Summary

פלטפורמה מבוססת מחשב לסיוע לקלינאים בניתוח ואבחון הפרעות אכילה

Published: May 10, 2022
doi:

Summary

אבחון הפרעות אכילה בתחום הבריאות הוא מאתגר. לכן, הפרוטוקול הנוכחי מפתח אלגוריתם המבוסס על 949 תשובות של מטופלים לשאלון, כאשר האבחנה מוצגת בממשק מבוסס אינטרנט קל לשימוש. מערכת זו מאפשרת אבחנה מדויקת של הפרעות אכילה תוך אי הכללת אלה שנחשבו כבעלי הפרעת אכילה.

Abstract

להפרעות אכילה (אנורקסיה נרבוזה, בולימיה נרבוזה, הפרעת אכילה מוגזמת והפרעות אכילה או האכלה מוגדרות אחרות) יש שכיחות משולבת של 13% והן קשורות לבעיות פיזיות ופסיכו-סוציאליות חמורות. אבחון מוקדם, החשוב לטיפול יעיל ולמניעה של השלכות בריאותיות ארוכות טווח לא רצויות, מטיל בעיות בקרב קלינאים שאינם מומחים שאינם מכירים חולים אלה, כגון אלה העובדים ברפואה ראשונית. אבחון מוקדם ומדויק, במיוחד ברפואה הראשונית, מאפשר התערבויות מומחים בשלב מוקדם מספיק בהפרעה כדי להקל על תוצאות טיפול חיוביות. הליכי אבחון בסיוע מחשב מציעים פתרון אפשרי לבעיה זו על ידי מתן מומחיות באמצעות אלגוריתם שפותח ממספר רב של מקרים שאובחנו באופן אישי על ידי מאבחנים מומחים ומטפלים מומחים. על סמך נתונים אלה פותחה מערכת מבוססת אינטרנט לקביעת אבחנה מדויקת לחולים החשודים כסובלים מהפרעת אכילה. התהליך הוא אוטומטי באמצעות אלגוריתם המעריך את ההסתברות של המשיב ללקות בהפרעת אכילה ואת סוג הפרעת האכילה שיש לאדם. המערכת מספקת דו”ח הפועל ככלי עזר לקלינאים בתהליך האבחון ומשמש ככלי חינוכי לקלינאים חדשים.

Introduction

דיאטה ועלייה נלווית בפעילות גופנית הם הגורמים הידועים של אנורקסיה נרבוזה והפרעות אכילה אחרות1. הפרעות האכילה הנפוצות ביותר המוזכרות במדריך האבחון של הפרעות נפשיות (DSM-5) הן אנורקסיה נרבוזה (AN), בולימיה נרבוזה (BN), הפרעת אכילה מוגזמת (BED), והפרעת האכלה או אכילה מוגדרת אחרת (OSFED)2. הפרעות אלו משפיעות בעיקר על הנקבות ומלוות בסיבוכים בריאותיים פיזיים ו/או פסיכו-סוציאליים קשים ובמצוקה3. כ-13% מהנשים סובלות מהפרעות אכילה4, ושכיחות ה-AN אצל נשים מוערכת ב-0.3%-1% במהלך חייהן, כאשר אחוז גבוה עוד יותר של נשים סובלות מ-BN5.

שלל גורמי סיכון קשורים להפרעות אכילה ספציפיות. דיאטה במהלך גיל ההתבגרות המוקדם ומדד מסת גוף נמוך (BMI) מגבירה את הסיכון ל- AN אצל נשים, אך גיל ההתבגרות המוקדמת, הפנמה רזה-אידיאלית, חוסר שביעות רצון בגוף, השפעה שלילית וליקויים בתמיכה חברתית אינם6. בין הגורמים המנבאים את הופעתו של BN הם חששות משקל, חוסר שביעות רצון בגוף, דחף לרזון, חוסר יעילות, מודעות אינטרוספקטיבית נמוכה ודיאטה, אך לא פרפקציוניזם, פחדי בגרות, חוסר אמון בין-אישי או BMI6. אמנם ישנם הבדלים סימפטומטיים בין הסוגים השונים של הפרעות אכילה, אך קיים דמיון בגורמי הסיכון. זה מצביע על כך שפתולוגיית אכילה והתנהגות אכילה לא מסתגלת (דיאטה) הם גורמי סיכון נפוצים בכל הפרעות האכילה.

