Gegevens over ziektekostenverzekeringsclaims kunnen de waarschijnlijkheid van autisme bij kinderen helpen voorspellen

Gegevens over ziektekostenverzekeringsclaims kunnen de waarschijnlijkheid van autisme bij kinderen helpen voorspellen

Ziektekostenverzekeringsclaims kunnen meer doen dan alleen helpen bij het betalen van gezondheidsproblemen; Ze zouden kunnen helpen deze te voorspellen, volgens nieuwe bevindingen van een interdisciplinair onderzoeksteam uit Penn State, gepubliceerd in BMJ Health & Care Informatics. Onderzoekers ontwikkelden machine learning-modellen die de relaties tussen honderden klinische variabelen beoordelen, waaronder doktersbezoeken en gezondheidszorg voor ogenschijnlijk niet-gerelateerde aandoeningen, om de waarschijnlijkheid van een autismespectrumstoornis bij jonge kinderen te voorspellen.

Gegevens over verzekeringsclaims, geanonimiseerd en algemeen beschikbaar in datasets van marketingscans, bieden uitgebreide, longitudinale medische details over de patiënt. De wetenschappelijke literatuur op dit gebied suggereert dat kinderen met een autismespectrumstoornis ook vaak vaker klinische symptomen ervaren, zoals: B. verschillende soorten infecties, maag-darmproblemen, toevallen en gedragsproblemen. Deze symptomen zijn geen oorzaak van autisme, maar komen vaak voor bij kinderen met autisme, vooral op jonge leeftijd. Daarom werden we geïnspireerd om de medische informatie samen te vatten om deze bijbehorende waarschijnlijkheid te kwantificeren en te voorspellen.’

Qiushi Chen, corresponderend auteur, assistent-professor industriële en productietechniek, Penn State College of Engineering

De onderzoekers voerden de gegevens in machine learning-modellen in en trainden ze om honderden variabelen te evalueren om correlaties te vinden die verband houden met een verhoogde kans op een autismespectrumstoornis.

“Autismespectrumstoornis is een ontwikkelingsstoornis”, zegt co-auteur Guodong Liu, universitair hoofddocent volksgezondheidswetenschappen, psychiatrie en gedragsgezondheid, en kindergeneeskunde aan het Penn State College of Medicine. "Een arts heeft observaties en meerdere onderzoeken nodig om een ​​diagnose te stellen. Het proces duurt meestal lang en veel kinderen missen de tijd voor vroegtijdige interventie - de meest effectieve manier om de resultaten te verbeteren."

Een van de meest gebruikte screeningsinstrumenten om jonge kinderen te identificeren met een verhoogde kans op een autismespectrumstoornis is de Aangepaste Checklist voor Autisme bij Jonge Kinderen (M-CHAT), die doorgaans wordt gegeven tijdens routinematige kinderbezoeken op de leeftijd van 18 en 24 maanden. Het bestaat uit twintig vragen die zich richten op gedrag dat verband houdt met oogcontact, sociale interacties en enkele fysieke mijlpalen zoals lopen. Bewakers reageren op basis van hun observaties, maar Chen zegt dat de ontwikkeling op deze leeftijd zo sterk varieert dat het instrument kinderen verkeerd kan identificeren. Als gevolg hiervan worden kinderen vaak pas formeel gediagnosticeerd als ze vier of vijf jaar oud zijn, waardoor ze jarenlang potentiële vroegtijdige interventies mislopen.

“Ons nieuwe model, dat de som van geïdentificeerde risicofactoren kwantificeert om het waarschijnlijkheidsniveau te bepalen, is al vergelijkbaar met, en in sommige gevallen zelfs iets beter dan, de bestaande screeningtool,” zei Chen. “Als we het model combineren met de screeningtool, hebben we een veelbelovende aanpak voor artsen.”

Volgens Liu zou het praktisch haalbaar zijn om het model te integreren in de screeningstool voor klinisch gebruik.

