Een computergebaseerd platform voor het helpen van clinici bij het analyseren en diagnosticeren van eetstoornissen
10 mei 2022
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.
Het systeem bepaalt of een patiënt voldoet aan de diagnostische criteria voor een eetstoornis en welk type eetstoornis zoals anorexia nervosa, boulimia nervosa of eetbuistoornis. Patiënten zijn dus over het algemeen eerlijker bij het beantwoorden van een computer dan een fysiek persoon. En natuurlijk bespaart het systeem tijd voor de clinicus.
Het doel van de methode is om de betrouwbaarheid van de diagnose eetstoornis te verbeteren, clinici te helpen bij het selecteren van mensen die lijden aan een eetstoornis en degenen die niet voldoen aan de eetstoorniscriteria door te verwijzen naar andere behandelingen of geen behandelingen. De procedures worden gedemonstreerd door Alkioni Glibi, een onderzoeksassistent in ons laboratorium. Navigeer na verwijzing van de patiënt naar de bestemmingspagina van het web met behulp van een moderne browser.
Gebruik een bestaand account dat is gekoppeld aan een arts om u aan te melden bij de webtool. Vul het patiëntregistratieformulier in, inclusief patiënt-ID, geboortedatum, leeftijd en geslacht, burgerservicenummer. Druk op de knop Opslaan om een nieuwe patiënt te registreren.
Open de vragenlijsttoepassing op een smartapparaat. Vul het sofinummer en de eerste bezoekdatum voor de patiënt in. De huidige datum wordt standaard gebruikt.
Vul vervolgens de informatie in die overeenkomt met het gewicht, de lengte en de leeftijd van de patiënt. Vul vervolgens de informatie in die overeenkomt met gedrag zoals geïnduceerd braken, snackfrequentie en eetsnelheid, gevolgd door details die overeenkomen met cognitieve en emotionele items, zoals angst om aan te komen en gevoelens van lichaamsdysmorfie. Druk op de knop Gereed om de vragenlijst in te vullen.
Navigeer naar de bestemmingspagina van het web met behulp van een webbrowser. Gebruik een bestaand account om u aan te melden bij de webtool. Zoek naar de patiënt met behulp van het burgerservicenummer van de patiënt of de patiënt-ID.Voeg gemeten gewicht en lengte toe aan het systeem.
Druk op het tabblad Resultaat om de algoritmische beslissing te krijgen of de patiënt een eetstoornis of ED heeft en welk type ED. Druk vervolgens op het tabblad vragen één tot en met 20 of vragen 21 tot en met 34 om de vragen weer te geven waarbij de antwoorden van de patiënt afwijken van antwoorden door gezonde personen. Selecteer een definitieve diagnose op het tabblad Resultaat, op basis van het algoritme en de expertise van de clinicus. Een voorbeeld van een risicobeoordelingspagina voor aanbevolen diagnose en de geschatte waarschijnlijkheid van nauwkeurigheid van nul tot één wordt hier weergegeven.
Uit de aanbevolen diagnose- en vragenlijstreacties werden gezonde en afwijkende antwoorden gegenereerd. Het algoritme dat de waarschijnlijkheid van verschillende soorten eetstoornissen voor het individu schat, wordt hier gedemonstreerd. De nauwkeurigheid van het model werd vastgesteld op 97,1 voor ED en 82,8 voor ED-diagnose.
Een ander voordeel van het systeem is dat het de antwoorden biedt die verantwoordelijk zijn voor de voorgestelde diagnose, waardoor het systeem clinici kan leren patiënten beter te diagnosticeren en extra gezondheidswerkers te raadplegen in moeilijke gevallen.
Overzicht
Dit artikel presenteert een op het web gebaseerd algoritme dat is ontworpen om de diagnose van eetstoornissen te verbeteren door de antwoorden van patiënten op een vragenlijst te analyseren. Het systeem verhoogt de diagnostische nauwkeurigheid, terwijl het clinici in staat stelt om patiënten efficiënt te beoordelen.
Belangrijkste studiecomponenten
Wetenschappelijk gebied
- Klinische psychologie
- Gezondheidstechnologie
- Diagnose van eetstoornissen
Achtergrond
- Het diagnosticeren van eetstoornissen is vaak uitdagend voor zorgverleners.
- Traditionele methoden kunnen leiden tot onjuiste diagnoses of onderdiagnose.
- Het gebruik van technologie kan de eerlijkheid van patiënten verbeteren en het diagnostische proces stroomlijnen.
- Het algoritme is gebaseerd op uitgebreide patiëntgegevens om de betrouwbaarheid te vergroten.
Doel van de studie
- Om een betrouwbaar diagnostisch instrument voor eetstoornissen te ontwikkelen.
- Om clinici te helpen bij het identificeren van patiënten die voldoen aan de criteria voor eetstoornissen.
- Om een gebruiksvriendelijke interface te bieden voor zowel clinici als patiënten.
Gebruikte methoden
- Webgebaseerde vragenlijst voor reacties van patiënten.
- Algoritmische analyse van de reacties om de diagnose te bepalen.
- Integratie van patiëntgegevens zoals gewicht, lengte en gedragspatronen.
