Summary
在医疗保健中诊断饮食失调是具有挑战性的。因此，本方案基于949名患者对问卷的回答开发了一种算法，诊断显示在易于使用的基于Web的界面上。该系统有助于准确诊断饮食失调，同时排除那些被认为患有进食障碍的人。
Abstract
进食障碍（神经性厌食症、神经性贪食症、暴食障碍和其他特定进食或进食障碍）的总患病率为 13%，与严重的躯体和心理社会问题相关。早期诊断对于有效治疗和预防不良的长期健康后果非常重要，但对不熟悉这些患者的非专科临床医生（例如在初级保健机构工作的患者）提出了问题。早期、准确的诊断，特别是在初级保健中，允许专家在疾病中足够早地进行干预，以促进积极的治疗结果。计算机辅助诊断程序通过一种算法提供专业知识，该算法 是从 专家诊断师和专业护理人员亲自诊断的大量病例中开发的，从而为这个问题提供了可能的解决方案。根据这些数据开发了一种基于网络的系统，用于确定疑似患有饮食失调的患者的准确诊断。该过程是使用一种算法自动化的，该算法估计受访者患有饮食失调的可能性以及个体患有饮食失调的类型。该系统提供了一份报告，在诊断过程中为临床医生提供帮助，并作为新临床医生的教育工具。
Introduction
节食和相关的体力活动增加是神经性厌食症和其他饮食失调的已知原因1。精神障碍诊断手册 （DSM-5） 中提到的最常见的进食障碍是神经性厌食症 （AN）、神经性贪食症 （BN）、暴食障碍 （BED） 和其他特定喂养或进食障碍 （OSFED）2。这些疾病主要影响女性，并伴有严重的身体和/或社会心理健康并发症和痛苦3。大约13%的女性患有饮食失调症4，女性一生中的AN患病率估计为0.3%-1%，患有BN5的女性比例更高。
许多危险因素与特定的饮食失调有关。青春期早期的节食和低体重指数（BMI）会增加女性发生AN的风险，但青春期早期，瘦理想内化，身体不满，负面影响和社会支持缺陷不会6。预测BN发作的因素包括体重问题，身体不满，对瘦的驱使，无效，低感知意识和节食，但不是完美主义，成熟恐惧，人际不信任或BMI6。虽然各种类型的饮食失调之间存在症状差异，但风险因素存在相似性。这表明饮食病理学和适应不良的饮食行为（节食）是所有饮食失调的常见危险因素。
事实上，饮食病理学在饮食失调中是显而易见的。然而，定义和量化病理性饮食行为的困难，加上诊断主要依赖于对症状维度的主观描述这一事实，可能使诊断之间的界限显得不明确7.这个问题使得进食障碍的诊断变得困难，特别是对于不熟悉饮食失调患者的保健从业人员，如初级保健医生。
初级保健部门的卫生专业人员通常是患有饮食失调症的人首先接触的。鉴于早期发现和干预对良好预后的重要性，护理提供者必须拥有帮助他们识别这些疾病的工具。因此，必须快速准确地确定诊断，以防止专家延迟治疗。
实现这一诊断目标的一种方法是数字化和自动化有关其症状的问卷调查。这种方法的另一个好处可能是，反应更真实，因为研究表明，患者在讨论心理健康问题时更信任虚拟治疗师而不是人类临床医生8。另一个潜在的好处是提高了诊断的可靠性，一些研究表明，计算机诊断可以比面对面诊断具有更高的可靠性9，10。
在本方案中，基于949名连续转诊的患者对身体状况，行为，情绪和思想的开放式和封闭式问题的响应，开发了一种算法（有关人口统计数据，请参阅 表1）。在949名参与者中，91.6%（869）是女性，18.0%患有AN，19.0%BN，13.5%BED，36.8%OSFED，6.8%肥胖（OB），5.9%没有饮食失调（无ED）。该算法估计患有饮食失调的概率以及关于个体患有哪种类型的饮食失调的结论。问卷项目基于喂养和进食障碍的DSM-5标准以及AN，BN，BED和OSFED的诊断特征。OB（体内脂肪过多）不包括在DSM-5中作为精神障碍。然而，产科医生和BED2之间存在很强的关联。问卷项目分为三类：（1）条件，如BMI，去年体重减轻/增加和自我诱发的呕吐。（2）饮食模式、节食、称量自己、自我诱发呕吐、与朋友和家人隔离、避免活动等行为。（3）认知/想法，例如想要的体重，害怕失控，暴饮暴食，对食物的想法，当别人说你太瘦时认为自己很胖，以及对体重增加的反应。该算法基于无条件判别分析，该分析逐步为项目分配权重，为五种诊断中的每一种确定最具鉴别力的项目。诊断信息显示在易于使用的基于 Web 的界面上。
