Τα δεδομένα αξιώσεων ασφάλισης υγείας μπορούν να βοηθήσουν στην πρόβλεψη της πιθανότητας αυτισμού στα παιδιά

Τα δεδομένα αξιώσεων ασφάλισης υγείας μπορούν να βοηθήσουν στην πρόβλεψη της πιθανότητας αυτισμού στα παιδιά

Οι αξιώσεις ασφάλισης υγείας θα μπορούσαν να κάνουν περισσότερα από απλώς να βοηθήσουν στην πληρωμή για προβλήματα υγείας. Θα μπορούσαν να βοηθήσουν στην πρόβλεψή τους, σύμφωνα με νέα ευρήματα από μια διεπιστημονική ερευνητική ομάδα του Penn State που δημοσιεύτηκε στο BMJ Health & Care Informatics. Οι ερευνητές ανέπτυξαν μοντέλα μηχανικής μάθησης που αξιολογούν τις σχέσεις μεταξύ εκατοντάδων κλινικών μεταβλητών, συμπεριλαμβανομένων των επισκέψεων σε γιατρό και των υπηρεσιών υγείας για φαινομενικά άσχετες καταστάσεις, για να προβλέψουν την πιθανότητα διαταραχής του φάσματος του αυτισμού σε μικρά παιδιά.

Τα δεδομένα ασφαλιστικών απαιτήσεων, ανώνυμα και ευρέως διαθέσιμα σε σύνολα δεδομένων σάρωσης μάρκετινγκ, παρέχουν ολοκληρωμένες, διαχρονικές ιατρικές λεπτομέρειες για τον ασθενή. Η επιστημονική βιβλιογραφία σε αυτόν τον τομέα υποδηλώνει ότι τα παιδιά με διαταραχή του φάσματος του αυτισμού συχνά εμφανίζουν επίσης υψηλότερα ποσοστά κλινικών συμπτωμάτων όπως: Β. διαφόρων ειδών λοιμώξεις, γαστρεντερικά προβλήματα, επιληπτικές κρίσεις και προβλήματα συμπεριφοράς. Αυτά τα συμπτώματα δεν αποτελούν αιτία αυτισμού, αλλά είναι κοινά σε παιδιά με αυτισμό, ιδιαίτερα σε νεαρή ηλικία. Αυτός είναι ο λόγος για τον οποίο εμπνευστήκαμε να συνοψίσουμε τις ιατρικές πληροφορίες για να ποσοτικοποιήσουμε και να προβλέψουμε αυτή τη σχετική πιθανότητα».

Qiushi Chen, αντίστοιχος συγγραφέας, επίκουρος καθηγητής βιομηχανικής και κατασκευαστικής μηχανικής, Penn State College of Engineering

Οι ερευνητές τροφοδότησαν τα δεδομένα σε μοντέλα μηχανικής μάθησης και τα εκπαίδευσαν να αξιολογούν εκατοντάδες μεταβλητές για να βρουν συσχετίσεις που σχετίζονται με αυξημένη πιθανότητα διαταραχής του φάσματος του αυτισμού.

«Η διαταραχή του φάσματος του αυτισμού είναι μια αναπτυξιακή διαταραχή», δήλωσε ο συν-συγγραφέας Guodong Liu, αναπληρωτής καθηγητής των επιστημών δημόσιας υγείας, της ψυχιατρικής και της υγείας συμπεριφοράς και της παιδιατρικής στο Penn State College of Medicine. "Ένας γιατρός χρειάζεται παρατηρήσεις και πολλαπλές εξετάσεις για να κάνει μια διάγνωση. Η διαδικασία είναι συνήθως χρονοβόρα και πολλά παιδιά χάνουν το παράθυρο για έγκαιρη παρέμβαση - τον πιο αποτελεσματικό τρόπο βελτίωσης των αποτελεσμάτων."

