Daten zu Krankenversicherungsansprüchen können dabei helfen, die Wahrscheinlichkeit von Autismus bei Kindern vorherzusagen
Krankenversicherungsansprüche könnten mehr bewirken, als nur zur Begleichung gesundheitlicher Probleme beizutragen; Sie könnten helfen, sie vorherzusagen, so die neuen Erkenntnisse eines interdisziplinären Forschungsteams aus Penn State, die in BMJ Health & Care Informatics veröffentlicht wurden. Die Forscher entwickelten Modelle für maschinelles Lernen, die die Zusammenhänge zwischen Hunderten klinischer Variablen, einschließlich Arztbesuchen und Gesundheitsdiensten bei scheinbar nicht zusammenhängenden Erkrankungen, bewerten, um die Wahrscheinlichkeit einer Autismus-Spektrum-Störung bei kleinen Kindern vorherzusagen.
Versicherungsanspruchsdaten, die anonymisiert und in Marketing-Scan-Datensätzen weithin verfügbar sind, liefern umfassende medizinische Längsschnittdetails über den Patienten. Die wissenschaftliche Literatur auf diesem Gebiet legt nahe, dass Kinder mit Autismus-Spektrum-Störung häufig auch häufiger an klinischen Symptomen leiden, wie z. B. verschiedenen Arten von Infektionen, Magen-Darm-Problemen, Krampfanfällen sowie Verhaltensauffälligkeiten. Diese Symptome sind keine Ursache für Autismus, treten jedoch häufig bei Kindern mit Autismus auf, insbesondere in jungen Jahren. Deshalb haben wir uns dazu inspiriert, die medizinischen Informationen zusammenzufassen, um diese damit verbundene Wahrscheinlichkeit zu quantifizieren und vorherzusagen.“
Qiushi Chen, korrespondierender Autor, Assistenzprofessor für Industrie- und Fertigungstechnik, Penn State College of Engineering
Die Forscher speisten die Daten in Modelle für maschinelles Lernen ein und trainierten sie, Hunderte von Variablen auszuwerten, um Korrelationen zu finden, die mit einer erhöhten Wahrscheinlichkeit einer Autismus-Spektrum-Störung zusammenhängen.
„Autismus-Spektrum-Störung ist eine Entwicklungsstörung“, sagte Co-Autor Guodong Liu, außerordentlicher Professor für öffentliche Gesundheitswissenschaften, für Psychiatrie und Verhaltensgesundheit sowie für Pädiatrie am Penn State College of Medicine. „Ein Arzt braucht Beobachtungen und mehrere Untersuchungen, um eine Diagnose zu stellen. Der Prozess ist normalerweise langwierig und viele Kinder verpassen das Zeitfenster für frühzeitige Interventionen – der effektivste Weg, die Ergebnisse zu verbessern.“
Eines der am häufigsten verwendeten Screening-Instrumente zur Identifizierung kleiner Kinder mit einer erhöhten Wahrscheinlichkeit einer Autismus-Spektrum-Störung ist die „Modifizierte Checkliste für Autismus bei Kleinkindern“ (M-CHAT), die normalerweise bei routinemäßigen Kinderbesuchen im Alter von 18 und 24 Monaten abgegeben wird alt. Es besteht aus 20 Fragen, die sich auf Verhaltensweisen im Zusammenhang mit Augenkontakt, sozialen Interaktionen und einigen körperlichen Meilensteinen wie dem Gehen konzentrieren. Erziehungsberechtigte antworten auf der Grundlage ihrer Beobachtungen, aber laut Chen schwankt die Entwicklung in diesem Alter so stark, dass das Tool Kinder möglicherweise falsch identifiziert. Dies hat zur Folge, dass Kinder oft erst im Alter von vier oder fünf Jahren offiziell diagnostiziert werden, was bedeutet, dass ihnen potenzielle Frühinterventionen jahrelang entgehen.
„Unser neues Modell, das die Summe der identifizierten Risikofaktoren quantifiziert, um das Wahrscheinlichkeitsniveau zu ermitteln, ist bereits mit dem bestehenden Screening-Tool vergleichbar und in einigen Fällen sogar etwas besser als dieses“, sagte Chen. „Wenn wir das Modell mit dem Screening-Tool kombinieren, haben wir einen vielversprechenden Ansatz für Kliniker.“
Laut Liu wäre es praktisch machbar, das Modell für den klinischen Einsatz in das Screening-Tool zu integrieren.
