Behandlungsplanung für ABA unter Einsatz von Hilfswerkzeugen v2+ (TREAAT2+) (TREAAT2+)

Autismus-Spektrum-Störung (ASD) ist eine komplexe, heterogene neurologische Entwicklungsstörung, die mehr als 250 Milliarden US-Dollar an direkten und indirekten jährlichen Ausgaben verursacht und schätzungsweise bei einem von 36 Kindern unter 8 Jahren in den USA auftritt. Validierte ASD-Behandlungen wie die Applied Behavior Analysis (ABA) basieren auf Board Certified Behavior Analysts (BCBAs), um in einem komplexen und arbeitsintensiven Prozess hochindividuelle Behandlungspläne zu entwickeln. Die Integration technologiebasierter Ansätze für die Behandlungsplanung (im Kontext von ABA weitgehend unerforscht), wie datengesteuerte CDS-Systeme (Clinical Decision Support) und unterstützende Technologie, kann den BCBA-Workflow modernisieren und optimieren, was wiederum den Patienten verbessern kann Pflege. In den letzten Jahren gab es eine hohe Nachfrage nach BCBAs, was zu Engpässen bei den Leistungserbringern geführt hat. Bei etwa 72 % der BCBAs kam es zu einem erheblichen Burnout, was zu einem Anstieg der BCBA-Fluktuation führte. Ein Faktor, der zur BCBA-Burnout-Rate beiträgt, ist die Arbeitsbelastung, die zu Erschöpfung und Desinteresse führen kann. Der BCBA-Workflow umfasst einen erheblichen Zeitaufwand für die Entwicklung effektiver individueller Behandlungspläne über einen langwierigen, nicht automatisierten und heterogenen Prozess, dem es an standardisierten Tools mangelt. Daher besteht die Notwendigkeit, bestehende Arbeitsabläufe zu automatisieren, um die BCBA-Effizienz, das Vertrauen, die Konsistenz und die Zufriedenheit zu steigern, um Burnout zu mildern und folglich den Patientenmanagementprozess und damit auch die klinischen Ergebnisse des Patienten zu verbessern.

In diesem SBIR-Projekt schlagen die Forscher vor, ein datengesteuertes Technologiepaket (TREAAT2+) in den BCBA-Workflow zu integrieren, um eine optimierte und konsistente ABA-Behandlungsplanung zu unterstützen. TREAAT2+ besteht aus (1) einem auf maschinellen Lernalgorithmen (MLA) basierenden CDS-Tool, das Daten aus elektronischen Gesundheitsakten (EHRs) analysiert und die Behandlungsdosis in Stunden empfiehlt, wobei der MLA in eine proprietäre Anwendung („App“) integriert ist. ; (2) ein Softwaretool zur Behandlungsplanung, das in die proprietäre App integriert ist, um eine leicht zugängliche Behandlungsüberwachung zu ermöglichen; und (3) individuelle Patientenfortschrittsberichte, die auf die proprietäre App von Autism Analytica (AA) übertragen werden. Der Vorgänger des App-integrierten MLA, TREAAT, wurde validiert und erzielte eine hervorragende Leistung (AUROC von 0,895) für eine binäre Behandlungsdosierungsempfehlung (<20 oder >20 Stunden/Woche). Die Forscher werden die Kapazität des MLA für detailliertere Empfehlungen zur Behandlungsdosierung verbessern, ein Behandlungsplanungssoftwaretool in der App für die BCBA-Nutzung bereitstellen und Push-AA-Patientendatenbewertungen in der App bereitstellen. Dies wird die Effizienz und das Vertrauen der BCBA in ihren Arbeitsablauf verbessern und dadurch die Belastung im Zusammenhang mit der manuellen und subjektiven Natur des Behandlungsplanungsprozesses erheblich reduzieren. TREAAT wurde mit proprietären Daten von Patienten von Montera Health TX LLC („Montera“) validiert, und die Forscher werden eine größere Anzahl von Patienten verwenden, um das in die App integrierte MLA zu verfeinern und zu validieren, um die Generalisierbarkeit zu verbessern. Die Forscher gehen davon aus, dass der MLA bei dieser erweiterten Patientenpopulation genauso gut oder sogar besser als der ursprüngliche TREAAT funktionieren wird und dass der MLA in Verbindung mit dem Behandlungsplanungssoftwaretool und den übertragenen AA-Daten den BCBA-Workflow deutlich verbessern wird. Der Mangel an aktueller Workflow-Automatisierung geht mit erheblichen BCBA-Burnout-Raten einher, und TREAAT2+ bietet die Lösung zur Modernisierung zeitaufwändiger Aufgaben innerhalb der Behandlungsplanung. Durch die Überbrückung der technologischen Lücke im BCBA-Workflow wird TREAAT2+ das BCBA-Burnout lindern und dadurch die Patientenversorgung verbessern.

