Methodenartikel

Een computergebaseerd platform voor het helpen van clinici bij het analyseren en diagnosticeren van eetstoornissen

DOI:

10.3791/63848

⸱

10 mei 2022

 ,  ,  ,  ,  ,  , 
1Department of Neurobiology, Care Sciences and Society, Karolinska Institutet, 2Mandometer Clinic

In dit artikel

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Het diagnosticeren van eetstoornissen in de gezondheidszorg is een uitdaging. Daarom ontwikkelt het huidige protocol een algoritme op basis van 949 antwoorden van patiënten op een vragenlijst, waarbij de diagnose wordt weergegeven op een eenvoudig te gebruiken webgebaseerde interface. Dit systeem vergemakkelijkt de nauwkeurige diagnose van eetstoornissen terwijl degenen waarvan wordt aangenomen dat ze een eetstoornis hebben, worden uitgesloten.

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Eetstoornissen (anorexia nervosa, boulimia nervosa, eetbuistoornis en andere gespecificeerde eet- of voedingsstoornissen) hebben een gecombineerde prevalentie van 13% en zijn geassocieerd met ernstige fysieke en psychosociale problemen. Vroege diagnose, die belangrijk is voor een effectieve behandeling en preventie van ongewenste gevolgen voor de gezondheid op lange termijn, legt problemen op bij niet-gespecialiseerde clinici die niet bekend zijn met deze patiënten, zoals degenen die in de eerstelijnszorg werken. Vroege, nauwkeurige diagnose, met name in de eerstelijnszorg, maakt deskundige interventies vroeg genoeg in de stoornis mogelijk om positieve behandelingsresultaten te vergemakkelijken. Computerondersteunde diagnostische procedures bieden een mogelijke oplossing voor dit probleem door expertise te bieden via een algoritme dat is ontwikkeld uit een groot aantal gevallen die persoonlijk zijn gediagnosticeerd door deskundige diagnostici en deskundige zorgverleners. Op basis van deze gegevens werd een webgebaseerd systeem ontwikkeld voor het bepalen van een nauwkeurige diagnose voor patiënten waarvan wordt vermoed dat ze aan een eetstoornis lijden. Het proces wordt geautomatiseerd met behulp van een algoritme dat de kans van de respondent op een eetstoornis en het type eetstoornis dat het individu heeft, schat. Het systeem biedt een rapport dat werkt als een hulpmiddel voor clinici tijdens het diagnostische proces en dient als een educatief hulpmiddel voor nieuwe clinici.

Inleiding

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diëten en een bijbehorende toename van lichaamsbeweging zijn de bekende oorzaken van anorexia nervosa en andere eetstoornissen1. De meest voorkomende eetstoornissen die worden genoemd in het diagnostisch handboek van psychische stoornissen (DSM-5) zijn anorexia nervosa (AN), boulimia nervosa (BN), eetbuistoornis (BED) en andere gespecificeerde voedings- of eetstoornis (OSFED)2. Deze aandoeningen treffen voornamelijk vrouwen en gaan gepaard met ernstige lichamelijke en/of psychosociale gezondheidscomplicaties en angst3. Ongeveer 13% van de vrouwen lijdt aan eetstoornissen4, en de prevalentie van AN bij vrouwen wordt geschat op 0,3% -1% gedurende hun hele leven, met een nog hoger percentage vrouwen dat lijdt aan BN5.

Een veelheid aan risicofactoren wordt geassocieerd met specifieke eetstoornissen. Diëten tijdens de vroege adolescentie en een lage body mass index (BMI) verhoogt het risico op AN bij vrouwen, maar vroege puberteit, dun-ideale internalisatie, ontevredenheid over het lichaam, negatief effect en sociale ondersteuningstekorten niet6. Onder de factoren die het begin van BN voorspellen, zijn gewichtsproblemen, ontevredenheid over het lichaam, drang naar dunheid, ineffectiviteit, laag interoceptief bewustzijn en diëten, maar geen perfectionisme, volwassenheidsangsten, interpersoonlijk wantrouwen of BMI6. Hoewel er symptomatische verschillen zijn tussen de verschillende soorten eetstoornissen, is er een overeenkomst in de risicofactoren. Dit suggereert dat eetpathologie en onaangepast eetgedrag (diëten) gemeenschappelijke risicofactoren zijn bij alle eetstoornissen.