„Eine einzigartige Stärke dieser Arbeit besteht darin, dass dieser Ansatz der klinischen Informatik problemlos in den klinischen Ablauf integriert werden kann“, sagte Liu. „Das Vorhersagemodell könnte in das elektronische Patientenaktensystem eines Krankenhauses eingebettet werden, das zur Aufzeichnung der Patientengesundheit verwendet wird, als klinisches Entscheidungsunterstützungsinstrument, um die Hochrisikokinder zu kennzeichnen, sodass sowohl Ärzte als auch die Familien früher Maßnahmen ergreifen können.“
Diese von den National Institutes of Health, dem Penn State Social Science Research Institute und dem Penn State College of Engineering finanzierte Arbeit ist die Grundlage für ein neues Stipendium in Höhe von 460.000 US-Dollar an Chen und Whitney Guthrie, klinische Psychologin am Children’s Hospital of Philadelphia Center für Autismusforschung und Assistenzprofessor für Psychiatrie und Pädiatrie an der Perelman School of Medicine der University of Pennsylvania am National Institute of Mental Health.
Sie nutzen das neue Stipendium, um genau zu analysieren, wie gut die kombinierten Krankenhausakten und Screening-Ergebnisse Autismusdiagnosen vorhersagen, und erforschen außerdem andere potenzielle Screening-Tools, die Ärzte besser in die Lage versetzen könnten, ihren Patienten zu helfen.
„Mit dem aktuellen Tool werden nicht nur viele Kinder im Autismus-Spektrum übersehen, sondern viele Kinder, die von unseren Screening-Tools erkannt werden, haben aufgrund unserer begrenzten Diagnosekapazität auch lange Wartelisten“, sagte Guthrie. „Obwohl der M-CHAT viele Kinder erkennt, weist er auch eine sehr hohe Rate an falsch-positiven und falsch-negativen Ergebnissen auf, was bedeutet, dass viele autistische Kinder übersehen werden und andere Kinder zu einer Autismus-Untersuchung überwiesen werden, wenn sie keine benötigen. Beides.“ Probleme führen zu langen Wartezeiten – oft viele Monate oder sogar Jahre – auf die weitere Beurteilung. Die Konsequenzen für Kinder, die von unseren aktuellen Screening-Instrumenten nicht berücksichtigt werden, sind besonders wichtig, da eine verzögerte Diagnose oft dazu führt, dass Kinder das Zeitfenster für eine frühzeitige Intervention völlig verpassen. Kinderärzte brauchen bessere Screening-Tools, um alle Kinder, die eine Autismus-Untersuchung benötigen, so früh wie möglich genau zu identifizieren.“
Ein Teil des Problems ist die begrenzte Anzahl von Psychologen, Entwicklungspädiatern und anderen Experten für pädiatrische Entwicklung, die eine Diagnose einer Autismus-Spektrum-Störung stellen können. Laut Chen könnte die Lösung im Wirtschaftsingenieurwesen liegen.
„Die Schlüsselidee besteht darin, die Art und Weise zu verbessern, wie wir Ressourcen nutzen“, sagte Chen. „Mit der klinischen Expertise von Dr. Guthrie und den Modellierungsfähigkeiten meiner Gruppe wollen wir ein Tool entwickeln, das Hausärzte ohne spezielle Ausbildung nutzen können, um sichere Beurteilungen vorzunehmen, um Kinder so früh wie möglich zu diagnostizieren, damit sie so schnell wie möglich die Pflege erhalten, die sie benötigen.“ möglich.“
Zu den weiteren Beitragsautoren gehören die Erstautorin Yu-Hsin Chen, eine Doktorandin im Bereich Industrie- und Fertigungstechnik, die auch ihre Dissertation über die Stipendienarbeit schreiben wird; und Co-Autor Lan Kong, Professor für öffentliche Gesundheitswissenschaften am Penn State College of Medicine.
Quelle:
Referenz:
Chen, YH., et al. (2022) Früherkennung von Autismus-Spektrum-Störungen bei kleinen Kindern durch maschinelles Lernen unter Verwendung von Daten zu medizinischen Ansprüchen. BMJ Gesundheits- und Pflegeinformatik. doi.org/10.1136/bmjhci-2022-100544.
.
