Dane dotyczące roszczeń z tytułu ubezpieczenia zdrowotnego mogą pomóc w przewidywaniu prawdopodobieństwa autyzmu u dzieci

Dane dotyczące roszczeń z tytułu ubezpieczenia zdrowotnego mogą pomóc w przewidywaniu prawdopodobieństwa autyzmu u dzieci

Roszczenia z tytułu ubezpieczenia zdrowotnego mogą zrobić więcej niż tylko pomóc w opłaceniu problemów zdrowotnych; Jak wynika z nowych ustaleń interdyscyplinarnego zespołu badawczego z Penn State, opublikowanych w BMJ Health & Care Informatics, mogą pomóc w ich przewidywaniu. Naukowcy opracowali modele uczenia maszynowego, które oceniają powiązania między setkami zmiennych klinicznych, w tym wizytami lekarskimi i opieką zdrowotną w przypadku pozornie niezwiązanych ze sobą schorzeń, aby przewidzieć prawdopodobieństwo wystąpienia zaburzeń ze spektrum autyzmu u małych dzieci.

Dane dotyczące roszczeń ubezpieczeniowych, zanonimizowane i szeroko dostępne w zbiorach danych pochodzących ze skanów marketingowych, dostarczają kompleksowych, długotrwałych danych medycznych o pacjencie. Literatura naukowa w tym zakresie sugeruje, że u dzieci z zaburzeniami ze spektrum autyzmu częściej występują objawy kliniczne, takie jak: B. różnego rodzaju infekcje, problemy żołądkowo-jelitowe, drgawki i problemy behawioralne. Objawy te nie są przyczyną autyzmu, ale występują często u dzieci z autyzmem, zwłaszcza w młodym wieku. Dlatego zainspirowaliśmy się podsumowaniem informacji medycznych w celu ilościowego określenia i przewidzenia powiązanego prawdopodobieństwa”.

Qiushi Chen, autor korespondencyjny, adiunkt inżynierii przemysłowej i produkcyjnej, Penn State College of Engineering

Naukowcy wprowadzili dane do modeli uczenia maszynowego i przeszkolili je w zakresie oceny setek zmiennych w celu znalezienia korelacji związanych ze zwiększonym prawdopodobieństwem wystąpienia zaburzeń ze spektrum autyzmu.

„Zaburzenie ze spektrum autyzmu to zaburzenie rozwojowe” – stwierdził współautor Guodong Liu, profesor nadzwyczajny nauk o zdrowiu publicznym, psychiatrii i zdrowia behawioralnego oraz pediatrii w Penn State College of Medicine. „Do postawienia diagnozy lekarz potrzebuje obserwacji i wielu badań. Proces ten jest zwykle długotrwały i wiele dzieci nie ma szans na wczesną interwencję – co jest najskuteczniejszym sposobem na poprawę wyników”.

Jednym z najczęściej stosowanych narzędzi przesiewowych w celu identyfikacji małych dzieci ze zwiększonym prawdopodobieństwem wystąpienia zaburzeń ze spektrum autyzmu jest Zmodyfikowana Lista Kontrolna dla Autyzmu u Małych Dzieci (M-CHAT), która jest zwykle podawana podczas rutynowych wizyt dzieci w wieku 18 i 24 miesięcy. Składa się z 20 pytań, które koncentrują się na zachowaniach związanych z kontaktem wzrokowym, interakcjami społecznymi i niektórymi kamieniami milowymi w życiu fizycznym, takimi jak chodzenie. Opiekunowie odpowiadają na podstawie swoich obserwacji, ale Chen twierdzi, że rozwój dziecka w tym wieku jest tak zróżnicowany, że narzędzie może błędnie identyfikować dzieci. W rezultacie u dzieci często nie stawia się formalnej diagnozy przed ukończeniem czterech lub pięciu lat, co oznacza, że ​​przez lata tracą szansę na wczesną interwencję.

„Nasz nowy model, który ilościowo określa sumę zidentyfikowanych czynników ryzyka w celu określenia poziomu prawdopodobieństwa, jest już porównywalny z istniejącym narzędziem przesiewowym, a w niektórych przypadkach nawet nieco lepszy od niego” – powiedział Chen. „Jeśli połączymy model z narzędziem przesiewowym, będziemy mieli obiecujące podejście dla klinicystów”.

Według Liu zintegrowanie modelu z narzędziem przesiewowym do zastosowań klinicznych byłoby praktycznie wykonalne.