ואכן, פתולוגיית האכילה בולטת בהפרעות אכילה. עם זאת, הקושי להגדיר ולכמת התנהגות אכילה פתולוגית, בשילוב עם העובדה כי האבחנה מסתמכת בעיקר על התיאור הסובייקטיבי של ממדי הסימפטומים, יכול להפוך את הגבולות בין אבחנות נראה לא ברור7. בעיה זו מקשה על אבחון הפרעות אכילה, במיוחד עבור מטפלים בתחום הבריאות שאינם מכירים מטופלים בהפרעות אכילה, כגון רופאים ראשוניים.

אנשי מקצוע בתחום הבריאות ברפואה הראשונית הם לעתים קרובות הראשונים שאליהם פונים אנשים הסובלים מהפרעת אכילה. בהתחשב בחשיבות של גילוי מוקדם והתערבות עבור פרוגנוזה חיובית, על המטפלים להיות הכלים שיעזרו להם לזהות הפרעות אלה. לכן, אבחנה חייבת להיקבע במהירות ובדייקנות כדי למנוע עיכובים בטיפול שלהם על ידי מומחים.

אחת הדרכים להשגת מטרת אבחון זו היא להפוך את השאלונים הנוגעים לתסמינים שלהם לדיגיטליים ולהפוך אותם לאוטומטיים. יתרון נוסף של שיטה זו יכול להיות שהתגובות אמיתיות יותר מכיוון שמחקרים מצביעים על כך שמטופלים סומכים על מטפלים וירטואליים יותר מאשר על קלינאים אנושיים לדיון בבעיות בריאות הנפש8. יתרון פוטנציאלי נוסף הוא אמינות אבחונית מוגברת, כאשר כמה מחקרים מצביעים על כך שאבחון ממוחשב יכול להיות בעל אמינות גבוהה יותר מאשר אבחנות פנים אל פנים 9,10.

בפרוטוקול הנוכחי פותח אלגוריתם המבוסס על התגובות לשאלות פתוחות וסגורות על מצב פיזי, התנהגות, רגשות ומחשבות על ידי 949 מטופלים שהופנו ברצף (לנתונים דמוגרפיים, ראו טבלה 1). מתוך 949 המשתתפים, 91.6% (869) היו נשים, 18.0% סבלו מ-AN, 19.0% BN, 13.5% מיטה, 36.8% OSFED, 6.8% השמנת יתר (OB) ו-5.9% לא סבלו מהפרעת אכילה (ללא ED). האלגוריתם מעריך הן את ההסתברות ללקות בהפרעת אכילה והן את המסקנה לגבי סוג הפרעת האכילה שיש לאדם. פריטי השאלון מבוססים על קריטריונים של DSM-5 להפרעות האכלה ואכילה ועל תכונות האבחון של AN, BN, BED ו-OSFED. OB (עודף שומן בגוף) אינו נכלל ב- DSM-5 כהפרעה נפשית. עם זאת, ישנם קשרים חזקים בין OB ל- BED2. פריטי השאלון מקובצים לשלוש קטגוריות: (1) מצבים, כגון BMI, ירידה/עלייה במשקל במהלך השנה האחרונה והקאות עצמיות. (2) התנהגויות הכוללות דפוסי אכילה, דיאטה, שקילה עצמית, הקאות עצמיות, בידוד מחברים ובני משפחה והימנעות מפעילויות. (3) קוגניציות/מחשבות, כגון המשקל הרצוי, פחד לאבד שליטה, אכילת יתר, מחשבות על אוכל, אמונה בעצמך להיות שמן כאשר אחרים אומרים שאתה רזה מדי, ותגובה לעלייה במשקל. האלגוריתם מבוסס על ניתוח מפלה ללא תנאי שמקצה משקולות לפריטים באופן מדורג, ומזהה את הפריטים המפלים ביותר עבור כל אחת מחמש האבחנות. מידע האבחון מוצג בממשק מבוסס אינטרנט קל לשימוש.

