Uma plataforma baseada em computador para auxiliar médicos na análise e diagnóstico do transtorno alimentar
Summary
Diagnosticar transtornos alimentares na área da saúde é um desafio. Portanto, o presente protocolo desenvolve um algoritmo baseado em 949 respostas de pacientes a um questionário, com o diagnóstico exibido em uma interface baseada na Web fácil de usar. Esse sistema facilita o diagnóstico preciso de transtornos alimentares, excluindo aqueles que se acredita ter um distúrbio alimentar.
Abstract
Os transtornos alimentares (anorexia nervosa, bulimia nervosa, transtorno alimentar e outros transtornos alimentares ou alimentares especificados) têm uma prevalência combinada de 13% e estão associados a graves problemas físicos e psicossociais. O diagnóstico precoce, importante para o tratamento efetivo e prevenção de consequências indesejáveis para a saúde a longo prazo, impõe problemas entre médicos não especialistas que não estão familiarizados com esses pacientes, como aqueles que trabalham na atenção primária. O diagnóstico precoce e preciso, particularmente na atenção primária, permite intervenções especializadas precocemente no transtorno para facilitar os resultados positivos do tratamento. Os procedimentos de diagnóstico assistidos por computador oferecem uma possível solução para este problema, fornecendo conhecimento através de um algoritmo que foi desenvolvido a partir de um grande número de casos que foram diagnosticados pessoalmente por diagnósticos especializados e cuidadores especializados. Foi desenvolvido um sistema baseado na web para determinar um diagnóstico preciso para pacientes com suspeita de sofrer de transtorno alimentar com base nesses dados. O processo é automatizado usando um algoritmo que estima a probabilidade do entrevistado de ter um distúrbio alimentar e o tipo de transtorno alimentar que o indivíduo tem. O sistema fornece um relatório que funciona como um auxílio para os médicos durante o processo de diagnóstico e serve como ferramenta educativa para novos médicos.
Introduction
A dieta e um aumento associado na atividade física são as causas conhecidas da anorexia nervosa e outros distúrbios alimentares1. Os transtornos alimentares mais comuns mencionados no manual diagnóstico de transtornos mentais (DSM-5) são anorexia nervosa (AN), bulimia nervosa (BN), transtorno alimentar compulsivo (LEI) e outros distúrbios alimentares ou alimentares especificados (OSFED)2. Esses transtornos afetam principalmente as mulheres e são acompanhados por complicações graves de saúde física e/ou psicossocial e sofrimento3. Aproximadamente 13% das mulheres sofrem de transtornos alimentares4, e a prevalência de AN em mulheres é estimada em 0,3%-1% ao longo de suas vidas, com um percentual ainda maior de mulheres que sofrem de BN5.
Uma infinidade de fatores de risco está associada a distúrbios alimentares específicos. A dieta no início da adolescência e um baixo índice de massa corporal (IMC) aumentam o risco de AN no sexo feminino, mas a puberdade precoce, a internalização do ideal, a insatisfação corporal, o efeito negativo e os déficits de apoio social nãosão 6. Entre os fatores que predizem o início do BN estão preocupações com o peso, insatisfação corporal, impulso à magreza, ineficácia, baixa consciência interoceptiva e dieta, mas não perfeccionismo, medo da maturidade, desconfiança interpessoal ou IMC6. Embora existam diferenças sintomáticas entre os vários tipos de transtornos alimentares, há uma semelhança nos fatores de risco. Isso sugere que a patologia alimentar e o comportamento alimentar mal adaptável (dieta) são fatores de risco comuns em todos os transtornos alimentares.
De fato, a patologia alimentar é visível em distúrbios alimentares. No entanto, a dificuldade de definir e quantificar o comportamento alimentar patológico, combinada com o fato de que o diagnóstico depende principalmente da descrição subjetiva das dimensões dos sintomas, pode fazer com que os limites entre os diagnósticos pareçam não estar claros7. Essa questão dificulta o diagnóstico de transtornos alimentares, especialmente para profissionais de saúde que não estão familiarizados com pacientes com transtorno alimentar, como médicos da atenção primária.
Os profissionais de saúde na atenção primária são, muitas vezes, os primeiros a serem abordados por indivíduos que sofrem de transtorno alimentar. Dada a importância da detecção precoce e da intervenção para um prognóstico favorável, os prestadores de cuidados devem ter as ferramentas para ajudá-los a reconhecer esses transtornos. Portanto, um diagnóstico deve ser determinado de forma rápida e precisa para evitar atrasos em seu tratamento por especialistas.
Uma forma de atingir esse objetivo diagnóstico é digitalizar e automatizar questionários sobre seus sintomas. Um benefício adicional desse método pode ser que as respostas sejam mais verdadeiras, uma vez que estudos sugerem que os pacientes confiam mais em terapeutas virtuais do que em médicos humanos para discutir problemas de saúde mental8. Outro benefício potencial é o aumento da confiabilidade diagnóstica, com alguns estudos sugerindo que diagnósticos de computador podem ter maior confiabilidade do que diagnósticos presenciais 9,10.