Inderdaad, eetpathologie valt op bij eetstoornissen. De moeilijkheid om pathologisch eetgedrag te definiëren en te kwantificeren, gecombineerd met het feit dat de diagnose voornamelijk afhankelijk is van de subjectieve beschrijving van de symptoomdimensies, kan er echter voor zorgen dat de grenzen tussen diagnoses onduidelijk lijken te zijn7. Dit probleem maakt de diagnose van eetstoornissen moeilijk, vooral voor gezondheidswerkers die niet bekend zijn met eetstoornispatiënten, zoals huisartsen.

Gezondheidswerkers in de eerstelijnszorg zijn vaak de eersten die worden benaderd door personen die lijden aan een eetstoornis. Gezien het belang van vroege detectie en interventie voor een gunstige prognose, moeten zorgverleners de tools hebben om hen te helpen deze aandoeningen te herkennen. Daarom moet een diagnose snel en nauwkeurig worden bepaald om vertragingen in hun behandeling door specialisten te voorkomen.

Een manier om dit diagnostische doel te bereiken is het digitaliseren en automatiseren van vragenlijsten over hun symptomen. Een bijkomend voordeel van deze methode zou kunnen zijn dat de antwoorden waarheidsgetrouwer zijn, omdat studies suggereren dat patiënten virtuele therapeuten meer vertrouwen dan menselijke clinici voor het bespreken van psychische problemen8. Een ander potentieel voordeel is een verhoogde diagnostische betrouwbaarheid, waarbij sommige studies suggereren dat computerdiagnoses een hogere betrouwbaarheid kunnen hebben dan persoonlijke diagnoses 9,10.

In het huidige protocol is een algoritme ontwikkeld op basis van de antwoorden op open-end en closed-end vragen over fysieke conditie, gedrag, emoties en gedachten door 949 opeenvolgend doorverwezen patiënten (voor demografische gegevens, zie tabel 1). Van de 949 deelnemers was 91,6% (869) vrouw, 18,0% had AN, 19,0% BN, 13,5% BED, 36,8% OSFED, 6,8% obesitas (OB) en 5,9% had geen eetstoornis (geen ED). Het algoritme schat zowel de kans op een eetstoornis als de conclusie over welk type eetstoornis het individu heeft. De vragenlijstitems zijn gebaseerd op DSM-5-criteria voor voeding en eetstoornissen en de diagnostische kenmerken van AN, BN, BED en OSFED. OB (overtollig lichaamsvet) is niet opgenomen in DSM-5 als een psychische stoornis. Er zijn echter robuuste associaties tussen OB en BED2. De vragenlijstitems zijn gegroepeerd in drie categorieën: (1) Aandoeningen, zoals BMI, gewichtsverlies / winst tijdens het laatste jaar en zelfgeïnduceerd braken. (2) Gedrag zoals eetpatronen, diëten, zichzelf wegen, zelf geïnduceerd braken, isolatie van vrienden en familie en het vermijden van activiteiten. (3) Cognities / gedachten, zoals gewenst gewicht, bang zijn om de controle te verliezen, te veel eten, gedachten over voedsel, geloven dat je dik bent als anderen zeggen dat je te dun bent, en reactie op gewichtstoename. Het algoritme is gebaseerd op een onvoorwaardelijke discriminante analyse die stapsgewijs gewichten toekent aan items, waarbij de meest discriminerende items voor elk van de vijf diagnoses worden geïdentificeerd. De diagnostische informatie wordt weergegeven op een gebruiksvriendelijke webinterface.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Al het werk aan proefpersonen en patiënten werd goedgekeurd door de Zweedse ethische toetsingsinstantie, Zweden (D. nr: 2019-05505). Vóór de registratie in het systeem hebben alle personen schriftelijke toestemming gegeven voor de opslag, verwerking en analyse van hun gegevens. Patiënten werden doorverwezen naar de kliniek voor gespecialiseerde behandeling voor eetstoornissen, hetzij door verwijzing van de arts of zelfverwijzing. Lijden aan een eetstoornis was het inclusiecriterium voor de patiënten.

