Podaci o zahtjevima za zdravstveno osiguranje mogu pomoći u predviđanju vjerojatnosti autizma kod djece

Podaci o zahtjevima za zdravstveno osiguranje mogu pomoći u predviđanju vjerojatnosti autizma kod djece

Zahtjevi za zdravstveno osiguranje mogli bi učiniti više od samo pomoći u plaćanju zdravstvenih problema; Oni bi mogli pomoći u njihovom predviđanju, prema novim nalazima interdisciplinarnog istraživačkog tima Penn Statea objavljenim u BMJ Health & Care Informatics. Istraživači su razvili modele strojnog učenja koji procjenjuju odnose između stotina kliničkih varijabli, uključujući posjete liječniku i zdravstvene usluge za naizgled nepovezana stanja, kako bi predvidjeli vjerojatnost poremećaja iz spektra autizma kod male djece.

Podaci o zahtjevima za osiguranje, anonimizirani i široko dostupni u skupovima podataka marketinškog skeniranja, pružaju sveobuhvatne, longitudinalne medicinske pojedinosti o pacijentu. Znanstvena literatura u ovom području sugerira da djeca s poremećajem iz spektra autizma također često imaju veće stope kliničkih simptoma kao što su: B. razne vrste infekcija, gastrointestinalni problemi, napadaji i problemi u ponašanju. Ovi simptomi nisu uzrok autizma, ali su česti kod djece s autizmom, osobito u ranoj dobi. Zato smo bili nadahnuti sažeti medicinske podatke kako bismo kvantificirali i predvidjeli ovu povezanu vjerojatnost."

Qiushi Chen, dopisni autor, docent industrijskog i proizvodnog inženjerstva, Penn State College of Engineering

Istraživači su unijeli podatke u modele strojnog učenja i obučili ih da procijene stotine varijabli kako bi pronašli korelacije povezane s povećanom vjerojatnošću poremećaja iz autističnog spektra.

"Poremećaj autističnog spektra je razvojni poremećaj", rekao je koautor Guodong Liu, izvanredni profesor znanosti o javnom zdravlju, psihijatrije i bihevioralnog zdravlja te pedijatrije na Penn State College of Medicine. "Liječnik treba promatranje i više pregleda kako bi postavio dijagnozu. Proces je obično dugotrajan i mnoga djeca propuštaju prozor za ranu intervenciju - najučinkovitiji način za poboljšanje ishoda."

Jedan od najčešće korištenih alata za probir za identifikaciju male djece s povećanom vjerojatnošću poremećaja iz spektra autizma je Modificirani kontrolni popis za autizam kod male djece (M-CHAT), koji se obično daje pri rutinskim posjetima djetetu u dobi od 18 i 24 mjeseca. Sastoji se od 20 pitanja koja se usredotočuju na ponašanja vezana uz kontakt očima, društvene interakcije i neke fizičke prekretnice kao što je hodanje. Skrbnici odgovaraju na temelju svojih zapažanja, ali Chen kaže da razvoj toliko varira u ovoj dobi da alat može pogrešno identificirati djecu. Kao rezultat toga, djeci se često službeno ne postavlja dijagnoza sve dok ne navrše četiri ili pet godina, što znači da godinama propuštaju potencijalne rane intervencije.

"Naš novi model, koji kvantificira zbroj identificiranih čimbenika rizika za određivanje razine vjerojatnosti, već je usporediv s, au nekim slučajevima čak i malo bolji od postojećeg alata za provjeru", rekao je Chen. "Ako kombiniramo model s alatom za probir, imamo pristup koji obećava za kliničare."

Prema Liuu, bilo bi praktično izvedivo integrirati model u alat za probir za kliničku upotrebu.

"Jedinstvena snaga ovog rada je u tome što se ovaj pristup kliničke informatike može lako integrirati u klinički tijek rada", rekao je Liu. "Model predviđanja mogao bi se ugraditi u bolnički elektronički sustav medicinskih zapisa, koristiti za bilježenje zdravlja pacijenata, kao klinički alat za podršku odlučivanju za označavanje visokorizične djece, omogućujući i liječnicima i obiteljima da ranije poduzmu mjere."

Ovaj rad, financiran od strane Nacionalnog instituta za zdravlje, Instituta za istraživanje društvenih znanosti Penn State i Penn State College of Engineering, osnova je za novu potporu od 460.000 dolara Chenu i Whitney Guthrie, kliničkim psiholozima u Centru za istraživanje autizma Dječje bolnice u Philadelphiji i docentima psihijatrije i pedijatrije na Medicinskom fakultetu Sveučilišta Pennsylvania Perelman u Nacionalni institut za mentalno zdravlje.

Oni koriste novu potporu kako bi točno analizirali koliko dobro kombinirani bolnički kartoni i rezultati probira predviđaju dijagnozu autizma, a također istražuju druge potencijalne alate za probir koji bi mogli bolje opremiti liječnike da pomognu svojim pacijentima.

"Ne samo da su mnoga djeca iz spektra autizma propuštena s trenutnim alatom, već mnoga djeca identificirana našim alatima za probir također imaju duge liste čekanja zbog naših ograničenih dijagnostičkih kapaciteta", rekao je Guthrie. "Iako M-CHAT detektira mnogo djece, također ima vrlo visoku stopu lažno pozitivnih i lažno negativnih rezultata, što znači da su mnoga autistična djeca propuštena i da se druga djeca upućuju na procjenu autizma kada im nije potrebna. I jedno i drugo." Problemi dovode do dugog čekanja – često više mjeseci ili čak godina – za daljnju procjenu. Posljedice za djecu koje se ne rješavaju našim trenutnim alatima za probir posebno su važne, jer odgođena dijagnoza često rezultira time da djeca potpuno propuste prozor za ranu intervenciju. Pedijatri trebaju bolje alate za probir kako bi točno identificirali svu djecu kojoj je potrebna procjena autizma što je ranije moguće.”

Dio problema je ograničen broj psihologa, razvojnih pedijatara i drugih stručnjaka za dječji razvoj koji mogu postaviti dijagnozu poremećaja iz spektra autizma. Prema Chenu, rješenje bi moglo biti u industrijskom inženjerstvu.

"Ključna ideja je poboljšati način na koji koristimo resurse", rekao je Chen. "S kliničkom stručnošću dr. Guthrieja i vještinama modeliranja moje grupe, želimo razviti alat koji liječnici primarne zdravstvene zaštite bez specijalizirane obuke mogu koristiti za izradu pouzdanih procjena za dijagnosticiranje djece što je ranije moguće kako bi mogli dobiti njegu koja im je potrebna što je brže moguće." moguće."

Ostali autori koji doprinose uključuju prvu autoricu Yu-Hsin Chen, doktorandicu industrijskog i proizvodnog inženjerstva koja će također napisati svoju disertaciju o stipendiji; i koautor Lan Kong, profesor znanosti o javnom zdravstvu na Penn State College of Medicine.

Izvor:

Penn State

Referenca:

Chen, YH., et al. (2022) Rano otkrivanje poremećaja autističnog spektra u male djece pomoću strojnog učenja korištenjem podataka medicinskih tvrdnji. BMJ Informatika u zdravstvu i njezi. doi.org/10.1136/bmjhci-2022-100544.

.