Sygeforsikringskravdata kan hjælpe med at forudsige sandsynligheden for autisme hos børn

Sygeforsikringskravdata kan hjælpe med at forudsige sandsynligheden for autisme hos børn

Sygeforsikringskrav kunne gøre mere end blot at betale for helbredsproblemer; De kunne hjælpe med at forudsige dem, ifølge nye resultater fra et tværfagligt forskningshold i Penn State offentliggjort i BMJ Health & Care Informatics. Forskere udviklede maskinlæringsmodeller, der vurderer sammenhængen mellem hundredvis af kliniske variabler, herunder lægebesøg og sundhedstjenester for tilsyneladende ikke-relaterede tilstande, for at forudsige sandsynligheden for autismespektrumforstyrrelser hos små børn.

Forsikringskravsdata, anonymiseret og bredt tilgængelige i marketingscanningsdatasæt, giver omfattende, langsgående medicinske detaljer om patienten. Den videnskabelige litteratur på dette område tyder på, at børn med autismespektrumforstyrrelse også ofte oplever højere forekomst af kliniske symptomer såsom: B. forskellige typer infektioner, mave-tarmproblemer, kramper og adfærdsproblemer. Disse symptomer er ikke en årsag til autisme, men er almindelige hos børn med autisme, især i en ung alder. Det er derfor, vi blev inspireret til at opsummere den medicinske information for at kvantificere og forudsige denne tilknyttede sandsynlighed."

Qiushi Chen, tilsvarende forfatter, assisterende professor i industri- og produktionsteknik, Penn State College of Engineering

Forskerne fodrede dataene ind i maskinlæringsmodeller og trænede dem til at evaluere hundredvis af variabler for at finde sammenhænge forbundet med en øget sandsynlighed for autismespektrumforstyrrelse.

"Autismespektrumforstyrrelse er en udviklingsforstyrrelse," sagde medforfatter Guodong Liu, lektor i folkesundhedsvidenskab, psykiatri og adfærdsmæssig sundhed og pædiatri ved Penn State College of Medicine. "En læge har brug for observationer og flere undersøgelser for at stille en diagnose. Processen er normalt langvarig, og mange børn savner vinduet for tidlig intervention - den mest effektive måde at forbedre resultaterne på."

Et af de mest almindeligt anvendte screeningsværktøjer til at identificere små børn med en øget sandsynlighed for autismespektrumforstyrrelse er den ændrede tjekliste for autisme hos små børn (M-CHAT), som typisk gives ved rutinemæssige børnebesøg i alderen 18 og 24 måneder. Den består af 20 spørgsmål, der fokuserer på adfærd relateret til øjenkontakt, sociale interaktioner og nogle fysiske milepæle såsom gang. Værger reagerer baseret på deres observationer, men Chen siger, at udviklingen varierer så meget i denne alder, at værktøjet kan fejlidentificere børn. Som et resultat bliver børn ofte ikke formelt diagnosticeret, før de er fire eller fem år gamle, hvilket betyder, at de går glip af potentielle tidlige indgreb i årevis.

"Vores nye model, som kvantificerer summen af ​​identificerede risikofaktorer for at bestemme sandsynlighedsniveauet, er allerede sammenlignelig med, og i nogle tilfælde endda lidt bedre end, det eksisterende screeningsværktøj," sagde Chen. "Hvis vi kombinerer modellen med screeningsværktøjet, har vi en lovende tilgang til klinikere."

Ifølge Liu ville det være praktisk muligt at integrere modellen i screeningsværktøjet til klinisk brug.

"En unik styrke ved dette arbejde er, at denne kliniske informatiktilgang nemt kan integreres i den kliniske arbejdsgang," sagde Liu. "Den forudsigelige model kunne indlejres i et hospitals elektroniske journalsystem, der bruges til at registrere patientens helbred, som et klinisk beslutningsstøtteværktøj til at markere højrisikobørn, så både læger og familier kan handle tidligere."

Dette arbejde, finansieret af National Institutes of Health, Penn State Social Science Research Institute og Penn State College of Engineering, er grundlaget for et nyt stipendium på 460.000 USD til Chen og Whitney Guthrie, klinisk psykolog ved Children's Hospital of Philadelphia Center for Autism Research og assisterende professor i psykiatri og pædiatri ved National Health Institute of Pennsylvania Perelman Institute of Medicine, University of Pennsylvania.

De bruger det nye tilskud til at analysere præcis, hvor godt de kombinerede hospitalsjournaler og screeningsresultater forudsiger autismediagnoser, og de undersøger også andre potentielle screeningsværktøjer, der bedre kan ruste læger til at hjælpe deres patienter.

"Ikke alene savnes mange børn på autismespektret med det nuværende værktøj, men mange børn, der identificeres af vores screeningsværktøjer, har også lange ventelister på grund af vores begrænsede diagnostiske kapacitet," sagde Guthrie. "Selvom M-CHAT opdager mange børn, har den også en meget høj andel af falske positive og falske negative, hvilket betyder, at mange autistiske børn savnes, og andre børn henvises til en autismeevaluering, når de ikke har brug for en. Begge dele." Problemer fører til lange ventetider – ofte mange måneder eller endda år – på yderligere vurdering. Konsekvenserne for børn, som ikke er løst af vores nuværende screeningsværktøjer, er særligt vigtige, da forsinket diagnose ofte resulterer i, at børn helt går glip af vinduet til tidlig indsats. Børnelæger har brug for bedre screeningsværktøjer til præcist at identificere alle børn, der har brug for autismeevaluering så tidligt som muligt."

En del af problemet er det begrænsede antal psykologer, udviklingsbørnlæger og andre pædiatriske udviklingseksperter, som kan stille en diagnose af autismespektrumforstyrrelser. Ifølge Chen kunne løsningen ligge i industriteknik.

"Nøgleideen er at forbedre den måde, vi bruger ressourcer på," sagde Chen. "Med Dr. Guthries kliniske ekspertise og min gruppes modelleringskompetencer ønsker vi at udvikle et værktøj, som primære læger uden specialiseret uddannelse kan bruge til at foretage sikre vurderinger for at diagnosticere børn så tidligt som muligt, så de kan få den pleje, de har brug for så hurtigt som muligt." mulig."

Andre medvirkende forfattere omfatter førsteforfatter Yu-Hsin Chen, en doktorand i industri- og produktionsteknik, som også vil skrive sin afhandling om stipendiet; og medforfatter Lan Kong, professor i folkesundhedsvidenskab ved Penn State College of Medicine.

Kilde:

Penn State

Reference:

Chen, YH., et al. (2022) Tidlig påvisning af autismespektrumforstyrrelse hos små børn gennem maskinlæring ved hjælp af medicinske påstandsdata. BMJ Health and Care Informatics. doi.org/10.1136/bmjhci-2022-100544.

.