Implementierung eines Echtzeit-Psychose-Risikoerkennungs- und -war-Systems basierend auf elektronischen Gesundheitsakten mit CogStack
15. Mai 2020
Wir zeigen, wie ein Echtzeit-Psychose-Risikoberechnungs- und -war-System auf Basis von CogStack, einer Informationsabruf- und Extraktionsplattform für elektronische Gesundheitsdaten, bereitgestellt wird.
Die Auswirkungen der Psychoseprävention werden dadurch begrenzt, wie effektiv wir gefährdete Personen erkennen können. Dieses Protokoll stellt einen neuen Ansatz für die Implementierung eines Psychose-Risikoerkennungs- und -war-Dienstes in einem realen elektronischen Gesundheitsregistersystem dar. Der Hauptvorteil dieses klinisch basierten individualisierten Risikorechners ist, dass er die automatische Erkennung von Personen mit Risiko für Psychosen in großem Maßstab ermöglicht, indem elektronische Gesundheitsakten über verschiedene psychische Erkrankungen hinweg und in Echtzeit verwendet werden.
Aktuelle Methoden zur Erkennung von Psychosen, die von Psychosen bedroht sind, sind relativ ineffizient, wobei nur 5-12% der Psychosen fälle der ersten Episode festgestellt wurden. Dieses System ermöglicht eine verbesserte Erkennung von Gefährdeten sowie eine verbesserte Kommunikation mit Ärzten. Die entwickelte Plattform kann für andere Risikovorhersagemodellierungs- und -detektionssysteme in der Psychiatrie angepasst werden und kann die Umsetzung der Präzisionsmedizin in der klinischen Versorgung mit Nutzen von Patienten unterstützen.
Wir wollen diese neue Methode an die breitere Gemeinschaft weiterverbreiten und mit anderen Forschern, Klinikern, Patienten, Pflegekräften und Stakeholdern zusammenarbeiten, um die Umsetzung der Präzisionsmedizin in der Psychiatrie voranzutreiben. Wir hoffen, dass dieses Video die Erreichung dieses Ziels erleichtern wird. Obwohl das Skript, das zum Bereitstellen dieses Systems und der Methode verwendet wurde, in der Studie ausführlich beschrieben wird.
Unser Forschungsteam unterstützt zukünftige Forscher, die einen ähnlichen Ansatz in ihren klinischen Umgebungen umsetzen möchten. Beginnen Sie mit dem Herunterladen oder Klonen des Code-Repositorys von GitHub. Um die CogStack-Pipeline für die Datenerfassung zu konfigurieren, öffnen Sie die cogstack_deploy/cogstack/verzeichnis, und ändern Sie die Psychose.
und ändern Sie die Quell:dbconfiguration-Abschnittseinstellungen basierend auf der elektronischen Integritätsdatensatzdatenbank-Einrichtung, einschließlich der Angabe der IP-Adresse des Datenbankservers, des Datenbanknamens, des Datenbankbenutzernamens und des Kennworts. Öffnen Sie einen Webbrowser und greifen Sie auf die Kibana-Benutzeroberfläche zu. Wenn Sie zum ersten Mal auf Kibana zugreifen, klicken Sie auf die Registerkarte Management und Indexmuster, um einen elastischen Suchindex anzugeben, der von Interesse ist, und geben Sie psychosis_base in das Indexmusterfeld ein.
Klicken Sie auf Nächster Schritt, und wählen Sie ETL_updated_dttm für den Zeitfilterfeldnamen aus. Klicken Sie dann auf Indexmuster erstellen, um das psychosis_base Indexmuster für Kibana hinzuzufügen. Sobald Kibana mit dem elastischen Suchindex verbunden ist, suchen und durchsuchen Sie die Quelldaten interaktiv über die Discover-Seite.
Um auf den Risikorechner zuzugreifen, öffnen Sie ein neues Terminalfenster und öffnen Sie das Psychose-Verzeichnis. Geben Sie den entsprechenden Befehl in das Terminal ein, um alle erforderlichen Python-Pakete zu installieren, die im Risikorechner verwendet werden, und führen Sie den Psychose-Risikorechner aus. Wenn der Prozess erfolgreich abgeschlossen wurde, werden Protokolle der Risikoberechnung im Terminal gedruckt, und die Risikoergebnisse werden in einem neuen elastischen Suchindex namens psychosis_risk innerhalb der CogStack-Plattform gespeichert.
Um die Risikoergebnisse in der Kibana-Schnittstelle zu überprüfen, fügen Sie ein neues Indexmuster psychosis_risk hinzu, um Kibana mit dem psychosis_risk-Index zu verbinden und die Risikoergebnisse über die Discover-Seite zu untersuchen. Um Visualisierungen und Dashboards zu erstellen, um einen Überblick über die Merkmale der gesamten Population von Risikopatienten zu erhalten, klicken Sie auf Visualisieren und Neu erstellen. Wählen Sie den Visualisierungstyp aus, und wählen Sie psychosis_risk als zu visualisierenden Index aus.
Nachdem einzelne Visualisierungen erstellt wurden, klicken Sie auf Dashboard, um ein Dashboard zu erstellen, das eine Reihe verwandter Visualisierungen zusammen anzeigt. Um eine Warnung für Ärzte zu erstellen, wenn Patienten von Psychosen bedroht sind, klicken Sie auf Management und Watcher. Um einen neuen Watcher einzurichten, klicken Sie auf Erweiterte Uhr erstellen und geben Sie die ID und den Namen ein.
