研究人员发现，病史可能有助于预测幼儿的自闭症
医疗保险索赔可能不仅仅是帮助支付健康问题;根据宾夕法尼亚州立大学一个跨学科研究小组发表在《科学》杂志上的新发现，它们可以帮助预测它们英国医学杂志健康与保健信息学．研究人员开发了机器学习模型，用于评估数百个临床变量之间的联系，包括医生就诊和看似无关的医疗条件的医疗保健服务，以预测幼儿患自闭症谱系障碍的可能性。
宾夕法尼亚州立工程学院工业与制造工程助理教授陈秋实(Qiushi Chen)说:“保险索赔数据是去识别的，在营销扫描数据集中广泛可用，提供了关于患者的全面纵向医疗细节。”
“科学文献在野外建议孩子们用自闭症谱系障碍也往往有较高比率的临床症状，如不同类型的感染、胃肠道问题、癫痫发作，以及行为指征。那些症状不是原因自闭症但通常在自闭症儿童中表现出来尤其是在年轻的时候，所以我们受到启发去合成医疗信息来量化和预测相关的可能性。”
研究人员将数据输入机器学习模型，训练它评估数百个变量，以找到与自闭症谱系障碍可能性增加有关的相关性。
“自闭症谱系障碍是一种发育障碍，”合著者刘国栋说，他是宾夕法尼亚州立医学院公共卫生科学、精神病学和行为健康以及儿科的副教授。ob体育开户网址“临床医生需要观察和多次筛查才能做出诊断。这个过程通常很漫长，许多孩子错过了早期干预的机会，而早期干预是改善结果的最有效方法。”
常用的帮助识别的筛查工具之一年幼的孩子自闭症谱系障碍可能性较高的儿童被称为儿童自闭症修改清单(M-CHAT)，通常在18和24个月大的正常儿童例行检查中提供。
它由20个问题组成，重点关注与眼神交流、社交互动和一些身体里程碑(如走路)相关的行为。监护人的回答是基于他们的观察，但是，陈说，这些年龄的发展差异很大，以至于这个工具可能会错误地识别孩子。因此，儿童通常在四岁或五岁时才被正式诊断，这意味着他们错过了多年潜在的早期干预。
“我们的新模型量化了已识别的总和风险因素一起来告知可能性水平，已经与现有的筛查工具相当，在某些情况下甚至略好，”陈说。“当我们将该模型与筛查工具结合起来时，我们为临床医生提供了一种非常有前途的方法。”
刘教授表示，将该模型与筛查工具集成到临床应用中是切实可行的。
刘说:“这项工作的一个独特优势是，这种临床信息学方法可以很容易地融入临床流程。”“预测模型可以嵌入到医院的电子健康记录系统中，该系统用于记录患者的健康状况，作为临床决策支持工具，标记高风险儿童，以便临床医生和家庭能够更快地采取行动。”
陈和惠特尼·格思里合作，临床心理学家费城儿童医院自闭症研究中心主任，宾夕法尼亚大学佩雷尔曼医学院精神病学和儿科助理教授。ob体育开户网址
他们正在精确分析结合医院记录数据和筛查结果预测自闭症诊断的效果，以及探索其他潜在的筛查工具，以更好地帮助临床医生帮助他们的患者。
格思里说:“目前的工具不仅遗漏了许多自闭症谱系的儿童，而且由于我们的诊断能力有限，许多被我们的筛查工具检测到的儿童都经历了漫长的等待名单。”
“虽然M-CHAT确实能检测到很多儿童，但它的假阳性和假阴性率也很高，这意味着许多自闭症儿童会被遗漏，而其他儿童则会在他们可能不需要的时候被转介去做自闭症评估。这两个问题都导致了长时间的等待——通常是几个月甚至几年——以进行进一步的评估。”
“对于那些被我们目前的筛查工具遗漏的儿童来说，后果尤其重要，因为延迟诊断往往意味着儿童完全错过了早期干预的机会。儿科医生需要更好的筛查工具来尽早准确地识别所有需要自闭症评估的儿童。”
部分问题在于能够诊断自闭症谱系障碍的心理学家、儿科发展医生和其他儿科发展专家数量有限。陈教授表示，解决方案可能存在于工业工程．
陈说:“关键是改善我们使用资源的方式。”“凭借格思里博士的临床专业知识和我们团队的建模能力，我们的目标是开发一种工具初级保健医生没有经过专业培训就可以申请对儿童进行自信评估，尽早诊断，以便尽快获得所需的护理。”
进一步探索
