Sjukförsäkringsuppgifter kan hjälpa till att förutsäga sannolikheten för autism hos barn

Sjukförsäkringsuppgifter kan hjälpa till att förutsäga sannolikheten för autism hos barn

Sjukförsäkringsanspråk kan göra mer än att bara hjälpa till att betala för hälsoproblem; De kan hjälpa till att förutsäga dem, enligt nya rön från ett tvärvetenskapligt forskarteam i Penn State publicerat i BMJ Health & Care Informatics. Forskare utvecklade maskininlärningsmodeller som bedömer sambanden mellan hundratals kliniska variabler, inklusive läkarbesök och hälsovård för till synes orelaterade tillstånd, för att förutsäga sannolikheten för autismspektrumstörning hos små barn.

Försäkringskravsdata, anonymiserade och allmänt tillgängliga i marknadsföringsskanningsdatauppsättningar, ger omfattande, longitudinella medicinska detaljer om patienten. Den vetenskapliga litteraturen på detta område tyder på att barn med autismspektrumstörning också ofta upplever högre grad av kliniska symtom såsom: B. olika typer av infektioner, mag-tarmproblem, kramper och beteendeproblem. Dessa symtom är inte en orsak till autism, men är vanliga hos barn med autism, särskilt i unga år. Det är därför vi blev inspirerade att sammanfatta den medicinska informationen för att kvantifiera och förutsäga denna associerade sannolikhet."

Qiushi Chen, motsvarande författare, biträdande professor i industri- och tillverkningsteknik, Penn State College of Engineering

Forskarna matade in data i maskininlärningsmodeller och tränade dem att utvärdera hundratals variabler för att hitta korrelationer associerade med en ökad sannolikhet för autismspektrumstörning.

"Autismspektrumstörning är en utvecklingsstörning", säger medförfattaren Guodong Liu, docent i folkhälsovetenskap, i psykiatri och beteendehälsa och i pediatrik vid Penn State College of Medicine. "En läkare behöver observationer och flera undersökningar för att ställa en diagnos. Processen är vanligtvis lång och många barn missar fönstret för tidig intervention - det mest effektiva sättet att förbättra resultaten."

Ett av de mest använda screeningverktygen för att identifiera små barn med ökad sannolikhet för autismspektrumstörning är den modifierade checklistan för autism hos små barn (M-CHAT), som vanligtvis ges vid rutinbesök av barn vid 18 och 24 månaders ålder. Den består av 20 frågor som fokuserar på beteenden relaterade till ögonkontakt, sociala interaktioner och vissa fysiska milstolpar som att gå. Vårdnadshavare svarar baserat på deras observationer, men Chen säger att utvecklingen varierar så mycket i den här åldern att verktyget kan felidentifiera barn. Som ett resultat blir barn ofta inte formellt diagnostiserade förrän de är fyra eller fem år gamla, vilket innebär att de går miste om potentiella tidiga insatser i flera år.

"Vår nya modell, som kvantifierar summan av identifierade riskfaktorer för att bestämma sannolikhetsnivån, är redan jämförbar med, och i vissa fall till och med något bättre än, det befintliga screeningverktyget," sa Chen. "Om vi ​​kombinerar modellen med screeningsverktyget har vi ett lovande tillvägagångssätt för kliniker."

Enligt Liu skulle det vara praktiskt möjligt att integrera modellen i screeningverktyget för kliniskt bruk.

"En unik styrka med detta arbete är att denna kliniska informatikstrategi lätt kan integreras i det kliniska arbetsflödet," sa Liu. "Den prediktiva modellen skulle kunna bäddas in i ett sjukhuss elektroniska journalsystem, som används för att registrera patienternas hälsa, som ett kliniskt beslutsstödsverktyg för att flagga högriskbarn, så att både läkare och familjer kan vidta åtgärder tidigare."

Detta arbete, finansierat av National Institutes of Health, Penn State Social Science Research Institute och Penn State College of Engineering, är grunden för ett nytt anslag på 460 000 $ till Chen och Whitney Guthrie, klinisk psykolog vid Children's Hospital of Philadelphia Center for Autism Research och biträdande professor i psykiatri och pediatrik vid National Medicine Institute of Pennsylvania, University of Pennsylvania, University of Medicine.

De använder det nya anslaget för att analysera exakt hur väl de kombinerade sjukhusjournalerna och screeningsresultaten förutsäger autismdiagnoser, och undersöker också andra potentiella screeningverktyg som bättre kan utrusta läkare för att hjälpa sina patienter.

"Inte bara saknas många barn i autismspektrumet med det nuvarande verktyget, utan många barn som identifieras av våra screeningverktyg har också långa väntelistor på grund av vår begränsade diagnostiska kapacitet," sa Guthrie. "Även om M-CHAT upptäcker många barn, har den också en mycket hög andel falska positiva och falska negativa, vilket innebär att många autistiska barn saknas och andra barn hänvisas till en autismutvärdering när de inte behöver en. Båda." Problem leder till långa väntan – ofta många månader eller till och med år – för vidare bedömning. Konsekvenserna för barn som inte åtgärdas av våra nuvarande screeningverktyg är särskilt viktiga, eftersom försenad diagnos ofta leder till att barn helt missar fönstret för tidig intervention. Barnläkare behöver bättre screeningverktyg för att exakt identifiera alla barn som behöver autismutvärdering så tidigt som möjligt."

En del av problemet är det begränsade antalet psykologer, utvecklingsbarnläkare och andra pediatriska utvecklingsexperter som kan ställa diagnosen autismspektrumstörning. Enligt Chen kan lösningen ligga i industriteknik.

"Nyckelidén är att förbättra vårt sätt att använda resurser," sa Chen. "Med Dr. Guthries kliniska expertis och min grupps modelleringsfärdigheter vill vi utveckla ett verktyg som primärvårdsläkare utan specialiserad utbildning kan använda för att göra säkra bedömningar för att diagnostisera barn så tidigt som möjligt så att de kan få den vård de behöver så snabbt som möjligt." möjlig."

Andra bidragande författare är försteförfattaren Yu-Hsin Chen, en doktorand i industri- och tillverkningsteknik som också kommer att skriva sin avhandling om stipendiet; och medförfattare Lan Kong, professor i folkhälsovetenskap vid Penn State College of Medicine.

Källa:

Penn State

Hänvisning:

Chen, YH., et al. (2022) Tidig upptäckt av autismspektrumstörning hos små barn genom maskininlärning med hjälp av medicinska påståenden. BMJ Health and Care Informatics. doi.org/10.1136/bmjhci-2022-100544.

.