Summary
Att diagnostisera ätstörningar i vården är utmanande. Därför utvecklar det nuvarande protokollet en algoritm baserad på 949 patientsvar på ett frågeformulär, där diagnosen visas på ett lättanvänt webbaserat gränssnitt. Detta system underlättar en korrekt diagnos av ätstörningar samtidigt som de som tros ha en ätstörning utesluts.
Abstract
Ätstörningar (anorexia nervosa, bulimia nervosa, binge-ätstörning och andra specificerade ät- eller matningsstörningar) har en kombinerad prevalens på 13% och är förknippade med allvarliga fysiska och psykosociala problem. Tidig diagnos, som är viktig för effektiv behandling och förebyggande av oönskade långsiktiga hälsokonsekvenser, medför problem bland icke-specialiserade kliniker som inte känner till dessa patienter, till exempel de som arbetar i primärvården. Tidig, korrekt diagnos, särskilt i primärvården, möjliggör expertinsatser tillräckligt tidigt i sjukdomen för att underlätta positiva behandlingsresultat. Datorstödda diagnostiska procedurer erbjuder en möjlig lösning på detta problem genom att tillhandahålla expertis via en algoritm som har utvecklats från ett stort antal fall som har diagnostiserats personligen av expertdiagnostiker och expertvårdare. Ett webbaserat system för att fastställa en korrekt diagnos för patienter som misstänks lida av en ätstörning utvecklades baserat på dessa data. Processen automatiseras med hjälp av en algoritm som uppskattar respondentens sannolikhet att ha en ätstörning och vilken typ av ätstörning individen har. Systemet ger en rapport som fungerar som ett hjälpmedel för kliniker under diagnosprocessen och fungerar som ett pedagogiskt verktyg för nya kliniker.
Introduction
Bantning och en associerad ökning av fysisk aktivitet är de kända orsakerna till anorexia nervosa och andra ätstörningar1. De vanligaste ätstörningarna som nämns i diagnostikhandboken för psykiska störningar (DSM-5) är anorexia nervosa (AN), bulimia nervosa (BN), binge-eating disorder (BED) och annan specificerad matnings- eller ätstörning (OSFED)2. Dessa störningar drabbar främst kvinnor och åtföljs av allvarliga fysiska och / eller psykosociala hälsokomplikationer och nöd3. Cirka 13% av kvinnorna lider av ätstörningar4, och förekomsten av AN hos kvinnor uppskattas till 0,3% -1% under hela livet, med en ännu högre andel kvinnor som lider av BN5.
En mängd riskfaktorer är förknippade med specifika ätstörningar. Bantning under tidig tonårstid och ett lågt kroppsmassindex (BMI) ökar risken för AN hos kvinnor, men tidig pubertet, tunn ideal internalisering, kroppsmissnöje, negativ påverkan och underskott i socialt stöd gör det inte6. Bland de faktorer som förutsäger uppkomsten av BN är viktproblem, kroppsmissnöje, drivkraft för tunnhet, ineffektivitet, låg interoceptiv medvetenhet och bantning, men inte perfektionism, mognadsrädsla, interpersonell misstro eller BMI6. Även om det finns symtomatiska skillnader mellan de olika typerna av ätstörningar finns det en likhet i riskfaktorerna. Detta tyder på att ätpatologi och maladaptivt ätbeteende (bantning) är vanliga riskfaktorer för alla ätstörningar.
Faktum är att ätpatologi är iögonfallande vid ätstörningar. Svårigheten att definiera och kvantifiera patologiskt ätbeteende, i kombination med att diagnosen främst bygger på den subjektiva beskrivningen av symtomdimensionerna, kan dock göra att gränserna mellan diagnoserna framstår som oklara7. Denna fråga gör diagnosen ätstörningar svår, särskilt för vårdpersonal som inte känner till ätstörningspatienter, till exempel primärvårdsläkare.
Vårdpersonal i primärvården är ofta de första som kontaktas av individer som lider av en ätstörning. Med tanke på vikten av tidig upptäckt och intervention för en gynnsam prognos måste vårdgivare ha verktygen för att hjälpa dem att känna igen dessa störningar. Därför måste en diagnos bestämmas snabbt och noggrant för att förhindra förseningar i behandlingen av specialister.
Ett sätt att uppnå detta diagnostiska mål är att digitalisera och automatisera frågeformulär om deras symtom. En extra fördel med denna metod kan vara att svaren är mer sanningsenliga eftersom studier tyder på att patienter litar på virtuella terapeuter mer än mänskliga kliniker för att diskutera psykiska problem8. En annan potentiell fördel är ökad diagnostisk tillförlitlighet, med vissa studier som tyder på att datordiagnoser kan ha högre tillförlitlighet än personliga diagnoser 9,10.