1. Patiëntenregistratie door clinici

OPMERKING: De registratie van de patiënt (figuur 1) wordt voltooid door een clinicus met behulp van een ontwikkelde aangepaste webtool (zie materiaaltabel).

  1. Navigeer naar de webbestemmingspagina met behulp van een moderne browser na verwijzing van de patiënt.
  2. Gebruik een bestaand account dat is gekoppeld aan een arts om u aan te melden bij de webtool.
  3. Vul het patiëntregistratieformulier in, inclusief patiënt-ID, burgerservicenummer, geboortedatum, leeftijd en geslacht.
  4. Druk op de knop Opslaan om een nieuwe patiënt te registreren. Op dit punt kan de procedure worden onderbroken en later opnieuw worden gestart.

2. Vragenlijst voor patiënten

OPMERKING: De patiënt vult de vragenlijst in op een smartapparaat met behulp van een app op maat die is ontwikkeld in een webtool (zie Materiaaltabel). Als de patiënt minderjarig is, wordt de vragenlijst ingevuld door een ouder of voogd. Hun gegevens zijn georganiseerd in thematische blokken. Nadat het antwoord op elke vraag is voltooid, presenteert het systeem de volgende vraag (figuur 2).

  1. Open de vragenlijsttoepassing op een smartapparaat.
  2. Vul het sofinummer voor de patiënten in (figuur 3).
  3. Vul de eerste bezoekdatum in; de huidige datum wordt standaard gebruikt.
  4. Vul de informatie in die overeenkomt met het gewicht, de lengte en de leeftijd van de patiënt.
  5. Vul de informatie in die overeenkomt met gedrag zoals geïnduceerd braken, snackfrequentie en eetsnelheid.
  6. Vul de gegevens in die overeenkomen met cognitieve en emotionele items zoals angst om aan te komen en gevoelens van lichaamsdysmorfie.
  7. Druk op de knop Gereed om de vragenlijst in te vullen. Op dit punt kan de vragenlijst worden gepauzeerd en later opnieuw worden gestart.

3. Risicobeoordeling door clinici

OPMERKING: De risicobeoordeling (figuur 4) wordt opgehaald en gebruikt door de clinicus met behulp van een aangepaste webtool (zie materiaaltabel).

  1. Navigeer naar de bestemmingspagina van het web met behulp van een webbrowser. Gebruik een bestaand account om u aan te melden bij de webtool.
  2. Zoek naar de patiënt met behulp van het burgerservicenummer of de patiënt-ID van de patiënt.
  3. Voeg het gemeten gewicht en de hoogte toe aan het systeem.
  4. Druk op het tabblad Resultaat om de algoritmische beslissing te krijgen of de patiënt een SEH heeft en, zo ja, welk type SEH.
  5. Druk op het tabblad Vragen 1-20, of Vragen 21-34, om de vragen weer te geven waarbij de antwoorden van de patiënten afwijken van antwoorden van gezonde personen.
  6. Selecteer een definitieve diagnose op het tabblad Resultaat , op basis van het algoritme en de expertise van de clinicus.

