Summary

Eine computergestützte Plattform zur Unterstützung von Klinikern bei der Analyse und Diagnose von Essstörungen

Published: May 10, 2022
doi:

Summary

Die Diagnose von Essstörungen im Gesundheitswesen ist eine Herausforderung. Daher entwickelt das vorliegende Protokoll einen Algorithmus, der auf 949 Patientenantworten auf einen Fragebogen basiert, wobei die Diagnose auf einer einfach zu bedienenden webbasierten Oberfläche angezeigt wird. Dieses System erleichtert die genaue Diagnose von Essstörungen und schließt diejenigen aus, von denen angenommen wird, dass sie eine Essstörung haben.

Abstract

Essstörungen (Anorexia nervosa, Bulimia nervosa, Binge-Eating-Störung und andere spezifizierte Ess- oder Fütterungsstörungen) haben eine kombinierte Prävalenz von 13% und sind mit schweren körperlichen und psychosozialen Problemen verbunden. Eine frühzeitige Diagnose, die für eine wirksame Behandlung und Prävention unerwünschter langfristiger gesundheitlicher Folgen wichtig ist, stellt nicht-spezialisierte Kliniker, die mit diesen Patienten nicht vertraut sind, wie z.B. diejenigen, die in der Grundversorgung arbeiten, vor Probleme. Eine frühzeitige, genaue Diagnose, insbesondere in der Primärversorgung, ermöglicht fachkundige Interventionen früh genug in der Erkrankung, um positive Behandlungsergebnisse zu ermöglichen. Computergestützte Diagnoseverfahren bieten eine mögliche Lösung für dieses Problem, indem sie Fachwissen über einen Algorithmus bereitstellen, der aus einer großen Anzahl von Fällen entwickelt wurde, die von erfahrenen Diagnostikern und fachkundigen Pflegekräften persönlich diagnostiziert wurden. Basierend auf diesen Daten wurde ein webbasiertes System zur Ermittlung einer genauen Diagnose für Patienten entwickelt, bei denen der Verdacht auf eine Essstörung besteht. Der Prozess wird mit einem Algorithmus automatisiert, der die Wahrscheinlichkeit des Befragten, eine Essstörung zu haben, und die Art der Essstörung, die die Person hat, schätzt. Das System bietet einen Bericht, der als Hilfe für Kliniker während des Diagnoseprozesses dient und als Schulungsinstrument für neue Kliniker dient.

Introduction

Diäten und eine damit verbundene Zunahme der körperlichen Aktivität sind die bekannten Ursachen für Anorexia nervosa und andere Essstörungen1. Die häufigsten Essstörungen, die im Diagnosehandbuch für psychische Störungen (DSM-5) erwähnt werden, sind Anorexia nervosa (AN), Bulimia nervosa (BN), Binge-Eating-Störung (BED) und andere spezifizierte Fütterungs- oder Essstörungen (OSFED)2. Diese Störungen betreffen in erster Linie Frauen und werden von schweren körperlichen und / oder psychosozialen Gesundheitskomplikationen und Stressbegleitet 3. Etwa 13% der Frauen leiden an Essstörungen4, und die Prävalenz von AN bei Frauen wird während ihres gesamten Lebens auf 0,3% -1% geschätzt, wobei ein noch höherer Prozentsatz von Frauen an BN5 leidet.

Eine Vielzahl von Risikofaktoren ist mit spezifischen Essstörungen verbunden. Diäten während der frühen Adoleszenz und ein niedriger Body-Mass-Index (BMI) erhöhen das Risiko von AN bei Frauen, aber frühe Pubertät, dünn-ideale Internalisierung, Körperunzufriedenheit, negative Auswirkungen und soziale Unterstützungsdefizite nicht6. Zu den Faktoren, die den Beginn von BN vorhersagen, gehören Gewichtsprobleme, Körperunzufriedenheit, Drang nach Dünnheit, Ineffektivität, geringes interozeptives Bewusstsein und Diäten, aber nicht Perfektionismus, Reifeängste, zwischenmenschliches Misstrauen oder BMI6. Während es symptomatische Unterschiede zwischen den verschiedenen Arten von Essstörungen gibt, gibt es eine Ähnlichkeit in den Risikofaktoren. Dies deutet darauf hin, dass Esspathologie und maladaptives Essverhalten (Diät) häufige Risikofaktoren für alle Essstörungen sind.

