Suche
Mein Konto
Sairausvakuutuskorvaustiedot voivat auttaa ennustamaan lasten autismin todennäköisyyttä
Sairausvakuutuskorvaukset voisivat tehdä enemmän kuin vain auttaa maksamaan terveysongelmia; Ne voisivat auttaa ennustamaan niitä Penn Staten monitieteisen tutkimusryhmän uusien löydösten mukaan, jotka on julkaistu BMJ Health & Care Informaticsissa. Tutkijat kehittivät koneoppimismalleja, jotka arvioivat satojen kliinisten muuttujien välisiä suhteita, mukaan lukien lääkärikäynnit ja terveyspalvelut näennäisesti toisiinsa liittymättömissä sairauksissa, ennustaakseen autismikirjon häiriön todennäköisyyttä pienillä lapsilla. Vakuutuskorvaustiedot, jotka on anonymisoitu ja saatavilla laajasti markkinoinnin skannaustietosarjoissa, tarjoavat kattavia, pitkittäisiä lääketieteellisiä tietoja potilaasta. Tämän alan tieteellinen kirjallisuus viittaa siihen, että lapset, joilla on autismikirjon häiriö, ovat myös usein todennäköisemmin...
Sairausvakuutuskorvaustiedot voivat auttaa ennustamaan lasten autismin todennäköisyyttä
Sairausvakuutuskorvaukset voisivat tehdä enemmän kuin vain auttaa maksamaan terveysongelmia; Ne voisivat auttaa ennustamaan niitä Penn Staten monitieteisen tutkimusryhmän uusien löydösten mukaan, jotka on julkaistu BMJ Health & Care Informaticsissa. Tutkijat kehittivät koneoppimismalleja, jotka arvioivat satojen kliinisten muuttujien välisiä suhteita, mukaan lukien lääkärikäynnit ja terveyspalvelut näennäisesti toisiinsa liittymättömissä sairauksissa, ennustaakseen autismikirjon häiriön todennäköisyyttä pienillä lapsilla.
Vakuutuskorvaustiedot, jotka on anonymisoitu ja saatavilla laajasti markkinoinnin skannaustietosarjoissa, tarjoavat kattavia, pitkittäisiä lääketieteellisiä tietoja potilaasta. Tämän alan tieteellinen kirjallisuus viittaa siihen, että lapset, joilla on autismikirjon häiriö, kokevat usein myös korkeampia kliinisiä oireita, kuten: B. erilaisia infektioita, ruoansulatuskanavan ongelmia, kohtauksia ja käyttäytymisongelmia. Nämä oireet eivät ole autismin syy, mutta ne ovat yleisiä autistisilla lapsilla, etenkin nuorella iällä. Siksi saimme inspiraationsa tehdä yhteenveto lääketieteellisistä tiedoista tämän liittyvän todennäköisyyden kvantifioimiseksi ja ennustamiseksi."
Qiushi Chen, vastaava kirjailija, teollisuus- ja valmistustekniikan apulaisprofessori, Penn State College of Engineering
Tutkijat syöttivät tiedot koneoppimismalleihin ja kouluttivat niitä arvioimaan satoja muuttujia löytääkseen korrelaatioita, jotka liittyvät autismikirjon häiriön lisääntyneeseen todennäköisyyteen.
"Autismikirjon häiriö on kehityshäiriö", sanoi toinen kirjoittaja Guodong Liu, kansanterveystieteiden, psykiatrian ja käyttäytymisterveyden sekä pediatrian apulaisprofessori Penn State College of Medicinen. "Lääkäri tarvitsee havaintoja ja useita tutkimuksia tehdäkseen diagnoosin. Prosessi on yleensä pitkä ja monet lapset kaipaavat varhaisen puuttumisen ikkunaa - tehokkain tapa parantaa tuloksia."
Yksi yleisimmin käytetyistä seulontatyökaluista pienten lasten tunnistamiseksi, joilla on lisääntynyt autismikirjon häiriön todennäköisyys, on Modified Checklist for Autism in Young Children (M-CHAT), joka annetaan tyypillisesti rutiinikäynneillä 18 ja 24 kuukauden iässä. Se koostuu 20 kysymyksestä, jotka keskittyvät katsekontaktiin, sosiaaliseen vuorovaikutukseen ja joihinkin fyysisiin virstanpylväisiin, kuten kävelyyn, liittyvään käyttäytymiseen. Huoltajat vastaavat havaintojensa perusteella, mutta Chen sanoo, että kehitys vaihtelee tässä iässä niin paljon, että työkalu voi tunnistaa lapset väärin. Tämän seurauksena lapsia ei usein diagnosoida virallisesti ennen kuin he ovat neljän tai viiden vuoden ikäisiä, mikä tarkoittaa, että he menettävät mahdolliset varhaiset interventiot vuosia.