Resultaten

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De in stap 1 beschreven patiëntenregistratie wordt uitgevoerd door een clinicus die het formulier in figuur 1 invult in de geautomatiseerde medische dossiers. Zodra de clinicus een nieuwe patiënt registreert, gaat de aanvraag naar stap 2, waarmee de patiënt de vragenlijst kan invullen. Om de vragenlijst te starten, moet de patiënt of clinicus eerst het burgerservicenummer (of ID) van de patiënt invoeren in de app op een smartapparaat (figuur 3), waarna de app het eerste vragenlijstitem weergeeft. Figuur 2 toont een screenshot van één item uit de diagnostische vragenlijst. Zodra een antwoord op een vragenlijstitem is geselecteerd, gaat de toepassing naar het volgende item. Patiënten kunnen niet teruggaan om het antwoord op eerdere vragen te wijzigen, en als de vragenlijst voortijdig wordt beëindigd, worden de antwoorden nog steeds opgeslagen en kan de gebruiker terugkeren om de ontbrekende items in te vullen. Zodra alle vragen zijn beantwoord, wordt de app automatisch gesloten.

Nadat de vragenlijst is ingevuld, is de risicobeoordelingspagina in figuur 4 beschikbaar voor de clinicus via een webinterface. Clinici kunnen de aanbevolen diagnose bekijken op de pagina 'Resultaat', samen met de geschatte kans op nauwkeurigheid van 0-1 (d.w.z. een bereik van 100%), op basis van een automatische berekening van risicofactoren van de vragenlijst. Door op het tabblad 'Vragen 1-20' of 'Vragen 21-34' te drukken, kunnen clinici de gezonde antwoorden (kleur turkoois) en de afwijkende antwoorden (kleur rood) bekijken die resulteerden in de voorgestelde diagnose (figuur 5). Het algoritme (zie Tabel van Materialen) schat zowel de kans op het hebben van een eetstoornis als de conclusie over welk type eetstoornis het individu heeft. De nauwkeurigheid van het model is 97,1% voor het hebben van een ED en 82,8% voor ED-diagnoses (tabel 2). De diagnostische informatie wordt weergegeven op een gebruiksvriendelijke webinterface. Deze informatie geeft clinici vertrouwen in hun beslissing als de algoritmische diagnose overeenkomt met de eigen evaluatie van de clinicus. Als de algoritmische diagnose niet overeenkomt met de evaluatie van de clinicus, wordt de clinicus aangemoedigd om een second opinion van andere gezondheidswerkers te vragen. Het systeem stelt clinici ook in staat om zichzelf te trainen om beter te worden in het diagnosticeren van patiënten door de specifieke vragen te bekijken die naar verwachting zullen afwijken van een gezond persoon in de vraagtabbladen en door moeilijke gevallen met andere gezondheidswerkers te bespreken.

figure-results-1
Figuur 1: Een illustratie van het patiëntenregistratieformulier in de webtool. Klik hier om een grotere versie van dit cijfer te bekijken.

figure-results-2
Figuur 2: Voorbeeld van een enkel vragenlijstitem dat wordt weergegeven op een slimme tablet. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-3
Figuur 3: Momentopname van de pagina waarop het vereiste burgerservicenummer wordt gevraagd alvorens de diagnosevragenlijst in te vullen. Klik hier om een grotere versie van dit cijfer te bekijken.

figure-results-4
Figuur 4: Voorbeeld van een resultatenpagina met aanbevolen diagnose en geschatte nauwkeurigheid (in dit geval 100%) zoals weergegeven met behulp van de webtool. De resultatenpagina toont ook de datum, het geslacht, de leeftijd en de BMI van de patiënt. Bovenaan kunnen clinici een diagnose selecteren. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-5
Figuur 5: Antwoorden op de vragenlijst en hun associatie met de voorgestelde diagnose. Rood duidt op een hoge associatie en groenblauw suggereert een lage associatie. Klik hier om een grotere versie van deze figuur te bekijken.