Protocol

כל העבודה על נבדקים ניסיוניים ומטופלים אושרה על ידי הרשות השוודית לביקורת אתית, שבדיה (D. nr: 2019-05505). לפני הרישום למערכת, כל האנשים סיפקו הסכמה בכתב לאחסון, טיפול וניתוח של הנתונים שלהם. המטופלים הופנו למרפאה לטיפול מיוחד בהפרעות אכילה, בין אם על ידי הפניית רופא או הפניה עצמית. סבל מהפרעת אכילה היה קריטריון ההכללה של המטופלים. 1. רישום מטופלים על ידי קלינאים הערה: רישום מטופלים (איור 1) הושלם על-ידי קלינאי באמצעות כלי אינטרנט מותאם אישית שפותח (ראו טבלת חומרים). נווט אל דף הנחיתה באינטרנט באמצעות כל דפדפן מודרני עם הפניית המטופל. השתמש בחשבון קיים המשויך לקלינאית כדי להיכנס לכלי האינטרנט. מלאו את טופס רישום המטופל, כולל תעודת מטופל, מספר תעודת זהות, תאריך לידה, גיל ומין. לחץ על לחצן שמור כדי לרשום מטופל חדש. בשלב זה, ניתן להשהות את ההליך ולאחר מכן להפעיל אותו מחדש מאוחר יותר. 2. שאלון למטופלים הערה: המטופל ממלא את השאלון במכשיר חכם באמצעות אפליקציה מותאמת אישית שפותחה בכלי אינטרנט (ראה טבלת חומרים). אם המטופל הוא קטין, השאלון ימולא על ידי הורה או אפוטרופוס. הנתונים שלהם מאורגנים בלוקים נושאיים. לאחר השלמת התשובה לכל שאלה, המערכת מציגה את השאלה הבאה (איור 2). פתח את יישום השאלון במכשיר חכם. מלאו את מספר הביטוח הלאומי עבור המטופלים (איור 3). מלא את תאריך הביקור הראשון; התאריך הנוכחי משמש כברירת מחדל. מלאו את המידע המתאים למשקל, לגובה ולגיל של המטופלים. מלאו את המידע המתאים להתנהגות כגון הקאות מושרות, תדירות החטיפים וקצב האכילה. מלא את הפרטים המתאימים לפריטים קוגניטיביים ורגשיים כגון פחד מעלייה במשקל ותחושות של דיסמורפיה בגוף. לחץ על לחצן סיום כדי לסיים את השאלון. בשלב זה, ניתן להשהות את השאלון ולאחר מכן להפעיל אותו מחדש מאוחר יותר. 3. הערכת סיכונים על ידי קלינאים הערה: הערכת הסיכונים (איור 4) מוחזרת ומשמשת את המטפל באמצעות כלי אינטרנט מותאם אישית (ראו טבלת חומרים). נווט אל דף הנחיתה באינטרנט באמצעות כל דפדפן אינטרנט. השתמש בחשבון קיים כדי להיכנס לכלי האינטרנט. חפש את המטופל באמצעות מספר הביטוח הלאומי של המטופל או תעודת הזהות של המטופל. הוסף את המשקל והגובה הנמדדים למערכת. לחץ על הכרטיסיה תוצאה כדי לקבל את ההחלטה האלגוריתמית אם למטופל יש ED, ואם כן, איזה סוג של ED. לחץ על לשונית שאלות 1-20, או שאלות 21-34, כדי להציג את השאלות שבהן תגובות המטופלים חורגות מתשובות של אנשים בריאים. בחר אבחנה סופית תחת הלשונית תוצאה , בהתבסס על האלגוריתם ועל המומחיות של המטפל.