- Input van de clinicus voor de definitieve diagnose op basis van de algoritmische resultaten.
Belangrijkste resultaten
- Het algoritme behaalde een diagnostische nauwkeurigheid van 97,1% voor eetstoornissen.
- Het verschaft inzicht in patiëntreacties die afweken van gezonde normen.
- Clinici ontvingen aanbevelingen op basis van algoritmische beoordelingen.
- Het systeem ondersteunt het onderwijzen van clinici in betere diagnostische praktijken.
Conclusies
- De webgebaseerde tool verbetert de betrouwbaarheid van diagnoses van eetstoornissen aanzienlijk.
- Het maakt een beter patiëntenbeheer en betere verwijzingsprocessen mogelijk.
- Het systeem kan de training van clinici en de besluitvorming verbeteren.
Veelgestelde vragen
Industriële Relevantie
Algoritme-gestuurde diagnostische platforms voor complexe gedragsstoornissen vullen een kritiek gat in de vroege, nauwkeurige identificatie, met name in eerstelijnszorginstellingen waar specialistische expertise ontbreekt. Door diagnostische criteria te standaardiseren en waarschijnlijkheidsschattingen te kwantificeren, verhogen dergelijke systemen het voorspellend vertrouwen en stroomlijnen ze de triage van patiënten. Deze aanpak ondersteunt schaalbare, reproduceerbare besluitvorming in diverse klinische omgevingen, wat een directe impact heeft op risicobeheer op portfolioniveau binnen R&D voor digitale gezondheidszorg en gedragsgeneeskunde.
Strategische toepassingen in biofarmaceutische R&D
Vroege ontdekking & targetvalidatie
- Maakt systematische ondervraging van diagnostische criteria voor gedragsstoornissen mogelijk met behulp van grootschalige, door experts geannoteerde datasets.
- Ondersteunt biologische en gedragsmatige risicoreductie door de diagnostische waarschijnlijkheid te kwantificeren en afwijkingen in de respons te benadrukken.
- Faciliteert voorspellend vertrouwen bij patiëntenstratificatie en strategieën voor vroege interventie.
Screening & assayontwikkeling
- Bereidt gevalideerde digitale fenotyperingssystemen voor voor klinische en translationele workflows.
- Standaardiseert gegevensverzameling en algoritmische beoordeling voor reproduceerbare, kwantitatieve resultaten.
- Maakt schaalbare screening van risicogroepen mogelijk met consistente diagnostische drempelwaarden.
Translationeel & Preklinisch Onderzoek
- Lijnt digitale diagnostische outputs uit met klinische eindpunten voor translationele continuïteit.
- Ondersteunt risico-gecorrigeerde vooruitgang van digitale biomarkers en gedragseindpunten.
- Biedt mechanistische risicoreductie door vragenlijstantwoorden te koppelen aan diagnostische uitkomsten.
Integratie van Pijplijn & Workflow
Dit computergestuurde diagnostische platform is geïntegreerd in het continuüm van vroege ontdekking tot klinische vertaling en ondersteunt hypothesetoetsing, validatie van digitale biomarkers en schaalbare patiëntenstratificatie.
- Discovery Biology: Kwantificeert de diagnostische waarschijnlijkheid en identificeert belangrijke responsafwijkingen voor hypothesegedreven verfijning.
- Screening: Levert reproduceerbare, op algoritmen gebaseerde resultaten voor high-throughput patiëntbeoordeling.
- Analytics: Biedt kwantitatieve uitlezingen en statistische nauwkeurigheidsmetrieken om vergelijkingen tussen verschillende condities te informeren.
- Translationeel Onderzoek: Slaat een brug tussen digitale diagnostische gegevens en klinische besluitvorming en verwijzingspaden.
- Enterprise Hergebruik: Biedt een herbruikbare, webgebaseerde infrastructuur die aanpasbaar is voor aanvullende gedragsmatige of psychiatrische indicaties.
Operationele impact & impact op de organisatie
- Wetenschappelijke waarde: Verhoogt het voorspellend vertrouwen en vermindert diagnostische ambiguïteit in de geestelijke gezondheidszorg.
- Operationele waarde: Standardiseert en automatiseert diagnostische workflows voor schaalbaarheid en reproduceerbaarheid.
- Strategische waarde: Maakt vroegtijdige, datagestuurde go/no-go-beslissingen mogelijk en optimaliseert de toewijzing van middelen.
- Impact op de portfolio: Ondersteunt risicogecorrigeerde prioritering van digitale gezondheidsactiva en diagnostische algoritmen.
Overwegingen voor de implementatie
- Vereist klinische expertise voor de definitieve diagnose en interpretatie van de algoritmische output.
- Heeft een beveiligde digitale infrastructuur nodig voor de vastlegging en analyse van patiëntgegevens.
- Vereist standaardisatie van gegevensinvoer en interpretatieprotocollen over verschillende teams heen.
- Aanpasbaar aan diverse klinische omgevingen, maar kan lokalisatie vereisen voor verschillende populaties.
- Afhankelijk van de kwaliteit en representativiteit van de trainingsdatasets voor de nauwkeurigheid van het algoritme.
