Hoidon suunnittelu ABA:lle, jossa käytetään aputyökaluja v2+ (TREAAT2+) (TREAAT2+)

Autismispektrihäiriö (ASD) on monimutkainen, heterogeeninen hermoston kehityshäiriö, jonka vuotuiset suorat ja epäsuorat menot ovat yli 250 miljardia dollaria ja jonka arvioidaan esiintyvän yhdellä 36:sta alle 8-vuotiaasta lapsesta Yhdysvalloissa. Validoidut ASD-hoidot, kuten Applied Behavior Analysis (ABA), luottavat Board Certified Behavior Analysts (BCBA:t) kehittämään erittäin yksilöllisiä hoitosuunnitelmia monimutkaisen ja työvoimavaltaisen prosessin avulla. Integroimalla teknologiaan perustuvia lähestymistapoja hoidon suunnitteluun (jotka ovat suurelta osin tutkimattomia ABA:n yhteydessä), kuten tietopohjaiset kliinisen päätöksenteon tukijärjestelmät (CDS) ja avustava teknologia, voidaan modernisoida ja optimoida BCBA-työnkulkua, mikä puolestaan ​​voi parantaa potilasta. hoito. BCBA:n kysyntä on ollut suuri viime vuosina, mikä on johtanut pulaan, joka rasittaa hoidontarjoajia, ja noin 72 % BCBA:sta on kokenut merkittävää työuupumusta, mikä lisää BCBA:n liikevaihtoa. Yksi BCBA-uupumusasteeseen vaikuttava tekijä on työkuorma, joka voi ruokkia uupumusta ja irtautumista. BCBA-työnkulkuun sisältyy paljon aikaa, joka kuluu tehokkaiden yksilöllisten hoitosuunnitelmien kehittämiseen ikävän, automatisoimattoman ja heterogeenisen prosessin avulla, jossa ei ole standardoituja työkaluja. Siten olemassa olevia työnkulkuja on automatisoitava BCBA:n tehokkuuden, luottamuksen, johdonmukaisuuden ja tyytyväisyyden lisäämiseksi, jotta voidaan lieventää työuupumusta ja siten parantaa potilaan hallintaprosessia ja laajentaa potilaiden kliinisiä tuloksia.

Tässä SBIR-projektissa tutkijat ehdottavat tietopohjaisen teknologiapaketin (TREAAT2+) integrointia BCBA:n työnkulkuun auttamaan virtaviivaistetussa ja johdonmukaisessa ABA-hoidon suunnittelussa. TREAAT2+ koostuu (1) koneoppimisalgoritmiin (MLA) perustuvasta CDS-työkalusta, joka analysoi tietoja sähköisistä terveystietueista (EHR) ja suosittelee hoitoannostusta tunteina, kun MLA on integroitu omaan sovellukseen ("app") ; (2) hoidon suunnitteluohjelmistotyökalu, joka on integroitu patentoituun sovellukseen helpottamaan helposti saavutettavissa olevaa hoidon valvontaa; ja (3) yksittäisten potilaiden edistymisraportit, jotka on työnnetty Autism Analytican (AA) omaan sovellukseen. Sovellukseen integroidun MLA:n edeltäjä, TREAAT, validoitiin ja saavutti erinomaisen suorituskyvyn (AUROC 0,895) binaarisella hoitoannossuosituksella (<20 tai >20 tuntia/viikko). Tutkijat parantavat MLA:n kapasiteettia tarkempien hoitoannossuositusten antamiseen, ottavat käyttöön sovelluksessa hoidon suunnitteluohjelmistotyökalun BCBA-käyttöä varten ja tarjoavat sovelluksessa painettuja AA-potilastietojen arviointeja. Tämä parantaa BCBA:n tehokkuutta ja luottamusta heidän työnkulussaan ja vähentää siten merkittävästi hoidon suunnitteluprosessin manuaaliseen ja subjektiiviseen luonteeseen liittyvää taakkaa. TREAAT validoitiin Montera Health TX LLC:n ("Montera") potilaiden omistamilla tiedoilla, ja tutkijat käyttävät suurempaa määrää potilaita sovellukseen integroidun MLA:n hienosäätämiseen ja validoimiseen yleistettävyyden parantamiseksi. Tutkijat odottavat, että MLA toimii yhtä hyvin tai paremmin kuin alkuperäinen TREAAT tässä laajennetussa potilasjoukossa ja että MLA yhdessä hoidon suunnitteluohjelmistotyökalun ja välitettyjen AA-tietojen kanssa parantaa merkittävästi BCBA-työnkulkua. Nykyisen työnkulun automaation puute esiintyy rinnakkain merkittävien BCBA-uupumusten kanssa, ja TREAAT2+ tarjoaa ratkaisun modernisoimaan aikaa vieviä tehtäviä hoidon suunnittelussa. TREAAT2+ vähentää BCBA-uupumusta ja parantaa potilaiden hoitoa umpeen kuromalla BCBA-työnkulun teknologista aukkoa.

