Kezelési tervezés az ABA-hoz, amely segédeszközöket használ v2+ (TREAAT2+) (TREAAT2+)

Az autizmus spektrum zavar (ASD) egy összetett, heterogén idegrendszeri fejlődési rendellenesség, amely több mint 250 milliárd dollár közvetlen és közvetett éves kiadást jelent, és a becslések szerint 36 8 év alatti gyermek közül 1-nél fordul elő az Egyesült Államokban. A hitelesített ASD-kezelések, mint például az alkalmazott viselkedéselemzés (ABA), a Board Certified Behavior Analyst (BCBA-k) segítségével rendkívül személyre szabott kezelési terveket dolgoznak ki egy összetett és munkaigényes folyamaton keresztül. A kezeléstervezés technológiai alapú megközelítéseinek integrálása (amelyek az ABA kontextusában nagyrészt feltáratlanok), mint például az adatvezérelt klinikai döntéstámogató (CDS) rendszerek és az asszisztens technológia, korszerűsítheti és optimalizálhatja a BCBA munkafolyamatát, ami viszont javíthatja a betegek állapotát. gondoskodás. Az elmúlt években nagy volt a kereslet a BCBA-k iránt, ami a gondozási szolgáltatók hiányához vezetett, és a BCBA-k körülbelül 72%-a jelentős kiégést tapasztal, ami növeli a BCBA forgalmat. A BCBA kiégési arányának egyik hozzájáruló tényezője a munkaterhelés, amely elősegítheti a kimerültséget és az elszakadást. A BCBA munkafolyamat jelentős időt foglal magában, amelyet hatékony, személyre szabott kezelési tervek kidolgozására fordítanak egy unalmas, nem automatizált és heterogén folyamaton keresztül, amely nem tartalmaz szabványos eszközöket. Ezért szükség van a meglévő munkafolyamatok automatizálására a BCBA hatékonyságának, magabiztosságának, következetességének és elégedettségének növelése érdekében, a kiégés mérséklése és ennek következtében a betegkezelési folyamat, valamint a betegek klinikai eredményeinek javítása érdekében.

Ebben az SBIR projektben a kutatók egy adatvezérelt technológiai csomag (TREAAT2+) integrálását javasolják a BCBA munkafolyamatába az egyszerűsített és következetes ABA-kezelés tervezésének elősegítése érdekében. A TREAAT2+ (1) egy gépi tanulási algoritmuson (MLA) alapuló CDS-eszközből áll, amely elemzi az elektronikus egészségügyi nyilvántartások (EHR) adatait, és órákban kifejezve ajánlja a kezelési adagolást, ahol az MLA egy védett alkalmazásba ("app") van integrálva. ; (2) a szabadalmaztatott alkalmazással integrált kezeléstervező szoftvereszköz a könnyen hozzáférhető kezelési felügyelet megkönnyítése érdekében; és (3) az Autism Analytica (AA) szabadalmaztatott alkalmazásába feltöltött egyéni betegek előrehaladási jelentései. Az alkalmazásba integrált MLA elődjét, a TREAAT-et validálták, és kiváló teljesítményt ért el (0,895 AUROC) a bináris kezelési adagolási ajánlás (<20 vagy >20 óra/hét) tekintetében. A nyomozók javítják az MLA kapacitását a részletesebb kezelési adagolási ajánlásokhoz, kezeléstervező szoftvereszközt helyeznek el az alkalmazásban a BCBA használatához, és push AA-betegadatok értékelését biztosítják az alkalmazásban. Ez javítja a BCBA hatékonyságát és magabiztosságát a munkafolyamatban, és ezáltal jelentősen csökkenti a kezelés tervezési folyamat manuális és szubjektív jellegéből adódó terheket. A TREAAT-et a Montera Health TX LLC ("Montera") pácienseitől származó védett adatokkal validálták, és a vizsgálók nagyobb számú beteget fognak felhasználni az alkalmazásba integrált MLA finomhangolására és validálására az általánosíthatóság javítása érdekében. A kutatók arra számítanak, hogy az MLA az eredeti TREAAT-nél jobban teljesít ebben a kibővített betegpopulációban, és hogy az MLA a kezeléstervező szoftverrel és a továbbított AA adatokkal együtt jelentősen javítani fogja a BCBA munkafolyamatát. A jelenlegi munkafolyamat-automatizálás hiánya jelentős BCBA kiégési arányokkal párosul, a TREAAT2+ pedig megoldást nyújt a kezeléstervezésen belüli időigényes feladatok korszerűsítésére. A BCBA-munkafolyamat technológiai szakadékának áthidalásával a TREAAT2+ csökkenti a BCBA-kiégést, és ezáltal javítja a betegellátást.

1. vizsgálati cél: A TREAAT2+ MLA átképzése és korszerűsítése. A vizsgálók nagyobb retrospektív és prospektív Montera-betegadatokat fognak használni, mint az eredeti TREAAT tréning során, és az MLA-kimenetet a kezelési adagolási ajánlás növekményeiként (10 órás lépésekben) tervezik. A nyomozók emellett integrálják az MLA-t saját alkalmazásunkba. A kutatók arra számítanak, hogy az MLA teljesítménymutatói összehasonlíthatók vagy jobbak a kísérleti tanulmány retrospektív benchmarkjaival (AUROC: 0,895; 95% CI: 0,811 - 0,962).

2. vizsgálati cél: A TREAAT2+ MLA robusztusságának tesztelése a kezelési terv kidolgozásában. A nyomozók elvégzik az alkalmazásba integrált MLA nem-beavatkozási előretekintő értékelését. Felmérik az MLA által javasolt növekményes kezelési dózis és a BCBA által előírt adag közötti egyezést. Az MLA teljesítményét demográfiai alpopulációkon értékeljük az elfogultság minimalizálása érdekében. A kutatók arra számítanak, hogy a BCBA által előírt kezelési dózis és az MLA által javasolt adag között lényeges egyetértés lesz, a 0,6-nál nagyobb minimális inter-reliabilitással mérve (például Cohen-féle kappa), ami a vizsgálat szerint lényeges egyetértést jelez. Landis és Koch osztályozási rendszere.

3. vizsgálati cél: Értékelje a TREAAT2+ telepítésének hatását a BCBA munkafolyamaton belül. A nyomozók két BCBA kohorsz várható adatait fogják felhasználni. Egy kísérleti csoport (BCBA Tech kohorsz) a kezdetektől fogva megkapja a teljes technológiai csomagot (TREAAT2+). A kontrollcsoport (BCBA non-Tech kohorsz) az első 6 hónapban nem fog hozzáférni a technológiai csomag egyetlen eszközéhez sem. A következő 18 hónapban 6 havonta kapnak egy eszközt, amíg hozzá nem férnek a teljes technológiai csomaghoz. A vizsgálók azt várják, hogy a TREAAT2+ hatékonyságát statisztikailag szignifikáns javulással (p < 0,05) a kiindulási értékhez képest a kvalitatív végpontok (hatékonyság, bizalom, következetesség és elégedettség; a BCBA által saját bevallású Likert kérdőív skáláival mérve) és a kvantitatív végpontok (allokált idő) tekintetében demonstrálják. kezelési terv kidolgozásához).