No presente protocolo, um algoritmo foi desenvolvido com base nas respostas a perguntas abertas e fechadas sobre condição física, comportamento, emoções e pensamentos por 949 pacientes encaminhados consecutivamente (para dados demográficos, ver Tabela 1). Dos 949 participantes, 91,6% (869) eram do sexo feminino, 18,0% tinham AN, 19,0% BN, 13,5% LEITO, 36,8% OSFED, 6,8% obesidade (OB) e 5,9% não tinham transtorno alimentar (SEM ED). O algoritmo estima tanto a probabilidade de ter um distúrbio alimentar quanto a conclusão sobre qual tipo de transtorno alimentar o indivíduo tem. Os itens do questionário baseiam-se nos critérios DSM-5 para Transtornos Alimentares e Alimentação e as características diagnósticas de AN, BN, BED e OSFED. OB (excesso de gordura corporal) não está incluído no DSM-5 como um transtorno mental. No entanto, existem associações robustas entre OB e BED2. Os itens do questionário são agrupados em três categorias: (1) Condições, como IMC, perda/ganho de peso durante o último ano e vômitos auto-induzidos. (2) Comportamentos que incluem padrões alimentares, dieta, pesagem, vômitos auto-induzidos, isolamento de amigos e familiares e evitar atividades. (3) Cognições/pensamentos, como peso desejado, medo de perder o controle, comer demais, pensamentos sobre a comida, acreditar em si mesmo ser gordo quando os outros dizem que você é muito magro, e reação ao ganho de peso. O algoritmo baseia-se em uma análise discriminatória incondicional que atribui pesos aos itens stepwise, identificando os itens mais discriminantes para cada um dos cinco diagnósticos. As informações de diagnóstico são exibidas em uma interface baseada na Web fácil de usar.
Protocol
Representative Results
Discussion
O diagnóstico precoce e preciso dos transtornos alimentares é fundamental para iniciar o tratamento adequado, melhorar os resultados do tratamento e reduzir os maus resultadosde saúde 1. Para determinar um diagnóstico, os médicos devem lidar com grandes quantidades de informações psicológicas e fisiológicas, e uma grande quantidade de dados torna o diagnóstico uma tarefa demorada com alto risco de diagnóstico errado.
O sistema descrito aqui acelera o processo de tomada de decisão, fornecendo um diagnóstico automático baseado em questionários. Além disso, permite que os médicos visualizem as respostas específicas que se desviam das respostas esperadas de um indivíduo saudável. O sistema foi desenvolvido com as necessidades dos médicos em mente, razão pela qual o questionário é simples o suficiente para ser preenchido apenas pelo paciente, reduzindo ainda mais o tempo exigido pelos médicos ao considerar um diagnóstico. Pela mesma razão, as respostas são salvas na entrada, garantindo que o processo possa ser pausado a qualquer momento. Problemas de conexão de computador e outras interrupções não requerem a repetição de todo o processo.
Uma limitação ao protocolo é que uma sugestão de diagnóstico não pode ser calculada a menos que todos os itens do questionário tenham sido preenchidos. Outra limitação é que medidas médicas, como pressão arterial e temperatura periférica, não estão incluídas no sistema, mas devem ser avaliadas por médicos ou médicos.
Existem várias ferramentas digitais para diagnósticos de transtornos alimentares, como entrevistas eletrônicas semiestrusas11, mas atualmente não há algoritmos de diagnóstico baseados no DSM-5 ou na Classificação Internacional de Doenças,11ª Revisão (CID-11). O principal problema com as abordagens disponíveis é que elas não fornecem uma maneira simples para os médicos receberem auxílio no diagnóstico ou comunicarem o que constitui respostas insalubres. O sistema atual destina-se tanto na atenção primária, por profissionais de saúde com pouco conhecimento de transtornos alimentares, quanto em clínicas especializadas para discussão de casos mais complexos, auxiliando os médicos no processo de tomada de decisão durante o diagnóstico de transtornos alimentares. Esse sistema resulta em melhor qualidade do atendimento, redução de tempo e esforço por parte dos médicos, e proporciona maior eficiência para o médico em sua prática diária.
Atualmente, o algoritmo de diagnóstico é baseado em um questionário e permite que o sistema ensine os médicos a diagnosticar melhor os pacientes e consultar outros profissionais de saúde em casos difíceis. O desenvolvimento futuro do sistema também deve incluir dados médicos. Além disso, a capacidade prognóstica do algoritmo pode ser melhorada refinando o questionário, substituindo itens redundantes e não informativos por os mais relevantes. Uma abordagem longitudinal também precisa ser considerada. Se o paciente recebe tratamento adequado, é essencial acompanhar sua progressão de saúde ao longo do tempo. Muitos itens do questionário ainda são válidos para uma abordagem de acompanhamento. No entanto, o questionário e o algoritmo precisam ser reformulados para criar um índice para medir a progressão da saúde.
Disclosures
The authors have nothing to disclose.
Acknowledgements
Este trabalho foi financiado pela região de Estocolmo.
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
- Treasure, J., Duarte, T. A., Schmidt, U. Eating disorders. Lancet. 395 (10227), 899-911 (2020).
- American Psychiatric Association. . Diagnostic and Statistical Manual of Mental Disorders, 5th Edition. , (2013).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Richens, J. G., Lee, C. M., Johri, S. Improving the accuracy of medical diagnosis with causal machine learning. Nature Communications. 11 (1), 3923 (2020).
- 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).