Protocol
所有关于实验对象和患者的工作均已获得瑞典伦理审查局的批准（D. nr：2019-05505）。在系统中注册之前，所有个人都书面同意其数据的存储，处理和分析。患者被转诊到诊所接受进食障碍的专门治疗，无论是通过医生的转诊还是自我转诊。患有饮食失调是患者的纳入标准。
1. 临床医生为患者注册
注意：患者注册（图1）由临床医生使用开发的自定义网络工具完成（参见 材料表）。
- 在患者转诊时使用任何现代浏览器导航到网络登录页面。
- 使用与临床医生关联的现有帐户登录到 web 工具。
- 填写患者登记表，包括患者ID，社会安全号码，出生日期，年龄和性别。
- 按“ 保存 ”按钮注册新患者。此时，可以暂停该过程，然后稍后重新启动。
2. 患者问卷调查
注意：患者使用网络工具中开发的自定义应用程序在智能设备上填写问卷（参见 材料表）。如果患者是未成年人，则问卷由父母或监护人填写。他们的数据以专题块的形式组织。完成每个问题的答案后，系统将显示下一个问题（图2）。
- 在智能设备上打开调查表应用程序。
- 填写患者的社会安全号码（图3）。
- 填写首次访问日期;默认情况下使用当前日期。
- 填写与患者体重、身高、年龄对应的信息。
- 填写与诱发呕吐、零食频率、进食率等行为相对应的信息。
- 填写与认知和情感项目相对应的细节，例如对体重增加的恐惧和身体畸形的感觉。
- 按“ 完成 ”按钮完成调查表。此时，可以暂停调查表，然后稍后重新启动。
3. 临床医生的风险评估
注意：风险评估（图4）由临床医生使用自定义网络工具检索和使用（参见 材料表）。
- 使用任何网络浏览器导航到网络登录页面。使用现有帐户登录到 web 工具。
- 使用患者的社会安全号码或患者 ID 搜索患者。
- 将测量的重量和高度添加到系统中。
- 按“ 结果 ”选项卡可获取患者是否患有 ED 以及（如果有）哪种类型的 ED 的算法决策。
- 按“ 问题 1-20”或 “问题 21-34”选项卡，以显示患者回答与健康个体的答案不同的问题。
- 根据算法和临床医生的专业知识，在“ 结果 ”选项卡下选择最终诊断。
Representative Results
步骤1中描述的患者注册由临床医生在计算机化的医疗记录中填写 图1 中所示的表格进行。一旦临床医生注册了新患者，应用程序就会进入步骤2，该步骤允许患者完成调查问卷。要开始调查问卷，患者或临床医生首先需要将患者的社会安全号码（或ID）输入到智能设备上的应用程序（图3），然后应用程序显示第一个调查表项。 图 2 显示了诊断调查问卷中一个项目的屏幕截图。选择对调查表项的响应后，应用程序将移动到下一项。患者无法向后移动以更改先前问题的回答，如果问卷过早终止，则仍会保存响应，用户可以返回以填写缺失的项目。回答完所有问题后，应用程序将自动关闭。
问卷调查完成后，可通过 Web 界面向临床医生提供图 4 中所示的风险评估页面。临床医生可以在“结果”页面上查看推荐的诊断，以及基于问卷危险因素的自动计算，从0-1（即100%范围）估计的准确性概率。通过按“问题 1-20”或“问题 21-34”选项卡，临床医生可以查看导致建议诊断的健康反应（绿松石色）和偏离反应（红色）（图 5）。该算法（参见材料表）估计患有饮食失调的概率以及关于个体患有哪种类型的饮食失调的结论。对于ED，模型的准确性为97.1%，对于ED诊断，准确率为82.8%（表2）。诊断信息显示在易于使用的基于 Web 的界面上。这些信息使临床医生能够自信地做出决定，如果算法诊断与临床医生自己的评估一致。如果算法诊断与临床医生的评估不一致，鼓励临床医生向其他卫生专业人员寻求第二意见。该系统还允许临床医生通过查看问题选项卡中预期偏离健康个体的具体问题以及与其他卫生专业人员一起审查疑难病例来培训自己，从而更好地诊断患者。
图 1：Web 工具中患者登记表的插图。请单击此处查看此图的放大版本。
图 2：智能平板电脑上显示的单个调查表项的样本。请单击此处查看此图的放大版本。