I detta protokoll har en algoritm utvecklats baserat på svaren på öppna och slutna frågor om fysiskt tillstånd, beteende, känslor och tankar av 949 på varandra följande remitterade patienter (för demografiska data, se tabell 1). Av de 949 deltagarna var 91,6% (869) kvinnor, 18,0% hade AN, 19,0% BN, 13,5% BED, 36,8% OSFED, 6,8% fetma (OB) och 5,9% hade ingen ätstörning (No ED). Algoritmen uppskattar både sannolikheten att ha en ätstörning och slutsatsen om vilken typ av ätstörning individen har. Frågeformuläret är baserat på DSM-5-kriterier för matnings- och ätstörningar och de diagnostiska egenskaperna hos AN, BN, BED och OSFED. OB (överskott av kroppsfett) ingår inte i DSM-5 som en psykisk störning. Det finns dock robusta samband mellan OB och BED2. Frågeformuläret är grupperat i tre kategorier: (1) Tillstånd, såsom BMI, viktminskning / vinst under det senaste året och självinducerad kräkningar. (2) Beteenden inklusive ätmönster, bantning, vägning, självinducerad kräkningar, isolering från vänner och familj och undvikande av aktiviteter. (3) Kognitioner/tankar, som önskad vikt, att vara rädd för att tappa kontrollen, överäta, tankar om mat, tro sig vara tjock när andra säger att man är för smal och reaktion på viktökning. Algoritmen är baserad på en ovillkorlig diskriminantanalys som tilldelar vikter till objekt stegvis och identifierar de mest diskriminerande objekten för var och en av de fem diagnoserna. Diagnostikinformationen visas i ett lättanvänt webbaserat gränssnitt.
Protocol
Allt arbete med försökspersoner och patienter godkändes av Etikprövningsmyndigheten (D. nr: 2019-05505). Innan registrering i systemet gav alla individer skriftligt samtycke till lagring, hantering och analys av deras data. Patienterna remitterades till kliniken för specialiserad behandling för ätstörningar antingen genom läkarremiss eller egenremiss. Att lida av en ätstörning var inklusionskriterierna för patienterna.
1. Patientregistrering av kliniker
OBS: Patientregistrering (figur 1) slutförs av en kliniker med hjälp av ett utvecklat anpassat webbverktyg (se materialtabell).
- Navigera till webbens målsida med vilken modern webbläsare som helst vid patientremiss.
- Använd ett befintligt konto som är kopplat till en kliniker för att logga in på webbverktyget.
- Fyll i patientregistreringsformuläret, inklusive patient-ID, personnummer, födelsedatum, ålder och kön.
- Tryck på Spara-knappen för att registrera en ny patient. Vid denna tidpunkt kan proceduren pausas och sedan startas om senare.
2. Frågeformulär för patienter
OBS: Patienten fyller i frågeformuläret på en smart enhet med hjälp av en anpassad app som utvecklats i ett webbverktyg (se materialtabell). Om patienten är minderårig fylls frågeformuläret i av en förälder eller vårdnadshavare. Deras data är organiserade i tematiska block. När svaret på varje fråga är klart presenterar systemet nästa fråga (figur 2).
- Öppna enkätapplikationen på en smart enhet.
- Fyll i personnummer för patienterna (figur 3).
- Fyll i första besöksdatum; det aktuella datumet används som standard.
- Fyll i uppgifter som motsvarar patientens vikt, längd och ålder.
- Fyll i informationen som motsvarar beteende som inducerad kräkningar, mellanmålsfrekvens och äthastighet.
- Fyll i de uppgifter som motsvarar kognitiva och känslomässiga föremål som rädsla för att gå upp i vikt och känslor av kroppsdysmorfi.
- Tryck på knappen Klar för att avsluta frågeformuläret. Nu kan frågeformuläret pausas och sedan startas om senare.
3. Riskbedömning av kliniker
OBS: Riskbedömningen (figur 4) hämtas och används av klinikern med hjälp av ett anpassat webbverktyg (se materialtabell).
- Navigera till webbens målsida med valfri webbläsare. Använd ett befintligt konto för att logga in på webbverktyget.
- Sök efter patienten med hjälp av patientens personnummer eller patientlegitimation.
- Lägg till uppmätt vikt och höjd i systemet.
- Tryck på fliken Resultat för att få det algoritmiska beslutet om patienten har en ED och i så fall vilken typ av ED.
- Tryck på fliken Frågorna 1-20, eller Frågorna 21-34, för att visa de frågor där patienternas svar avviker från friska individers svar.
- Välj en slutlig diagnos under fliken Resultat , baserat på algoritmen och klinikerns expertis.