Ένα από τα πιο συχνά χρησιμοποιούμενα εργαλεία προσυμπτωματικού ελέγχου για τον εντοπισμό μικρών παιδιών με αυξημένη πιθανότητα διαταραχής του φάσματος του αυτισμού είναι η Τροποποιημένη λίστα ελέγχου για τον αυτισμό σε μικρά παιδιά (M-CHAT), η οποία δίνεται συνήθως σε συνήθεις επισκέψεις σε παιδιά ηλικίας 18 και 24 μηνών. Αποτελείται από 20 ερωτήσεις που εστιάζουν σε συμπεριφορές που σχετίζονται με την οπτική επαφή, τις κοινωνικές αλληλεπιδράσεις και ορισμένα φυσικά ορόσημα όπως το περπάτημα. Οι κηδεμόνες απαντούν με βάση τις παρατηρήσεις τους, αλλά ο Τσεν λέει ότι η ανάπτυξη ποικίλλει τόσο πολύ σε αυτή την ηλικία που το εργαλείο μπορεί να προσδιορίσει εσφαλμένα τα παιδιά. Ως αποτέλεσμα, τα παιδιά συχνά δεν διαγιγνώσκονται επίσημα μέχρι την ηλικία των τεσσάρων ή πέντε ετών, που σημαίνει ότι χάνουν πιθανές πρώιμες παρεμβάσεις για χρόνια.

«Το νέο μας μοντέλο, το οποίο ποσοτικοποιεί το άθροισμα των αναγνωρισμένων παραγόντων κινδύνου για τον προσδιορισμό του επιπέδου πιθανότητας, είναι ήδη συγκρίσιμο και σε ορισμένες περιπτώσεις ακόμη και ελαφρώς καλύτερο από το υπάρχον εργαλείο ελέγχου», είπε ο Τσεν. «Αν συνδυάσουμε το μοντέλο με το εργαλείο προσυμπτωματικού ελέγχου, έχουμε μια πολλά υποσχόμενη προσέγγιση για τους κλινικούς γιατρούς».

Σύμφωνα με τον Liu, θα ήταν πρακτικά εφικτό να ενσωματωθεί το μοντέλο στο εργαλείο προσυμπτωματικού ελέγχου για κλινική χρήση.

"Μια μοναδική δύναμη αυτής της εργασίας είναι ότι αυτή η προσέγγιση κλινικής πληροφορικής μπορεί εύκολα να ενσωματωθεί στη ροή κλινικών εργασιών", είπε ο Liu. «Το προγνωστικό μοντέλο θα μπορούσε να ενσωματωθεί στο ηλεκτρονικό σύστημα ιατρικών αρχείων ενός νοσοκομείου, που χρησιμοποιείται για την καταγραφή της υγείας των ασθενών, ως εργαλείο υποστήριξης κλινικών αποφάσεων για την επισήμανση των παιδιών υψηλού κινδύνου, επιτρέποντας τόσο στους γιατρούς όσο και στις οικογένειες να αναλάβουν δράση νωρίτερα».

Αυτή η εργασία, που χρηματοδοτείται από τα Εθνικά Ινστιτούτα Υγείας, το Ερευνητικό Ινστιτούτο Κοινωνικής Επιστήμης του Penn State και το Κολέγιο Μηχανικών του Penn State, είναι η βάση για μια νέα επιχορήγηση 460.000 δολαρίων στον Chen και τη Whitney Guthrie, κλινική ψυχολόγο στο Κέντρο Έρευνας Αυτισμού Παίδων στο Νοσοκομείο Παίδων της Φιλαδέλφειας και επίκουρη καθηγήτρια ψυχιατρικής στο University of Pediatrics School of Pervanine. Ινστιτούτο Ψυχικής Υγείας.

Χρησιμοποιούν τη νέα επιχορήγηση για να αναλύσουν ακριβώς πόσο καλά τα συνδυασμένα νοσοκομειακά αρχεία και τα αποτελέσματα προσυμπτωματικού ελέγχου προβλέπουν διαγνώσεις αυτισμού και επίσης διερευνούν άλλα πιθανά εργαλεία προσυμπτωματικού ελέγχου που θα μπορούσαν να εξοπλίσουν καλύτερα τους γιατρούς για να βοηθήσουν τους ασθενείς τους.

