Summary

Una piattaforma basata su computer per aiutare i medici nell'analisi e nella diagnosi dei disturbi alimentari

Published: May 10, 2022
doi:

Summary

Diagnosticare i disturbi alimentari nell’assistenza sanitaria è una sfida. Pertanto, il presente protocollo sviluppa un algoritmo basato su 949 risposte dei pazienti a un questionario, con la diagnosi visualizzata su un’interfaccia web-based di facile utilizzo. Questo sistema facilita la diagnosi accurata dei disturbi alimentari escludendo quelli che si ritiene abbiano un disturbo alimentare.

Abstract

I disturbi alimentari (anoressia nervosa, bulimia nervosa, disturbo da alimentazione incontrollata e altri disturbi alimentari o alimentari specificati) hanno una prevalenza combinata del 13% e sono associati a gravi problemi fisici e psicosociali. La diagnosi precoce, che è importante per un trattamento efficace e la prevenzione delle conseguenze indesiderate a lungo termine sulla salute, impone problemi tra i medici non specialisti che non hanno familiarità con questi pazienti, come quelli che lavorano nelle cure primarie. Una diagnosi precoce e accurata, in particolare nelle cure primarie, consente interventi esperti abbastanza precoci nel disturbo per facilitare i risultati positivi del trattamento. Le procedure diagnostiche assistite da computer offrono una possibile soluzione a questo problema fornendo competenze tramite un algoritmo che è stato sviluppato da un gran numero di casi che sono stati diagnosticati di persona da diagnostici esperti e caregiver esperti. Sulla base di questi dati è stato sviluppato un sistema basato sul web per determinare una diagnosi accurata per i pazienti sospettati di soffrire di un disturbo alimentare. Il processo è automatizzato utilizzando un algoritmo che stima la probabilità dell’intervistato di avere un disturbo alimentare e il tipo di disturbo alimentare che l’individuo ha. Il sistema fornisce un rapporto che funziona come un aiuto per i medici durante il processo diagnostico e funge da strumento educativo per i nuovi medici.

Introduction

La dieta e un aumento associato dell’attività fisica sono le cause note di anoressia nervosa e altri disturbi alimentari1. I disturbi alimentari più comuni menzionati nel manuale diagnostico dei disturbi mentali (DSM-5) sono l’anoressia nervosa (AN), la bulimia nervosa (BN), il disturbo da alimentazione incontrollata (BED) e altri disturbi alimentari o alimentari specificati (OSFED)2. Questi disturbi colpiscono principalmente le donne e sono accompagnati da gravi complicazioni di salute fisica e / o psicosociale e angoscia3. Circa il 13% delle donne soffre di disturbi alimentari4 e la prevalenza di AN nelle donne è stimata allo 0,3%-1% per tutta la vita, con una percentuale ancora più alta di donne che soffrono di BN5.

Una moltitudine di fattori di rischio è associata a specifici disturbi alimentari. La dieta durante la prima adolescenza e un basso indice di massa corporea (BMI) aumentano il rischio di AN nelle femmine, ma la pubertà precoce, l’internalizzazione ideale sottile, l’insoddisfazione del corpo, l’affetto negativo e i deficit di supporto sociale nonsono 6. Tra i fattori che predicono l’insorgenza di BN ci sono problemi di peso, insoddisfazione del corpo, spinta per magrezza, inefficacia, bassa consapevolezza interocettiva e dieta, ma non perfezionismo, paure di maturità, sfiducia interpersonale o BMI6. Mentre ci sono differenze sintomatiche tra i vari tipi di disturbi alimentari, c’è una somiglianza nei fattori di rischio. Ciò suggerisce che la patologia alimentare e il comportamento alimentare disadattivo (dieta) sono fattori di rischio comuni in tutti i disturbi alimentari.

In effetti, la patologia alimentare è evidente nei disturbi alimentari. Tuttavia, la difficoltà di definire e quantificare il comportamento alimentare patologico, combinata con il fatto che la diagnosi si basa principalmente sulla descrizione soggettiva delle dimensioni dei sintomi, può far sembrare poco chiari i confini tra le diagnosi7. Questo problema rende difficile la diagnosi dei disturbi alimentari, specialmente per gli operatori sanitari che non hanno familiarità con i pazienti con disturbi alimentari, come i medici di base.