图 3：在完成诊断问卷之前询问所需社会安全号码的页面快照。请单击此处查看此图的放大版本。
图 4：使用 web 工具显示的结果页面示例，其中包含建议的诊断和估计的准确性（在本例中为 100%）。 结果页面还显示患者的日期，性别，年龄和BMI。在顶部，临床医生可以选择诊断。 请点击此处查看此图的大图。
图5：问卷回答及其与建议诊断的相关性。 红色表示高度关联，蓝绿色表示低关联。 请点击此处查看此图的大图。
| 女 （n = 869） | 男 （n = 80） | 总计 （n = 949） | |
| 年龄 | 21.0 (17.0 - 30.0) | 21.0 (15.0 - 33.5) | 21.0 (17.0 - 30.0) |
| 高度 | 167.0 (162.0 - 170.0) | 176.5 (169.0 - 183.0) | 167.0 (162.0 - 171.0) |
| 重量 | 58.2 (50.0 - 75.0) | 71.5 (57.0 - 97.0) | 59.1 (50.0 - 76.5) |
| 断续器 | 20.9 (17.8 - 26.7) | 21.3 (18.0 - 31.2) | 21 (17.9 - 27.1) |
表1：用于诊断算法开发的949名患者的人口统计数据。 值表示为中位数（下四分位数 - 上四分位数）。
| 诊断 | 临床医生诊断 | 算法诊断 | 精度（%） |
| 一 | 171 | 172 | 87.1 |
| 亿 | 180 | 181 | 82.2 |
| 床 | 128 | 138 | 81.3 |
| OSFED | 349 | 328 | 79.9 |
| 产科 | 65 | 74 | 90.8 |
表2：由训练有素的临床医生诊断的每个ED类别的患者数量以及算法的决策和准确性。
Discussion
饮食失调的早期和准确诊断对于开始适当的治疗，改善治疗结果和减少不良的健康结果至关重要1。为了确定诊断，临床医生必须处理大量的心理和生理信息，而大量的数据使得诊断成为一项耗时的任务，误诊风险很高。
这里描述的系统通过提供基于问卷的自动诊断来加快决策过程。此外，它允许临床医生查看偏离健康个体预期反应的具体反应。该系统的开发考虑了临床医生的需求，这就是为什么问卷足够简单，可以由患者单独填写，进一步减少了临床医生在考虑诊断时所需的时间。出于同样的原因，响应保存在输入时，确保该过程可以随时暂停。计算机连接问题和其他中断不需要重复整个过程。
该协议的局限性在于，除非填写了所有调查表项目，否则无法计算诊断建议。另一个限制是医疗测量，如血压和外周温度，不包括在系统中，但必须由临床医生或医生进行评估。
有几种用于饮食失调诊断的数字工具，例如半结构化电子访谈11，但目前没有基于DSM-5或国际疾病分类第11次 修订版（ICD-11）的诊断算法。现有方法的主要问题是，它们没有为临床医生提供一种简单的方法来接受诊断帮助或传达构成不健康反应的内容。目前的系统旨在初级保健中，由对进食障碍知之甚少的卫生专业人员使用，以及用于讨论更复杂病例的专科诊所，帮助临床医生在诊断进食障碍期间的决策过程。该系统可提高护理质量，减少临床医生的时间和精力，并提高临床医生在日常实践中的效率。
该诊断算法目前基于一份问卷，允许系统教导临床医生更好地诊断患者，并在疑难病例中咨询其他卫生专业人员。该系统的未来发展还必须包括医疗数据。此外，通过细化问卷，用更相关的项目替换多余的、非信息性的项目，可以提高算法的预测能力。还需要考虑纵向方法。如果患者接受适当的治疗，则必须随着时间的推移跟踪他们的健康状况。调查表中的许多项目对于后续方法仍然有效。但是，需要重新制定问卷和算法，以创建衡量健康状况进展的指数。
Disclosures
