Evaluating a Web-Based Clinical Decision Support System for Language Disorders Screening in a Nursery School

Abstract

BackgroundEarly and effective identification of developmental disorders during childhood remains a critical task for the international community. The second highest prevalence of common developmental disorders in children are language delays, which are frequently the first symptoms of a possible disorder.ObjectiveThis paper evaluates a Web-based Clinical Decision Support System (CDSS) whose aim is to enhance the screening of language disorders at a nursery school. The common lack of early diagnosis of language disorders led us to deploy an easy-to-use CDSS in order to evaluate its accuracy in early detection of language pathologies. This CDSS can be used by pediatricians to support the screening of language disorders in primary care.MethodsThis paper details the evaluation results of the “Gades” CDSS at a nursery school with 146 children, 12 educators, and 1 language therapist. The methodology embraces two consecutive phases. The first stage involves the observation of each child’s language abilities, carried out by the educators, to facilitate the evaluation of language acquisition level performed by a language therapist. Next, the same language therapist evaluates the reliability of the observed results.ResultsThe Gades CDSS was integrated to provide the language therapist with the required clinical information. The validation process showed a global 83.6% (122/146) success rate in language evaluation and a 7% (7/94) rate of non-accepted system decisions within the range of children from 0 to 3 years old. The system helped language therapists to identify new children with potential disorders who required further evaluation. This process will revalidate the CDSS output and allow the enhancement of early detection of language disorders in children. The system does need minor refinement, since the therapists disagreed with some questions from the CDSS knowledge base (KB) and suggested adding a few questions about speech production and pragmatic abilities. The refinement of the KB will address these issues and include the requested improvements, with the support of the experts who took part in the original KB development.ConclusionsThis research demonstrated the benefit of a Web-based CDSS to monitor children’s neurodevelopment via the early detection of language delays at a nursery school. Current next steps focus on the design of a model that includes pseudo auto-learning capacity, supervised by experts.

Evaluation of an Expert System for the Generation of Speech and Language Therapy Plans

“…Some DSS depend entirely on input provided by humans, while others rely on signal processing techniques to achieve a level of automation. Thus, on the one hand, Martín Ruiz et al [ 22 ] evaluated a Web-based DSS to monitor children’s neurodevelopment via the early detection of language delays at a nursery school, relying on input provided by the educators and on a set of over 100 rules to generate alerts in case deviations from the expected developmental milestones. On the other hand, Schipor et al [ 12 ] presented a model for automatic assessment of pronunciation quality for children, using Hidden Markov Models (HMM) and implementing a correlation measure to measure the level of intelligibility of utterances.…”

A Proposal of Lexical Resources’ Development for Ontological Learning in the Domain of Speech Disorders

“…Within the field of speech and language several works that use Information and Communication Technologies (ICT) have been conducted, focusing on some ailments such as dysphagia [6], on the automatic classification of the quality of pronunciation when treating disorders such as dyslalia or dysarthria [7], or an expert system for the initial evaluation of children with possible speech disorders [8]. A so-called ecosystem of smart ICTs that include electronic medical record management, standardized vocabularies, a knowledge database, ontologies for concepts within the domain of speech and language, and expert systems focused on supporting speech and language pathologists, doctors, students, patients, and their relatives can also be found [9].…”

Ανάπτυξη Λογισμικού Υποστήριξης Και Επισήμανσης Καρδιαγγειακού Κινδύνου Για Τον Προληπτικό Έλεγχο Υγείας Μαθητών

“…Πραγματοποιεί φασματική και χρονική ανάλυση των καρδιακών ήχων και παρέχει τη δυνατότητα της διάκρισης μεταξύ αθώων και παθολογικών φυσημάτων. [209] Γ. Εφαρμογές στην παιδιατρική Στην καθημερινή κλινική άσκηση της Παιδιατρικής ο/η παιδίατρος καλείται να θέσει τη διάγνωση με συχνά ελλιπείς πληροφορίες σχετικά με τα υποκειμενικά συμπτώματα μικρών παιδιών (βασιζόμενος Τέτοιες εφαρμογές ηλεκτρονικών φακέλων με συστήματα υποστήριξης διάγνωσης έχουν περιγραφεί με ιδιαίτερα θετικά αποτελέσματα στην έγκαιρη αναγνώριση αρτηριακής υπέρτασης σε παιδιά,[210][211] στην ανίχνευση και ορθή θεραπευτική αντιμετώπιση της υπερλιπιδαιμίας,[212] στην αντιμετώπιση των κρανιοεγκεφαλικών κακώσεων,[213] στην ανίχνευση της κατάθλιψης σε εφήβους,[214] στην θεραπεία του παιδικού άσθματος,[215][216] στην ανίχνευση της παιδικής παχυσαρκίας,[217] στη διάγνωση και θεραπεία της μέσης πυώδους ωτίτιδας,[195] στην βελτίωση της συνταγογράφησης αντιβιοτικών σε μονάδες εντατικής θεραπείας,[218] στην ανίχνευση σηπτικών επιπλοκών σε παιδιατρικούς ογκολογικούς ασθενείς,[219] στην ανίχνευση μαθησιακών διαταραχών σε νήπια,[220] στον καθορισμό του σωστού εμβολιαστικού προγράμματος,[221][222] στην συνταγογράφηση και εφαρμογή θεραπευτικών πρωτοκόλλων σε ΜΕΘ Παίδων[189][223] κτλ. Παρά τα πλεονεκτήματα της εφαρμογής των EHR-CDSS στην Παιδιατρική, η εφαρμογή τους στην καθημερινή κλινική άσκηση υστερεί πανευρωπαικά με σημαντικές αποκλίσεις ανάλογα με τη χώρα (από 7-97% χρήση) αλλά και διαθεσιμότητας-χρησιμοποίησης παιδιατρικών εφαρμογών (όπως καμπύλες ανάπτυξης σε ποσοστά 22-50%), οδηγώντας στην αναγκαιότητα εναρμόνισης πολιτικών, κοινού σχεδιασμού και χρήσης τους.…”