Gli operatori sanitari nelle cure primarie sono spesso i primi ad essere avvicinati da individui che soffrono di un disturbo alimentare. Data l’importanza della diagnosi precoce e dell’intervento per una prognosi favorevole, gli operatori sanitari devono avere gli strumenti per aiutarli a riconoscere questi disturbi. Pertanto, una diagnosi deve essere determinata in modo rapido e accurato per evitare ritardi nel loro trattamento da parte di specialisti.

Un modo per raggiungere questo obiettivo diagnostico è quello di digitalizzare e automatizzare i questionari relativi ai loro sintomi. Un ulteriore vantaggio di questo metodo potrebbe essere che le risposte sono più veritiere poiché gli studi suggeriscono che i pazienti si fidano dei terapeuti virtuali più dei medici umani per discutere di problemi di salute mentale8. Un altro potenziale vantaggio è una maggiore affidabilità diagnostica, con alcuni studi che suggeriscono che le diagnosi al computer possono avere un’affidabilità maggiore rispetto alle diagnosi di persona 9,10.

Nel presente protocollo, è stato sviluppato un algoritmo basato sulle risposte a domande aperte e chiuse su condizioni fisiche, comportamento, emozioni e pensieri da parte di 949 pazienti indirizzati consecutivamente (per i dati demografici, vedere Tabella 1). Dei 949 partecipanti, il 91,6% (869) era di sesso femminile, il 18,0% aveva AN, il 19,0% BN, il 13,5% BED, il 36,8% OSFED, il 6,8% obesità (OB) e il 5,9% non aveva disturbi alimentari (No ED). L’algoritmo stima sia la probabilità di avere un disturbo alimentare sia la conclusione su quale tipo di disturbo alimentare ha l’individuo. Gli elementi del questionario si basano sui criteri DSM-5 per i disturbi dell’alimentazione e dell’alimentazione e sulle caratteristiche diagnostiche di AN, BN, BED e OSFED. OB (grasso corporeo in eccesso) non è incluso nel DSM-5 come disturbo mentale. Tuttavia, ci sono solide associazioni tra OB e BED2. Gli elementi del questionario sono raggruppati in tre categorie: (1) Condizioni, come BMI, perdita / aumento di peso durante l’ultimo anno e vomito autoindotto. (2) Comportamenti tra cui modelli alimentari, dieta, pesarsi, vomito autoindotto, isolamento da amici e familiari ed evitare attività. (3) Cognizioni / pensieri, come il peso desiderato, la paura di perdere il controllo, l’eccesso di cibo, i pensieri sul cibo, credersi grassi quando gli altri dicono che sei troppo magro e la reazione all’aumento di peso. L’algoritmo si basa su un’analisi discriminante incondizionata che assegna pesi agli elementi in modo graduale, identificando gli elementi più discriminanti per ciascuna delle cinque diagnosi. Le informazioni diagnostiche vengono visualizzate su un’interfaccia basata sul Web di facile utilizzo.

