Yeme Bozukluğu Analizi ve Tanısında Klinisyenlere Yardımcı Olmak İçin Bilgisayar Tabanlı Bir Platform
10 Mayıs 2022
Sağlık hizmetlerinde yeme bozukluklarının teşhisi zordur. Bu nedenle, mevcut protokol, bir ankete 949 hasta yanıtına dayanan bir algoritma geliştirir ve tanı, kullanımı kolay web tabanlı bir arayüzde görüntülenir. Bu sistem, yeme bozukluğu olduğuna inanılan kişileri dışlarken, yeme bozukluklarının doğru teşhisini kolaylaştırır.
Sistem, bir hastanın bir yeme bozukluğu için tanı kriterlerini yerine getirip getirmediğine ve anoreksiya nervoza, bulimia nervoza veya aşırı yeme bozukluğu gibi ne tür bir yeme bozukluğu olduğuna karar verir. Bu nedenle hastalar bir bilgisayara cevap verirken fiziksel bir kişiden daha dürüst olma eğilimindedir. Ve elbette, sistem klinisyen için zaman kazandırıyor.
Yöntemin amacı, yeme bozukluğu tanısının güvenilirliğini artırmak, klinisyenlere yeme bozukluğu çekenleri seçmede yardımcı olmak ve yeme bozukluğu kriterlerini yerine getirmeyenleri diğer tedavilere yönlendirmek veya tedavi görmemektir. Prosedürleri gösteren, laboratuvarımızda araştırma görevlisi olan Alkioni Glibi olacak. Hasta sevkinden sonra, herhangi bir modern tarayıcı kullanarak web açılış sayfasına gidin.
Web aracında oturum açmak için bir klinisyenle ilişkilendirilmiş mevcut bir hesabı kullanın. Hasta kimliği, doğum tarihi, yaş ve cinsiyet, sosyal güvenlik numarası dahil olmak üzere hasta kayıt formunu doldurun. Yeni bir hasta kaydetmek için Kaydet düğmesine basın.
Anket uygulamasını akıllı bir cihazda açın. Hastanın sosyal güvenlik numarasını ve ilk ziyaret tarihini doldurun. Geçerli tarih varsayılan olarak kullanılır.
Ardından hastanın kilosuna, boyuna ve yaşına karşılık gelen bilgileri doldurun. Daha sonra, indüklenmiş kusma, atıştırma sıklığı ve yeme oranı gibi davranışlara karşılık gelen bilgileri, ardından kilo alma korkusu ve vücut dismorfisi duyguları gibi bilişsel ve duygusal öğelere karşılık gelen ayrıntıları doldurun. Anketi tamamlamak için Bitti düğmesine basın.
Herhangi bir web tarayıcısını kullanarak web açılış sayfasına gidin. Web aracında oturum açmak için mevcut bir hesabı kullanın. Hastanın sosyal güvenlik numarasını veya hasta kimliğini kullanarak hastayı arayın.Ölçülen ağırlık ve boyu sisteme ekleyin.
Hastanın yeme bozukluğu mu yoksa ED'si mi ve ne tür bir ED'si olduğuna dair algoritmik kararı almak için Sonuç sekmesine basın. Ardından, hasta yanıtlarının sağlıklı bireylerin yanıtlarından saptığı soruları görüntülemek için bir ile 20 arasındaki sorular sekmesine veya 21 ile 34 arasındaki sorular sekmesine basın. Sonuç sekmesi altında, algoritmaya ve klinisyenin uzmanlığına bağlı olarak bir son tanı seçin. Önerilen tanı için bir risk değerlendirme sayfası örneği ve sıfırdan bire tahmini doğruluk olasılığı burada gösterilmiştir.
Önerilen tanı ve anket yanıtlarından sağlıklı ve saptırıcı yanıtlar üretildi. Birey için farklı yeme bozukluklarının olasılığını tahmin eden algoritma burada gösterilmiştir. Modelin doğruluğu ED için 97.1, ED tanısı için 82.8 olarak belirlenmiştir.
Sistemin bir diğer yararı, önerilen tanıdan sorumlu cevapları sağlamasıdır, bu da sistemin klinisyenlere hastaları daha iyi teşhis etmelerini ve zor durumlarda ek sağlık profesyonellerine danışmalarını öğretmesine olanak tanır.
Genel Bakış
Bu makale, hastaların bir ankete verdikleri yanıtları analiz ederek yeme bozukluklarının teşhisini iyileştirmek için tasarlanmış web tabanlı bir algoritmayı sunmaktadır. Sistem, doktorların hastaları verimli bir şekilde değerlendirmelerine olanak tanırken teşhis doğruluğunu artırır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Klinik psikoloji
- Sağlık teknolojisi
- Yeme bozukluğu teşhisi
Arka Plan
- Yeme bozukluklarını teşhis etmek, sağlık sağlayıcıları için genellikle zordur.
- Geleneksel yöntemler yanlış veya yetersiz teşhise yol açabilir.
- Teknolojinin kullanılması, hastanın dürüstlüğünü artırabilir ve teşhis sürecini hızlandırabilir.
- Algoritma, güvenilirliği artırmak için kapsamlı hasta verilerine dayanmaktadır.
Çalışmanın Amacı
- Yeme bozuklukları için güvenilir bir teşhis aracı geliştirmek.
- Klinikçilerin yeme bozukluğu kriterlerini karşılayan hastaları tanımlamasına yardımcı olmak.
- Klinikçiler ve hastalar için kullanıcı dostu bir arayüz sağlamak.
Kullanılan Yöntemler
- Hasta yanıtları için web tabanlı anket.
- Teşhisi belirlemek için yanıtların algoritmik analizi.
- Kilo, boy ve davranış kalıpları gibi hasta verilerinin entegrasyonu.
- Algoritma sonuçlarına dayalı olarak doktorların son teşhis için girdisi.
Ana Sonuçlar
- Algoritma, yeme bozuklukları için %97,1 teşhis doğruluğu elde etti.
- Sağlıklı normlardan sapma gösteren hasta yanıtlarına ilişkin bilgiler sağladı.
- Klinikçilere algoritmik değerlendirmelere dayalı önerilerde bulundu.
- Sistem, klinikçilere daha iyi teşhis uygulamaları öğretmeye yardımcı olur.
Sonuçlar
- Web tabanlı araç, yeme bozukluğu teşhislerinin güvenilirliğini önemli ölçüde artırır.
- Daha iyi hasta yönetimi ve sevk süreçlerine olanak tanır.
- Sistem, klinikçi eğitimini ve karar verme sürecini geliştirebilir.
Sıkça Sorulan Sorular
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.
