Summary

En databasert plattform for å hjelpe klinikere med å analysere og diagnostisere spiseforstyrrelser

Published: May 10, 2022
doi:

Summary

Det er utfordrende å diagnostisere spiseforstyrrelser i helsevesenet. Derfor utvikler den nåværende protokollen en algoritme basert på 949 pasientresponser på et spørreskjema, med diagnosen vist på et brukervennlig nettbasert grensesnitt. Dette systemet letter nøyaktig diagnose av spiseforstyrrelser mens unntatt de som antas å ha en spiseforstyrrelse.

Abstract

Spiseforstyrrelser (anoreksi nervosa, bulimi nervosa, binge-spiseforstyrrelse og andre spesifiserte spise- eller fôringsforstyrrelser) har en kombinert prevalens på 13% og er forbundet med alvorlige fysiske og psykososiale problemer. Tidlig diagnose, som er viktig for effektiv behandling og forebygging av uønskede langsiktige helsekonsekvenser, pålegger problemer blant ikke-spesialiserte klinikere som ikke er kjent med disse pasientene, for eksempel de som jobber i primærhelsetjenesten. Tidlig, nøyaktig diagnose, spesielt i primærhelsetjenesten, tillater ekspertintervensjoner tidlig nok i lidelsen til å lette positive behandlingsresultater. Dataassisterte diagnostiske prosedyrer gir en mulig løsning på dette problemet ved å tilby kompetanse via en algoritme som er utviklet fra et stort antall tilfeller som har blitt diagnostisert personlig av ekspertdiagnostikere og profesjonelle omsorgspersoner. Et nettbasert system for å bestemme en nøyaktig diagnose for pasienter mistenkt for å lide av en spiseforstyrrelse ble utviklet basert på disse dataene. Prosessen automatiseres ved hjelp av en algoritme som estimerer respondentens sannsynlighet for å ha en spiseforstyrrelse og hvilken type spiseforstyrrelse den enkelte har. Systemet gir en rapport som fungerer som et hjelpemiddel for klinikere under diagnostiseringsprosessen og fungerer som et pedagogisk verktøy for nye klinikere.

Introduction

Slanking og en tilhørende økning i fysisk aktivitet er de kjente årsakene til anoreksi nervosa og andre spiseforstyrrelser1. De vanligste spiseforstyrrelsene som er nevnt i diagnostisk håndbok for psykiske lidelser (DSM-5) er anoreksi nervosa (AN), bulimi nervosa (BN), binge-eating disorder (BED) og annen spesifisert fôrings- eller spiseforstyrrelse (OSFED)2. Disse lidelsene rammer primært kvinner og ledsages av alvorlige fysiske og/eller psykososiale helsekomplikasjoner og nød3. Omtrent 13% av kvinnene lider av spiseforstyrrelser4, og forekomsten av AN hos kvinner er anslått til 0,3% -1% gjennom hele livet, med en enda høyere prosentandel kvinner som lider av BN5.

En rekke risikofaktorer er forbundet med spesifikke spiseforstyrrelser. Slanking i tidlig ungdomsår og lav kroppsmasseindeks (BMI) øker risikoen for AN hos kvinner, men tidlig pubertet, tynn-ideell internalisering, kropps misnøye, negativ innvirkning og sosial støtte underskudd gjør ikke6. Blant faktorene som forutsier utbruddet av BN er vektproblemer, kropps misnøye, drivkraft for tynnhet, ineffektivitet, lav interoceptiv bevissthet og slanking, men ikke perfeksjonisme, modenhetsfrykt, mellommenneskelig mistillit eller BMI6. Selv om det er symptomatiske forskjeller mellom de ulike typene spiseforstyrrelser, er det en likhet i risikofaktorene. Dette antyder at spisepatologi og maladaptive spiseatferd (slanking) er vanlige risikofaktorer på tvers av alle spiseforstyrrelser.