Protocol

Tutto il lavoro su soggetti sperimentali e pazienti è stato approvato dall’Autorità svedese di revisione etica, Svezia (D. nr: 2019-05505). Prima della registrazione nel sistema, tutti gli individui hanno fornito il consenso scritto all’archiviazione, alla gestione e all’analisi dei propri dati. I pazienti sono stati indirizzati alla clinica per un trattamento specializzato per i disturbi alimentari sia per riferimento del medico che per auto-riferimento. Soffrire di un disturbo alimentare era il criterio di inclusione per i pazienti. 1. Registrazione del paziente da parte dei medici NOTA: la registrazione del paziente (Figura 1) viene completata da un medico utilizzando uno strumento web personalizzato sviluppato (vedere Tabella dei materiali). Passare alla pagina di destinazione Web utilizzando qualsiasi browser moderno al momento del rinvio del paziente. Utilizzare un account esistente associato a un medico per accedere allo strumento Web. Compila il modulo di registrazione del paziente, inclusi ID paziente, numero di previdenza sociale, data di nascita, età e sesso. Premere il pulsante Salva per registrare un nuovo paziente. A questo punto, la procedura può essere messa in pausa e quindi riavviata in un secondo momento. 2. Questionario per i pazienti NOTA: Il paziente compila il questionario su un dispositivo intelligente utilizzando un’app personalizzata sviluppata in uno strumento web (vedere Tabella dei materiali). Se il paziente è minorenne, il questionario viene compilato da un genitore o tutore. I loro dati sono organizzati in blocchi tematici. Dopo aver completato la risposta a ciascuna domanda, il sistema presenta la domanda successiva (Figura 2). Aprire l’applicazione del questionario su uno smart device. Inserire il numero di previdenza sociale per i pazienti (Figura 3). Inserisci la data della prima visita; la data corrente viene utilizzata per impostazione predefinita. Inserisci le informazioni corrispondenti al peso, all’altezza e all’età dei pazienti. Inserisci le informazioni corrispondenti al comportamento come vomito indotto, frequenza degli spuntini e tasso di consumo. Compila i dettagli corrispondenti a elementi cognitivi ed emotivi come la paura di ingrassare e le sensazioni di dismorfia corporea. Premere il pulsante Fine per completare il questionario. A questo punto, il questionario può essere messo in pausa e quindi riavviato in un secondo momento. 3. Valutazione del rischio da parte dei medici NOTA: La valutazione del rischio (Figura 4) viene recuperata e utilizzata dal medico utilizzando uno strumento web personalizzato (vedere Tabella dei materiali). Passare alla pagina di destinazione Web utilizzando qualsiasi browser Web. Utilizzare un account esistente per accedere allo strumento Web. Cerca il paziente utilizzando il numero di previdenza sociale del paziente o l’ID paziente. Aggiungere peso e altezza misurati al sistema. Premere la scheda Risultato per ottenere la decisione algoritmica se il paziente ha una disfunzione erettile e, in caso affermativo, quale tipo di disfunzione erettile. Premere la scheda Domande 1-20 o Domande 21-34 per visualizzare le domande in cui le risposte dei pazienti si discostano dalle risposte di individui sani. Seleziona una diagnosi finale nella scheda Risultato , in base all’algoritmo e all’esperienza del clinico.

Representative Results

La registrazione del paziente descritta nella fase 1 viene effettuata da un medico che compila il modulo presentato in Figura 1 nelle cartelle cliniche computerizzate. Una volta che il clinico registra un nuovo paziente, l’applicazione passa al passaggio 2, che consente al paziente di completare il questionario. Per avviare il questionario, il paziente o il medico deve prima inserire il numero di previdenza sociale (o ID) del paziente nell’app su uno smart device (Figura 3), dopodiché l’app visualizza il primo elemento del questionario. Nella Figura 2 viene illustrata una schermata di un elemento del questionario diagnostico. Una volta selezionata una risposta a un elemento del questionario, l’applicazione passa all’elemento successivo. I pazienti non possono tornare indietro per alterare la risposta alle domande precedenti e, se il questionario viene interrotto prematuramente, le risposte vengono comunque salvate e l’utente può tornare a compilare gli elementi mancanti. Una volta che tutte le domande hanno ricevuto risposta, l’app viene chiusa automaticamente. Una volta completato il questionario, la pagina di valutazione del rischio presentata nella Figura 4 è disponibile per il clinico tramite un’interfaccia web. I medici possono visualizzare la diagnosi raccomandata nella pagina “Risultato”, insieme alla probabilità stimata di accuratezza da 0 a 1 (cioè un intervallo del 100%), sulla base di un calcolo automatico dei fattori di rischio del questionario. Premendo la scheda “Domande 1-20” o “Domande 21-34”, i medici possono visualizzare le risposte sane (colore turchese) e le risposte divergenti (colore rosso) che hanno portato alla diagnosi suggerita (Figura 5). L’algoritmo (vedi Tabella dei materiali) stima sia la probabilità di avere un disturbo alimentare sia la conclusione su quale tipo di disturbo alimentare ha l’individuo. L’accuratezza del modello è del 97,1% per avere una disfunzione erettile e dell’82,8% per le diagnosi di disfunzione erettile (Tabella 2). Le informazioni diagnostiche vengono visualizzate su un’interfaccia basata sul Web di facile utilizzo. Queste informazioni forniscono ai medici la fiducia nella loro decisione se la diagnosi algoritmica concorda con la valutazione del clinico. Se la diagnosi algoritmica non concorda con la valutazione del clinico, il clinico è incoraggiato a chiedere un secondo parere ad altri professionisti della salute. Il sistema consente inoltre ai medici di allenarsi a diventare migliori nella diagnosi dei pazienti visualizzando le domande specifiche che dovrebbero deviare da un individuo sano nelle schede delle domande e rivedendo i casi difficili con altri professionisti della salute. Figura 1: Un’illustrazione del modulo di registrazione del paziente nello strumento web. Fare clic qui per visualizzare una versione più grande di questa figura. Figura 2: Esempio di un singolo elemento del questionario visualizzato su uno smart tablet. Fare clic qui per visualizzare una versione più grande di questa figura. Figura 3: Istantanea della pagina che richiede il numero di previdenza sociale richiesto prima di completare il questionario di diagnosi. Fare clic qui per visualizzare una versione più grande di questa figura. Figura 4: Esempio di pagina dei risultati con diagnosi consigliata e accuratezza stimata (in questo caso 100%) come visualizzato utilizzando lo strumento web. La pagina dei risultati mostra anche la data, il sesso, l’età e il BMI del paziente. Nella parte superiore, i medici possono selezionare una diagnosi. Fare clic qui per visualizzare una versione più grande di questa figura. Figura 5: Risposte al questionario e loro associazione con la diagnosi suggerita. Il rosso indica un’associazione alta e l’alzavola suggerisce un’associazione bassa. Fare clic qui per visualizzare una versione più grande di questa figura. Femmina (n = 869) Maschio (n = 80) Totale (n = 949) Età 21.0 (17.0 – 30.0) 21.0 (15.0 – 33.5) 21.0 (17.0 – 30.0) Altezza 167.0 (162.0 – 170.0) 176.5 (169.0 – 183.0) 167.0 (162.0 – 171.0) Peso 58.2 (50.0 – 75.0) 71.5 (57.0 – 97.0) 59.1 (50.0 – 76.5) Bmi 20.9 (17.8 – 26.7) 21.3 (18.0 – 31.2) 21 (17.9 – 27.1) Tabella 1: Dati demografici dei 949 pazienti inclusi per lo sviluppo dell’algoritmo diagnostico. I valori sono espressi come mediana (quartile inferiore – quartile superiore). Diagnosi Diagnosi clinica Diagnosi dell’algoritmo Precisione (%) Un 171 172 87.1 Bn 180 181 82.2 Letto 128 138 81.3 OSFED · 349 328 79.9 Ob 65 74 90.8 Tabella 2: Numero di pazienti in ciascuna categoria di DISFUNZIONE E diagnosticati da un clinico qualificato e la decisione e l’accuratezza dell’algoritmo.

