Az egészségbiztosítási kárigényekre vonatkozó adatok segíthetnek megjósolni a gyermekek autizmusának valószínűségét

Az egészségbiztosítási kárigényekre vonatkozó adatok segíthetnek megjósolni a gyermekek autizmusának valószínűségét

Az egészségbiztosítási igények többet jelenthetnek, mint pusztán az egészségügyi problémák kifizetését; A Penn State interdiszciplináris kutatócsoportjának új eredményei szerint segíthetnek megjósolni őket. A kutatók gépi tanulási modelleket fejlesztettek ki, amelyek több száz klinikai változó, köztük az orvoslátogatások és az egészségügyi szolgáltatások közötti összefüggéseket értékelik a látszólag független állapotok esetén, hogy megjósolják az autizmus spektrumzavar valószínűségét kisgyermekeknél.

A biztosítási kárigények anonimizált és a marketing szkennelési adatkészletekben széles körben elérhető adatai átfogó, longitudinális egészségügyi adatokat nyújtanak a páciensről. Az e területre vonatkozó tudományos irodalom azt sugallja, hogy az autizmus spektrumzavarban szenvedő gyermekek gyakran tapasztalnak nagyobb arányban olyan klinikai tüneteket, mint például: B. különböző típusú fertőzések, gyomor-bélrendszeri problémák, görcsrohamok és viselkedési problémák. Ezek a tünetek nem az autizmus okai, de gyakoriak az autista gyermekeknél, különösen fiatal korban. Ezért kaptunk inspirációt, hogy összefoglaljuk az orvosi információkat, hogy számszerűsítsük és előre jelezzük ezt a kapcsolódó valószínűséget.”

Qiushi Chen, a megfelelő szerző, az ipari és gyártómérnöki adjunktus, Penn State College of Engineering

A kutatók az adatokat betáplálták a gépi tanulási modellekbe, és több száz változó értékelésére képezték ki őket, hogy megtalálják az autizmus spektrumzavar megnövekedett valószínűségével kapcsolatos összefüggéseket.

"Az autizmus spektrumzavar egy fejlődési rendellenesség" - mondta Guodong Liu társszerző, a Penn State College of Medicine közegészségügyi, pszichiátriai és viselkedés-egészségügyi, valamint gyermekgyógyászati ​​docense. "Az orvosnak megfigyelésekre és többszöri vizsgálatra van szüksége a diagnózis felállításához. A folyamat általában hosszadalmas, és sok gyerek elmulasztja a korai beavatkozást – ez a leghatékonyabb módja az eredmények javításának."

Az egyik leggyakrabban használt szűrőeszköz az autizmus spektrumzavar megnövekedett valószínűségű kisgyermekek azonosítására a Modified Checklist for Autism in Young Children (M-CHAT), amelyet jellemzően 18 és 24 hónapos korban, rutin gyermeklátogatáskor adnak meg. 20 kérdésből áll, amelyek a szemkontaktushoz, a szociális interakciókhoz és néhány fizikai mérföldkőhöz, például a gyalogláshoz kapcsolódó viselkedésekre összpontosítanak. A gyámok a megfigyeléseik alapján válaszolnak, de Chen szerint a fejlődés annyira változó ebben a korban, hogy az eszköz tévesen azonosíthatja a gyerekeket. Ennek eredményeként a gyerekeket gyakran csak négy-öt éves korukig diagnosztizálják formálisan, ami azt jelenti, hogy évekig kimaradnak a lehetséges korai beavatkozásokból.

"Az új modellünk, amely számszerűsíti az azonosított kockázati tényezők összegét a valószínűségi szint meghatározásához, már összevethető a meglévő szűrési eszközzel, és bizonyos esetekben még valamivel jobb is, mint az" - mondta Chen. "Ha a modellt a szűrőeszközzel kombináljuk, ígéretes megközelítést kínálunk a klinikusok számára."

Liu szerint gyakorlatilag megvalósítható lenne a modell integrálása a klinikai felhasználású szűrőeszközbe.