Faktisk er spisepatologi iøynefallende i spiseforstyrrelser. Imidlertid kan vanskeligheten med å definere og kvantifisere patologisk spiseatferd, kombinert med det faktum at diagnosen først og fremst er avhengig av den subjektive beskrivelsen av symptomdimensjonene, gjøre grensene mellom diagnoser synes å væreuklare 7. Dette problemet gjør diagnosen spiseforstyrrelser vanskelig, spesielt for helsepersonell som ikke er kjent med spiseforstyrrelsespasienter, for eksempel leger i primærhelsetjenesten.

Helsepersonell i primærhelsetjenesten er ofte de første som blir kontaktet av personer som lider av en spiseforstyrrelse. Gitt viktigheten av tidlig deteksjon og intervensjon for en gunstig prognose, må omsorgsleverandører ha verktøyene for å hjelpe dem med å gjenkjenne disse lidelsene. Derfor må en diagnose bestemmes raskt og nøyaktig for å forhindre forsinkelser i behandlingen av spesialister.

En måte å nå dette diagnostiske målet på er å digitalisere og automatisere spørreskjemaer angående symptomene deres. En ekstra fordel med denne metoden kan være at svarene er mer sannferdige siden studier antyder at pasienter stoler mer på virtuelle terapeuter enn menneskelige klinikere for å diskutere psykiske helseproblemer8. En annen potensiell fordel er økt diagnostisk pålitelighet, med noen studier som tyder på at datamaskindiagnoser kan ha høyere pålitelighet enn personlige diagnoser 9,10.

I den nåværende protokollen er det utviklet en algoritme basert på svarene på åpne og lukkede spørsmål om fysisk tilstand, atferd, følelser og tanker av 949 fortløpende henviste pasienter (for demografiske data, se tabell 1). Av de 949 deltakerne var 91,6% (869) kvinner, 18,0% hadde AN, 19,0% BN, 13,5% SENG, 36,8% OSFED, 6,8% fedme (OB) og 5,9% hadde ingen spiseforstyrrelse (No ED). Algoritmen estimerer både sannsynligheten for å ha en spiseforstyrrelse og konklusjonen om hvilken type spiseforstyrrelse individet har. Spørreskjemaelementene er basert på DSM-5-kriterier for fôrings- og spiseforstyrrelser og de diagnostiske egenskapene til AN, BN, BED og OSFED. OB (overflødig kroppsfett) er ikke inkludert i DSM-5 som en psykisk lidelse. Det er imidlertid robuste assosiasjoner mellom OB og BED2. Spørreskjemapostene er gruppert i tre kategorier: (1) Betingelser, som BMI, vekttap/gevinst det siste året og selvindusert oppkast. (2) Atferd inkludert spisemønstre, slanking, veiing av seg selv, selvindusert oppkast, isolasjon fra venner og familie, og unngå aktiviteter. (3) Kognisjoner/tanker, som ønsket vekt, å være redd for å miste kontroll, overspising, tanker om mat, tro på at man er feit når andre sier at du er for tynn, og reaksjon på vektøkning. Algoritmen er basert på en ubetinget diskriminerende analyse som tildeler vekter til elementer trinnvis, og identifiserer de mest diskriminerende elementene for hver av de fem diagnosene. Diagnoseinformasjonen vises på et brukervennlig nettbasert grensesnitt.

