健康保险索赔数据可以帮助预测儿童患自闭症的可能性

健康保险索赔数据可以帮助预测儿童患自闭症的可能性

健康保险索赔不仅仅可以帮助支付健康问题； 根据宾夕法尼亚州立大学跨学科研究小组在 BMJ Health & Care Informatics 上发表的新发现，它们可以帮助预测它们。 研究人员开发了机器学习模型，可以评估数百个临床变量之间的关系，包括看似不相关的疾病的就诊和医疗服务，以预测幼儿患自闭症谱系障碍的可能性。

保险索赔数据是匿名的，在营销扫描数据集中广泛使用，提供了有关患者的全面、纵向的医疗详细信息。 该领域的科学文献表明，患有自闭症谱系障碍的儿童也经常出现较高比例的临床症状，例如： B. 各种类型的感染、胃肠道问题、癫痫发作和行为问题。 这些症状不是自闭症的原因，但在自闭症儿童中很常见，尤其是在年轻时。这就是为什么我们受到启发来总结医学信息来量化和预测这种相关的概率。”

陈秋实，通讯作者，宾夕法尼亚州立大学工程学院工业与制造工程助理教授

研究人员将数据输入机器学习模型，并训练它们评估数百个变量，以找到与自闭症谱系障碍可能性增加相关的相关性。

“自闭症谱系障碍是一种发育障碍，”宾夕法尼亚州立大学医学院公共卫生科学、精神病学和行为健康以及儿科副教授刘国栋说。 “医生需要观察和多次检查才能做出诊断。这个过程通常很漫长，许多孩子错过了早期干预的窗口——这是改善结果的最有效方法。”

用于识别患有自闭症谱系障碍的幼儿的最常用筛查工具之一是幼儿自闭症改良检查表 (M-CHAT)，通常在 18 个月和 24 个月大的儿童常规就诊时进行。 它由 20 个问题组成，重点关注与目光接触、社交互动以及一些身体里程碑（例如行走）相关的行为。 监护人根据他们的观察做出回应，但陈说，这个年龄段的发育差异很大，以至于该工具可能会错误地识别儿童。 因此，儿童通常要到四五岁才被正式诊断，这意味着他们多年来错过了潜在的早期干预措施。

“我们的新模型通过量化已识别的风险因素的总和来确定概率水平，已经与现有的筛查工具相当，在某些情况下甚至略好于现有的筛查工具，”陈说。 “如果我们将该模型与筛查工具结合起来，我们将为临床医生提供一种有前途的方法。”

刘表示，将该模型整合到临床筛查工具中实际上是可行的。

“这项工作的独特优势在于，这种临床信息学方法可以轻松集成到临床工作流程中，”刘说。 “预测模型可以嵌入到医院的电子病历系统中，用于记录患者的健康状况，作为临床决策支持工具来标记高危儿童，使医生和家庭能够更早采取行动。”

这项工作由美国国立卫生研究院、宾夕法尼亚州立大学社会科学研究所和宾夕法尼亚州立大学工程学院资助，是向费城儿童医院自闭症研究中心临床心理学家、宾夕法尼亚大学佩雷​​尔曼国家心理健康研究所精神病学和儿科助理教授 Chen 和 Whitney Guthrie 提供 46 万美元新资助的基础。

他们正在利用新的拨款来准确分析综合医院记录和筛查结果对自闭症诊断的预测效果，并且还在探索其他潜在的筛查工具，以便更好地帮助医生帮助患者。

格思里说：“当前的工具不仅漏掉了许多自闭症谱系儿童，而且由于我们的诊断能力有限，我们的筛查工具识别出的许多儿童也有很长的等待名单。” “虽然 M-CHAT 检测到了许多儿童，但它的误报率和漏报率也非常高，这意味着许多自闭症儿童被漏掉，而其他儿童在不需要自闭症评估时却被转介进行自闭症评估。两者兼而有之。”问题会导致漫长的等待——通常是数月甚至数年——以进行进一步评估。我们当前的筛查工具未能解决的儿童后果尤为重要，因为延迟诊断往往会导致儿童完全错过早期干预的窗口。儿科医生需要更好的筛查工具，以便尽早准确识别所有需要自闭症评估的儿童。”

部分问题在于能够诊断自闭症谱系障碍的心理学家、发育儿科医生和其他儿科发育专家的数量有限。 陈表示，解决方案可能在于工业工程。

“关键的想法是改善我们使用资源的方式，”陈说。 “凭借 Guthrie 博士的临床专业知识和我团队的建模技能，我们希望开发一种工具，未经专门培训的初级保健医生可以使用它来进行自信的评估，以便尽早诊断儿童，以便他们能够尽快获得所需的护理。”可能的。”

其他贡献作者包括第一作者 Yu-Hsin Chen，她是一名工业和制造工程博士生，她也将撰写有关该奖学金的论文； 共同作者是宾夕法尼亚州立大学医学院公共卫生科学教授孔兰（Lan Kong）。

来源：

宾夕法尼亚州立大学

参考：

陈，YH.，等人。 (2022) 使用医疗索赔数据通过机器学习早期发现幼儿自闭症谱系障碍。 BMJ 健康与护理信息学。 doi.org/10.1136/bmjhci-2022-100544 。

。