"E munka egyedülálló erőssége, hogy ez a klinikai informatikai megközelítés könnyen integrálható a klinikai munkafolyamatba" - mondta Liu. "A prediktív modell beágyazható a kórház elektronikus kórlaprendszerébe, és a betegek egészségi állapotának rögzítésére használható klinikai döntéstámogató eszközként a magas kockázatú gyermekek megjelölésére, lehetővé téve az orvosok és a családok számára, hogy korábban intézkedjenek."

Ez a munka, amelyet a National Institutes of Health, a Penn State Társadalomtudományi Kutatóintézet és a Penn State College of Engineering finanszírozott, az alapja egy új, 460 000 dolláros támogatásnak Chen és Whitney Guthrie számára, a Philadelphiai Gyermekkórház Autizmuskutató Központjának klinikai pszichológusának és a Pennía Permanylvanyli Egyetem Pszichiátriai és Gyermekgyógyászati Intézetének adjunktusának. Mentális egészség.

Az új támogatás segítségével pontosan elemzik, hogy a kombinált kórházi nyilvántartások és szűrési eredmények mennyire jósolják meg az autizmus diagnózisát, és más lehetséges szűrési eszközöket is feltárnak, amelyek jobban felkészíthetik az orvosokat betegeik segítésére.

"Nemcsak sok autizmus spektrumú gyermek hiányzik a jelenlegi eszközzel, de sok szűrőeszközeink által azonosított gyermeknek is hosszú várólistái vannak korlátozott diagnosztikai kapacitásunk miatt" - mondta Guthrie. "Bár az M-CHAT sok gyermeket észlel, nagyon magas a hamis pozitív és hamis negatívok aránya is, ami azt jelenti, hogy sok autista gyermeket kihagynak, és más gyerekeket beutalnak autista értékelésre, amikor nincs rá szükségük. Mindkettőt." A problémák hosszan – gyakran több hónapig vagy akár évekig – várnak a további értékelésre. Különösen fontosak azok a gyermekekre vonatkozó következmények, amelyekkel jelenlegi szűrőeszközeink nem foglalkoznak, mivel a késleltetett diagnózis gyakran azt eredményezi, hogy a gyermekek teljesen elmulasztják a korai beavatkozás előtti ablakot. A gyermekorvosoknak jobb szűrőeszközökre van szükségük ahhoz, hogy a lehető legkorábban pontosan azonosítsák azokat a gyermekeket, akiknek szükségük van autizmus értékelésére."

A probléma része a pszichológusok, fejlesztő gyermekorvosok és más gyermekfejlesztési szakértők korlátozott száma, akik képesek felállítani az autizmus spektrum zavart. Chen szerint a megoldás az ipari gépészetben rejlik.

„A legfontosabb ötlet az, hogy javítsuk az erőforrások felhasználási módját” – mondta Chen. "Dr. Guthrie klinikai szakértelmével és csoportom modellező készségeivel olyan eszközt akarunk kifejleszteni, amelyet a speciális képzettséggel nem rendelkező alapellátásban dolgozó orvosok használhatnak, hogy magabiztos értékeléseket végezhessenek a gyermekek mielőbbi diagnosztizálása érdekében, hogy a lehető leggyorsabban megkaphassák a szükséges ellátást." lehetséges."

További közreműködő szerzők közé tartozik az első szerző, Yu-Hsin Chen, az ipari és gyártásmérnöki doktorandusz, aki disszertációját is az ösztöndíjról fogja írni; és társszerző, Lan Kong, a Penn State College of Medicine közegészségügyi professzora.

Forrás:

Penn állam

Referencia:

Chen, YH. és mtsai. (2022) Az autizmus spektrumzavar korai felismerése kisgyermekeknél gépi tanulással orvosi állítások adatainak felhasználásával. BMJ Egészségügyi és Gondozási Informatika. doi.org/10.1136/bmjhci-2022-100544.

.