In der Tat ist die Esspathologie bei Essstörungen auffällig. Die Schwierigkeit, pathologisches Essverhalten zu definieren und zu quantifizieren, kombiniert mit der Tatsache, dass die Diagnose in erster Linie auf der subjektiven Beschreibung der Symptomdimensionen beruht, kann jedoch die Grenzen zwischen den Diagnosen unklar erscheinenlassen 7. Dieses Problem erschwert die Diagnose von Essstörungen, insbesondere für Angehörige der Gesundheitsberufe, die mit Patienten mit Essstörungen nicht vertraut sind, wie z. B. Hausärzte.

Angehörige der Gesundheitsberufe in der Primärversorgung sind oft die ersten, die von Personen angesprochen werden, die an einer Essstörung leiden. Angesichts der Bedeutung der Früherkennung und Intervention für eine günstige Prognose müssen die Leistungserbringer über die Werkzeuge verfügen, die ihnen helfen, diese Störungen zu erkennen. Daher muss eine Diagnose schnell und genau bestimmt werden, um Verzögerungen bei der Behandlung durch Spezialisten zu vermeiden.

Eine Möglichkeit, dieses diagnostische Ziel zu erreichen, besteht darin, Fragebögen zu ihren Symptomen zu digitalisieren und zu automatisieren. Ein zusätzlicher Vorteil dieser Methode könnte sein, dass die Antworten wahrheitsgetreuer sind, da Studien darauf hindeuten, dass Patienten virtuellen Therapeuten mehr vertrauen als menschlichen Klinikern, um psychische Gesundheitsprobleme zu diskutieren8. Ein weiterer potenzieller Vorteil ist die erhöhte diagnostische Zuverlässigkeit, wobei einige Studien darauf hindeuten, dass Computerdiagnosen eine höhere Zuverlässigkeit aufweisen können als persönliche Diagnosen 9,10.

Im vorliegenden Protokoll wurde ein Algorithmus entwickelt, der auf den Antworten auf offene und geschlossene Fragen zu körperlicher Verfassung, Verhalten, Emotionen und Gedanken von 949 konsekutiv überwiesen Patienten basiert (für demografische Daten siehe Tabelle 1). Von den 949 Teilnehmern waren 91,6% (869) weiblich, 18,0% hatten AN, 19,0% BN, 13,5% BED, 36,8% OSFED, 6,8% Adipositas (OB) und 5,9% hatten keine Essstörung (No ED). Der Algorithmus schätzt sowohl die Wahrscheinlichkeit, eine Essstörung zu haben, als auch die Schlussfolgerung darüber, welche Art von Essstörung das Individuum hat. Die Fragebogenpunkte basieren auf DSM-5-Kriterien für Fütterungs- und Essstörungen und den diagnostischen Merkmalen von AN, BN, BED und OSFED. OB (überschüssiges Körperfett) ist in DSM-5 als psychische Störung nicht enthalten. Es gibt jedoch robuste Assoziationen zwischen OB und BED2. Die Fragebogenpunkte sind in drei Kategorien unterteilt: (1) Bedingungen wie BMI, Gewichtsverlust / -zunahme im letzten Jahr und selbstinduziertes Erbrechen. (2) Verhaltensweisen wie Essgewohnheiten, Diäten, Wiegen, selbstinduziertes Erbrechen, Isolation von Freunden und Familie und Vermeidung von Aktivitäten. (3) Kognitionen / Gedanken, wie das gewünschte Gewicht, Angst vor Kontrollverlust, übermäßiges Essen, Gedanken über Essen, der Glaube, dass man fett ist, wenn andere sagen, dass man zu dünn ist, und Reaktion auf Gewichtszunahme. Der Algorithmus basiert auf einer bedingungslosen Diskriminanzanalyse, die den Elementen schrittweise Gewichtungen zuweist und die anspruchsvollsten Elemente für jede der fünf Diagnosen identifiziert. Die Diagnoseinformationen werden auf einer benutzerfreundlichen webbasierten Oberfläche angezeigt.

