Behandlingsplanlegging for ABA som bruker hjelpeverktøy v2+ (TREAAT2+) (TREAAT2+)

Autismespektrumforstyrrelse (ASD) er en kompleks, heterogen nevroutviklingsforstyrrelse som står for >250 milliarder dollar i direkte og indirekte årlige utgifter og anslås å forekomme hos 1 av 36 barn <8 år i USA. Validerte ASD-behandlinger, som Applied Behavior Analysis (ABA), er avhengige av Board Certified Behavior Analysts (BCBAs) for å utvikle svært individualiserte behandlingsplaner via en kompleks og arbeidskrevende prosess. Integrering av teknologibaserte tilnærminger for behandlingsplanlegging (stort sett uutforsket i sammenheng med ABA), som datadrevne systemer for klinisk beslutningsstøtte (CDS) og hjelpeteknologi, kan modernisere og optimere BCBA-arbeidsflyten, som igjen kan forbedre pasienten omsorg. Det har vært en høy etterspørsel etter BCBA-er de siste årene, noe som har ført til mangel på omsorgsleverandører, med omtrent 72 % av BCBA-er som opplever betydelig utbrenthet, noe som øker BCBA-omsetningen. En medvirkende faktor til BCBA-utbrenthetsraten er arbeidsbelastningen, som kan føre til utmattelse og frigjøring. BCBA-arbeidsflyten inkluderer betydelig tid brukt på å utvikle effektive individualiserte behandlingsplaner via en kjedelig, ikke-automatisert og heterogen prosess som mangler standardiserte verktøy. Dermed er det behov for å automatisere eksisterende arbeidsflyter for å øke BCBA-effektiviteten, tilliten, konsistensen og tilfredsheten, for å redusere utbrenthet og følgelig forbedre pasientbehandlingsprosessen, og i forlengelsen av pasientens kliniske resultater.

I dette SBIR-prosjektet foreslår etterforskerne å integrere en datadrevet teknologisk pakke (TREAAT2+) i BCBAs arbeidsflyt for å hjelpe til med strømlinjeformet og konsistent ABA-behandlingsplanlegging. TREAAT2+ består av (1) et maskinlæringsalgoritme (MLA)-basert CDS-verktøy som analyserer data fra elektroniske helsejournaler (EPJer) og anbefaler behandlingsdosering i form av timer, der MLA er integrert i en proprietær applikasjon ("app") ; (2) et behandlingsplanleggingsprogramvareverktøy integrert med den proprietære appen for å lette svært tilgjengelig behandlingsovervåking; og (3) individuelle pasientfremdriftsrapporter presset inn på den proprietære appen fra Autism Analytica (AA). Forgjengeren til den app-integrerte MLA, TREAAT, ble validert og oppnådde utmerket ytelse (AUROC på 0,895) for en binær behandlingsdoseanbefaling (<20 eller >20 timer/uke). Etterforskerne vil forbedre kapasiteten til MLA for mer granulære behandlingsdoseringsanbefalinger, distribuere et behandlingsplanleggingsprogramvareverktøy i appen for BCBA-bruk, og gi pushede AA-pasientdatavurderinger i appen. Dette vil forbedre BCBA-effektiviteten og tilliten innenfor deres arbeidsflyt, og dermed redusere belastningen knyttet til den manuelle og subjektive karakteren til behandlingsplanleggingsprosessen betydelig. TREAAT ble validert med proprietære data fra pasienter fra Montera Health TX LLC ("Montera"), og etterforskerne vil bruke et større antall pasienter til å finjustere og validere den app-integrerte MLA for å forbedre generaliserbarheten. Etterforskerne forventer at MLA vil yte like godt eller bedre enn den opprinnelige TREAAT i denne utvidede pasientpopulasjonen, og at MLA, i forbindelse med behandlingsplanleggingsprogramvareverktøyet og pushede AA-data, vil forbedre BCBA-arbeidsflyten betydelig. Mangelen på nåværende arbeidsflytautomatisering eksisterer samtidig med betydelige BCBA-utbrenthetsrater, og TREAAT2+ gir løsningen for å modernisere tidkrevende oppgaver innen behandlingsplanlegging. Ved å bygge bro over det teknologiske gapet i BCBA-arbeidsflyten, vil TREAAT2+ redusere BCBA-utbrenthet, og i forlengelsen forbedre pasientbehandlingen.

Studiemål 1: Omskolering og oppgradering av MLA for TREAAT2+. Etterforskerne vil bruke et større sett med retrospektive og prospektive Montera-pasientdata enn det som ble brukt for den opprinnelige TREAAT-opplæringen, og vil designe MLA-utdata som økninger av behandlingsdoseringsanbefaling (i trinn på 10 timer). Etterforskerne vil i tillegg integrere MLA i vår proprietære app. Etterforskerne forventer at MLA-ytelsesmålinger er sammenlignbare med eller bedre enn retrospektive benchmarks fra pilotstudien (AUROC: 0,895; 95 % KI: 0,811 - 0,962).

Studiemål 2: Test robustheten til MLA av TREAAT2+ i behandlingsplanutvikling. Etterforskerne vil gjennomføre en ikke-intervensjonell prospektiv evaluering av den app-integrerte MLA. Overensstemmelsen mellom den inkrementelle behandlingsdosen foreslått av MLA og dosen foreskrevet av BCBA vil bli vurdert. MLA-ytelse vil bli evaluert på demografiske underpopulasjoner for å sikre biasminimering. Etterforskerne forventer at det vil være vesentlig samsvar mellom behandlingsdosen foreskrevet av BCBA og dosen foreslått av MLA, målt ved minimum inter-rater-pålitelighet (f.eks. Cohens Kappa) på større enn 0,6, noe som indikerer vesentlig samsvar i henhold til Landis og Kochs klassifiseringssystem.

Studiemål 3: Evaluer virkningen av å distribuere TREAAT2+ i BCBA-arbeidsflyten. Etterforskerne vil bruke potensielle data fra to BCBA-kohorter. En eksperimentell gruppe (BCBA Tech-kohort) vil motta hele teknologipakken (TREAAT2+) fra starten. Kontrollgruppen (BCBA non-Tech-kohort) vil ikke ha tilgang til noen verktøy fra teknologipakken de første 6 månedene. I de påfølgende 18 månedene vil de motta ett verktøy hver 6. måned inntil de får tilgang til hele teknologipakken. Etterforskerne forventer å demonstrere effekten av TREAAT2+ med statistisk signifikant forbedring (p < 0,05) over baseline i kvalitative endepunkter (effektivitet, tillit, konsistens og tilfredshet; målt ved BCBA selvrapporterte Likert spørreskjemaskalaer) og kvantitative allokerte endepunkter (tidspunkt). til utvikling av behandlingsplan).