Platforma komputerowa wspomagająca klinicystów w analizie i diagnozowaniu zaburzeń odżywiania
10 maja 2022
Diagnozowanie zaburzeń odżywiania w służbie zdrowia jest wyzwaniem. W związku z tym w niniejszym protokole opracowano algorytm oparty na 949 odpowiedziach pacjentów na kwestionariusz, a diagnoza jest wyświetlana na łatwym w użyciu interfejsie internetowym. System ten ułatwia dokładną diagnozę zaburzeń odżywiania, wykluczając jednocześnie osoby, które uważa się za mające zaburzenia odżywiania.
System decyduje, czy pacjent spełnia kryteria diagnostyczne zaburzeń odżywiania i jakiego rodzaju zaburzenia odżywiania, takie jak jadłowstręt psychiczny, bulimia lub zaburzenie z napadami objadania się. Tak więc pacjenci są bardziej szczerzy, gdy odpowiadają komputerowi niż osobie fizycznej. I, oczywiście, system oszczędza czas lekarza.
Celem metody jest poprawa wiarygodności diagnozy zaburzeń odżywiania, pomoc klinicystom w wyborze osób cierpiących na zaburzenia odżywiania i skierowanie tych, którzy nie spełniają kryteriów zaburzeń odżywiania, do innych metod leczenia lub ich braku. Procedury zademonstruje Alkioni Glibi, asystent naukowy w naszym laboratorium. Po skierowaniu pacjenta przejdź do internetowej strony docelowej za pomocą dowolnej nowoczesnej przeglądarki.
Użyj istniejącego konta powiązanego z lekarzem, aby zalogować się do narzędzia internetowego. Wypełnij formularz rejestracyjny pacjenta, podając identyfikator pacjenta, datę urodzenia, wiek i płeć, numer ubezpieczenia społecznego. Naciśnij przycisk Zapisz, aby zarejestrować nowego pacjenta.
Otwórz aplikację do ankietowania na urządzeniu inteligentnym. Wpisz numer ubezpieczenia społecznego i datę pierwszej wizyty pacjenta. Domyślnie używana jest bieżąca data.
Następnie uzupełnij informacje odpowiadające wadze, wzrostowi i wiekowi pacjenta. Następnie uzupełnij informacje odpowiadające zachowaniu, takie jak wywołane wymioty, częstotliwość przekąsek i tempo jedzenia, a następnie szczegóły odpowiadające elementom poznawczym i emocjonalnym, takim jak strach przed przybraniem na wadze i uczucie dysmorfii ciała. Naciśnij przycisk Gotowe, aby zakończyć wypełnianie kwestionariusza.
Przejdź do strony docelowej za pomocą dowolnej przeglądarki internetowej. Użyj istniejącego konta, aby zalogować się do narzędzia internetowego. Wyszukaj pacjenta, korzystając z jego numeru ubezpieczenia społecznego lub identyfikatora pacjenta.Dodaj zmierzoną wagę i wzrost do systemu.
Naciśnij kartę Wynik, aby uzyskać algorytmiczną decyzję, czy pacjent ma zaburzenia odżywiania, czy zaburzenia erekcji i jaki rodzaj zaburzeń erekcji. Następnie naciśnij zakładkę pytania od pierwszego do 20 lub pytania od 21 do 34, aby wyświetlić pytania, w których odpowiedzi pacjentów różnią się od odpowiedzi osób zdrowych. Wybierz ostateczną diagnozę na karcie Wynik, w oparciu o algorytm i wiedzę lekarza. Przykład strony oceny ryzyka dla zalecanej diagnozy i szacowanego prawdopodobieństwa dokładności od zera do jednego jest pokazany tutaj.
Na podstawie zaleconej diagnozy i odpowiedzi kwestionariuszowych uzyskano odpowiedzi zdrowe i odbiegające od normy. Przedstawiono tutaj algorytm szacujący prawdopodobieństwo wystąpienia różnych rodzajów zaburzeń odżywiania u danej osoby. Dokładność modelu określono na 97,1 dla diagnozy zaburzeń erekcji i 82,8 dla diagnostyki zaburzeń erekcji.
Kolejną zaletą systemu jest to, że dostarcza on odpowiedzi odpowiedzialnych za sugerowaną diagnozę, co pozwala systemowi uczyć klinicystów, jak lepiej diagnozować pacjentów i konsultować się z dodatkowymi pracownikami służby zdrowia w trudnych przypadkach.
Przegląd
Ten artykuł przedstawia algorytm internetowy zaprojektowany w celu poprawy diagnozy zaburzeń odżywiania poprzez analizę odpowiedzi pacjentów na kwestionariusz. System poprawia dokładność diagnozy, umożliwiając lekarzom efektywną ocenę pacjentów.
Kluczowe komponenty badania
Obszar nauki
- Psychologia kliniczna
- Technologia opieki zdrowotnej
- Diagnoza zaburzeń odżywiania
Tło
- Diagnozowanie zaburzeń odżywiania jest często wyzwaniem dla pracowników służby zdrowia.
- Tradycyjne metody mogą prowadzić do błędnej diagnozy lub niedodiagnozy.
- Wykorzystanie technologii może poprawić szczerość pacjentów i usprawnić proces diagnostyczny.
- Algorytm oparty jest na rozległych danych pacjentów w celu zwiększenia wiarygodności.
Cel badania
- Opracowanie wiarygodnego narzędzia diagnostycznego dla zaburzeń odżywiania.
- Pomoc lekarzom w identyfikacji pacjentów spełniających kryteria zaburzeń odżywiania.
- Zapewnienie przyjaznego dla użytkownika interfejsu dla lekarzy i pacjentów.
Stosowane metody
- Internetowy kwestionariusz na odpowiedzi pacjentów.
- Analiza algorytmiczna odpowiedzi w celu ustalenia diagnozy.
- Integracja danych pacjentów, takich jak waga, wzrost i wzorce zachowań.
- Wejście lekarza na końcową diagnozę na podstawie wyników algorytmu.
Główne wyniki
- Algorytm osiągnął 97,1% dokładności diagnostycznej w przypadku zaburzeń odżywiania.
- Zapewniał wgląd w odpowiedzi pacjentów, które odbiegały od zdrowych norm.
- Lekarze otrzymywali rekomendacje na podstawie algorytmicznych ocen.
- System pomaga w nauczaniu lekarzy lepszych praktyk diagnostycznych.
Wnioski
- Internetowe narzędzie znacząco poprawia wiarygodność diagnoz zaburzeń odżywiania.
- Umożliwia lepsze zarządzanie pacjentami i procesy skierowania.
- System może poprawić szkolenie lekarzy i procesy decyzyjne.
Często zadawane pytania
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.