Protocol

Alle Arbeiten an Versuchspersonen und Patienten wurden von der Swedish Ethical Review Authority, Schweden, genehmigt (D. nr: 2019-05505). Vor der Registrierung im System haben alle Personen der Speicherung, Verarbeitung und Analyse ihrer Daten schriftlich zugestimmt. Die Patienten wurden zur spezialisierten Behandlung von Essstörungen entweder durch ärztliche Überweisung oder Selbstüberweisung an die Klinik überwiesen. An einer Essstörung zu leiden war das Einschlusskriterium für die Patienten. 1. Patientenregistrierung durch Kliniker HINWEIS: Die Patientenregistrierung (Abbildung 1) wird von einem Kliniker mit einem entwickelten benutzerdefinierten Webtool (siehe Materialverzeichnis) durchgeführt. Navigieren Sie nach der Überweisung des Patienten mit einem beliebigen modernen Browser zur Web-Zielseite. Verwenden Sie ein vorhandenes Konto, das einem Kliniker zugeordnet ist, um sich beim Web-Tool anzumelden. Füllen Sie das Patientenregistrierungsformular aus, einschließlich Patienten-ID, Sozialversicherungsnummer, Geburtsdatum, Alter und Geschlecht. Klicken Sie auf die Schaltfläche Speichern , um einen neuen Patienten zu registrieren. An diesem Punkt kann der Vorgang angehalten und später neu gestartet werden. 2. Fragebogen für Patienten HINWEIS: Der Patient füllt den Fragebogen auf einem intelligenten Gerät mit einer benutzerdefinierten App aus, die in einem Webtool entwickelt wurde (siehe Materialverzeichnis). Wenn der Patient minderjährig ist, wird der Fragebogen von einem Elternteil oder Erziehungsberechtigten ausgefüllt. Ihre Daten sind in thematischen Blöcken organisiert. Nachdem die Antwort auf jede Frage abgeschlossen ist, zeigt das System die nächste Frage an (Abbildung 2). Öffnen Sie die Fragebogenanwendung auf einem intelligenten Gerät. Geben Sie die Sozialversicherungsnummer für die Patienten ein (Abbildung 3). Geben Sie das Datum des ersten Besuchs ein. Standardmäßig wird das aktuelle Datum verwendet. Geben Sie die Informationen ein, die dem Gewicht, der Größe und dem Alter der Patienten entsprechen. Geben Sie die Informationen ein, die dem Verhalten entsprechen, z. B. induziertes Erbrechen, Snack-Häufigkeit und Essfrequenz. Füllen Sie die Einzelheiten aus, die kognitiven und emotionalen Elementen wie der Angst vor Gewichtszunahme und dem Gefühl von Körperdysmorphien entsprechen. Klicken Sie auf die Schaltfläche Fertig , um den Fragebogen abzuschließen. An dieser Stelle kann der Fragebogen pausiert und später neu gestartet werden. 3. Risikobewertung durch Kliniker HINWEIS: Die Risikobewertung (Abbildung 4) wird abgerufen und vom Arzt mithilfe eines benutzerdefinierten Webtools verwendet (siehe Materialverzeichnis). Navigieren Sie mit einem beliebigen Webbrowser zur Web-Zielseite. Verwenden Sie ein vorhandenes Konto, um sich beim Web-Tool anzumelden. Suchen Sie nach dem Patienten mit der Sozialversicherungsnummer oder der Patienten-ID des Patienten. Fügen Sie dem System gemessenes Gewicht und Höhe hinzu. Drücken Sie auf die Registerkarte Ergebnis , um die algorithmische Entscheidung zu erhalten, ob der Patient eine ED hat und, wenn ja, welche Art von ED. Drücken Sie die Registerkarte Fragen 1-20 oder Fragen 21-34, um die Fragen anzuzeigen, bei denen die Antworten der Patienten von den Antworten gesunder Personen abweichen. Wählen Sie auf der Registerkarte Ergebnis eine endgültige Diagnose aus, die auf dem Algorithmus und dem Fachwissen des Klinikers basiert.

