보조 도구 v2+(TREAAT2+)를 사용하는 ABA를 위한 치료 계획 (TREAAT2+)

자폐 스펙트럼 장애(ASD)는 직간접적인 연간 지출이 2,500억 달러를 넘는 복잡하고 이질적인 신경 발달 장애이며 미국에서 8세 미만 어린이 36명 중 1명에게서 발생하는 것으로 추정됩니다. 응용 행동 분석(ABA)과 같은 검증된 ASD 치료법은 BCBA(Board Certified Behavior Analysts)에 의존하여 복잡하고 노동 집약적인 프로세스를 통해 고도로 개별화된 치료 계획을 개발합니다. 데이터 기반 임상 의사 결정 지원(CDS) 시스템 및 보조 기술과 같은 치료 계획(ABA 맥락에서는 대부분 탐구되지 않음)을 위한 기술 기반 접근 방식을 통합하면 BCBA 워크플로우를 현대화하고 최적화할 수 있으며, 이는 결과적으로 환자의 생산성을 향상시킬 수 있습니다. 케어. 최근 몇 년 동안 BCBA에 대한 수요가 높아져 부족으로 인해 의료 서비스 제공자가 부담을 느끼게 되었으며, BCBA의 약 72%가 상당한 소진을 경험하여 BCBA 매출이 증가했습니다. BCBA 소진율에 기여하는 요인 중 하나는 피로와 이탈을 촉진할 수 있는 작업 부하입니다. BCBA 작업 흐름에는 표준화된 도구가 부족한 지루하고 자동화되지 않은 이기종 프로세스를 통해 효과적인 개별화된 치료 계획을 개발하는 데 소요되는 상당한 시간이 포함됩니다. 따라서 기존 워크플로를 자동화하여 BCBA 효율성, 신뢰도, 일관성 및 만족도를 높여 번아웃을 완화하고 결과적으로 환자 관리 프로세스를 개선하고 환자 임상 결과를 확장할 필요가 있습니다.

이 SBIR 프로젝트에서 연구자들은 간소화되고 일관된 ABA 치료 계획을 지원하기 위해 데이터 기반 기술 패키지(TREAAT2+)를 BCBA의 작업 흐름에 통합할 것을 제안합니다. TREAAT2+는 (1) 전자 건강 기록(EHR)의 데이터를 분석하고 시간 단위로 치료 복용량을 권장하는 기계 학습 알고리즘(MLA) 기반 CDS 도구로 구성됩니다. 여기서 MLA는 독점 애플리케이션("앱")에 통합됩니다. ; (2) 접근성이 높은 치료 감독을 용이하게 하기 위해 독점 앱과 통합된 치료 계획 소프트웨어 도구; (3) Autism Analytica(AA)의 독점 앱에 푸시된 개별 환자 진행 보고서. 앱 통합 MLA의 전신인 TREAAT는 검증되었으며 이원 치료 복용량 권장 사항(주당 20시간 미만 또는 20시간 초과)에 대해 탁월한 성능(AUROC 0.895)을 달성했습니다. 조사관은 보다 세부적인 치료 복용량 권장 사항을 위해 MLA의 역량을 강화하고, BCBA 사용을 위해 앱에 치료 계획 소프트웨어 도구를 배포하고, 앱에서 푸시된 AA 환자 데이터 평가를 제공할 것입니다. 이를 통해 BCBA의 작업 흐름 내 효율성과 자신감이 향상되고 치료 계획 프로세스의 수동적이고 주관적인 특성과 관련된 부담이 크게 줄어듭니다. TREAAT는 Montera Health TX LLC("Montera") 환자의 독점 데이터로 검증되었으며, 조사관은 일반화 가능성을 개선하기 위해 앱 통합 MLA를 미세 조정하고 검증하기 위해 더 많은 수의 환자를 사용할 것입니다. 조사자들은 MLA가 이렇게 확대된 환자 모집단에서 원래 TREAAT와 같거나 더 나은 성능을 발휘할 것이며 MLA가 치료 계획 소프트웨어 도구 및 푸시된 AA 데이터와 함께 BCBA 작업 흐름을 크게 개선할 것으로 기대합니다. 현재 작업 흐름 자동화의 부족은 상당한 BCBA 소진율과 공존하며 TREAAT2+는 치료 계획 내에서 시간이 많이 소요되는 작업을 현대화하는 솔루션을 제공합니다. TREAAT2+는 BCBA 워크플로우의 기술적 격차를 해소함으로써 BCBA 소모를 완화하고 더 나아가 환자 치료를 개선합니다.

연구 목표 1: TREAAT2+의 MLA 재교육 및 업그레이드. 연구자들은 원래 TREAAT 교육에 사용된 것보다 더 큰 회고적 및 전향적 Montera 환자 데이터 세트를 사용하고 MLA 결과를 치료 복용량 권장 사항의 증분(10시간 단위)으로 설계할 것입니다. 조사관은 MLA를 당사의 독점 앱에 추가로 통합할 것입니다. 연구자들은 MLA 성능 지표가 파일럿 연구의 회고적 벤치마크(AUROC: 0.895; 95% CI: 0.811 - 0.962)와 비슷하거나 더 좋을 것으로 기대합니다.

연구 목표 2: 치료 계획 개발에서 TREAAT2+의 MLA의 견고성을 테스트합니다. 조사관은 앱 통합 MLA에 대한 비개입 전향적 평가를 수행합니다. MLA가 제안한 증분 치료 용량과 BCBA가 규정한 용량 간의 일치 여부가 평가됩니다. MLA 성과는 편향 최소화를 보장하기 위해 인구통계학적 하위 모집단에 대해 평가됩니다. 연구자들은 최소 평가자 간 신뢰도(예: Cohen's Kappa)가 0.6보다 큰 것으로 측정했을 때 BCBA에서 처방한 치료 용량과 MLA에서 제안한 용량 간에 상당한 일치가 있을 것으로 기대합니다. Landis와 Koch의 분류 시스템.

연구 목표 3: BCBA 워크플로우 내에서 TREAAT2+ 배포의 영향을 평가합니다. 조사관은 두 BCBA 코호트의 예상 데이터를 활용할 것입니다. 실험 그룹(BCBA 기술 코호트)은 처음부터 전체 기술 패키지(TREAAT2+)를 받게 됩니다. 통제 그룹(BCBA 비기술 집단)은 처음 6개월 동안 기술 패키지의 어떤 도구에도 액세스할 수 없습니다. 이후 18개월 동안 전체 기술 패키지에 액세스할 수 있을 때까지 6개월마다 하나의 도구를 받게 됩니다. 조사자들은 질적 종점(효율성, 신뢰도, 일관성 및 만족도; BCBA 자체 보고 Likert 설문지 척도로 측정됨) 및 정량적 종점(할당된 시간)에서 기준선에 비해 통계적으로 유의미한 개선(p < 0.05)으로 TREAAT2+의 효능을 입증할 것으로 기대합니다. 치료 계획 개발에).