Behandlingsplanering för ABA som använder hjälpverktyg v2+ (TREAAT2+) (TREAAT2+)

Autismspektrumstörning (ASD) är en komplex, heterogen neuroutvecklingsstörning som står för >250 miljarder USD i direkta och indirekta årliga utgifter och beräknas förekomma hos 1 av 36 barn <8 år i USA. Validerade ASD-behandlingar, såsom Applied Behaviour Analysis (ABA), förlitar sig på Board Certified Behavior Analysts (BCBA) för att utveckla mycket individualiserade behandlingsplaner via en komplex och arbetsintensiv process. Integrering av teknikbaserade tillvägagångssätt för behandlingsplanering (till stor del outforskade i ABA-sammanhang), såsom datadrivna system för klinisk beslutsstöd (CDS) och hjälpmedelsteknik, kan modernisera och optimera BCBA-arbetsflödet, vilket i sin tur kan förbättra patienten vård. Det har funnits en stor efterfrågan på BCBA under de senaste åren, vilket har lett till brist som anstränger vårdgivare, med cirka 72 % av BCBAs som upplever betydande utbrändhet, vilket ökar BCBA-omsättningen. En bidragande faktor till BCBA-utbrändheten är arbetsbelastningen, som kan ge upphov till utmattning och frigörelse. BCBA-arbetsflödet inkluderar betydande tid som ägnas åt att utveckla effektiva individualiserade behandlingsplaner via en tråkig, icke-automatiserad och heterogen process som saknar standardiserade verktyg. Det finns alltså ett behov av att automatisera befintliga arbetsflöden för att öka BCBA-effektiviteten, förtroendet, konsekvensen och tillfredsställelsen, för att mildra utbrändhet och följaktligen förbättra patienthanteringsprocessen, och i förlängningen patientens kliniska resultat.

I detta SBIR-projekt föreslår utredarna att integrera ett datadrivet teknologiskt paket (TREAAT2+) i BCBA:s arbetsflöde för att hjälpa till med strömlinjeformad och konsekvent ABA-behandlingsplanering. TREAAT2+ består av (1) ett maskininlärningsalgoritm (MLA)-baserat CDS-verktyg som analyserar data från elektroniska hälsojournaler (EHR) och rekommenderar behandlingsdosering i termer av timmar, där MLA är integrerat i en proprietär applikation ("app") ; (2) ett mjukvaruverktyg för behandlingsplanering integrerat med den proprietära appen för att underlätta lättillgänglig behandlingsövervakning; och (3) individuella framstegsrapporter för patienten skickade till den egenutvecklade appen från Autism Analytica (AA). Föregångaren till den app-integrerade MLA, TREAAT, validerades och uppnådde utmärkta prestanda (AUROC på 0,895) för en binär behandlingsdosrekommendation (<20 eller >20 timmar/vecka). Utredarna kommer att förbättra MLA:s kapacitet för mer granulära behandlingsdosrekommendationer, distribuera ett program för behandlingsplanering i appen för BCBA-användning och tillhandahålla pushade AA-patientdatabedömningar i appen. Detta kommer att förbättra BCBA-effektiviteten och förtroendet inom deras arbetsflöde, och därigenom avsevärt minska bördan som är relaterad till den manuella och subjektiva karaktären av behandlingsplaneringsprocessen. TREAAT validerades med proprietära data från patienter från Montera Health TX LLC ("Montera"), och utredarna kommer att använda ett större antal patienter för att finjustera och validera det appintegrerade MLA för att förbättra generaliserbarheten. Utredarna förväntar sig att MLA kommer att prestera lika bra som eller bättre än den ursprungliga TREAAT i denna utökade patientpopulation och att MLA, i kombination med programvaran för behandlingsplanering och den pushade AA-datan, kommer att avsevärt förbättra BCBA-arbetsflödet. Bristen på nuvarande automatisering av arbetsflöden samexisterar med betydande BCBA-utbrändhet, och TREAAT2+ tillhandahåller lösningen för att modernisera tidskrävande uppgifter inom dosplanering. Genom att överbrygga det tekniska gapet i BCBA-arbetsflödet kommer TREAAT2+ att mildra BCBA-utbrändhet och i förlängningen förbättra patientvården.

Studiemål 1: Omskolning och uppgradering av MLA för TREAAT2+. Utredarna kommer att använda en större uppsättning retrospektiva och prospektiva Montera-patientdata än vad som användes för den ursprungliga TREAAT-utbildningen, och kommer att utforma MLA-utdata som ökningar av behandlingsdosrekommendationen (i steg om 10 timmar). Utredarna kommer dessutom att integrera MLA i vår egenutvecklade app. Utredarna förväntar sig att MLA-prestandamåtten är jämförbara med eller bättre än retrospektiva riktmärken från pilotstudien (AUROC: 0,895; 95 % KI: 0,811 - 0,962).

Studiemål 2: Testa robustheten hos MLA för TREAAT2+ vid utveckling av behandlingsplaner. Utredarna kommer att genomföra en icke-interventionell prospektiv utvärdering av den appintegrerade MLA:n. Överensstämmelsen mellan den inkrementella behandlingsdosen som föreslås av MLA och den dos som föreskrivs av BCBA kommer att bedömas. MLA-prestanda kommer att utvärderas på demografiska subpopulationer för att säkerställa biasminimering. Utredarna förväntar sig att det kommer att finnas väsentlig överensstämmelse mellan behandlingsdosen som föreskrivs av BCBA och dosen som föreslås av MLA, mätt med minsta interbedömartillförlitlighet (t.ex. Cohens Kappa) på mer än 0,6, vilket indikerar väsentlig överensstämmelse enligt Landis och Kochs klassificeringssystem.

Studiemål 3: Utvärdera effekten av att implementera TREAAT2+ inom BCBA-arbetsflödet. Utredarna kommer att använda potentiella data från två BCBA-kohorter. En experimentgrupp (BCBA Tech-kohort) kommer att få hela teknikpaketet (TREAAT2+) från start. Kontrollgruppen (BCBA non-Tech-kohort) kommer inte att ha tillgång till några verktyg från teknikpaketet under de första 6 månaderna. Under de efterföljande 18 månaderna kommer de att få ett verktyg var sjätte månad tills de får tillgång till hela teknikpaketet. Utredarna förväntar sig att visa effekten av TREAAT2+ med statistiskt signifikant förbättring (p < 0,05) jämfört med baslinjen i kvalitativa effektmått (effektivitet, förtroende, konsistens och tillfredsställelse; mätt med BCBA självrapporterade Likert-frågeformulärsskalor) och kvantitativa allokerade slutpunkter (tidsangivna slutpunkter). till utveckling av behandlingsplan).