Los datos sobre reclamaciones de seguros médicos pueden ayudar a predecir la probabilidad de autismo en los niños

Los datos sobre reclamaciones de seguros médicos pueden ayudar a predecir la probabilidad de autismo en los niños

Las reclamaciones de seguros médicos podrían hacer más que solo ayudar a pagar problemas de salud; Podrían ayudar a predecirlos, según nuevos hallazgos de un equipo de investigación interdisciplinario de Penn State publicado en BMJ Health & Care Informatics. Los investigadores desarrollaron modelos de aprendizaje automático que evalúan las relaciones entre cientos de variables clínicas, incluidas las visitas al médico y los servicios de salud para afecciones aparentemente no relacionadas, para predecir la probabilidad de sufrir un trastorno del espectro autista en niños pequeños.

Los datos de reclamaciones de seguros, anonimizados y ampliamente disponibles en conjuntos de datos de análisis de marketing, proporcionan detalles médicos integrales y longitudinales sobre el paciente. La literatura científica en esta área sugiere que los niños con trastorno del espectro autista también suelen experimentar tasas más altas de síntomas clínicos como: B. diversos tipos de infecciones, problemas gastrointestinales, convulsiones y problemas de conducta. Estos síntomas no son una causa del autismo, pero son comunes en los niños con autismo, especialmente a una edad temprana. Por eso nos inspiramos a resumir la información médica para cuantificar y predecir esta probabilidad asociada”.

Qiushi Chen, autor correspondiente, profesor asistente de ingeniería industrial y de fabricación, Facultad de Ingeniería de Penn State

Los investigadores introdujeron los datos en modelos de aprendizaje automático y los entrenaron para evaluar cientos de variables y encontrar correlaciones asociadas con una mayor probabilidad de sufrir un trastorno del espectro autista.

"El trastorno del espectro autista es un trastorno del desarrollo", dijo el coautor Guodong Liu, profesor asociado de ciencias de la salud pública, de psiquiatría y salud conductual y de pediatría en la Facultad de Medicina de Penn State. "Un médico necesita observaciones y múltiples exámenes para hacer un diagnóstico. El proceso suele ser largo y muchos niños pierden el momento de la intervención temprana, la forma más eficaz de mejorar los resultados".

Una de las herramientas de detección más utilizadas para identificar a los niños pequeños con una mayor probabilidad de sufrir un trastorno del espectro autista es la Lista de verificación modificada para el autismo en niños pequeños (M-CHAT), que generalmente se administra en las visitas de rutina a los niños de 18 y 24 meses de edad. Consta de 20 preguntas que se centran en comportamientos relacionados con el contacto visual, las interacciones sociales y algunos hitos físicos como caminar. Los tutores responden basándose en sus observaciones, pero Chen dice que el desarrollo varía tanto a esta edad que la herramienta puede identificar erróneamente a los niños. Como resultado, los niños a menudo no son diagnosticados formalmente hasta que tienen cuatro o cinco años, lo que significa que se pierden posibles intervenciones tempranas durante años.

"Nuestro nuevo modelo, que cuantifica la suma de los factores de riesgo identificados para determinar el nivel de probabilidad, ya es comparable y, en algunos casos, incluso ligeramente mejor que la herramienta de detección existente", dijo Chen. "Si combinamos el modelo con la herramienta de detección, tenemos un enfoque prometedor para los médicos".

Según Liu, sería prácticamente factible integrar el modelo en la herramienta de detección para uso clínico.

"Una fortaleza única de este trabajo es que este enfoque de informática clínica se puede integrar fácilmente en el flujo de trabajo clínico", dijo Liu. "El modelo predictivo podría integrarse en el sistema de registros médicos electrónicos de un hospital, utilizado para registrar la salud del paciente, como una herramienta de apoyo a la toma de decisiones clínicas para detectar a los niños de alto riesgo, permitiendo que tanto los médicos como las familias tomen medidas antes".

Este trabajo, financiado por los Institutos Nacionales de Salud, el Instituto de Investigación de Ciencias Sociales de Penn State y la Facultad de Ingeniería de Penn State, es la base para una nueva subvención de 460.000 dólares para Chen y Whitney Guthrie, psicólogo clínico del Centro de Investigación del Autismo del Hospital Infantil de Filadelfia y profesor asistente de psiquiatría y pediatría en la Facultad de Medicina Perelman de la Universidad de Pensilvania en el Instituto Nacional de Salud Mental.

Están utilizando la nueva subvención para analizar exactamente qué tan bien los registros hospitalarios combinados y los resultados de las pruebas de detección predicen los diagnósticos de autismo, y también están explorando otras posibles herramientas de detección que podrían equipar mejor a los médicos para ayudar a sus pacientes.

"La herramienta actual no sólo no detecta a muchos niños en el espectro del autismo, sino que muchos niños identificados por nuestras herramientas de detección también tienen largas listas de espera debido a nuestra limitada capacidad de diagnóstico", dijo Guthrie. "Aunque el M-CHAT detecta muchos niños, también tiene una tasa muy alta de falsos positivos y falsos negativos, lo que significa que muchos niños autistas no se detectan y otros niños son remitidos para una evaluación de autismo cuando no la necesitan. Ambas cosas". Los problemas provocan largas esperas (a menudo de muchos meses o incluso años) para realizar una evaluación adicional. Las consecuencias para los niños que no son abordadas por nuestras herramientas de detección actuales son particularmente importantes, ya que el retraso en el diagnóstico a menudo hace que los niños pierdan por completo la oportunidad de una intervención temprana. Los pediatras necesitan mejores herramientas de detección para identificar con precisión a todos los niños que necesitan una evaluación del autismo lo antes posible”.

Parte del problema es el número limitado de psicólogos, pediatras del desarrollo y otros expertos en desarrollo pediátrico que pueden hacer un diagnóstico de trastorno del espectro autista. Según Chen, la solución podría estar en la ingeniería industrial.

"La idea clave es mejorar la forma en que utilizamos los recursos", afirmó Chen. "Con la experiencia clínica del Dr. Guthrie y las habilidades de modelado de mi grupo, queremos desarrollar una herramienta que los médicos de atención primaria sin capacitación especializada puedan utilizar para realizar evaluaciones seguras para diagnosticar a los niños lo antes posible para que puedan recibir la atención que necesitan lo más rápido posible". posible."

Otros autores contribuyentes incluyen al primer autor Yu-Hsin Chen, estudiante de doctorado en ingeniería industrial y de fabricación que también escribirá su tesis sobre la beca; y el coautor Lan Kong, profesor de ciencias de la salud pública en la Facultad de Medicina de Penn State.

Fuente:

Estado de Pensilvania

Referencia:

Chen, YH., et al. (2022) Detección temprana del trastorno del espectro autista en niños pequeños mediante el aprendizaje automático utilizando datos de reclamaciones médicas. BMJ Informática de salud y atención. doi.org/10.1136/bmjhci-2022-100544.

.