Discussion

La diagnosi precoce e accurata dei disturbi alimentari è fondamentale per iniziare un trattamento appropriato, migliorare i risultati del trattamento e ridurre i risultati di cattiva salute1. Per determinare una diagnosi, i medici devono gestire grandi quantità di informazioni psicologiche e fisiologiche e una grande quantità di dati rende la diagnosi un compito che richiede tempo con un alto rischio di diagnosi errata.

Il sistema qui descritto accelera il processo decisionale fornendo una diagnosi automatica basata su questionari. Inoltre, consente ai medici di visualizzare le risposte specifiche che si discostano dalle risposte attese di un individuo sano. Il sistema è stato sviluppato tenendo conto delle esigenze dei medici, motivo per cui il questionario è abbastanza semplice da essere compilato dal solo paziente, riducendo ulteriormente il tempo richiesto dai medici quando si considera una diagnosi. Per lo stesso motivo, le risposte vengono salvate in input, garantendo che il processo possa essere messo in pausa in qualsiasi momento. I problemi di connessione al computer e altre interruzioni non richiedono la ripetizione dell’intero processo.

Una limitazione al protocollo è che un suggerimento di diagnosi non può essere calcolato a meno che tutti gli elementi del questionario non siano stati compilati. Un’altra limitazione è che le misurazioni mediche, come la pressione sanguigna e la temperatura periferica, non sono incluse nel sistema ma devono essere valutate da medici o medici.

Esistono diversi strumenti digitali per la diagnosi dei disturbi alimentari, come le interviste elettroniche semi-strutturate11, ma attualmente non esistono algoritmi diagnostici basati sul DSM-5 o sulla Classificazione internazionale delle malattie,11a revisione (ICD-11). Il problema principale con gli approcci disponibili è che non forniscono un modo semplice per i medici di ricevere aiuto nella diagnosi o comunicare ciò che costituisce risposte malsane. L’attuale sistema è destinato all’uso sia nelle cure primarie, da parte di operatori sanitari con scarsa conoscenza dei disturbi alimentari, sia in cliniche specialistiche per la discussione di casi più complessi, aiutando i medici nel processo decisionale durante la diagnosi dei disturbi alimentari. Questo sistema si traduce in una migliore qualità delle cure, una riduzione del tempo e degli sforzi da parte dei medici e fornisce una maggiore efficienza per il clinico nella loro pratica quotidiana.