“Een unieke kracht van dit werk is dat deze klinische informaticabenadering eenvoudig kan worden geïntegreerd in de klinische workflow”, aldus Liu. “Het voorspellende model zou kunnen worden ingebed in het elektronische medische dossiersysteem van een ziekenhuis, dat wordt gebruikt om de gezondheid van patiënten te registreren, als een hulpmiddel voor klinische besluitvorming om kinderen met een hoog risico te signaleren, waardoor zowel artsen als families eerder actie kunnen ondernemen.”

Dit werk, gefinancierd door de National Institutes of Health, het Penn State Social Science Research Institute en het Penn State College of Engineering, vormt de basis voor een nieuwe subsidie ​​van $ 460.000 aan Chen en Whitney Guthrie, klinisch psycholoog bij het Children's Hospital of Philadelphia Center for Autism Research en universitair docent psychiatrie en kindergeneeskunde aan de Perelman School of Medicine van de University of Pennsylvania van het National Institute of Mental Health.

Ze gebruiken de nieuwe subsidie ​​om precies te analyseren hoe goed de gecombineerde ziekenhuisdossiers en screeningresultaten autisme-diagnoses voorspellen, en onderzoeken ook andere potentiële screeninginstrumenten die artsen beter kunnen toerusten om hun patiënten te helpen.

“Niet alleen worden veel kinderen in het autismespectrum gemist met de huidige tool, maar veel kinderen die door onze screeningtools worden geïdentificeerd, hebben ook lange wachtlijsten vanwege onze beperkte diagnostische capaciteit”, aldus Guthrie. "Hoewel de M-CHAT veel kinderen detecteert, heeft het ook een zeer hoog percentage valse positieven en valse negatieven, wat betekent dat veel autistische kinderen worden gemist en andere kinderen worden doorverwezen voor een autisme-evaluatie wanneer ze er geen nodig hebben. Beide." Problemen leiden tot lange wachttijden – vaak vele maanden of zelfs jaren – voor verdere beoordeling. De gevolgen voor kinderen die niet worden aangepakt door onze huidige screeningsinstrumenten zijn bijzonder belangrijk, omdat een vertraagde diagnose er vaak toe leidt dat kinderen de kans op vroegtijdige interventie volledig missen. Kinderartsen hebben betere screeningsinstrumenten nodig om zo vroeg mogelijk nauwkeurig alle kinderen te identificeren die autisme-evaluatie nodig hebben.”

Een deel van het probleem is het beperkte aantal psychologen, kinderartsen en andere deskundigen op het gebied van de pediatrische ontwikkeling die een diagnose van een autismespectrumstoornis kunnen stellen. Volgens Chen zou de oplossing in de industriële techniek kunnen liggen.

“Het belangrijkste idee is om de manier waarop we hulpbronnen gebruiken te verbeteren,” zei Chen. “Met de klinische expertise van Dr. Guthrie en de modelleringsvaardigheden van mijn groep willen we een hulpmiddel ontwikkelen dat huisartsen zonder gespecialiseerde opleiding kunnen gebruiken om zelfverzekerde beoordelingen te maken om kinderen zo vroeg mogelijk te diagnosticeren, zodat ze zo snel mogelijk de zorg kunnen krijgen die ze nodig hebben.” mogelijk."

Andere bijdragende auteurs zijn onder meer eerste auteur Yu-Hsin Chen, een doctoraalstudente in industriële en productietechniek, die ook haar proefschrift over de fellowship zal schrijven; en co-auteur Lan Kong, hoogleraar volksgezondheidswetenschappen aan het Penn State College of Medicine.

Bron:

Penn-staat

Referentie:

Chen, YH., et al. (2022) Vroegtijdige detectie van autismespectrumstoornissen bij jonge kinderen door middel van machinaal leren met behulp van medische claimgegevens. BMJ Gezondheids- en zorginformatica. doi.org/10.1136/bmjhci-2022-100544.

.