Компьютерная платформа для оказания помощи клиницистам в анализе и диагностике расстройств пищевого поведения
10 мая 2022 г.
Диагностика расстройств пищевого поведения в здравоохранении является сложной задачей. Поэтому настоящий протокол разрабатывает алгоритм, основанный на ответах 949 пациентов на анкету, при этом диагноз отображается на простом в использовании веб-интерфейсе. Эта система облегчает точную диагностику расстройств пищевого поведения, исключая тех, кто, как считается, имеет расстройство пищевого поведения.
Система решает, соответствует ли пациент диагностическим критериям расстройства пищевого поведения и какой тип расстройства пищевого поведения, такой как нервная анорексия, нервная булимия или расстройство пищевого поведения. Таким образом, пациенты, как правило, более честны при ответе на компьютер, чем физический человек. И, конечно же, система экономит время клинициста.
Целью метода является повышение надежности диагностики расстройств пищевого поведения, оказание помощи клиницистам в выборе тех, кто страдает расстройством пищевого поведения, и направление тех, кто не соответствует критериям расстройства пищевого поведения, к другим методам лечения или без лечения. Демонстрировать процедуры будет Алкиони Глиби, научный сотрудник нашей лаборатории. После направления пациента перейдите на целевую веб-страницу с помощью любого современного браузера.
Используйте существующую учетную запись, связанную с врачом, чтобы войти в веб-инструмент. Заполните регистрационную форму пациента, указав удостоверение личности пациента, дату рождения, возраст и пол, номер социального страхования. Нажмите кнопку Сохранить, чтобы зарегистрировать нового пациента.
Откройте приложение анкеты на смарт-устройстве. Заполните номер социального страхования и дату первого визита пациента. По умолчанию используется текущая дата.
Затем заполните информацию, соответствующую весу, росту и возрасту пациента. Затем заполните информацию, соответствующую поведению, такому как вызванная рвота, частота перекусов и частота приема пищи, а затем детали, соответствующие когнитивным и эмоциональным элементам, таким как страх набрать вес и чувство дисморфии тела. Нажмите кнопку Готово, чтобы заполнить анкету.
Перейдите на целевую веб-страницу с помощью любого веб-браузера. Используйте существующую учетную запись для входа в веб-инструмент. Поиск пациента по номеру социального страхования пациента или идентификатору пациента.Добавьте в систему измеренный вес и рост.
Нажмите вкладку «Результат», чтобы получить алгоритмическое решение о том, есть ли у пациента расстройство пищевого поведения или ЭД и какой тип ЭД. Затем нажмите вкладку вопросов с одного по 20 или вопросов с 21 по 34, чтобы отобразить вопросы, ответы которых пациент отклоняются от ответов здоровых людей. Выберите окончательный диагноз на вкладке «Результат» на основе алгоритма и опыта клинициста. Здесь приведен пример страницы оценки риска для рекомендуемой диагностики и оценочная вероятность точности от нуля до единицы.
Из рекомендованного диагноза и ответов на вопросник были получены здоровые и отклоняющиеся ответы. Здесь показан алгоритм, оценивающий вероятность различных типов расстройств пищевого поведения для индивида. Точность модели была определена как 97,1 для ЭД и 82,8 для диагностики ЭД.
Еще одним преимуществом системы является то, что она предоставляет ответы, ответственные за предлагаемый диагноз, что позволяет системе научить клиницистов лучше диагностировать пациентов и консультироваться с дополнительными медицинскими работниками в сложных случаях.
Обзор
В данной статье представлен веб-алгоритм, разработанный для повышения точности диагностики расстройств пищевого поведения путем анализа ответов пациентов на опросник. Система повышает достоверность диагностики, позволяя клиницистам эффективно проводить обследование пациентов.
Основные компоненты исследования
Область науки
- Клиническая психология
- Технологии здравоохранения
- Диагностика расстройств пищевого поведения
Теоретические сведения
- Диагностика расстройств пищевого поведения часто представляет сложность для медицинских работников.
- Традиционные методы могут привести к ошибочному или недостаточному выявлению заболеваний.
- Использование технологий может повысить честность пациентов и оптимизировать процесс диагностики.
- Алгоритм основан на обширных данных пациентов для повышения надежности.
Цель исследования
- Разработать надежный диагностический инструмент для выявления расстройств пищевого поведения.
- Помочь клиницистам в определении пациентов, соответствующих критериям расстройств пищевого поведения.
- Обеспечить удобный интерфейс для клиницистов и пациентов.
Используемые методы
- Веб-анкета для получения ответов пациентов.
- Алгоритмический анализ ответов для постановки диагноза.
- Интеграция данных пациента, таких как вес, рост и поведенческие особенности.