L’algoritmo diagnostico è attualmente basato su un questionario e consente al sistema di insegnare ai medici a diagnosticare meglio i pazienti e consultare altri operatori sanitari nei casi difficili. Lo sviluppo futuro del sistema deve includere anche dati medici. Inoltre, la capacità prognostica dell’algoritmo può essere migliorata perfezionando il questionario, sostituendo elementi ridondanti e non informativi con quelli più pertinenti. Occorre inoltre prendere in considerazione un approccio longitudinale. Se il paziente riceve un trattamento appropriato, è essenziale seguire la progressione della sua salute nel tempo. Molti elementi del questionario sono ancora validi per un approccio di follow-up. Tuttavia, il questionario e l’algoritmo devono essere riformulati per creare un indice per misurare la progressione della salute.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Questo lavoro è stato finanziato dalla regione di Stoccolma.

Materials

Computer-Based Platform for Aiding Clinicians in Eating Disorder Analysis and Diagnosis Mando Pending assignment
Claris FileMaker Go 19 Claris For patient registration, custom app for questionnaire, risk assessment
iPad 7th generation (2019) Apple A2197

References

  1. Treasure, J., Duarte, T. A., Schmidt, U. Eating disorders. Lancet. 395 (10227), 899-911 (2020).
  2. American Psychiatric Association. . Diagnostic and Statistical Manual of Mental Disorders, 5th Edition. , (2013).
  3. Smink, F. R. E., van Hoeken, D., Hoek, H. W. Epidemiology of eating disorders: incidence, prevalence and mortality rates. Current Psychiatry Reports. 14 (4), 406-414 (2012).
  4. Allen, K. L., Byrne, S. M., Oddy, W. H., Crosby, R. D. DSM-IV-TR and DSM-5 eating disorders in adolescents: prevalence, stability, and psychosocial correlates in a population-based sample of male and female adolescents. Journal of Abnormal Psychology. 122 (3), 720-732 (2013).
  5. Preti, A., et al. The epidemiology of eating disorders in six European countries: results of the ESEMeD-WMH project. Journal of Psychiatric Research. 43 (14), 1125-1132 (2009).
  6. Stice, E., Gau, J. M., Rohde, P., Shaw, H. Risk factors that predict future onset of each DSM-5 eating disorder: predictive specificity in high-risk adolescent females. Journal of Abnormal Psychology. 126 (1), 38-51 (2017).
  7. Södersten, P., Brodin, U., Zandian, M., Bergh, C. E. K. Verifying Feighner’s hypothesis; anorexia nervosa is not a psychiatric disorder. Frontiers in Psychology. 10, 2110 (2019).
  8. Lucas, G. M., Gratch, J., King, A., Morency, L. -. P. It’s only a computer: Virtual humans increase willingness to disclose. Computers in Human Behavior. 37, 94-100 (2014).
  9. Hendler, N., Spurgeon, D. Comparison of Clinical Diagnoses Versus Computerized Test Diagnoses using the Maryland Clinical Diagnostics Diagnostic Paradigm (Expert System) for Diagnosing Chronic Pain in the Neck, Back and Limbs. Journal of Anesthesia and Critical Care: Open Access. 6 (5), (2016).
  10. Richens, J. G., Lee, C. M., Johri, S. Improving the accuracy of medical diagnosis with causal machine learning. Nature Communications. 11 (1), 3923 (2020).
  11. Dahlgren, C. L., Walsh, B. T., Vrabel, K., Siegwarth, C., Rø, &. #. 2. 1. 6. ;. Eating disorder diagnostics in the digital era: validation of the Norwegian version of the Eating Disorder Assessment for DSM-5 (EDA-5). Journal of Eating Disorders. 8 (1), 1-7 (2020).

Play Video

Cite This Article
Brodin, U., Zandian, M., Langlet, B., Södersten, P., Anvret, A., Sjöberg, J., Bergh, C. A Computer-Based Platform for Aiding Clinicians in Eating Disorder Analysis and Diagnosis. J. Vis. Exp. (183), e63848, doi:10.3791/63848 (2022).

View Video