indotto, la frequenza degli spuntini e il tasso di consumo, seguiti da dettagli corrispondenti a elementi cognitivi ed emotivi, come la paura di ingrassare e la sensazione di dismorfia corporea. Premere il pulsante Fine per completare il questionario.
Passare alla pagina di destinazione Web utilizzando qualsiasi browser Web. Utilizzare un account esistente per accedere allo strumento Web. Cerca il paziente utilizzando il numero di previdenza sociale del paziente o l'ID paziente.Aggiungi peso e altezza misurati al sistema.
Premere la scheda Risultato per ottenere la decisione algoritmica se il paziente ha un disturbo alimentare o ED e quale tipo di ED. Quindi premere la scheda domande da uno a 20 o da 21 a 34 per visualizzare le domande in cui le risposte del paziente si discostano dalle risposte di individui sani. Seleziona una diagnosi finale nella scheda Risultato, in base all'algoritmo e all'esperienza del clinico. Un esempio di una pagina di valutazione del rischio per la diagnosi raccomandata e la probabilità stimata di accuratezza da zero a uno è mostrato qui.
Dalla diagnosi raccomandata e dalle risposte al questionario, sono state generate risposte sane e devianti. L'algoritmo che stima la probabilità di diversi tipi di disturbi alimentari per l'individuo è dimostrato qui. L'accuratezza del modello è stata determinata in 97,1 per la disfunzione erettile e 82,8 per la diagnosi di disfunzione erettile.
Un altro vantaggio del sistema è che fornisce le risposte responsabili della diagnosi suggerita, che consente al sistema di insegnare ai medici a diagnosticare meglio i pazienti e di consultare ulteriori professionisti della salute nei casi difficili.
Panoramica
Questo articolo presenta un algoritmo basato sul web progettato per migliorare la diagnosi dei disturbi alimentari analizzando le risposte dei pazienti a un questionario. Il sistema migliora la precisione diagnostica consentendo al contempo ai clinici di valutare efficacemente i pazienti.
Componenti principali dello studio
Area della scienza
- Psicologia clinica
- Tecnologia sanitaria
- Diagnosi dei disturbi alimentari
Contesto
- Diagnosticare i disturbi alimentari è spesso difficile per gli operatori sanitari.
- I metodi tradizionali possono portare a diagnosi errate o sottovalutazioni.
- L'utilizzo della tecnologia può migliorare l'onestà dei pazienti e semplificare il processo diagnostico.
- L'algoritmo si basa su ampi dati dei pazienti per migliorare l'affidabilità.
Obiettivo dello studio
- Sviluppare uno strumento diagnostico affidabile per i disturbi alimentari.
- Aiutare i clinici nell'identificazione dei pazienti che soddisfano i criteri per i disturbi alimentari.
- Fornire un'interfaccia user-friendly per clinici e pazienti.
Metodi utilizzati
- Questionario basato sul web per le risposte dei pazienti.
- Analisi algoritmica delle risposte per determinare la diagnosi.
- Integrazione dei dati del paziente come peso, altezza e modelli comportamentali.
- Input del clinico per la diagnosi finale basato sui risultati dell'algoritmo.
Risultati principali
- L'algoritmo ha raggiunto una precisione diagnostica del 97,1% per i disturbi alimentari.
- Ha fornito informazioni sulle risposte dei pazienti che deviavano dalle norme sane.
- I clinici hanno ricevuto raccomandazioni basate sulle valutazioni algoritmiche.
- Il sistema aiuta a insegnare ai clinici migliori pratiche diagnostiche.
Conclusioni
- Lo strumento basato sul web migliora significativamente l'affidabilità delle diagnosi di disturbi alimentari.
- Permette una migliore gestione dei pazienti e processi di riferimento.
- Il sistema può migliorare la formazione e il processo decisionale dei clinici.
Domande frequenti
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.
