Behandelingsplanning voor ABA met behulp van hulpinstrumenten v2+ (TREAAT2+) (TREAAT2+)

Autismespectrumstoornis (ASS) is een complexe, heterogene neurologische ontwikkelingsstoornis die verantwoordelijk is voor >250 miljard dollar aan directe en indirecte jaarlijkse uitgaven en die naar schatting voorkomt bij 1 op de 36 kinderen <8 jaar in de VS. Gevalideerde ASS-behandelingen, zoals Applied Behavior Analysis (ABA), vertrouwen op Board Certified Behavior Analysts (BCBA's) om zeer geïndividualiseerde behandelplannen te ontwikkelen via een complex en arbeidsintensief proces. Het integreren van op technologie gebaseerde benaderingen voor behandelplanning (grotendeels onontgonnen in de context van ABA), zoals datagestuurde systemen voor klinische beslissingsondersteuning (CDS) en ondersteunende technologie, kan de BCBA-workflow moderniseren en optimaliseren, wat op zijn beurt de patiëntervaring kan verbeteren. zorg. Er is de afgelopen jaren een grote vraag naar BCBA's geweest, wat heeft geleid tot tekorten die zorgaanbieders onder druk zetten. Ongeveer 72% van de BCBA's kampt met een aanzienlijke burn-out, waardoor de BCBA-omzet toeneemt. Eén factor die bijdraagt ​​aan het BCBA-burn-outpercentage is de werkdruk, die uitputting en terugtrekking kan aanwakkeren. De BCBA-workflow omvat een aanzienlijke hoeveelheid tijd die wordt besteed aan het ontwikkelen van effectieve geïndividualiseerde behandelplannen via een vervelend, niet-geautomatiseerd en heterogeen proces zonder gestandaardiseerde hulpmiddelen. Er is dus behoefte aan het automatiseren van bestaande workflows om de BCBA-efficiëntie, het vertrouwen, de consistentie en de tevredenheid te vergroten, om burn-out te verminderen en bijgevolg het patiëntbeheerproces te verbeteren, en bij uitbreiding de klinische resultaten voor de patiënt.

In dit SBIR-project stellen de onderzoekers voor om een ​​datagestuurd technologisch pakket (TREAAT2+) te integreren in de workflow van de BCBA om te helpen bij een gestroomlijnde en consistente ABA-behandelingsplanning. TREAAT2+ bestaat uit (1) een op machine learning-algoritme (MLA) gebaseerde CDS-tool die gegevens uit elektronische medische dossiers (EPD's) analyseert en de behandeldosering in uren aanbeveelt, waarbij de MLA is geïntegreerd in een eigen applicatie ("app") ; (2) een softwaretool voor behandelplanning geïntegreerd met de eigen app om zeer toegankelijk toezicht op de behandeling te vergemakkelijken; en (3) voortgangsrapporten van individuele patiënten die naar de eigen app van Autism Analytica (AA) worden gepusht. De voorganger van de app-geïntegreerde MLA, TREAAT, werd gevalideerd en behaalde uitstekende prestaties (AUROC van 0,895) voor een binaire behandeldoseringsaanbeveling (<20 of >20 uur/week). De onderzoekers zullen de capaciteit van de MLA vergroten voor gedetailleerdere aanbevelingen voor de behandelingsdosering, een softwaretool voor behandelplanning in de app inzetten voor BCBA-gebruik en gepushte AA-patiëntengegevensbeoordelingen in de app aanbieden. Dit zal de efficiëntie en het vertrouwen van BCBA binnen hun workflow verbeteren, en daarmee de last die verband houdt met de handmatige en subjectieve aard van het behandelingsplanningsproces aanzienlijk verminderen. TREAAT werd gevalideerd met eigen gegevens van patiënten van Montera Health TX LLC ("Montera"), en de onderzoekers zullen een groter aantal patiënten gebruiken om de app-geïntegreerde MLA te verfijnen en valideren om de generaliseerbaarheid te verbeteren. De onderzoekers verwachten dat de MLA net zo goed of beter zal presteren dan de oorspronkelijke TREAAT in deze uitgebreide patiëntenpopulatie en dat de MLA, in combinatie met de behandelplanningssoftwaretool en de gepushte AA-gegevens, de BCBA-workflow aanzienlijk zal verbeteren. Het gebrek aan huidige workflowautomatisering gaat gepaard met aanzienlijke BCBA-burn-outpercentages, en TREAAT2+ biedt de oplossing voor het moderniseren van tijdrovende taken binnen de behandelplanning. Door de technologische kloof in de BCBA-workflow te overbruggen, zal TREAT2+ de BCBA-burn-out verminderen en bij uitbreiding de patiëntenzorg verbeteren.

Studiedoel 1: Herscholing en verbetering van de MLA van TREAT2+. De onderzoekers zullen een grotere set retrospectieve en prospectieve Montera-patiëntgegevens gebruiken dan werd gebruikt voor de oorspronkelijke TREAAT-training, en zullen de MLA-output ontwerpen als verhogingen van de aanbevolen behandelingsdosering (in stappen van 10 uur). De onderzoekers zullen de MLA bovendien integreren in onze eigen app. De onderzoekers verwachten dat MLA-prestatiestatistieken vergelijkbaar of beter zullen zijn dan retrospectieve benchmarks uit de pilotstudie (AUROC: 0,895; 95% BI: 0,811 - 0,962).

Studiedoel 2: Test de robuustheid van de MLA van TREAT2+ bij de ontwikkeling van behandelplannen. De onderzoekers zullen een niet-interventionele prospectieve evaluatie van de app-geïntegreerde MLA uitvoeren. De overeenkomst tussen de door de MLA voorgestelde oplopende behandelingsdosering en de door de BCBA voorgeschreven dosering zal worden beoordeeld. De MLA-prestaties zullen worden geëvalueerd op demografische subpopulaties om vooroordelen tot een minimum te beperken. De onderzoekers verwachten dat er substantiële overeenstemming zal zijn tussen de behandelingsdosering voorgeschreven door de BCBA en de dosering voorgesteld door de MLA, zoals gemeten aan de hand van een minimale interbeoordelaarsbetrouwbaarheid (bijv. Cohen's Kappa) van meer dan 0,6, wat duidt op substantiële overeenstemming volgens de Het classificatiesysteem van Landis en Koch.

Studiedoel 3: Evalueer de impact van de implementatie van TREAT2+ binnen de BCBA-workflow. De onderzoekers zullen prospectieve gegevens van twee BCBA-cohorten gebruiken. Een experimentele groep (BCBA Tech-cohort) ontvangt vanaf het begin het volledige technologiepakket (TREAAT2+). De controlegroep (BCBA non-Tech cohort) heeft de eerste zes maanden geen toegang tot tools uit het technologiepakket. In de daaropvolgende 18 maanden ontvangen ze elke zes maanden één tool totdat ze toegang krijgen tot het volledige technologiepakket. De onderzoekers verwachten de werkzaamheid van TREAAT2+ aan te tonen met een statistisch significante verbetering (p < 0,05) ten opzichte van de basislijn wat betreft kwalitatieve eindpunten (efficiëntie, vertrouwen, consistentie en tevredenheid; zoals gemeten door zelfgerapporteerde Likert-vragenlijstschalen van BCBA) en kwantitatieve eindpunten (toegekende tijd). voor de ontwikkeling van een behandelplan).