Representative Results
Patientregistreringen som beskrivs i steg 1 utförs av en kliniker som fyller i formuläret som presenteras i figur 1 i de datoriserade journalerna. När klinikern registrerar en ny patient flyttas applikationen till steg 2, vilket gör det möjligt för patienten att fylla i frågeformuläret. För att starta frågeformuläret måste patienten eller klinikern först ange patientens personnummer (eller ID) i appen på en smart enhet (bild 3), varefter appen visar det första frågeformulärsobjektet. Bild 2 visar en skärmbild av ett objekt från diagnostikfrågeformuläret. När ett svar har valts på ett enkätobjekt flyttas programmet till nästa objekt. Patienter kan inte flytta tillbaka för att ändra svaret på tidigare frågor, och om frågeformuläret avslutas i förtid sparas svaren fortfarande och användaren kan återvända för att fylla i de saknade objekten. När alla frågor har besvarats stängs appen automatiskt.
Efter att frågeformuläret har fyllts i är riskbedömningssidan som presenteras i figur 4 tillgänglig för klinikern via ett webbgränssnitt. Kliniker kan se den rekommenderade diagnosen på sidan "Resultat", tillsammans med den uppskattade sannolikheten för noggrannhet från 0-1 (dvs. ett 100% intervall), baserat på en automatisk beräkning av riskfaktorer i frågeformuläret. Genom att trycka på antingen fliken "Frågor 1-20" eller "Frågor 21-34" kan kliniker se de friska svaren (färg turkos) och de avvikande svaren (färg röd) som resulterade i den föreslagna diagnosen (figur 5). Algoritmen (se materialtabell) uppskattar både sannolikheten att ha en ätstörning och slutsatsen om vilken typ av ätstörning individen har. Modellens noggrannhet är 97,1% för att ha en ED och 82,8% för ED-diagnoser (tabell 2). Diagnostikinformationen visas i ett lättanvänt webbaserat gränssnitt. Denna information ger kliniker förtroende för sitt beslut om den algoritmiska diagnosen överensstämmer med klinikerns egen utvärdering. Om den algoritmiska diagnosen inte överensstämmer med klinikerns utvärdering uppmuntras klinikern att söka en andra åsikt från annan vårdpersonal. Systemet gör det också möjligt för kliniker att träna sig för att bli bättre på att diagnostisera patienter genom att se de specifika frågor som förväntas avvika från en frisk individ i frågeflikarna och genom att granska svåra fall med annan vårdpersonal.
Bild 1: En illustration av patientregistreringsformuläret i webbverktyget.
Bild 2: Exempel på ett enskilt frågeformulär som visas på en smart surfplatta.
Bild 3: Ögonblicksbild av sidan som ber om önskat personnummer innan du fyller i diagnosformuläret.
Bild 4: Exempel på resultatsida med rekommenderad diagnos och uppskattad noggrannhet (i detta fall 100 %) som visas med hjälp av webbverktyget. Resultatsidan visar också patientens datum, kön, ålder och BMI. Överst kan kliniker välja en diagnos. Klicka här för att se en större version av denna siffra.
Figur 5: Enkätsvar och deras koppling till den föreslagna diagnosen. Rött indikerar en hög förening, och kricka föreslår en låg förening. Klicka här för att se en större version av denna siffra.
| Kvinna (n = 869) | Man (n = 80) | Totalt (n = 949) | |
| Ålder | 21.0 (17.0 - 30.0) | 21.0 (15.0 - 33.5) | 21.0 (17.0 - 30.0) |
| Höjd | 167.0 (162.0 - 170.0) | 176.5 (169.0 - 183.0) | 167.0 (162.0 - 171.0) |
| Vikt | 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) |
Tabell 1: Demografiska data för de 949 patienter som ingår i utvecklingen av diagnostiska algoritmer. Värden uttrycks som median (nedre kvartil - övre kvartil).
| Diagnos | Klinisk diagnos | Algoritm diagnos | Noggrannhet (%) |
| En | 171 | 172 | 87.1 |
| Bn | 180 | 181 | 82.2 |
| Säng | 128 | 138 | 81.3 |
| FoS-fil | 349 | 328 | 79.9 |
| Ob | 65 | 74 | 90.8 |
Tabell 2: Antal patienter i varje ED-kategori som diagnostiserats av en utbildad kliniker och algoritmens beslut och noggrannhet.
Discussion
Tidig och korrekt diagnos av ätstörningar är avgörande för att initiera lämplig behandling, förbättra behandlingsresultaten och minska dåliga hälsoutfall1. För att bestämma en diagnos måste kliniker hantera stora mängder psykologisk och fysiologisk information, och en stor mängd data gör diagnos till en tidskrävande uppgift med hög risk för feldiagnos.