Protocol

Alt arbeid med eksperimentelle og pasienter ble godkjent av Det svenske etiske kontrollorganet, Sverige (D. nr. 2019-05505). Før registrering i systemet ga alle enkeltpersoner skriftlig samtykke til lagring, håndtering og analyse av dataene sine. Pasienter ble henvist til klinikken for spesialisert behandling for spiseforstyrrelser enten ved legens henvisning eller selvhenvisning. Å lide av en spiseforstyrrelse var inklusjonskriteriene for pasientene. 1. Pasientregistrering av klinikere MERK: Pasientregistrering (figur 1) fullføres av en kliniker ved hjelp av et utviklet tilpasset webverktøy (se Materialfortegnelse). Naviger til landingssiden ved hjelp av en hvilken som helst moderne nettleser ved henvisning av pasienter. Bruk en eksisterende konto tilknyttet en kliniker for å logge på webverktøyet. Fyll ut pasientregistreringsskjemaet, inkludert pasient-ID, personnummer, fødselsdato, alder og kjønn. Trykk på Lagre-knappen for å registrere en ny pasient. På dette tidspunktet kan prosedyren stanses midlertidig og deretter startes på nytt senere. 2. Spørreskjema for pasienter MERK: Pasienten fyller ut spørreskjemaet på en smartenhet ved hjelp av en tilpasset app utviklet i et nettverktøy (se Materialfortegnelser). Hvis pasienten er mindreårig, fylles spørreskjemaet ut av en forelder eller verge. Deres data er organisert i tematiske blokker. Når svaret på hvert spørsmål er fullført, presenterer systemet neste spørsmål (figur 2). Åpne spørreskjemaprogrammet på en smartenhet. Fyll ut personnummeret for pasientene (figur 3). Fyll ut den første besøksdatoen. Gjeldende dato brukes som standard. Fyll ut informasjonen som tilsvarer pasientens vekt, høyde og alder. Fyll ut informasjonen som tilsvarer atferd som indusert oppkast, snackfrekvens og spiserate. Fyll ut detaljene som tilsvarer kognitive og emosjonelle gjenstander som frykt for å gå opp i vekt og følelser av kroppsdysmorfi. Trykk på Ferdig-knappen for å fullføre spørreskjemaet. På dette tidspunktet kan spørreskjemaet stanses midlertidig og deretter startes på nytt senere. 3. Risikovurdering av klinikere MERK: Risikovurderingen (figur 4) hentes og brukes av klinikeren ved hjelp av et tilpasset webverktøy (se Materialfortegnelse). Naviger til nettmålsiden ved hjelp av en hvilken som helst nettleser. Bruk en eksisterende konto for å logge på nettverktøyet. Søk etter pasienten ved hjelp av pasientens personnummer eller pasient-ID. Legg til målt vekt og høyde i systemet. Trykk på Resultat-fanen for å få den algoritmiske avgjørelsen om pasienten har en ED og i så fall hvilken type ED. Trykk på fanen Spørsmål 1-20, eller Spørsmål 21-34, for å vise spørsmålene der pasientenes svar avviker fra svar fra friske personer. Velg en endelig diagnose under Resultat-fanen , basert på algoritmen og klinikerens ekspertise.

