Údaje o škodách ze zdravotního pojištění mohou pomoci předpovědět pravděpodobnost autismu u dětí

Údaje o škodách ze zdravotního pojištění mohou pomoci předpovědět pravděpodobnost autismu u dětí

Nároky na zdravotní pojištění by mohly udělat více než jen pomoci zaplatit zdravotní problémy; Podle nových zjištění interdisciplinárního výzkumného týmu Penn State zveřejněného v BMJ Health & Care Informatics by je mohly pomoci předpovídat. Výzkumníci vyvinuli modely strojového učení, které hodnotí vztahy mezi stovkami klinických proměnných, včetně návštěv lékaře a zdravotních služeb pro zdánlivě nesouvisející stavy, aby předpověděli pravděpodobnost poruchy autistického spektra u malých dětí.

Údaje o pojistných nárocích, anonymizované a široce dostupné v datových sadách marketingových skenů, poskytují komplexní, dlouhodobé lékařské podrobnosti o pacientovi. Vědecká literatura v této oblasti naznačuje, že děti s poruchou autistického spektra také často pociťují vyšší míru klinických příznaků, jako jsou: B. různé typy infekcí, gastrointestinální problémy, záchvaty a problémy s chováním. Tyto příznaky nejsou příčinou autismu, ale jsou běžné u dětí s autismem, zejména v mladém věku. To je důvod, proč jsme byli inspirováni, abychom shrnuli lékařské informace, abychom kvantifikovali a předpověděli tuto související pravděpodobnost."

Qiushi Chen, korespondent, odborný asistent průmyslového a výrobního inženýrství, Penn State College of Engineering

Výzkumníci vložili data do modelů strojového učení a vycvičili je, aby vyhodnocovali stovky proměnných, aby našli korelace spojené se zvýšenou pravděpodobností poruchy autistického spektra.

"Porucha autistického spektra je vývojová porucha," řekl spoluautor Guodong Liu, docent věd o veřejném zdraví, psychiatrie a behaviorálního zdraví a pediatrie na Penn State College of Medicine. "Lékař potřebuje ke stanovení diagnózy pozorování a vícenásobná vyšetření. Tento proces je obvykle zdlouhavý a mnoho dětí zmešká možnost včasné intervence - nejúčinnější způsob, jak zlepšit výsledky."

Jedním z nejčastěji používaných screeningových nástrojů k identifikaci malých dětí se zvýšenou pravděpodobností poruchy autistického spektra je Modifikovaný kontrolní seznam pro autismus u malých dětí (M-CHAT), který se obvykle podává při rutinních návštěvách dětí ve věku 18 a 24 měsíců. Skládá se z 20 otázek, které se zaměřují na chování související s očním kontaktem, sociálními interakcemi a některými fyzickými milníky, jako je chůze. Strážci reagují na základě svých pozorování, ale Chen říká, že vývoj se v tomto věku natolik liší, že tento nástroj může děti špatně identifikovat. V důsledku toho jsou děti často formálně diagnostikovány až ve věku čtyř nebo pěti let, což znamená, že po mnoho let přicházejí o potenciální včasné intervence.

"Náš nový model, který kvantifikuje součet identifikovaných rizikových faktorů pro určení úrovně pravděpodobnosti, je již srovnatelný a v některých případech dokonce o něco lepší než stávající screeningový nástroj," řekl Chen. "Pokud zkombinujeme model se screeningovým nástrojem, máme pro lékaře slibný přístup."

Podle Liu by bylo prakticky proveditelné integrovat model do screeningového nástroje pro klinické použití.

„Jedinečnou silnou stránkou této práce je to, že tento přístup klinické informatiky lze snadno integrovat do klinického pracovního postupu,“ řekl Liu. "Prediktivní model by mohl být zabudován do nemocničního systému elektronických lékařských záznamů, který by se používal k zaznamenávání zdraví pacientů, jako nástroj na podporu klinického rozhodování k označení vysoce rizikových dětí, což umožňuje lékařům i rodinám jednat dříve."

Tato práce, financovaná National Institutes of Health, Penn State Social Science Research Institute a Penn State College of Engineering, je základem pro nový grant ve výši 460 000 USD pro Chen a Whitney Guthrie, klinického psychologa v Dětské nemocnici ve Filadelfii Centrum pro výzkum autismu a asistenta profesora psychiatrie a pediatrie na University of Pennsylvania v Národním institutu zdraví Perelman School of M.

Pomocí nového grantu přesně analyzují, jak dobře kombinované nemocniční záznamy a výsledky screeningu předpovídají diagnózu autismu, a také zkoumají další potenciální screeningové nástroje, které by mohly lépe vybavit lékaře, aby pomohli svým pacientům.

„Současný nástroj nejenže zmeškal mnoho dětí na autistickém spektru, ale mnoho dětí identifikovaných našimi screeningovými nástroji má také dlouhé čekací listiny kvůli naší omezené diagnostické kapacitě,“ řekl Guthrie. "Ačkoli M-CHAT detekuje mnoho dětí, má také velmi vysokou míru falešně pozitivních a falešně negativních výsledků, což znamená, že mnoho autistických dětí je vynecháno a ostatní děti jsou odeslány k autistickému vyšetření, když ho nepotřebují. Obojí." Problémy vedou k dlouhému čekání – často mnoho měsíců nebo dokonce let – na další posouzení. Důsledky pro děti, které nejsou řešeny našimi současnými screeningovými nástroji, jsou obzvláště důležité, protože opožděná diagnóza často vede k tomu, že děti úplně vynechají okno pro včasnou intervenci. Pediatři potřebují lepší nástroje pro screening, aby co nejdříve přesně identifikovali všechny děti, které potřebují vyhodnocení autismu.“

Součástí problému je omezený počet psychologů, vývojových pediatrů a dalších odborníků na vývoj dětí, kteří mohou stanovit diagnózu poruchy autistického spektra. Řešení by podle Chena mohlo spočívat v průmyslovém inženýrství.

"Klíčovou myšlenkou je zlepšit způsob, jakým využíváme zdroje," řekl Chen. "S klinickými odbornými znalostmi doktora Guthrieho a modelovacími dovednostmi mé skupiny chceme vyvinout nástroj, který mohou lékaři primární péče bez specializovaného školení používat k provádění sebevědomých hodnocení k diagnóze dětí co nejdříve, aby mohly co nejrychleji získat péči, kterou potřebují." možné."

Mezi další přispívající autory patří první autorka Yu-Hsin Chen, doktorandka průmyslového a výrobního inženýrství, která o stipendiu také napíše svou disertační práci; a spoluautor Lan Kong, profesor věd o veřejném zdraví na Penn State College of Medicine.

Zdroj:

Stát Penn

Odkaz:

Chen, YH., a kol. (2022) Včasné odhalení poruchy autistického spektra u malých dětí pomocí strojového učení s využitím údajů z lékařských tvrzení. Informatika zdravotnictví a péče BMJ. doi.org/10.1136/bmjhci-2022-100544.

.