Behandlingsplanlægning for ABA, der anvender hjælpeværktøjer v2+ (TREAAT2+) (TREAAT2+)

Autismespektrumforstyrrelse (ASD) er en kompleks, heterogen neuroudviklingslidelse, der tegner sig for >250 milliarder USD i direkte og indirekte årlige udgifter og anslås at forekomme hos 1 ud af 36 børn <8 år i USA. Validerede ASD-behandlinger, såsom Applied Behavior Analysis (ABA), er afhængige af Board Certified Behavior Analysts (BCBA'er) til at udvikle meget individualiserede behandlingsplaner via en kompleks og arbejdskrævende proces. Integrering af teknologibaserede tilgange til behandlingsplanlægning (stort set uudforsket i forbindelse med ABA), såsom datadrevne systemer til klinisk beslutningsstøtte (CDS) og hjælpeteknologi, kan modernisere og optimere BCBA-arbejdsgangen, som igen kan forbedre patienten omsorg. Der har været en høj efterspørgsel efter BCBA'er i de senere år, hvilket har ført til mangel på plejeudbydere, hvor omkring 72% af BCBA'er oplever betydelig udbrændthed, hvilket øger BCBA-omsætningen. En medvirkende faktor til BCBA-udbrændthedsraten er arbejdsbyrden, som kan give næring til udmattelse og frigørelse. BCBA-arbejdsgangen omfatter betydelig tid brugt på at udvikle effektive individualiserede behandlingsplaner via en kedelig, ikke-automatiseret og heterogen proces, der mangler standardiserede værktøjer. Der er således behov for at automatisere eksisterende arbejdsgange for at øge BCBA effektivitet, tillid, konsistens og tilfredshed for at mindske udbrændthed og følgelig forbedre patienthåndteringsprocessen og i forlængelse heraf patientens kliniske resultater.

I dette SBIR-projekt foreslår efterforskerne at integrere en datadrevet teknologisk pakke (TREAAT2+) i BCBA's arbejdsgang for at hjælpe med strømlinet og konsekvent ABA-behandlingsplanlægning. TREAAT2+ består af (1) et maskinlæringsalgoritme (MLA)-baseret CDS-værktøj, der analyserer data fra elektroniske sundhedsjournaler (EPJ'er) og anbefaler behandlingsdosering i form af timer, hvor MLA'en er integreret i en proprietær applikation ("app") ; (2) et behandlingsplanlægningssoftwareværktøj integreret med den proprietære app for at lette let tilgængeligt behandlingstilsyn; og (3) individuelle patientfremskridtsrapporter skubbet til den proprietære app fra Autism Analytica (AA). Forgængeren til den app-integrerede MLA, TREAAT, blev valideret og opnåede fremragende ydeevne (AUROC på 0,895) for en binær behandlingsdosisanbefaling (<20 eller >20 timer/uge). Efterforskerne vil øge MLA's kapacitet til mere granulære behandlingsdoseringsanbefalinger, implementere et behandlingsplanlægningssoftwareværktøj i appen til BCBA-brug og levere pushede AA-patientdatavurderinger i appen. Dette vil forbedre BCBA-effektiviteten og tilliden i deres arbejdsgange, og derved reducere byrden i forbindelse med den manuelle og subjektive karakter af behandlingsplanlægningsprocessen markant. TREAAT blev valideret med proprietære data fra patienter fra Montera Health TX LLC ("Montera"), og efterforskerne vil bruge et større antal patienter til at finjustere og validere den app-integrerede MLA for at forbedre generaliserbarheden. Efterforskerne forventer, at MLA'en vil fungere lige så godt som eller bedre end den oprindelige TREAAT i denne udvidede patientpopulation, og at MLA'et sammen med behandlingsplanlægningssoftwareværktøjet og de pushede AA-data vil forbedre BCBA-arbejdsgangen betydeligt. Manglen på nuværende workflowautomatisering eksisterer sideløbende med betydelige BCBA-udbrændthedsrater, og TREAAT2+ giver løsningen til at modernisere tidskrævende opgaver inden for behandlingsplanlægning. Ved at bygge bro over det teknologiske hul i BCBA-arbejdsgangen, vil TREAAT2+ mindske BCBA-udbrændthed og i forlængelse heraf forbedre patientbehandlingen.

Studiemål 1: Omskoling og opgradering af MLA for TREAAT2+. Efterforskerne vil bruge et større sæt retrospektive og prospektive Montera-patientdata, end der blev brugt til den oprindelige TREAAT-træning, og vil designe MLA-output som trin af behandlingsdosisanbefaling (i trin på 10 timer). Efterforskerne vil desuden integrere MLA i vores proprietære app. Efterforskerne forventer, at MLA-præstationsmålinger er sammenlignelige med eller bedre end retrospektive benchmarks fra pilotstudiet (AUROC: 0,895; 95 % CI: 0,811 - 0,962).

Undersøgelsesmål 2: Test robustheden af ​​MLA af TREAAT2+ i udvikling af behandlingsplaner. Efterforskerne vil udføre en ikke-interventionel prospektiv evaluering af den app-integrerede MLA. Overensstemmelsen mellem den trinvise behandlingsdosis foreslået af MLA og den dosis, der er ordineret af BCBA, vil blive vurderet. MLA-ydelse vil blive evalueret på demografiske underpopulationer for at sikre bias minimering. Efterforskerne forventer, at der vil være væsentlig overensstemmelse mellem den behandlingsdosis, der er foreskrevet af BCBA, og den dosis, der foreslås af MLA, målt ved minimum inter-rurer-pålidelighed (f.eks. Cohen's Kappa) på mere end 0,6, hvilket indikerer væsentlig overensstemmelse i henhold til Landis og Kochs klassifikationssystem.

Undersøgelsesmål 3: Evaluer virkningen af ​​at implementere TREAAT2+ i BCBA-arbejdsgangen. Efterforskerne vil bruge prospektive data fra to BCBA-kohorter. En eksperimentel gruppe (BCBA Tech-kohorte) vil modtage den fulde teknologipakke (TREAAT2+) fra starten. Kontrolgruppen (BCBA non-Tech kohorte) vil ikke have adgang til nogen værktøjer fra teknologipakken i de første 6 måneder. I de efterfølgende 18 måneder vil de modtage ét værktøj hver 6. måned, indtil de får adgang til hele teknologipakken. Efterforskerne forventer at demonstrere effektiviteten af ​​TREAAT2+ med statistisk signifikant forbedring (p < 0,05) i forhold til baseline i kvalitative endepunkter (effektivitet, tillid, konsistens og tilfredshed; målt ved BCBA selvrapporterede Likert-spørgeskemaskalaer) og kvantitative allokerede endepunkter (tidspunkt). til udvikling af behandlingsplan).