Systemet som beskrivs här påskyndar beslutsprocessen genom att tillhandahålla en automatisk enkätbaserad diagnos. Dessutom tillåter det kliniker att se de specifika svaren som avviker från de förväntade svaren hos en frisk individ. Systemet utvecklades med klinikernas behov i åtanke, varför frågeformuläret är tillräckligt enkelt för att fyllas i av patienten ensam, vilket ytterligare minskar den tid som klinikerna behöver när de överväger en diagnos. Av samma anledning sparas svaren på inmatningen, vilket säkerställer att processen kan pausas när som helst. Datoranslutningsproblem och andra avbrott kräver inte att hela processen upprepas.
En begränsning i protokollet är att ett diagnosförslag inte kan beräknas om inte alla enkätobjekt har fyllts i. En annan begränsning är att medicinska mätningar, såsom blodtryck och perifer temperatur, inte ingår i systemet utan måste utvärderas av kliniker eller läkare.
Det finns flera digitala verktyg för ätstörningsdiagnoser, till exempel semistrukturerade elektroniska intervjuer11, men det finns för närvarande inga diagnostiska algoritmer baserade på DSM-5 eller International Classification of Disease, 11th Revision (ICD-11). Det primära problemet med tillgängliga metoder är att de inte ger ett enkelt sätt för kliniker att få hjälp med diagnosen eller kommunicera vad som utgör ohälsosamma svar. Det nuvarande systemet är avsett att användas både i primärvården, av vårdpersonal med liten kunskap om ätstörningar och på specialistkliniker för att diskutera mer komplexa fall och hjälpa kliniker i beslutsprocessen vid diagnos av ätstörningar. Detta system resulterar i förbättrad vårdkvalitet, en minskning av tid och ansträngning från kliniker och ger förbättrad effektivitet för klinikern i deras dagliga praxis.
Den diagnostiska algoritmen är för närvarande baserad på ett frågeformulär och gör det möjligt för systemet att lära kliniker att diagnostisera patienter bättre och konsultera andra vårdpersonal i svåra fall. Den framtida utvecklingen av systemet måste även omfatta medicinska data. Dessutom kan algoritmens prognostiska förmåga förbättras genom att förfina frågeformuläret och ersätta överflödiga, icke-informativa objekt med mer relevanta. Ett longitudinellt tillvägagångssätt måste också övervägas. Om patienten får lämplig behandling är det viktigt att följa deras hälsoprogression över tid. Många punkter i frågeformuläret är fortfarande giltiga för en uppföljningsmetod. Frågeformuläret och algoritmen måste dock omformuleras för att skapa ett index för att mäta hälsoprogression.
Disclosures
Här är fullständig öppenhet när det gäller finansiella arrangemang. Brodin förklarar att han inte har några ekonomiska intressen relaterade till denna studie. Vår forskning bedrivs vid Karolinska Institutet, där Södersten är professor emeritus. Forskningen översätts kliniskt av Mando Group AB, ett bolag startat av Södersten och Bergh, som har 47,5% av aktierna vardera. Professor Michael Leon vid University of California i Irvine har de återstående 5%. Mando Group AB ingår avtal med Region Stockholm vart femte år för att behandla patienter med ätstörningar. Mando Group AB tecknade sitt första kontrakt 1997 med Region Stockholm och sedan dess är behandlingen en av de vårdstandard som erbjuds stockholmarna. Mando Group AB vann den senaste upphandlingen och det finns nu Mandometerkliniker på fyra Stockholmssjukhus. Upplägget är detsamma som när Region Stockholm avtalar med egna kliniker om att behandla patienter med alla typer av sjukdomar, inklusive ätstörningar. Det vill säga, Region Stockholm tillhandahåller ätstörningstjänster till stockholmarna både genom en egen klinik och genom Mando Group AB. All sjukvård i Sverige finansieras genom skattesystemet; privat lön är extremt ovanligt. Det ska för det första tilläggas att Mando Group AB följer rekommendationen från International Committee of Medical Journal Editors om "Author Responsibilities-Conflicts of Interest", http://www.icmje.org/recommendations/browse/rolesand-responsibilities/. För det andra ska det också tilläggas att all vinst som Mando Group AB har gjort har återinvesterats i forskning och utveckling och att det inte har skett någon utdelning till aktieägarna. Allt ovanstående deklareras i alla manuskriptinlämningar och hittills har tidskrifter bedömt det nödvändigt att endast publicera några av detaljerna. Det verkar dock som om det potentiella etiska problemet när forskare översätter sina forskningsresultat till kliniken i ett företag inte är olikt det som uppstår när någon fo
Acknowledgments
Detta arbete finansierades av Region Stockholm.
Materials
| Name | Company | Catalog Number | Comments |
| Computer-Based Platform for Aiding Clinicians in Eating Disorder Analysis and Diagnosis | Mando | Pending assignment | |
| Claris FileMaker Go 19 | Claris | - | For patient registration, custom app for questionnaire, risk assessment |
| iPad 7th generation (2019) | Apple | A2197 |
References
- Treasure, J., Duarte, T. A., Schmidt, U.
- 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).