Representative Results

רישום המטופל המתואר בשלב 1 מתבצע על ידי קלינאית הממלאת את הטופס המוצג באיור 1 ברשומות הרפואיות הממוחשבות. לאחר שהקלינאי רושם מטופל חדש, הבקשה עוברת לשלב 2, המאפשר למטופל למלא את השאלון. כדי להתחיל את השאלון, המטופל או המטפל צריכים תחילה להזין את מספר הביטוח הלאומי (או תעודת הזהות) של המטופל באפליקציה במכשיר חכם (איור 3), ולאחר מכן האפליקציה מציגה את פריט השאלון הראשון. איור 2 מציג צילום מסך של פריט אחד מתוך שאלון האבחון. לאחר בחירת תגובה לפריט שאלון, היישום עובר לפריט הבא. מטופלים אינם יכולים לחזור אחורה כדי לשנות את התגובה של שאלות קודמות, ואם השאלון מסתיים בטרם עת, התשובות עדיין נשמרות, והמשתמש יכול לחזור כדי למלא את הפריטים החסרים. לאחר שכל השאלות נענו, האפליקציה נסגרת באופן אוטומטי. לאחר מילוי השאלון, דף הערכת הסיכונים המוצג באיור 4 זמין עבור המטפל באמצעות ממשק אינטרנט. קלינאים יכולים לצפות באבחנה המומלצת בדף ‘תוצאה’, יחד עם ההסתברות המשוערת לדיוק בין 0-1 (כלומר, טווח של 100%), בהתבסס על חישוב אוטומטי של גורמי הסיכון של השאלון. על ידי לחיצה על הלשונית ‘שאלות 1-20’ או ‘שאלות 21-34’, קלינאים יכולים לראות את התגובות הבריאות (טורקיז צבעוני) ואת התגובות הסוטות (צבע אדום) שהביאו לאבחנה המוצעת (איור 5). האלגוריתם (ראו טבלת חומרים) מעריך הן את ההסתברות ללקות בהפרעת אכילה והן את המסקנה לגבי סוג הפרעת האכילה שיש לאדם. הדיוק של המודל הוא 97.1% עבור ED ו 82.8% עבור אבחנות ED (טבלה 2). מידע האבחון מוצג בממשק מבוסס אינטרנט קל לשימוש. מידע זה מספק לקלינאים ביטחון בהחלטתם אם האבחנה האלגוריתמית תואמת את הערכתו של המטפל עצמו. אם האבחנה האלגוריתמית אינה תואמת את הערכת המטפל, מומלץ למטפל לבקש חוות דעת שנייה מאנשי מקצוע אחרים בתחום הבריאות. המערכת גם מאפשרת לרופאים לאמן את עצמם להיות טובים יותר באבחון מטופלים על ידי צפייה בשאלות הספציפיות הצפויות לסטות מאדם בריא בכרטיסיות השאלות ועל ידי סקירת מקרים קשים עם אנשי מקצוע אחרים בתחום הבריאות. איור 1: איור של טופס רישום המטופל בכלי האינטרנט. אנא לחץ כאן כדי להציג גרסה גדולה יותר של נתון זה. איור 2: דוגמה של פריט שאלון יחיד המוצג בטאבלט חכם. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה. איור 3: תמונת מצב של הדף המבקשת את מספר הביטוח הלאומי הנדרש לפני מילוי שאלון האבחון. אנא לחץ כאן כדי להציג גרסה גדולה יותר של נתון זה. איור 4: דוגמה לדף התוצאות עם אבחון מומלץ ודיוק משוער (במקרה זה 100%) כפי שמוצג באמצעות כלי האינטרנט. דף התוצאות מציג גם את התאריך, המין, הגיל וה- BMI של המטופל. בחלק העליון, קלינאים יכולים לבחור אבחנה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של נתון זה. איור 5: תשובות לשאלונים והקשר שלהן לאבחנה המוצעת. אדום מציין אסוציאציה גבוהה, ו-teal מרמז על אסוציאציה נמוכה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של נתון זה. נקבה (n = 869) זכר (n = 80) סה”כ (n = 949) גיל 21.0 (17.0 – 30.0) 21.0 (15.0 – 33.5) 21.0 (17.0 – 30.0) גובה 167.0 (162.0 – 170.0) 176.5 (169.0 – 183.0) 167.0 (162.0 – 171.0) משקל 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) טבלה 1: נתונים דמוגרפיים של 949 המטופלים שנכללו בפיתוח אלגוריתם האבחון. ערכים מבוטאים כחציון (רבעון תחתון – רבעון עליון). אבחון אבחון קלינאית אבחון אלגוריתמים דיוק (%) א 171 172 87.1 בסון 180 181 82.2 מיטה 128 138 81.3 OSFED 349 328 79.9 OB 65 74 90.8 טבלה 2: מספר המטופלים בכל קטגוריית ED שאובחנו על ידי קלינאי מיומן וההחלטה והדיוק של האלגוריתם.