"Uusi mallimme, joka kvantifioi tunnistettujen riskitekijöiden summan todennäköisyystason määrittämiseksi, on jo verrattavissa nykyiseen seulontatyökaluun ja joissakin tapauksissa jopa hieman parempi kuin se", Chen sanoi. "Jos yhdistämme mallin seulontatyökaluun, meillä on lupaava lähestymistapa kliinikoille."
Liun mukaan malli olisi käytännössä mahdollista integroida seulontatyökaluun kliiniseen käyttöön.
"Tämän työn ainutlaatuinen vahvuus on, että tämä kliinisen informatiikan lähestymistapa voidaan helposti integroida kliiniseen työnkulkuun", Liu sanoi. "Ennustava malli voitaisiin upottaa sairaalan sähköiseen sairauskertomusjärjestelmään, jota voidaan käyttää potilaan terveyden kirjaamiseen kliinisen päätöksenteon tukityökaluna, jolla voidaan ilmoittaa riskialttiit lapset, jolloin sekä lääkärit että perheet voivat ryhtyä toimiin aikaisemmin."
Tämä National Institutes of Healthin, Penn State Social Science Research Instituten ja Penn State College of Engineeringin rahoittama työ on perustana uudelle 460 000 dollarin apurahalle Chen ja Whitney Guthrielle, kliiniselle psykologille Philadelphian lastensairaalassa Autismin tutkimuskeskuksessa ja psykiatrian ja Permanylvanylin yliopiston Permanylvanylin yliopiston psykiatrian ja pediatrian koulun apulaisprofessorille. Mielenterveys.
He käyttävät uutta apurahaa analysoidakseen tarkalleen, kuinka hyvin yhdistetyt sairaalatiedot ja seulontatulokset ennustavat autismidiagnooseja, ja tutkivat myös muita mahdollisia seulontatyökaluja, jotka voisivat paremmin varustaa lääkäreitä auttamaan potilaitaan.
"Monien autismiin kuuluvien lasten ei vain jää huomaamatta nykyisellä työkalulla, mutta monilla seulontatyökaluillamme tunnistetuilla lapsilla on myös pitkät jonotuslistat rajallisen diagnostiikkakapasiteettimme vuoksi", Guthrie sanoi. "Vaikka M-CHAT havaitsee monia lapsia, siinä on myös erittäin suuri määrä vääriä positiivisia ja vääriä negatiivisia, mikä tarkoittaa, että monet autistiset lapset jäävät väliin ja muut lapset ohjataan autismiarviointiin, kun he eivät tarvitse sitä. Molemmat." Ongelmat johtavat pitkiin odotuksiin – usein useita kuukausia tai jopa vuosia – lisäarviointia varten. Lapsille aiheutuvat seuraukset, joihin nykyiset seulontatyökalumme eivät puutu, ovat erityisen tärkeitä, koska viivästynyt diagnoosi johtaa usein siihen, että lapset jäävät kokonaan varhaiseen puuttumiseen. Lastenlääkärit tarvitsevat parempia seulontatyökaluja tunnistaakseen tarkasti kaikki lapset, jotka tarvitsevat autismin arviointia mahdollisimman varhaisessa vaiheessa.
Osa ongelmaa on rajallinen määrä psykologeja, kehityspedialaisia ja muita lasten kehitysasiantuntijoita, jotka voivat tehdä diagnoosin autismikirjon häiriöstä. Chenin mukaan ratkaisu voisi olla teollisuustekniikassa.
"Tärkein idea on parantaa tapaamme käyttää resursseja", Chen sanoi. "Tohtori Guthrien kliinisen asiantuntemuksen ja ryhmäni mallintamistaitojen avulla haluamme kehittää työkalun, jonka avulla perusterveydenhuollon lääkärit, joilla ei ole erityiskoulutusta, voivat tehdä varmoja arvioita lasten diagnoosin löytämiseksi mahdollisimman varhaisessa vaiheessa, jotta he voivat saada tarvitsemaansa hoitoa mahdollisimman nopeasti." mahdollista."
Muita avustavia tekijöitä ovat ensimmäinen kirjoittaja Yu-Hsin Chen, teollisuus- ja valmistustekniikan tohtoriopiskelija, joka myös kirjoittaa väitöskirjansa apurahasta; ja toinen kirjoittaja Lan Kong, kansanterveystieteen professori Penn State College of Medicine -yliopistossa.
Lähde:
Viite:
Chen, YH., et ai. (2022) Pienten lasten autismikirjon häiriön varhainen havaitseminen koneoppimisen avulla lääketieteellisten väitteiden avulla. BMJ Terveyden ja terveydenhuollon informatiikka. doi.org/10.1136/bmjhci-2022-100544.
.