«Όχι μόνο χάνονται πολλά παιδιά στο φάσμα του αυτισμού με το τρέχον εργαλείο, αλλά πολλά παιδιά που αναγνωρίζονται από τα εργαλεία προσυμπτωματικού ελέγχου μας έχουν επίσης μεγάλες λίστες αναμονής λόγω της περιορισμένης διαγνωστικής μας ικανότητας», είπε ο Γκάθρι. "Αν και το M-CHAT ανιχνεύει πολλά παιδιά, έχει επίσης πολύ υψηλό ποσοστό ψευδώς θετικών και ψευδώς αρνητικών, που σημαίνει ότι πολλά αυτιστικά παιδιά χάνονται και άλλα παιδιά παραπέμπονται για αξιολόγηση αυτισμού όταν δεν χρειάζονται. Και τα δύο." Τα προβλήματα οδηγούν σε μεγάλες αναμονές –συχνά πολλούς μήνες ή και χρόνια– για περαιτέρω αξιολόγηση. Οι συνέπειες για τα παιδιά που δεν αντιμετωπίζονται από τα τρέχοντα εργαλεία προσυμπτωματικού ελέγχου μας είναι ιδιαίτερα σημαντικές, καθώς η καθυστερημένη διάγνωση συχνά έχει ως αποτέλεσμα τα παιδιά να χάνουν εντελώς το παράθυρο για έγκαιρη παρέμβαση. Οι παιδίατροι χρειάζονται καλύτερα εργαλεία προσυμπτωματικού ελέγχου για να εντοπίσουν με ακρίβεια όλα τα παιδιά που χρειάζονται αξιολόγηση του αυτισμού όσο το δυνατόν νωρίτερα».

Μέρος του προβλήματος είναι ο περιορισμένος αριθμός ψυχολόγων, αναπτυξιακών παιδιάτρων και άλλων ειδικών στην παιδιατρική ανάπτυξη που μπορούν να κάνουν διάγνωση διαταραχής του φάσματος του αυτισμού. Σύμφωνα με τον Chen, η λύση θα μπορούσε να βρίσκεται στη βιομηχανική μηχανική.

«Η βασική ιδέα είναι να βελτιώσουμε τον τρόπο που χρησιμοποιούμε τους πόρους», είπε ο Τσεν. «Με την κλινική τεχνογνωσία του Dr. Guthrie και τις δεξιότητες της ομάδας μου στο μοντέλο, θέλουμε να αναπτύξουμε ένα εργαλείο που οι γιατροί πρωτοβάθμιας περίθαλψης χωρίς εξειδικευμένη εκπαίδευση μπορούν να χρησιμοποιήσουν για να κάνουν σίγουρες αξιολογήσεις για τη διάγνωση των παιδιών όσο το δυνατόν νωρίτερα, ώστε να λάβουν τη φροντίδα που χρειάζονται όσο το δυνατόν γρηγορότερα». δυνατός."

Άλλοι συνεισφέροντες συγγραφείς περιλαμβάνουν την πρώτη συγγραφέα Yu-Hsin Chen, μια διδακτορική φοιτήτρια στη βιομηχανική και κατασκευαστική μηχανική που θα γράψει επίσης τη διατριβή της σχετικά με την υποτροφία. και συν-συγγραφέας Lan Kong, καθηγητής επιστημών δημόσιας υγείας στο Penn State College of Medicine.

Πηγή:

Penn State

Αναφορά:

Chen, YH., et αϊ. (2022) Πρώιμη ανίχνευση της διαταραχής του φάσματος του αυτισμού σε μικρά παιδιά μέσω της μηχανικής μάθησης χρησιμοποιώντας δεδομένα ιατρικών ισχυρισμών. BMJ Health and Care Informatics. doi.org/10.1136/bmjhci-2022-100544.

.