Representative Results

Die in Schritt 1 beschriebene Patientenregistrierung wird von einem Kliniker durchgeführt, der das in Abbildung 1 dargestellte Formular in den computergestützten Krankenakten ausfüllt. Sobald der Kliniker einen neuen Patienten registriert hat, geht die Anwendung zu Schritt 2 über, der es dem Patienten ermöglicht, den Fragebogen auszufüllen. Um den Fragebogen zu starten, muss der Patient oder Arzt zunächst die Sozialversicherungsnummer (oder ID) des Patienten in die App auf einem intelligenten Gerät eingeben (Abbildung 3), woraufhin die App den ersten Fragebogeneintrag anzeigt. Abbildung 2 zeigt einen Screenshot eines Elements aus dem Diagnosefragebogen. Sobald eine Antwort auf ein Fragebogenelement ausgewählt wurde, wechselt die Anwendung zum nächsten Element. Patienten können nicht zurückgehen, um die Antwort früherer Fragen zu ändern, und wenn der Fragebogen vorzeitig beendet wird, werden die Antworten immer noch gespeichert, und der Benutzer kann zurückkehren, um die fehlenden Elemente auszufüllen. Sind alle Fragen beantwortet, wird die App automatisch geschlossen. Nachdem der Fragebogen ausgefüllt wurde, steht dem Kliniker die in Abbildung 4 dargestellte Seite zur Risikobewertung über eine Webschnittstelle zur Verfügung. Kliniker können die empfohlene Diagnose auf der Seite “Ergebnis” zusammen mit der geschätzten Wahrscheinlichkeit einer Genauigkeit von 0-1 (dh einem Bereich von 100%) anzeigen, basierend auf einer automatischen Berechnung der Risikofaktoren des Fragebogens. Durch Drücken der Registerkarte “Fragen 1-20” oder “Fragen 21-34” können Kliniker die gesunden Antworten (Farbe türkis) und die abweichenden Antworten (Farbe rot) anzeigen, die zu der vorgeschlagenen Diagnose geführt haben (Abbildung 5). Der Algorithmus (siehe Tabelle der Materialien) schätzt sowohl die Wahrscheinlichkeit, eine Essstörung zu haben, als auch die Schlussfolgerung darüber, welche Art von Essstörung das Individuum hat. Die Genauigkeit des Modells beträgt 97,1% für eine ED und 82,8% für ED-Diagnosen (Tabelle 2). Die Diagnoseinformationen werden auf einer benutzerfreundlichen webbasierten Oberfläche angezeigt. Diese Informationen geben Klinikern Vertrauen in ihre Entscheidung, wenn die algorithmische Diagnose mit der eigenen Bewertung des Klinikers übereinstimmt. Wenn die algorithmische Diagnose nicht mit der Bewertung des Klinikers übereinstimmt, wird der Kliniker ermutigt, eine zweite Meinung von anderen Angehörigen der Gesundheitsberufe einzuholen. Das System ermöglicht es Klinikern auch, sich selbst darin zu schulen, besser in der Diagnose von Patienten zu werden, indem sie die spezifischen Fragen betrachten, von denen erwartet wird, dass sie von einer gesunden Person in den Frageregisterkarten abweichen, und indem sie schwierige Fälle mit anderen Angehörigen der Gesundheitsberufe überprüfen. Abbildung 1: Eine Abbildung des Patientenregistrierungsformulars im Webtool. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 2: Beispiel eines einzelnen Fragebogenelements, das auf einem Smart-Tablet angezeigt wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 3: Momentaufnahme der Seite, auf der nach der erforderlichen Sozialversicherungsnummer gefragt wird, bevor der Diagnosefragebogen ausgefüllt wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 4: Beispiel für eine Ergebnisseite mit empfohlener Diagnose und geschätzter Genauigkeit (in diesem Fall 100%), wie sie mit dem Web-Tool angezeigt wird. Die Ergebnisseite zeigt auch das Datum, das Geschlecht, das Alter und den BMI des Patienten an. An der Spitze können Kliniker eine Diagnose auswählen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen. Abbildung 5: Antworten auf den Fragebogen und ihre Assoziation mit der vorgeschlagenen Diagnose. Rot zeigt eine hohe Assoziation an, und Blaugrün deutet auf eine niedrige Assoziation hin. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen. Weibchen (n = 869) Männlich (n = 80) Insgesamt (n = 949) Alter 21.0 (17.0 – 30.0) 21.0 (15.0 – 33.5) 21.0 (17.0 – 30.0) Höhe 167.0 (162.0 – 170.0) 176.5 (169.0 – 183.0) 167.0 (162.0 – 171.0) Gewicht 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) Tabelle 1: Demografische Daten der 949 Patienten, die für die Entwicklung des Diagnosealgorithmus einbezogen wurden. Die Werte werden als Median (unteres Quartil – oberes Quartil) ausgedrückt. Diagnose Kliniker-Diagnostik Algorithmus-Diagnose Genauigkeit (%) Ein 171 172 87.1 Mrd. 180 181 82.2 Bett 128 138 81.3 OSFED 349 328 79.9 Ob 65 74 90.8 Tabelle 2: Anzahl der Patienten in jeder ED-Kategorie, die von einem ausgebildeten Kliniker diagnostiziert wurden, und die Entscheidung und Genauigkeit des Algorithmus.

