Uma plataforma baseada em computador para auxiliar médicos na análise e diagnóstico do transtorno alimentar
10 de maio de 2022
Diagnosticar transtornos alimentares na área da saúde é um desafio. Portanto, o presente protocolo desenvolve um algoritmo baseado em 949 respostas de pacientes a um questionário, com o diagnóstico exibido em uma interface baseada na Web fácil de usar. Esse sistema facilita o diagnóstico preciso de transtornos alimentares, excluindo aqueles que se acredita ter um distúrbio alimentar.
O sistema decide se um paciente preenche os critérios diagnósticos para um transtorno alimentar e que tipo de transtorno alimentar, como anorexia nervosa, bulimia nervosa ou transtorno alimentar compulsivo. Assim, os pacientes tendem a ser mais honestos ao responder um computador do que uma pessoa física. E, claro, o sistema está economizando tempo para o médico.
O objetivo do método é melhorar a confiabilidade do diagnóstico do transtorno alimentar, auxiliando os médicos na seleção daqueles que sofrem de transtorno alimentar e encaminhando aqueles que não cumprem critérios de transtorno alimentar para outros tratamentos ou sem tratamentos. Demonstrando os procedimentos estará Alkioni Glibi, assistente de pesquisa em nosso laboratório. Após o encaminhamento do paciente, navegue até a página de aterrissagem da Web usando qualquer navegador moderno.
Use uma conta existente associada a um médico para fazer login na ferramenta web. Preencha o formulário de registro do paciente, incluindo RG do paciente, data de nascimento, idade e sexo, número do CPF. Pressione o botão Salvar para registrar um novo paciente.
Abra a aplicação do questionário em um dispositivo inteligente. Preencha o número do CPF e a primeira data de visita do paciente. A data atual é usada por padrão.
Em seguida, preencha as informações correspondentes ao peso, altura e idade do paciente. Em seguida, preencha as informações correspondentes a comportamentos como vômito induzido, frequência de lanches e taxa alimentar, seguido por particularidades correspondentes a itens cognitivos e emocionais, como medo de ganhar peso e sentimentos de dismorfia corporal. Pressione o botão Concluído para terminar o questionário.
Navegue até a página de aterrissagem da Web usando qualquer navegador da Web. Use uma conta existente para fazer login na ferramenta web. Procure o paciente utilizando o número de segurança social do paciente ou o RG do paciente.Adicione peso e altura medidos ao sistema.
Pressione a guia Resultado para obter a decisão algorítmica de saber se o paciente tem um distúrbio alimentar, ou ED e que tipo de ED. Em seguida, pressione a guia questiona de uma a 20 ou perguntas 21 a 34 para exibir as perguntas onde as respostas do paciente se desviam das respostas de indivíduos saudáveis. Selecione um diagnóstico final na guia Resultado, com base no algoritmo e na experiência do médico. Um exemplo de uma página de avaliação de risco para diagnóstico recomendado e a probabilidade estimada de precisão de zero para um é mostrado aqui.
A partir do diagnóstico recomendado e respostas de questionário, foram geradas respostas saudáveis e desviadas. O algoritmo que estima a probabilidade de diferentes tipos de distúrbios alimentares para o indivíduo é demonstrado aqui. A precisão do modelo foi determinada como 97,1 para ED e 82,8 para diagnóstico de ED.
Outro benefício do sistema é que ele fornece as respostas responsáveis pelo diagnóstico sugerido, o que permite ao sistema ensinar os médicos a diagnosticar melhor os pacientes e consultar outros profissionais de saúde em casos difíceis.
Visão Geral
Este artigo apresenta um algoritmo baseado na web projetado para melhorar o diagnóstico de transtornos alimentares, analisando as respostas dos pacientes a um questionário. O sistema melhora a precisão do diagnóstico, permitindo que os médicos avaliem os pacientes de forma eficiente.
Componentes Principais do Estudo
Área da Ciência
- Psicologia clínica
- Tecnologia de saúde
- Diagnóstico de transtorno alimentar
Fundo
- Diagnosticar transtornos alimentares é frequentemente desafiador para os profissionais de saúde.
- Métodos tradicionais podem levar a diagnósticos errados ou subdiagnósticos.
- A utilização de tecnologia pode melhorar a honestidade do paciente e simplificar o processo de diagnóstico.
- O algoritmo é baseado em dados extensivos de pacientes para aumentar a confiabilidade.
Propósito do Estudo
- Desenvolver uma ferramenta de diagnóstico confiável para transtornos alimentares.
- Auxiliar os médicos na identificação de pacientes que atendem aos critérios para transtornos alimentares.
- Fornecer uma interface amigável para médicos e pacientes.
Métodos Utilizados
- Questionário baseado na web para respostas dos pacientes.
- Análise algorítmica das respostas para determinar o diagnóstico.
- Integração de dados do paciente, como peso, altura e padrões comportamentais.
- Entrada do médico para o diagnóstico final com base nos resultados do algoritmo.
Principais Resultados
- O algoritmo atingiu uma precisão diagnóstica de 97,1% para transtornos alimentares.
- Ele forneceu insights sobre as respostas dos pacientes que se desviaram das normas saudáveis.
- Os médicos receberam recomendações com base nas avaliações algorítmicas.
- O sistema auxilia no ensino de melhores práticas diagnósticas para os médicos.
Conclusões
- A ferramenta baseada na web melhora significativamente a confiabilidade dos diagnósticos de transtornos alimentares.
- Permite melhor gerenciamento e processos de encaminhamento do paciente.
- O sistema pode melhorar o treinamento e a tomada de decisões dos médicos.
Perguntas Frequentes
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.
