Planowanie leczenia dla ABA z wykorzystaniem narzędzi pomocniczych v2+ (TREAAT2+) (TREAAT2+)

Zaburzenia ze spektrum autyzmu (ASD) to złożone, heterogeniczne zaburzenie neurorozwojowe, które w USA generuje bezpośrednie i pośrednie wydatki rzędu ponad 250 miliardów dolarów i szacuje się, że występuje u 1 na 36 dzieci w wieku poniżej 8 lat. Zatwierdzone metody leczenia ASD, takie jak stosowana analiza zachowania (ABA), polegają na certyfikowanych analitykach zachowania (BCBA), którzy opracowują wysoce zindywidualizowane plany leczenia w ramach złożonego i pracochłonnego procesu. Integracja podejść technologicznych do planowania leczenia (w dużej mierze niezbadanych w kontekście ABA), takich jak systemy wspomagania decyzji klinicznych oparte na danych (CDS) i technologie wspomagające, może zmodernizować i zoptymalizować przepływ pracy BCBA, co z kolei może poprawić jakość leczenia pacjentów opieka. W ostatnich latach zaobserwowano duży popyt na BCBA, co doprowadziło do niedoborów obciążających dostawców usług opieki zdrowotnej, przy czym około 72% BCBA doświadcza znacznego wypalenia zawodowego, co zwiększa obrót BCBA. Jednym z czynników wpływających na wskaźnik wypalenia BCBA jest obciążenie pracą, które może powodować wyczerpanie i brak zaangażowania. Przepływ pracy BCBA obejmuje znaczną ilość czasu poświęcanego na opracowywanie skutecznych, zindywidualizowanych planów leczenia w drodze żmudnego, niezautomatyzowanego i heterogenicznego procesu, w którym brakuje standardowych narzędzi. Istnieje zatem potrzeba zautomatyzowania istniejących przepływów pracy, aby zwiększyć skuteczność, pewność, spójność i satysfakcję BCBA, aby złagodzić wypalenie zawodowe i w konsekwencji usprawnić proces leczenia pacjenta, a co za tym idzie, wyniki kliniczne pacjentów.

W ramach tego projektu SBIR badacze proponują zintegrowanie pakietu technologicznego opartego na danych (TREAAT2+) z przepływem pracy BCBA, aby pomóc w usprawnionym i spójnym planowaniu leczenia ABA. TREAAT2+ składa się z (1) narzędzia CDS opartego na algorytmie uczenia maszynowego (MLA), które analizuje dane z elektronicznych kart zdrowia (EHR) i zaleca dawkowanie leczenia w przeliczeniu na godziny, przy czym MLA jest zintegrowane z zastrzeżoną aplikacją („aplikacją”) ; (2) oprogramowanie do planowania leczenia zintegrowane z autorską aplikacją w celu ułatwienia łatwo dostępnego nadzoru nad leczeniem; oraz (3) indywidualne raporty o postępie pacjenta przesyłane do zastrzeżonej aplikacji firmy Autism Analytica (AA). Poprzednik zintegrowanego z aplikacją MLA, TREAAT, został zatwierdzony i osiągnął doskonałą wydajność (AUROC wynoszący 0,895) w przypadku zalecenia dotyczącego dawkowania binarnego (<20 lub >20 godzin/tydzień). Badacze zwiększą możliwości MLA w zakresie bardziej szczegółowych zaleceń dotyczących dawkowania leczenia, wdrożą w aplikacji narzędzie do planowania leczenia do stosowania BCBA i będą udostępniać w aplikacji oceny danych pacjentów AA. Poprawi to efektywność i pewność pracy BCBA, a tym samym znacząco zmniejszy obciążenie związane z ręcznym i subiektywnym charakterem procesu planowania leczenia. TREAAT został zweryfikowany na podstawie zastrzeżonych danych pacjentów Montera Health TX LLC („Montera”), a badacze wykorzystają większą liczbę pacjentów do dopracowania i sprawdzenia MLA zintegrowanego z aplikacją w celu poprawy możliwości uogólnienia. Badacze spodziewają się, że MLA będzie działać równie dobrze lub lepiej niż oryginalny TREAAT w tej zwiększonej populacji pacjentów oraz że MLA w połączeniu z oprogramowaniem do planowania leczenia i przesłanymi danymi AA znacznie poprawi przepływ pracy BCBA. Brak aktualnej automatyzacji przepływu pracy współistnieje ze znacznymi wskaźnikami wypalenia BCBA, a TREAAT2+ zapewnia rozwiązanie unowocześniające czasochłonne zadania w ramach planowania leczenia. Wypełniając lukę technologiczną w przepływie pracy BCBA, TREAAT2+ złagodzi wypalenie BCBA, a co za tym idzie, poprawi opiekę nad pacjentem.

Cel badania 1: Przekwalifikowanie i podniesienie poziomu MLA w ramach TREAAT2+. Badacze wykorzystają większy zestaw retrospektywnych i prospektywnych danych pacjentów z Montery niż ten, który wykorzystano w pierwotnym szkoleniu TREAAT, i zaprojektują wyniki MLA jako przyrosty zalecanej dawki leczenia (w przyrostach co 10 godzin). Badacze dodatkowo zintegrują MLA z naszą autorską aplikacją. Badacze oczekują, że wskaźniki wydajności MLA będą porównywalne lub lepsze niż retrospektywne punkty odniesienia z badania pilotażowego (AUROC: 0,895; 95% CI: 0,811 - 0,962).

Cel badania 2: Sprawdzenie skuteczności MLA TREAAT2+ w opracowywaniu planu leczenia. Badacze przeprowadzą nieinterwencyjną ocenę prospektywną MLA zintegrowanego z aplikacją. Oceniona zostanie zgodność pomiędzy rosnącą dawką leczniczą sugerowaną przez MLA a dawką przepisaną przez BCBA. Wydajność MLA zostanie oceniona na subpopulacjach demograficznych, aby zapewnić minimalizację błędu systematycznego. Badacze spodziewają się, że będzie istniała znaczna zgodność pomiędzy dawką leczniczą przepisaną przez BCBA a dawką sugerowaną przez MLA, mierzoną na podstawie minimalnej wiarygodności między oceniającymi (np. Kappa Cohena) większej niż 0,6, co wskazuje na znaczną zgodność zgodnie z System klasyfikacji Landisa i Kocha.

Cel badania 3: Ocena wpływu wdrożenia TREAAT2+ w ramach przepływu pracy BCBA. Badacze wykorzystają dane prospektywne z dwóch kohort BCBA. Grupa eksperymentalna (kohorta BCBA Tech) otrzyma od początku pełny pakiet technologii (TREAAT2+). Grupa kontrolna (kohorta BCBA non-Tech) nie będzie miała dostępu do żadnych narzędzi z pakietu technologicznego przez pierwsze 6 miesięcy. Przez kolejne 18 miesięcy będą otrzymywać jedno narzędzie co 6 miesięcy, aż do uzyskania dostępu do całego pakietu technologii. Badacze spodziewają się wykazać skuteczność TREAAT2+ ze statystycznie istotną poprawą (p < 0,05) w porównaniu z wartością wyjściową w zakresie jakościowych punktów końcowych (efektywność, pewność, spójność i satysfakcja; mierzone za pomocą samodzielnie zgłaszanych przez BCBA skal kwestionariusza Likerta) i ilościowych punktów końcowych (przydzielony czas do opracowania planu leczenia).