Discussion

Eine frühzeitige und genaue Diagnose von Essstörungen ist entscheidend für die Einleitung einer angemessenen Behandlung, die Verbesserung der Behandlungsergebnisse und die Verringerung schlechter Gesundheitsergebnisse1. Um eine Diagnose zu bestimmen, müssen Kliniker große Mengen an psychologischen und physiologischen Informationen verarbeiten, und eine große Datenmenge macht die Diagnose zu einer zeitaufwendigen Aufgabe mit einem hohen Risiko einer Fehldiagnose.

Das hier beschriebene System beschleunigt den Entscheidungsprozess durch eine automatische Fragebogendiagnose. Darüber hinaus ermöglicht es Ärzten, die spezifischen Reaktionen zu sehen, die von den erwarteten Reaktionen einer gesunden Person abweichen. Das System wurde unter Berücksichtigung der Bedürfnisse der Kliniker entwickelt, weshalb der Fragebogen einfach genug ist, um vom Patienten allein ausgefüllt zu werden, was den Zeitaufwand der Kliniker bei der Prüfung einer Diagnose weiter reduziert. Aus dem gleichen Grund werden die Antworten bei der Eingabe gespeichert, sodass der Prozess jederzeit angehalten werden kann. Computerverbindungsprobleme und andere Unterbrechungen erfordern keine Wiederholung des gesamten Vorgangs.

Eine Einschränkung des Protokolls besteht darin, dass ein Diagnosevorschlag nur berechnet werden kann, wenn alle Fragebogenpunkte ausgefüllt wurden. Eine weitere Einschränkung besteht darin, dass medizinische Messungen wie Blutdruck und periphere Temperatur nicht in das System einbezogen werden, sondern von Klinikern oder Ärzten ausgewertet werden müssen.

Es gibt mehrere digitale Werkzeuge für die Diagnose von Essstörungen, wie z.B. halbstrukturierte elektronische Interviews 11, aber es gibt derzeit keine diagnostischen Algorithmen, die auf dem DSM-5 oder der International Classification of Disease, 11th Revision (ICD-11) basieren. Das Hauptproblem bei den verfügbaren Ansätzen besteht darin, dass sie den Klinikern keine einfache Möglichkeit bieten, Hilfe bei der Diagnose zu erhalten oder zu kommunizieren, was ungesunde Reaktionen ausmacht. Das derzeitige System ist sowohl für den Einsatz in der Primärversorgung, durch Angehörige der Gesundheitsberufe mit geringen Kenntnissen über Essstörungen als auch in Fachkliniken zur Erörterung komplexerer Fälle vorgesehen, um Klinikern bei der Entscheidungsfindung bei der Diagnose von Essstörungen zu helfen. Dieses System führt zu einer verbesserten Qualität der Versorgung, einer Reduzierung von Zeit und Aufwand durch Kliniker und bietet eine verbesserte Effizienz für den Kliniker in seiner täglichen Praxis.

Der Diagnosealgorithmus basiert derzeit auf einem Fragebogen und ermöglicht es dem System, Klinikern beizubringen, Patienten besser zu diagnostizieren und in schwierigen Fällen andere Angehörige der Gesundheitsberufe zu konsultieren. Die zukünftige Entwicklung des Systems muss auch medizinische Daten umfassen. Darüber hinaus kann die Prognosefähigkeit des Algorithmus verbessert werden, indem der Fragebogen verfeinert und redundante, nicht informative Elemente durch relevantere ersetzt werden. Ein Längsschnittansatz muss ebenfalls in Betracht gezogen werden. Wenn der Patient eine angemessene Behandlung erhält, ist es wichtig, seinen Gesundheitsfortschritt im Laufe der Zeit zu verfolgen. Viele Punkte im Fragebogen sind immer noch für einen Follow-up-Ansatz gültig. Der Fragebogen und der Algorithmus müssen jedoch neu formuliert werden, um einen Index zur Messung des Gesundheitsfortschritts zu erstellen.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Diese Arbeit wurde von der Region Stockholm finanziert.

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