Discussion

אבחון מוקדם ומדויק של הפרעות אכילה הוא קריטי לייזום טיפול מתאים, לשיפור תוצאות הטיפול ולהפחתת תוצאות בריאותיות גרועות1. כדי לקבוע אבחנה, קלינאים חייבים להתמודד עם כמויות גדולות של מידע פסיכולוגי ופיזיולוגי, וכמות גדולה של נתונים הופכת את האבחון למשימה שגוזלת זמן רב עם סיכון גבוה לאבחון שגוי.

המערכת המתוארת כאן מאיצה את תהליך קבלת ההחלטות על ידי מתן אבחנה אוטומטית מבוססת שאלון. בנוסף, הוא מאפשר לקלינאים לראות את התגובות הספציפיות החורגות מהתגובות הצפויות של אדם בריא. המערכת פותחה מתוך מחשבה על הצרכים של המטפלים, ולכן השאלון פשוט מספיק כדי להתמלא על ידי המטופל בלבד, מה שמפחית עוד יותר את הזמן הנדרש על ידי קלינאים כאשר שוקלים אבחנה. מאותה סיבה, התגובות נשמרות בקלט, מה שמבטיח שניתן להשהות את התהליך בכל עת. בעיות בחיבור למחשב והפרעות אחרות אינן דורשות חזרה על התהליך כולו.

מגבלה לפרוטוקול היא שלא ניתן לחשב הצעת אבחון אלא אם כן מולאו כל פריטי השאלון. מגבלה נוספת היא שמדידות רפואיות, כגון לחץ דם וטמפרטורה היקפית, אינן נכללות במערכת אלא חייבות להיות מוערכות על ידי קלינאים או רופאים.

ישנם מספר כלים דיגיטליים לאבחון הפרעות אכילה, כגון ראיונות אלקטרוניים מובנים למחצה11, אך אין כיום אלגוריתמי אבחון המבוססים על DSM-5 או על הסיווג הבינלאומי של מחלות, תיקון 11 (ICD-11). הבעיה העיקרית עם הגישות הקיימות היא שהן אינן מספקות דרך פשוטה לקלינאים לקבל סיוע באבחון או לתקשר מה מהווה תגובות לא בריאות. המערכת הנוכחית מיועדת לשימוש הן ברפואה הראשונית, הן על ידי אנשי מקצוע בתחום הבריאות עם ידע מועט בהפרעות אכילה, והן במרפאות מומחים לדיון במקרים מורכבים יותר, ומסייעת לקלינאים בתהליך קבלת ההחלטות במהלך אבחון הפרעות אכילה. מערכת זו מביאה לשיפור באיכות הטיפול, הפחתת זמן ומאמץ על ידי קלינאים, ומספקת יעילות משופרת עבור המטפל בפרקטיקה היומיומית שלהם.

אלגוריתם האבחון מבוסס כיום על שאלון אחד ומאפשר למערכת ללמד קלינאים לאבחן חולים טוב יותר ולהתייעץ עם אנשי מקצוע אחרים בתחום הבריאות במקרים קשים. פיתוח עתידי של המערכת חייב לכלול גם נתונים רפואיים. בנוסף, ניתן לשפר את היכולת הפרוגנוסטית של האלגוריתם על ידי זיקוק השאלון, החלפת פריטים מיותרים, לא אינפורמטיביים עם אלה רלוונטיים יותר. יש לקחת בחשבון גם גישה אורכית. אם המטופל מקבל טיפול מתאים, חיוני לעקוב אחר התקדמותו הבריאותית לאורך זמן. פריטים רבים בשאלון עדיין תקפים לגישת מעקב. עם זאת, השאלון והאלגוריתם צריכים להיות מנוסחים מחדש כדי ליצור אינדקס למדידת התקדמות בריאותית.

Disclosures

The authors have nothing to disclose.

Acknowledgements

עבודה זו מומנה על ידי אזור שטוקהולם.

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