Helseforsikringskravdata kan bidra til å forutsi sannsynligheten for autisme hos barn

Helseforsikringskravdata kan bidra til å forutsi sannsynligheten for autisme hos barn

Helseforsikringskrav kan gjøre mer enn bare å betale for helseproblemer; De kan hjelpe til med å forutsi dem, ifølge nye funn fra et tverrfaglig forskningsteam i Penn State publisert i BMJ Health & Care Informatics. Forskere utviklet maskinlæringsmodeller som vurderer sammenhengen mellom hundrevis av kliniske variabler, inkludert legebesøk og helsetjenester for tilsynelatende urelaterte tilstander, for å forutsi sannsynligheten for autismespekterforstyrrelse hos små barn.

Forsikringskravdata, anonymisert og allment tilgjengelig i markedsføringsskanningsdatasett, gir omfattende, langsgående medisinske detaljer om pasienten. Den vitenskapelige litteraturen på dette området tyder på at barn med autismespekterforstyrrelse også ofte opplever høyere forekomst av kliniske symptomer som: B. ulike typer infeksjoner, mage-tarmproblemer, anfall og atferdsproblemer. Disse symptomene er ikke en årsak til autisme, men er vanlige hos barn med autisme, spesielt i ung alder. Det er derfor vi ble inspirert til å oppsummere den medisinske informasjonen for å kvantifisere og forutsi denne tilknyttede sannsynligheten."

Qiushi Chen, tilsvarende forfatter, assisterende professor i industri- og produksjonsteknikk, Penn State College of Engineering

Forskerne matet dataene inn i maskinlæringsmodeller og trente dem til å evaluere hundrevis av variabler for å finne korrelasjoner assosiert med økt sannsynlighet for autismespekterforstyrrelse.

"Autismespekterforstyrrelse er en utviklingsforstyrrelse," sa medforfatter Guodong Liu, førsteamanuensis i folkehelsevitenskap, i psykiatri og atferdshelse og i pediatri ved Penn State College of Medicine. "En lege trenger observasjoner og flere undersøkelser for å stille en diagnose. Prosessen er vanligvis langvarig og mange barn savner vinduet for tidlig intervensjon - den mest effektive måten å forbedre resultatene på."

Et av de mest brukte screeningsverktøyene for å identifisere små barn med økt sannsynlighet for autismespekterforstyrrelse er den modifiserte sjekklisten for autisme hos små barn (M-CHAT), som vanligvis gis ved rutinemessige barnebesøk ved 18 og 24 måneders alder. Den består av 20 spørsmål som fokuserer på atferd knyttet til øyekontakt, sosiale interaksjoner og noen fysiske milepæler som å gå. Foresatte svarer basert på deres observasjoner, men Chen sier utviklingen varierer så mye i denne alderen at verktøyet kan feilidentifisere barn. Som et resultat blir barn ofte ikke formelt diagnostisert før de er fire eller fem år gamle, noe som betyr at de går glipp av potensielle tidlige intervensjoner i årevis.

"Vår nye modell, som kvantifiserer summen av identifiserte risikofaktorer for å bestemme sannsynlighetsnivået, er allerede sammenlignbar med, og i noen tilfeller til og med litt bedre enn, det eksisterende screeningsverktøyet," sa Chen. "Hvis vi kombinerer modellen med screeningsverktøyet, har vi en lovende tilnærming for klinikere."

Ifølge Liu ville det være praktisk mulig å integrere modellen i screeningsverktøyet for klinisk bruk.

"En unik styrke ved dette arbeidet er at denne kliniske informatikktilnærmingen lett kan integreres i den kliniske arbeidsflyten," sa Liu. "Den prediktive modellen kan bygges inn i et sykehuss elektroniske journalsystem, brukes til å registrere pasienthelse, som et klinisk beslutningsstøtteverktøy for å flagge høyrisikobarn, slik at både leger og familier kan iverksette tiltak tidligere."

Dette arbeidet, finansiert av National Institutes of Health, Penn State Social Science Research Institute og Penn State College of Engineering, er grunnlaget for et nytt stipend på $460 000 til Chen og Whitney Guthrie, klinisk psykolog ved Children's Hospital of Philadelphia Center for Autism Research og assisterende professor i psykiatri og pediatrikk ved National Health Institute of Pennsylvania Perelman School of Medicine.

De bruker det nye tilskuddet til å analysere nøyaktig hvor godt de kombinerte sykehusjournalene og screeningsresultatene forutsier autismediagnoser, og utforsker også andre potensielle screeningsverktøy som kan utruste leger bedre til å hjelpe sine pasienter.

"Ikke bare er mange barn på autismespekteret savnet med det nåværende verktøyet, men mange barn identifisert av våre screeningsverktøy har også lange ventelister på grunn av vår begrensede diagnostiske kapasitet," sa Guthrie. "Selv om M-CHAT oppdager mange barn, har den også en svært høy andel falske positive og falske negative, noe som betyr at mange autistiske barn blir savnet og andre barn blir henvist til en autismeevaluering når de ikke trenger en. Begge deler." Problemer fører til lange ventetider – ofte mange måneder eller til og med år – for videre vurdering. Konsekvensene for barn som ikke håndteres av våre nåværende screeningsverktøy er spesielt viktige, ettersom forsinket diagnose ofte fører til at barn helt går glipp av vinduet for tidlig intervensjon. Barneleger trenger bedre screeningsverktøy for nøyaktig å identifisere alle barn som trenger autismeevaluering så tidlig som mulig."

En del av problemet er det begrensede antallet psykologer, utviklingsbarneleger og andre pediatriske utviklingseksperter som kan stille en diagnose av autismespekterforstyrrelse. Ifølge Chen kan løsningen ligge i industriteknikk.

"Nøkkelideen er å forbedre måten vi bruker ressurser på," sa Chen. "Med Dr. Guthries kliniske ekspertise og min gruppes modelleringsferdigheter, ønsker vi å utvikle et verktøy som primærleger uten spesialisert opplæring kan bruke til å gjøre trygge vurderinger for å diagnostisere barn så tidlig som mulig, slik at de kan få den omsorgen de trenger så raskt som mulig." mulig."

Andre medvirkende forfattere inkluderer førsteforfatter Yu-Hsin Chen, en doktorgradsstudent i industri- og produksjonsteknikk som også skal skrive sin avhandling om stipendiet; og medforfatter Lan Kong, professor i folkehelsevitenskap ved Penn State College of Medicine.

Kilde:

Penn State

Referanse:

Chen, YH., et al. (2022) Tidlig påvisning av autismespekterforstyrrelse hos små barn gjennom maskinlæring ved bruk av medisinske påstandsdata. BMJ Helse- og omsorgsinformatikk. doi.org/10.1136/bmjhci-2022-100544.

.