Данните за искове за здравно осигуряване могат да помогнат за прогнозиране на вероятността от аутизъм при деца

Данните за искове за здравно осигуряване могат да помогнат за прогнозиране на вероятността от аутизъм при деца

Здравноосигурителните искове биха могли да направят повече от просто да помогнат за заплащане на здравословни проблеми; Те биха могли да помогнат за предсказването им, според нови открития от интердисциплинарен изследователски екип на Penn State, публикувани в BMJ Health & Care Informatics. Изследователите разработиха модели за машинно обучение, които оценяват връзките между стотици клинични променливи, включително посещения при лекар и здравни услуги за привидно несвързани състояния, за да предскажат вероятността от разстройство от аутистичния спектър при малки деца.

Данните за застрахователни искове, анонимизирани и широко достъпни в набори от данни за маркетингово сканиране, предоставят изчерпателни, надлъжни медицински подробности за пациента. Научната литература в тази област предполага, че децата с разстройство от аутистичния спектър също често изпитват по-високи нива на клинични симптоми като: Б. различни видове инфекции, стомашно-чревни проблеми, гърчове и поведенчески проблеми. Тези симптоми не са причина за аутизъм, но са често срещани при деца с аутизъм, особено в ранна възраст. Ето защо бяхме вдъхновени да обобщим медицинската информация, за да определим количествено и предскажем тази свързана вероятност.

Qiushi Chen, автор-кореспондент, асистент по промишлено и производствено инженерство, Penn State College of Engineering

Изследователите подават данните в модели за машинно обучение и ги обучават да оценяват стотици променливи, за да намерят корелации, свързани с повишена вероятност от разстройство от аутистичния спектър.

„Разстройството от аутистичния спектър е разстройство на развитието“, каза съавторът Guodong Liu, доцент по науки за общественото здраве, по психиатрия и поведенческо здраве и по педиатрия в Penn State College of Medicine. "Лекарят се нуждае от наблюдения и множество прегледи, за да постави диагноза. Процесът обикновено е дълъг и много деца пропускат прозореца за ранна намеса - най-ефективният начин за подобряване на резултатите."

Един от най-често използваните инструменти за скрининг за идентифициране на малки деца с повишена вероятност от разстройство от аутистичния спектър е Модифицираният контролен списък за аутизъм при малки деца (M-CHAT), който обикновено се дава при рутинни посещения на дете на възраст 18 и 24 месеца. Състои се от 20 въпроса, които се фокусират върху поведението, свързано с зрителния контакт, социалните взаимодействия и някои физически етапи, като ходене. Настойниците отговарят въз основа на своите наблюдения, но Чен казва, че развитието варира толкова много на тази възраст, че инструментът може да идентифицира погрешно децата. В резултат на това децата често не се диагностицират официално, докато не навършат четири или пет години, което означава, че пропускат потенциални ранни интервенции в продължение на години.

„Нашият нов модел, който количествено определя сумата от идентифицираните рискови фактори, за да определи нивото на вероятност, вече е сравним, а в някои случаи дори малко по-добър от съществуващия инструмент за скрининг“, каза Чен. „Ако комбинираме модела с инструмента за скрининг, имаме обещаващ подход за клиницистите.“

Според Лиу би било практически осъществимо моделът да се интегрира в инструмента за скрининг за клинична употреба.

„Уникалната сила на тази работа е, че този клиничен информатичен подход може лесно да бъде интегриран в клиничния работен процес“, каза Лиу. „Прогнозният модел може да бъде вграден в електронната система за медицински досиета на болницата, използвана за записване на здравето на пациентите, като инструмент за подпомагане на клинични решения за маркиране на високорисковите деца, което позволява както на лекарите, така и на семействата да предприемат действия по-рано.“

Тази работа, финансирана от Националните институти по здравеопазване, Института за изследване на социалните науки в Пенсилвания и Инженерния колеж в Пенсилвания, е основата за нова безвъзмездна помощ от $460 000 на Чен и Уитни Гътри, клиничен психолог в Центъра за изследване на аутизма в Детската болница на Филаделфия и асистент по психиатрия и педиатрия в Медицинския факултет на Перелман към Университета на Пенсилвания Националния институт по психично здраве.

Те използват новото безвъзмездно финансиране, за да анализират точно колко добре комбинираните болнични досиета и резултатите от скрининга предсказват диагнозите за аутизъм и също така проучват други потенциални инструменти за скрининг, които биха могли по-добре да подготвят лекарите да помагат на пациентите си.

„Не само, че много деца от аутистичния спектър са пропуснати с настоящия инструмент, но много деца, идентифицирани от нашите инструменти за скрининг, също имат дълги списъци на чакащи поради нашия ограничен диагностичен капацитет“, каза Гътри. „Въпреки че M-CHAT открива много деца, той също има много висок процент на фалшиви положителни и фалшиви отрицателни резултати, което означава, че много деца с аутизъм са пропуснати и други деца са насочени за оценка на аутизма, когато не се нуждаят от такава. И двете.“ Проблемите водят до дълго чакане – често месеци или дори години – за допълнителна оценка. Последствията за децата, които не са адресирани от нашите настоящи инструменти за скрининг, са особено важни, тъй като забавената диагноза често води до това, че децата напълно пропускат прозореца за ранна намеса. Педиатрите се нуждаят от по-добри инструменти за скрининг, за да идентифицират точно всички деца, които се нуждаят от оценка на аутизма, възможно най-рано.

Част от проблема е ограниченият брой психолози, педиатри по развитие и други експерти по детско развитие, които могат да поставят диагноза разстройство от аутистичния спектър. Според Чен решението може да се крие в индустриалното инженерство.

„Ключовата идея е да подобрим начина, по който използваме ресурсите“, каза Чен. „С клиничния опит на д-р Гътри и уменията за моделиране на моята група искаме да разработим инструмент, който лекарите в първичната медицинска помощ без специализирано обучение да могат да използват, за да направят уверени оценки за диагностициране на децата възможно най-рано, за да могат да получат грижите, от които се нуждаят, възможно най-бързо.“ възможно."

Други участващи автори включват първия автор Yu-Hsin Chen, докторант по промишлено и производствено инженерство, която също ще напише своята дисертация за стипендията; и съавтор Lan Kong, професор по науки за общественото здраве в Penn State College of Medicine.

източник:

Пен Стейт

Справка:

Chen, YH., et al. (2022) Ранно откриване на разстройство от аутистичния спектър при малки деца чрез машинно обучение, използващо данни от медицински твърдения. BMJ Информатика за здраве и грижи. doi.org/10.1136/bmjhci-2022-100544.

.