Summary

Uma plataforma baseada em computador para auxiliar médicos na análise e diagnóstico do transtorno alimentar

Published: May 10, 2022
doi:

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

Todo o trabalho sobre temas experimentais e pacientes foi aprovado pela Autoridade Sueca de Revisão Ética, Suécia (D. nr: 2019-05505). Antes do registro no sistema, todos os indivíduos forneceram consentimento por escrito para o armazenamento, manuseio e análise de seus dados. Os pacientes foram encaminhados à clínica para tratamento especializado de transtornos alimentares, seja por encaminhamento médico ou auto-encaminhamento. Sofrer de transtorno alimentar foi o critério de inclusão dos pacientes. 1. Registro de pacientes por médicos NOTA: O registro do paciente (Figura 1) é concluído por um médico usando uma ferramenta web personalizada desenvolvida (ver Tabela de Materiais). Navegue até a página de aterrissagem da Web usando qualquer navegador moderno após a indicação do paciente. Use uma conta existente associada a um médico para fazer login na ferramenta web. Preencha o formulário de registro do paciente, incluindo RG do paciente, cpf, data de nascimento, idade e sexo. Pressione o botão Salvar para registrar um novo paciente. Neste ponto, o procedimento pode ser pausado e reiniciado mais tarde. 2. Questionário para pacientes NOTA: O paciente preenche o questionário em um dispositivo inteligente usando um aplicativo personalizado desenvolvido em uma ferramenta web (ver Tabela de Materiais). Se o paciente for menor de idade, o questionário é preenchido por um dos pais ou responsável. Seus dados são organizados em blocos temáticos. Após a conclusão da resposta a cada pergunta, o sistema apresenta a próxima pergunta (Figura 2). Abra a aplicação do questionário em um dispositivo inteligente. Preencha o número do CPF para os pacientes (Figura 3). Preencha a primeira data de visita; a data atual é usada por padrão. Preencha as informações correspondentes ao peso, altura e idade dos pacientes. Preencha as informações correspondentes ao comportamento, como vômito induzido, frequência de lanche e taxa alimentar. Preencha as particularidades correspondentes a itens cognitivos e emocionais, como medo de ganhar peso e sentimentos de dismorfia corporal. Pressione o botão Concluído para terminar o questionário. Neste ponto, o questionário pode ser pausado e reiniciado mais tarde. 3. Avaliação de risco por médicos NOTA: A avaliação de risco (Figura 4) é recuperada e utilizada pelo médico usando uma ferramenta web personalizada (ver Tabela de Materiais). Navegue até a página de aterrissagem da Web usando qualquer navegador da Web. Use uma conta existente para fazer login na ferramenta web. Procure o paciente utilizando o número do cpf do paciente ou a identificação do paciente. Adicione peso e altura medidos ao sistema. Pressione a guia Resultado para obter a decisão algorítmica de saber se o paciente tem um ED e, se for o caso, que tipo de ED. Guia de imprensa Perguntas 1-20, ou Perguntas 21-34, para exibir as perguntas onde as respostas dos pacientes se desviam das respostas de indivíduos saudáveis. Selecione um diagnóstico final na guia Resultado , com base no algoritmo e na experiência do médico.

Representative Results

O registro do paciente descrito na etapa 1 é realizado por um clínico que preenche o formulário apresentado na Figura 1 nos prontuários informatizados. Uma vez que o médico registra um novo paciente, o aplicativo passa para a etapa 2, que permite ao paciente preencher o questionário. Para iniciar o questionário, o paciente ou médico precisa primeiro inserir o número de segurança social (ou RG) do paciente no aplicativo em um dispositivo inteligente (Figura 3), após o qual o aplicativo exibe o primeiro item do questionário. A Figura 2 mostra uma captura de tela de um item do questionário de diagnóstico. Uma vez que uma resposta é selecionada para um item do questionário, o aplicativo passa para o próximo item. Os pacientes não podem voltar a alterar a resposta de perguntas anteriores, e se o questionário for prematuramente encerrado, as respostas ainda são salvas e o usuário pode voltar a preencher os itens faltantes. Uma vez que todas as perguntas tenham sido respondidas, o aplicativo é fechado automaticamente. Após o preenchimento do questionário, a página de avaliação de risco apresentada na Figura 4 está disponível para o médico através de uma interface web. Os médicos podem visualizar o diagnóstico recomendado na página ‘Resultado’, juntamente com a probabilidade estimada de precisão de 0-1 (ou seja, uma faixa de 100%, com base em um cálculo automático dos fatores de risco do questionário. Ao pressionar a aba ‘Perguntas 1-20’ ou ‘Perguntas 21-34’, os médicos podem visualizar as respostas saudáveis (color turquesa) e as respostas desviadas (cor vermelha) que resultaram no diagnóstico sugerido (Figura 5). O algoritmo (ver Tabela de Materiais) estima tanto a probabilidade de ter um distúrbio alimentar quanto a conclusão sobre qual tipo de transtorno alimentar o indivíduo tem. A precisão do modelo é de 97,1% para ter ED e 82,8% para diagnósticos de ED (Tabela 2). As informações de diagnóstico são exibidas em uma interface baseada na Web fácil de usar. Essas informações fornecem aos médicos confiança em sua decisão se o diagnóstico algorítmico concordar com a avaliação do próprio médico. Se o diagnóstico algorítmico não concordar com a avaliação do médico, o médico é incentivado a buscar uma segunda opinião de outros profissionais de saúde. O sistema também permite que os médicos se treinem para se tornarem melhores no diagnóstico dos pacientes, visualizando as questões específicas esperadas para se desviarem de um indivíduo saudável nas guias de perguntas e revendo casos difíceis com outros profissionais de saúde. Figura 1: Uma ilustração do formulário de registro do paciente na ferramenta web. Clique aqui para ver uma versão maior desta figura. Figura 2: Amostra de um único item de questionário exibido em um tablet inteligente. Por favor, clique aqui para ver uma versão maior desta figura. Figura 3: Instantâneo da página pedindo o número de segurança social necessário antes de preencher o questionário de diagnóstico. Por favor, clique aqui para ver uma versão maior deste número. Figura 4: Exemplo de página de resultado com diagnóstico recomendado e precisão estimada (neste caso 100%) como exibido utilizando a ferramenta web. A página de resultado também mostra a data, sexo, idade e IMC do paciente. No topo, os médicos podem selecionar um diagnóstico. Clique aqui para ver uma versão maior desta figura. Figura 5: Respostas ao questionário e sua associação com o diagnóstico sugerido. Vermelho indica uma alta associação, e teal sugere uma baixa associação. Clique aqui para ver uma versão maior desta figura. Feminino (n = 869) Masculino (n = 80) Total (n = 949) Idade 21.0 (17.0 – 30.0) 21.0 (15.0 – 33.5) 21.0 (17.0 – 30.0) Altura 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) Imc 20.9 (17.8 – 26.7) 21.3 (18.0 – 31.2) 21 (17.9 – 27.1) Tabela 1: Dados demográficos dos 949 pacientes incluídos para o desenvolvimento do algoritmo de diagnóstico. Os valores são expressos como mediana (quartil inferior – quartil superior). Diagnóstico Diagnóstico clínico Diagnóstico de algoritmo Precisão (%) Ano 171 172 87.1 Bn 180 181 82.2 Cama 128 138 81.3 OSFED 349 328 79.9 Ob 65 74 90.8 Tabela 2: Número de pacientes em cada categoria de ED diagnosticado por um médico treinado e a decisão e precisão do algoritmo.

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

  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