- Ввод данных врачом для окончательной постановки диагноза на основании результатов работы алгоритма.
Основные результаты
- Алгоритм достиг точности диагностики расстройств пищевого поведения на уровне 97,1%.
- Он позволил выявить особенности реакций пациентов, отклоняющихся от норм здорового состояния.
- Клиницисты получали рекомендации на основе алгоритмических оценок.
- Система помогает в обучении клиницистов более совершенным методам диагностики.
Выводы
- Веб-инструмент значительно повышает достоверность диагностики расстройств пищевого поведения.
- Он позволяет улучшить процесс ведения пациентов и систему их направления к профильным специалистам.
- Данная система может способствовать повышению квалификации клиницистов и улучшению процесса принятия клинических решений.
Часто задаваемые вопросы
Промышленная значимость
Диагностические платформы на базе алгоритмов для сложных поведенческих расстройств восполняют критический пробел в раннем и точном выявлении заболеваний, особенно в учреждениях первичного звена, где отсутствует экспертная помощь специалистов. Благодаря стандартизации диагностических критериев и количественной оценке вероятности такие системы повышают достоверность прогнозов и оптимизируют сортировку пациентов. Этот подход обеспечивает масштабируемость и воспроизводимость процесса принятия решений в различных клинических условиях, что напрямую влияет на управление рисками на уровне портфеля в области цифрового здравоохранения и исследований и разработок в области поведенческой медицины.
Стратегическое применение в биофармацевтических исследованиях и разработках
Первичный поиск и валидация мишени
- Обеспечивает систематический анализ диагностических критериев поведенческих расстройств с использованием крупномасштабных наборов данных с экспертной разметкой.
- Поддерживает биологическое и поведенческое снижение рисков путем количественной оценки вероятности постановки диагноза и выявления отклонений в реакциях.
- Повышает прогностическую уверенность при стратификации пациентов и разработке стратегий раннего вмешательства.
Скрининг и разработка анализа
- Подготовка валидированных систем цифрового фенотипирования для последующих клинических и трансляционных рабочих процессов.
- Стандартизация сбора данных и алгоритмической оценки для получения воспроизводимых количественных результатов.
- Обеспечение возможности масштабируемого скрининга групп риска с использованием единых диагностических порогов.
Трансляционные и доклинические исследования
- Обеспечивает согласованность результатов цифровой диагностики с клиническими конечными точками для обеспечения трансляционной непрерывности.
- Поддерживает продвижение цифровых биомаркеров и поведенческих конечных точек с учетом оценки рисков.
- Обеспечивает снижение механистических рисков путем установления связи между ответами на вопросники и результатами диагностики.
Интеграция конвейеров и рабочих процессов
Эта компьютерная диагностическая платформа интегрируется в континуум от раннего поиска до клинического внедрения, обеспечивая проверку гипотез, валидацию цифровых биомаркеров и масштабируемую стратификацию пациентов.
- Открывающая биология: Количественно определяет диагностическую вероятность и выявляет ключевые отклонения в реакциях для уточнения гипотез.
- Скрининг: Обеспечивает воспроизводимые результаты на основе алгоритмов для высокопроизводительной оценки состояния пациентов.
- Аналитика: Предоставляет количественные показатели и метрики статистической точности для проведения сравнительного анализа при различных состояниях.
- Трансляционные исследования: Связывает цифровые диагностические данные с процессом принятия клинических решений и маршрутами направления пациентов.
- Корпоративное повторное использование: Предлагает многократно используемую веб-инфраструктуру, адаптируемую для дополнительных поведенческих или психиатрических показаний.
Операционное и корпоративное воздействие
- Научная ценность: Повышает прогностическую уверенность и снижает диагностическую неопределенность в сфере поведенческого здоровья.
- Операционная ценность: Стандартизирует и автоматизирует диагностические рабочие процессы для обеспечения масштабируемости и воспроизводимости.
- Стратегическая ценность: Обеспечивает возможность принятия более ранних, основанных на данных решений о продолжении или прекращении разработки (go/no-go) и оптимизирует распределение ресурсов.
- Влияние на портфель: Поддерживает приоритезацию цифровых активов здравоохранения и диагностических алгоритмов с учетом рисков.
Особенности реализации
- Требуется клинический опыт для окончательной диагностики и интерпретации результатов работы алгоритмов.
- Необходима защищенная цифровая инфраструктура для сбора и анализа данных пациентов.
- Требуется стандартизация протоколов ввода и интерпретации данных между различными командами.
- Применим в различных клинических условиях, однако может потребоваться адаптация под разные популяции.
- Точность алгоритмов зависит от качества и репрезентативности обучающих наборов данных.