Representative Results

Pasientregistreringen beskrevet i trinn 1 utføres av en kliniker som fyller ut skjemaet som presenteres i figur 1 i de datastyrte medisinske journalene. Når klinikeren registrerer en ny pasient, går søknaden til trinn 2, noe som gjør at pasienten kan fylle ut spørreskjemaet. For å starte spørreskjemaet må pasienten eller klinikeren først legge inn personnummeret (eller ID-en) til pasienten i appen på en smartenhet (figur 3), hvoretter appen viser det første spørreskjemaelementet. Figur 2 viser et skjermbilde av ett element fra det diagnostiske spørreskjemaet. Når et svar er valgt for et spørreskjemaelement, flyttes programmet til neste vare. Pasienter kan ikke gå tilbake for å endre responsen på tidligere spørsmål, og hvis spørreskjemaet avsluttes for tidlig, lagres svarene fortsatt, og brukeren kan gå tilbake for å fylle ut de manglende elementene. Når alle spørsmålene er besvart, lukkes appen automatisk. Etter at spørreskjemaet er fullført, er risikovurderingssiden presentert i figur 4 tilgjengelig for klinikeren via et webgrensesnitt. Klinikere kan se den anbefalte diagnosen på resultatsiden, sammen med den estimerte sannsynligheten for nøyaktighet fra 0-1 (dvs. et område på 100%), basert på en automatisk beregning av risikofaktorer i spørreskjemaet. Ved å trykke på enten fanen ‘Spørsmål 1-20’ eller ‘Spørsmål 21-34’, kan klinikere se de sunne svarene (farge turkis) og de avvikende svarene (fargerøde) som resulterte i den foreslåtte diagnosen (figur 5). Algoritmen (se Materialliste) estimerer både sannsynligheten for å ha en spiseforstyrrelse og konklusjonen om hvilken type spiseforstyrrelse den enkelte har. Nøyaktigheten til modellen er 97,1 % for å ha en ED- og 82,8 % for ED-diagnoser (tabell 2). Diagnoseinformasjonen vises på et brukervennlig nettbasert grensesnitt. Denne informasjonen gir klinikere tillit til sin beslutning hvis den algoritmiske diagnosen er enig med klinikerens egen evaluering. Hvis den algoritmiske diagnosen ikke er enig i klinikerens evaluering, oppfordres klinikeren til å søke en annen mening fra andre helsepersonell. Systemet gjør det også mulig for klinikere å trene seg til å bli flinkere til å diagnostisere pasienter ved å se på de spesifikke spørsmålene som forventes å avvike fra et sunt individ i spørsmålsfanene og ved å gjennomgå vanskelige tilfeller med andre helsepersonell. Figur 1: En illustrasjon av pasientregistreringsskjemaet i webverktøyet. Klikk her for å se en større versjon av denne figuren. Figur 2: Eksempel på et enkelt spørreskjemaelement som vises på et smart nettbrett. Figur 3: Øyeblikksbilde av siden som ber om nødvendig personnummer før du fyller ut diagnosespørreskjemaet. Figur 4: Eksempel på resultatside med anbefalt diagnose og beregnet nøyaktighet (i dette tilfellet 100 %) som vist ved hjelp av webverktøyet. Resultatsiden viser også pasientens dato, kjønn, alder og BMI. På toppen kan klinikere velge en diagnose. Klikk her for å se en større versjon av denne figuren. Figur 5: Spørreskjemasvar og deres tilknytning til den foreslåtte diagnosen. Rød indikerer en høy tilknytning, og blågrønn antyder en lav tilknytning. Klikk her for å se en større versjon av denne figuren. Kvinne (n = 869) Hann (n = 80) Totalt (n = 949) Alder 21.0 (17.0 – 30.0) 21.0 (15.0 – 33.5) 21.0 (17.0 – 30.0) Høyde 167.0 (162.0 – 170.0) 176.5 (169.0 – 183.0) 167.0 (162.0 – 171.0) Vekt 58.2 (50.0 – 75.0) 71.5 (57.0 – 97.0) 59.1 (50.0 – 76.5) Bmi 20.9 (17.8 – 26.7) 21.3 (18.0 – 31.2) 21 (17.9 – 27.1) Tabell 1: Demografiske data fra de 949 pasientene som er inkludert for utviklingen av diagnostisk algoritme. Verdier uttrykkes som median (nedre kvartil – øvre kvartil). Diagnose Kliniker diagnose Diagnose av algoritme Nøyaktighet (%) En 171 172 87.1 Bn 180 181 82.2 Seng 128 138 81.3 OSFED 349 328 79.9 Ob 65 74 90.8 Tabell 2: Antall pasienter i hver ED-kategori diagnostisert av en utdannet kliniker og algoritmens beslutning og nøyaktighet.

Discussion

Tidlig og nøyaktig diagnose av spiseforstyrrelser er avgjørende for å initiere passende behandling, forbedre behandlingsresultatene og redusere dårlige helseutfall1. For å bestemme en diagnose må klinikere håndtere store mengder psykologisk og fysiologisk informasjon, og en stor mengde data gjør diagnosen til en tidkrevende oppgave med høy risiko for feildiagnostisering.