这里打算对财务安排完全开放。布罗丁宣称，他没有与这项研究有关的经济利益。我们的研究在卡罗林斯卡学院进行，Södersten是该学院的名誉教授。该研究由Mando Group AB临床翻译，该公司由Södersten和Bergh创立，他们各自拥有47.5%的股票。加州大学欧文分校（University of California at Irvine）的迈克尔·莱昂（Michael Leon）教授拥有剩余的5%。万都集团AB每五年与斯德哥尔摩地区签订一次合同，以治疗饮食失调患者。Mando Group AB于1997年与斯德哥尔摩地区签署了第一份合同，从那时起，其待遇成为向斯德哥尔摩市民提供的护理标准之一。Mando Group AB赢得了最新的招标，现在斯德哥尔摩四家医院都有Mandometer Clinics。这种安排与斯德哥尔摩地区与自己的诊所签订合同以治疗各种疾病（包括饮食失调）的患者相同。也就是说，斯德哥尔摩地区通过自己的诊所和Mando Group AB为斯德哥尔摩市民提供饮食失调服务。瑞典的所有医疗保健都是通过税收制度资助的;私人薪酬极为罕见。首先，应该补充的是，Mando Group AB符合国际医学期刊编辑委员会关于“作者责任 - 利益冲突”的建议，http://www.icmje.org/recommendations/browse/rolesand-responsibilities/。其次，还应该补充的是，万都集团AB公司获得的所有利润都已再投资于研发，并且没有向股东派发股息。上述所有内容都在所有投稿中声明，到目前为止，期刊认为有必要仅发表部分细节。然而，当科学家将他们的研究结果转化为公司的诊所时，潜在的伦理问题似乎与任何科学家在学术环境中开发一种理论并且需要进一步的经济资金来为他或她的工作提供进一步的经济资金并可能获得认可和经济利益时所出现的问题并没有什么不同。在这种情况下，激励措施在一定程度上也是经济的，在这两种情况下，道德“问题”是相似的。然而，更重要的激励因素是改善进食障碍患者的治疗。我们是在学术环境中工作的研究人员，与当今许多其他医学研究机构一样，卡罗林斯卡研究所鼓励科学家将他们的研究转化为旨在产生经济利润用于研发的公司中的诊所（https://issuu.com/karolinska_institutet/docs/ki_strategy2030_eng）。
Acknowledgments
这项工作由斯德哥尔摩大区资助。
Materials
| Name | Company | Catalog Number | Comments |
| Computer-Based Platform for Aiding Clinicians in Eating Disorder Analysis and Diagnosis | Mando | Pending assignment | |
| Claris FileMaker Go 19 | Claris | - | For patient registration, custom app for questionnaire, risk assessment |
| iPad 7th generation (2019) | Apple | A2197 |
References
- Treasure, J., Duarte, T. A., Schmidt, U.
- American Psychiatric Association. Diagnostic and Statistical Manual of Mental Disorders, 5th Edition. , American Psychiatric Publishing. Washington, DC. DSM-5 (2013).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Richens, J. G., Lee, C. M., Johri, S. Improving the accuracy of medical diagnosis with causal machine learning. Nature Communications. 11 (1), 3923 (2020).
- 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).