„Wyjątkową zaletą tej pracy jest to, że to kliniczne podejście do informatyki można łatwo zintegrować z przebiegiem pracy klinicznej” – powiedział Liu. „Model predykcyjny można włączyć do szpitalnego systemu elektronicznej dokumentacji medycznej, wykorzystywanego do rejestrowania stanu zdrowia pacjentów, jako narzędzie wspierające podejmowanie decyzji klinicznych w celu oznaczania dzieci wysokiego ryzyka, umożliwiając zarówno lekarzom, jak i rodzinom wcześniejsze podjęcie działań”.

Praca ta, ufundowana przez Narodowy Instytut Zdrowia, Instytut Badań Społecznych Penn State i Penn State College of Engineering, stanowi podstawę nowego grantu w wysokości 460 000 dolarów dla Chena i Whitney Guthrie, psychologów klinicznych w Szpitalu Dziecięcym w Filadelfii Centrum Badań nad Autyzmem oraz adiunkta psychiatrii i pediatrii na Uniwersytecie Pensylwanii Perelman School of Medicine w Narodowym Instytucie Zdrowia Psychicznego.

Wykorzystują nowy grant do dokładnego analizowania, jak dobrze połączona dokumentacja szpitalna i wyniki badań przesiewowych pozwalają przewidzieć diagnozę autyzmu, a także badają inne potencjalne narzędzia badań przesiewowych, które mogłyby lepiej wyposażyć lekarzy w pomoc pacjentom.

„Obecne narzędzie nie tylko nie pozwala na skorzystanie z wielu dzieci ze spektrum autyzmu, ale wiele dzieci zidentyfikowanych za pomocą naszych narzędzi przesiewowych ma również długie listy oczekujących ze względu na nasze ograniczone możliwości diagnostyczne” – stwierdził Guthrie. „Chociaż M-CHAT wykrywa wiele dzieci, charakteryzuje się również bardzo wysokim odsetkiem wyników fałszywie dodatnich i fałszywie ujemnych, co oznacza, że ​​wiele dzieci autystycznych zostaje pominiętych, a inne są kierowane na diagnostykę autyzmu, gdy nie są potrzebne. Jedno i drugie”. Problemy prowadzą do długiego oczekiwania – często wielu miesięcy, a nawet lat – na dalszą ocenę. Konsekwencje dla dzieci, których nie uwzględniają nasze obecne narzędzia badań przesiewowych, są szczególnie ważne, ponieważ opóźniona diagnoza często powoduje, że dzieci całkowicie nie mają możliwości wczesnej interwencji. Pediatrzy potrzebują lepszych narzędzi do badań przesiewowych, aby jak najwcześniej dokładnie identyfikować wszystkie dzieci wymagające oceny autystycznej”.

Częścią problemu jest ograniczona liczba psychologów, pediatrów zajmujących się rozwojem dzieci i innych ekspertów w dziedzinie rozwoju dzieci, którzy mogą postawić diagnozę zaburzenia ze spektrum autyzmu. Według Chena rozwiązaniem może być inżynieria przemysłowa.

„Kluczową ideą jest poprawa sposobu, w jaki wykorzystujemy zasoby” – powiedział Chen. „Dzięki wiedzy klinicznej dr Guthrie i umiejętnościom modelowania mojej grupy chcemy opracować narzędzie, którego mogliby używać lekarze podstawowej opieki zdrowotnej bez specjalistycznego przeszkolenia do dokonywania wiarygodnych ocen w celu możliwie wczesnego diagnozowania dzieci, aby mogły jak najszybciej uzyskać potrzebną opiekę”. możliwy."

Inni współautorzy to pierwsza autorka Yu-Hsin Chen, doktorantka w dziedzinie inżynierii przemysłowej i produkcyjnej, która napisze także swoją rozprawę doktorską na temat stypendium; i współautor Lan Kong, profesor nauk o zdrowiu publicznym w Penn State College of Medicine.

Źródło:

Stan Penn

Odniesienie:

Chen, YH. i in. (2022) Wczesne wykrywanie zaburzeń ze spektrum autyzmu u małych dzieci poprzez uczenie maszynowe z wykorzystaniem danych dotyczących roszczeń medycznych. BMJ Informatyka w zakresie zdrowia i opieki. doi.org/10.1136/bmjhci-2022-100544.

.