Studienziel 1: Umschulung und Verbesserung des MLA von TREAAT2+. Die Forscher werden einen größeren Satz retrospektiver und prospektiver Montera-Patientendaten verwenden, als für die ursprüngliche TREAAT-Schulung verwendet wurden, und werden die MLA-Ausgabe als Inkremente der Behandlungsdosierungsempfehlung (in 10-Stunden-Inkrementen) entwerfen. Die Ermittler werden das MLA zusätzlich in unsere proprietäre App integrieren. Die Forscher erwarten, dass die MLA-Leistungskennzahlen mit den retrospektiven Benchmarks aus der Pilotstudie vergleichbar oder besser sind (AUROC: 0,895; 95 %-KI: 0,811 – 0,962).

Studienziel 2: Testen Sie die Robustheit des MLA von TREAAT2+ bei der Entwicklung von Behandlungsplänen. Die Ermittler werden eine nicht-interventionelle prospektive Bewertung des in die App integrierten MLA durchführen. Die Übereinstimmung zwischen der vom MLA vorgeschlagenen inkrementellen Behandlungsdosis und der vom BCBA vorgeschriebenen Dosierung wird bewertet. Die MLA-Leistung wird anhand demografischer Teilpopulationen bewertet, um eine Minimierung der Verzerrung sicherzustellen. Die Forscher gehen davon aus, dass es eine wesentliche Übereinstimmung zwischen der von der BCBA verordneten Behandlungsdosis und der von der MLA vorgeschlagenen Dosierung geben wird, gemessen an der Mindestzuverlässigkeit zwischen den Bewertern (z. B. Cohens Kappa) von mehr als 0,6, was laut der Verordnung auf eine erhebliche Übereinstimmung hinweist Das Klassifizierungssystem von Landis und Koch.

Studienziel 3: Bewerten Sie die Auswirkungen des Einsatzes von TREAAT2+ innerhalb des BCBA-Workflows. Die Forscher werden prospektive Daten von zwei BCBA-Kohorten verwenden. Eine Versuchsgruppe (BCBA Tech-Kohorte) erhält von Anfang an das komplette Tech-Paket (TREAAT2+). Die Kontrollgruppe (BCBA-Nicht-Tech-Kohorte) hat in den ersten 6 Monaten keinen Zugriff auf Tools aus dem Tech-Paket. In den darauffolgenden 18 Monaten erhalten sie alle 6 Monate ein Tool, bis sie Zugang zum gesamten Technologiepaket erhalten. Die Forscher erwarten, die Wirksamkeit von TREAAT2+ mit einer statistisch signifikanten Verbesserung (p < 0,05) gegenüber dem Ausgangswert bei qualitativen Endpunkten (Effizienz, Vertrauen, Konsistenz und Zufriedenheit; gemessen anhand von BCBA-selbstberichteten Likert-Fragebogenskalen) und quantitativen Endpunkten (zugeteilte Zeit) nachzuweisen zur Entwicklung eines Behandlungsplans).