Tutkimuksen tavoite 1: TREAAT2+:n MLA:n uudelleenkoulutus ja päivittäminen. Tutkijat käyttävät suurempaa joukkoa retrospektiivisiä ja prospektiivisia Montera-potilastietoja kuin mitä käytettiin alkuperäisessä TREAAT-koulutuksessa, ja suunnittelevat MLA-tuloksen hoitosuosituksen lisäyksinä (10 tunnin välein). Lisäksi tutkijat integroivat MLA:n omaan sovellukseemme. Tutkijat odottavat MLA-suorituskykymittareiden olevan vertailukelpoisia tai parempia kuin pilottitutkimuksen retrospektiiviset vertailuarvot (AUROC: 0,895; 95 % CI: 0,811 - 0,962).

Tutkimuksen tavoite 2: Testaa TREAAT2+:n MLA:n kestävyyttä hoitosuunnitelman kehittämisessä. Tutkijat suorittavat ei-interventio-arvioinnin sovellukseen integroidusta MLA:sta. MLA:n ehdottaman lisähoitoannoksen ja BCBA:n määräämän annoksen välinen sopimus arvioidaan. MLA-suorituskykyä arvioidaan demografisten alapopulaatioiden osalta harhan minimoimisen varmistamiseksi. Tutkijat odottavat, että BCBA:n määräämän hoitoannoksen ja MLA:n ehdottaman annoksen välillä on olennainen yksimielisyys mitattuna vähintään arvioijien välisellä luotettavuudella (esim. Cohenin kappa), joka on suurempi kuin 0,6, mikä osoittaa olennaista yksimielisyyttä tutkimuksen mukaan. Landisin ja Kochin luokitusjärjestelmä.

Tutkimuksen tavoite 3: Arvioi TREAAT2+:n käyttöönoton vaikutus BCBA-työnkulussa. Tutkijat käyttävät tulevia tietoja kahdesta BCBA-kohortista. Kokeellinen ryhmä (BCBA Tech -kohortti) saa alusta alkaen täyden teknologiapaketin (TREAAT2+). Kontrolliryhmällä (BCBA:n ei-tekninen kohortti) ei ole pääsyä teknologiapaketin työkaluihin ensimmäisten 6 kuukauden aikana. Seuraavien 18 kuukauden aikana he saavat yhden työkalun kuuden kuukauden välein, kunnes he saavat pääsyn koko teknologiapakettiin. Tutkijat odottavat osoittavansa TREAAT2+:n tehokkuuden tilastollisesti merkitsevällä parannuksella (p < 0,05) lähtötasoon verrattuna kvalitatiivisissa päätepisteissä (tehokkuus, luottamus, johdonmukaisuus ja tyytyväisyys; mitattuna BCBA:n itsensä ilmoittamilla Likert-kyselyasteikoilla) ja kvantitatiivisissa päätepisteissä (varattu aika) hoitosuunnitelman kehittämiseen).