Systemet som beskrives her fremskynder beslutningsprosessen ved å gi en automatisk spørreskjemabasert diagnose. I tillegg tillater det klinikere å se de spesifikke svarene som avviker fra de forventede svarene til et sunt individ. Systemet ble utviklet med tanke på klinikernes behov, og derfor er spørreskjemaet enkelt nok til å fylles ut av pasienten alene, noe som ytterligere reduserer tiden som kreves av klinikere når de vurderer en diagnose. Av samme grunn lagres svarene ved inndata, noe som sikrer at prosessen kan settes på pause når som helst. Problemer med datamaskintilkobling og andre avbrudd krever ikke gjentakelse av hele prosessen.

En begrensning i protokollen er at et diagnoseforslag ikke kan beregnes med mindre alle spørreskjemaelementer er fylt ut. En annen begrensning er at medisinske målinger, som blodtrykk og perifer temperatur, ikke er inkludert i systemet, men må evalueres av klinikere eller leger.

Det finnes flere digitale verktøy for spiseforstyrrelsesdiagnoser, for eksempel semistrukturerte elektroniske intervjuer11, men det er for tiden ingen diagnostiske algoritmer basert på DSM-5 eller International Classification of Disease, 11th Revision (ICD-11). Hovedproblemet med tilgjengelige tilnærminger er at de ikke gir en enkel måte for klinikere å motta hjelp i diagnosen eller kommunisere hva som utgjør usunne svar. Dagens system er ment for bruk både i primærhelsetjenesten, av helsepersonell med liten kunnskap om spiseforstyrrelser, og i spesialistklinikker for å diskutere mer komplekse tilfeller, og hjelpe klinikere i beslutningsprosessen under diagnostisering av spiseforstyrrelser. Dette systemet resulterer i forbedret kvalitet på omsorg, en reduksjon av tid og krefter av klinikere, og gir forbedret effektivitet for klinikeren i deres daglige praksis.

Diagnosealgoritmen er for tiden basert på ett spørreskjema og gjør det mulig for systemet å lære klinikere å diagnostisere pasienter bedre og konsultere andre helsepersonell i vanskelige tilfeller. Fremtidig utvikling av systemet må også omfatte medisinske data. I tillegg kan algoritmens prognostiske evne forbedres ved å raffinere spørreskjemaet, erstatte overflødige, ikke-informative elementer med mer relevante. En langsgående tilnærming må også vurderes. Hvis pasienten får riktig behandling, er det viktig å følge deres helseprogresjon over tid. Mange varer i spørreskjemaet er fortsatt gyldige for en oppfølgingstilnærming. Spørreskjemaet og algoritmen må imidlertid omformuleres for å opprette en indeks for å måle helseprogresjonen.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Dette arbeidet ble finansiert av Region Stockholm.

Materials

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

  1. Treasure, J., Duarte, T. A., Schmidt, U. Eating disorders. Lancet. 395 (10227), 899-911 (2020).
  2. American Psychiatric Association. . Diagnostic and Statistical Manual of Mental Disorders, 5th Edition. , (2013).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. Richens, J. G., Lee, C. M., Johri, S. Improving the accuracy of medical diagnosis with causal machine learning. Nature Communications. 11 (1), 3923 (2020).
  11. Dahlgren, C. L., Walsh, B. T., Vrabel, K., Siegwarth, C., Rø, &. #. 2. 1. 6. ;. 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).

Play Video

Cite This Article
Brodin, U., Zandian, M., Langlet, B., Södersten, P., Anvret, A., Sjöberg, J., Bergh, C. A Computer-Based Platform for Aiding Clinicians in Eating Disorder Analysis and Diagnosis. J. Vis. Exp. (183), e63848, doi:10.3791/63848 (2022).

View Video