Vrouw (n = 869)Man (n = 80)Totaal (n = 949)
Leeftijd21.0 (17.0 - 30.0)21.0 (15.0 - 33.5)21.0 (17.0 - 30.0)
Hoogte167.0 (162.0 - 170.0)176.5 (169.0 - 183.0)167.0 (162.0 - 171.0)
Gewicht58.2 (50.0 - 75.0)71.5 (57.0 - 97.0)59.1 (50.0 - 76.5)
Bmi20.9 (17.8 - 26.7)21.3 (18.0 - 31.2)21 (17.9 - 27.1)

Tabel 1: Demografische gegevens van de 949 patiënten die zijn opgenomen voor de ontwikkeling van het diagnostische algoritme. Waarden worden uitgedrukt als mediaan (onderste kwartiel - bovenste kwartiel).

DiagnoseDiagnose van een artsAlgoritme diagnoseNauwkeurigheid (%)
Een17117287.1
Bn18018182.2
Bed12813881.3
OSFED34932879.9
Ob657490.8

Tabel 2: Aantal patiënten in elke ED-categorie gediagnosticeerd door een getrainde clinicus en de beslissing en nauwkeurigheid van het algoritme.

Discussie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Vroege en nauwkeurige diagnose van eetstoornissen is van cruciaal belang voor het initiëren van de juiste behandeling, het verbeteren van de behandelingsresultaten en het verminderen van slechte gezondheidsresultaten1. Om een diagnose te bepalen, moeten clinici grote hoeveelheden psychologische en fysiologische informatie verwerken, en een grote hoeveelheid gegevens maakt diagnose een tijdrovende taak met een hoog risico op verkeerde diagnose.

Het hier beschreven systeem versnelt het besluitvormingsproces door een automatische diagnose op basis van vragenlijsten te stellen. Bovendien kunnen clinici de specifieke reacties bekijken die afwijken van de verwachte reacties van een gezond individu. Het systeem is ontwikkeld met de behoeften van clinici in gedachten, daarom is de vragenlijst eenvoudig genoeg om alleen door de patiënt te worden ingevuld, waardoor de tijd die clinici nodig hebben bij het overwegen van een diagnose verder wordt verkort. Om dezelfde reden worden reacties opgeslagen bij invoer, zodat het proces op elk gewenst moment kan worden gepauzeerd. Problemen met de computerverbinding en andere onderbrekingen vereisen niet dat het hele proces wordt herhaald.

Een beperking van het protocol is dat een diagnosesuggestie niet kan worden berekend tenzij alle vragenlijstitems zijn ingevuld. Een andere beperking is dat medische metingen, zoals bloeddruk en perifere temperatuur, niet in het systeem zijn opgenomen, maar moeten worden geëvalueerd door clinici of artsen.

Er zijn verschillende digitale hulpmiddelen voor eetstoornisdiagnoses, zoals semi-gestructureerde elektronische interviews11, maar er zijn momenteel geen diagnostische algoritmen op basis van de DSM-5 of de International Classification of Disease, 11th Revision (ICD-11). Het belangrijkste probleem met beschikbare benaderingen is dat ze geen eenvoudige manier bieden voor clinici om hulp te krijgen bij de diagnose of te communiceren wat ongezonde reacties zijn. Het huidige systeem is bedoeld voor gebruik in zowel de eerstelijnszorg, door gezondheidswerkers met weinig kennis van eetstoornissen, als in gespecialiseerde klinieken voor het bespreken van complexere gevallen, waardoor clinici worden geholpen bij het besluitvormingsproces tijdens de diagnose van eetstoornissen. Dit systeem resulteert in een verbeterde kwaliteit van zorg, een vermindering van tijd en moeite door clinici en biedt een verbeterde efficiëntie voor de clinicus in hun dagelijkse praktijk.

