Stof tot nadenken: het kwantificeren van eetstoornissen met datagedreven benaderingen

Eetstoornissen zijn mentale gezondheidssyndromen die worden gekarakteriseerd door pathologisch gedrag, dat een ernstige impact kan hebben op de lichamelijke gezondheid van de patiënten. Daarom moeten zowel mentale als lichamelijke zorg worden gecombineerd tijdens de behandeling van eetstoornissen. Anders dan bij de meeste andere psychische stoornissen dienen gewicht en cardiovasculaire risicofactoren gevolgd te worden tijdens een klinische opname. De psychopathologische begeleiding verloopt op gelijkaardige wijze als deze bij andere psychische aandoeningen. Het herstelproces van een eetstoornis verloopt vaak traag en onregelmatig wegens de complexiteit van de problematiek.
De behandeling zou mogelijk verbeterd kunnen worden door een beter begrip van de onderliggende verbanden tussen lichamelijke veranderingen (vb. gewicht, fysiologie) en de mentale toestand van de patiënten die lijden aan eetstoornissen. Inzicht in deze verbanden kan helpen om subgroepen van patiënten te definiëren die dan op een gelijkaardige manier kunnen behandeld worden. Op dit moment is klinische informatie bij eetstoornissen schaars zowel wat betreft kwantiteit (weinig data punten in de tijd) als kwaliteit (hoeveelheid informatie), iets wat in acht dient genomen te worden bij klinische opvolging.
In dit project hebben we onderzocht welke parameters relevant zouden kunnen zijn voor therapeuten: de gezondheidstoestand, de behandeling en scores van standaard psychometrische testen van een patiëntenpopulatie werd vergeleken met een gezonde controle groep. We richten ons in dit onderzoek op de vraag hoe het gebruik van gekwantificeerde gegevens kunnen helpen om data-gedreven beslissingen te nemen met behulp van nieuwe technologieën. Door alle bruikbare gegevensbronnen te bestuderen, in combinatie met fysiologische en emotionele waarnemingen, trachten we ons een beeld te vormen van de uitdagingen die gesteld worden in de klinische realiteit bij de opvolging van patiënten. In onze onderzoek gebruiken we beschrijvende statistiek, inferentiële statistiek om hypotheses te testen en machine learning technieken om predictiemodellen op te stellen.
Ten eerste onderzoeken we, gebruikmakende van medische routine data (nl. gewicht, bloeddruk, vorige ziekenhuisopnames) het verband van deze gegevens met de uitkomst van de behandeling. Ten tweede onderzoeken we of de biosignalen van het autonoom zenuwstelsel (nl. huidgeleiding, elektrocardiogram en huidtemperatuur) en korte zelfrapporteringen over stress en gevoelens ten aanzien van voedsel nuttig kunnen zijn bij de karakterisatie van eetstoornissen bij patiënten in behandeling. Tot slot evalueren we een fysische stressor, gebruikt tijdens de studie voor de evaluatie van de fysiologische reactiviteit, als mogelijk alternatief voor klassieke fitheidsevaluatiemethodes, daar patiënten in sommige gevallen problemen ervaren bij het uitvoeren van de klassieke fitheidstests.