Het diagnostische algoritme is momenteel gebaseerd op één vragenlijst en stelt het systeem in staat om clinici te leren patiënten beter te diagnosticeren en andere gezondheidswerkers te raadplegen in moeilijke gevallen. De toekomstige ontwikkeling van het systeem moet ook medische gegevens omvatten. Bovendien kan het prognostisch vermogen van het algoritme worden verbeterd door de vragenlijst te verfijnen en overbodige, niet-informatieve items te vervangen door relevantere. Er moet ook een longitudinale benadering worden overwogen. Als de patiënt de juiste behandeling krijgt, is het essentieel om hun gezondheidsvoortgang in de loop van de tijd te volgen. Veel items in de vragenlijst zijn nog steeds geldig voor een vervolgaanpak. De vragenlijst en het algoritme moeten echter worden geherformuleerd om een index te maken om de voortgang van de gezondheid te meten.

Openbaarmakingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,


Volledige openheid over financiële regelingen wordt hier beoogd. Brodin verklaart dat hij geen financiële belangen heeft in verband met deze studie. Ons onderzoek wordt uitgevoerd aan het Karolinska Instituut, waar Södersten emeritus hoogleraar is. Het onderzoek wordt klinisch vertaald door Mando Group AB, een bedrijf opgericht door Södersten en Bergh, die elk 47,5% van de aandelen hebben. Professor Michael Leon van de Universiteit van Californië in Irvine heeft de resterende 5%. Mando Group AB contracteert elk vijf jaar met Regio Stockholm om patiënten met eetstoornissen te behandelen. Mando Group AB tekende zijn eerste contract in 1997 met regio Stockholm en sindsdien is de behandeling een van de zorgstandaarden die aan de burgers van Stockholm worden aangeboden. Mando Group AB won de laatste aanbesteding en er zijn nu Mandometer Clinics in vier ziekenhuizen in Stockholm. Deze regeling is hetzelfde als wanneer regio Stockholm contracten sluit met zijn eigen klinieken om patiënten met allerlei ziekten, waaronder eetstoornissen, te behandelen. Dat wil zeggen, Regio Stockholm biedt eetstoornissen diensten aan de burgers van Stockholm, zowel via een eigen kliniek als via Mando Group AB. Alle gezondheidszorg in Zweden wordt gefinancierd via het belastingstelsel; privé betalen is uiterst ongebruikelijk. In de eerste plaats moet hieraan worden toegevoegd dat Mando Group AB de aanbeveling van het International Committee of Medical Journal Editors over 'Author Responsibilities-Conflicts of Interest', http://www.icmje.org/recommendations/browse/rolesand-responsibilities/, naleeft. Ten tweede moet ook worden toegevoegd dat alle winst die Mando Group AB heeft gemaakt, is geherinvesteerd in onderzoek en ontwikkeling en dat er geen dividenden zijn geweest voor aandelenbezitters. Al het bovenstaande wordt vermeld in alle manuscriptinzendingen en tot nu toe hebben tijdschriften het nodig geacht om slechts enkele van de details te publiceren. Het lijkt

Dankbetuigingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit werk werd gefinancierd door Region Stockholm.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Computer-Based Platform for Aiding Clinicians in Eating Disorder Analysis and DiagnosisMandoPending assignment
Claris FileMaker Go 19Claris-Voor patiëntenregistratie, aangepaste app voor vragenlijst, risicobeoordeling
iPad 7th generation (2019)AppleA2197

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Treasure, J., Duarte, T. A., Schmidt, U. Eating disorders. Lancet. 395 (10227), London, England. 899-911 (2020).
  2. American Psychiatric Association. Diagnostic and Statistical Manual of Mental Disorders, 5th Edition. , American Psychiatric Publishing. Washington, DC. DSM-5 (2013).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. Richens, J. G., Lee, C. M., Johri, S. Improving the accuracy of medical diagnosis with causal machine learning. Nature Communications. 11 (1), 3923(2020).
  11. 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).

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Diagnose van eetstoornissencomputergestuurde diagnosewebgebaseerd systeemklinische beslissingsondersteuninganorexia nervosaboulimia nervosaeetbuistoornisdiagnostisch algoritmescreening in de eerstelijnszorgpati ntenvragenlijst

Gerelateerde artikelen