Um eine Benachrichtigungs-E-Mail an die Adresse eines Arztes zu senden, löschen Sie den Inhalt des JSON-Abschnitts der Uhr, und kopieren Sie den Inhalt im Watcher. json-Datei mit dem Psychose-Verzeichnis zum Watch-JSON-Abschnitt. Bevor Sie den Watcher speichern, klicken Sie auf Simulieren, um die Ausführung des Watchers zu testen.
Wenn der Watcher erfolgreich eingestellt ist, wird die Simulationsausgabe angezeigt. In dieser repräsentativen Abbildung kann die Anzahl der Datensätze, die im Laufe der Zeit in CogStack aufgenommen wurden, in chronologischer Reihenfolge auf der Grundlage des letzten Aktualisierungsdatums eines Datensatzes beobachtet werden. Beim Vergleich der Zahlen und des Inhalts der Datensätze in der Datenbank im elastischen Suchindex wurden keine fehlenden und diskreten Daten erkannt, die die Zuverlässigkeit der CogStack-Pipeline und die Datenaufnahme bei der Synchronisierung bestätigen.
Wie diese Zahlen veranschaulichen, können die Merkmale für Psychosengefährdete Patienten, einschließlich der ethnischen Zugehörigkeiten, des Geschlechts, des Alters und der Kategorien von Diagnosen, visualisiert werden. Hier kann die Schnittstelle zum Einrichten eines Risikowarndienstes mithilfe der Überwachungskomponente in Kibana beobachtet werden, wie gezeigt. Sobald dieser Dienst erfolgreich konfiguriert wurde, erhalten Benutzer eine E-Mail-Benachrichtigung, wenn es einen oder mehrere Patienten gibt, deren Psychoserisiko in zwei Jahren höher als 5% ist. Es ist wichtig, eine Kreuzvalidierung durchzuführen, um sicherzustellen, dass korrekte Informationen aus dem lokalen elektronischen Gesundheitsregistersystem extrahiert werden.
Wir können eine verfeinerte Version dieses Risikorechners und dieses Protokolls integrieren, um die Vorhersage der Ergebnisse weiter zu verbessern. Wir können eine dynamische Version dieses Risikorechners weiter integrieren, die eine Echtzeitaktualisierung der Ergebnisse ermöglichen würde, wenn sich die Symptome des Patienten ändern, wodurch zuverlässigere Vorhersagen gegeben werden, die den klinischen Weg eines Patienten besser widerspiegeln. Dieses Protokoll kann neu konfiguriert werden, um Überwachungs- und Übermittlungswarnungen für andere Risikovorhersagemodelle zu ermöglichen, sodass Kliniker rechtzeitig Entscheidungen treffen können, um die Patientenversorgung, die Sicherheit und die Erfahrung zu verbessern.
Überblick
Diese Studie präsentiert einen neuartigen Ansatz zur Echtzeit-Erkennung von Psychose-Risiken unter Verwendung eines elektronischen Gesundheitsaktensystems. Die Methode verbessert die Identifizierung von Personen mit Psychoserisiko und erleichtert eine verbesserte klinische Kommunikation und Patientenversorgung.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Psychiatrie
- Klinische Informatik
- Risikoprädiktionsmodellierung
Hintergrund
- Aktuelle Methoden zur Erkennung von Psychose-Risiken sind ineffizient.
- Nur ein kleiner Prozentsatz der Fälle von Erstepisodenpsychosen wird identifiziert.
- Verbesserte Erkennung kann zu besseren Patientenergebnissen führen.
- Die Integration von Risikorechnern in elektronische Gesundheitsakten ist für die Präzisionsmedizin unerlässlich.
Zweck der Studie
- Um ein Echtzeit-System zur Erkennung von Psychose-Risiken zu implementieren.
- Um die Kommunikation zwischen Klinikern und Patienten zu verbessern.
- Um die Implementierung der Präzisionsmedizin in der Psychiatrie zu unterstützen.
Verwendete Methoden
- Einsatz eines Risikorechners innerhalb der CogStack-Plattform.
- Konfiguration der Datenaufnahme aus elektronischen Gesundheitsakten.
- Nutzung von Kibana für Datenvisualisierung und Alarmierung.
- Kreuzvalidierung zur Sicherstellung der Datengenauigkeit und -zuverlässigkeit.
Hauptergebnisse
- Verbesserte Erkennungsraten für Personen mit Psychoserisiko.
- Erfolgreiche Integration von Risikowarnungen für Kliniker.
- Visualisierung von Patientenmerkmalen mit Psychoserisiko.
- Echtzeit-Aktualisierungen von Risikovorhersagen basierend auf Patientensymptomen.
Schlussfolgerungen
- Das System verbessert die Effizienz der Psychose-Risikoerkennung.
- Es unterstützt zeitnahe klinische Entscheidungen zur Verbesserung der Patientenversorgung.
- Die zukünftige Integration dynamischer Risikorechner wird empfohlen.
Häufig gestellte Fragen
Executive Industry Relevance
Automated, real-time psychosis risk detection using EHR-integrated platforms like CogStack addresses a critical gap in early psychiatric risk identification and intervention. This capability enhances predictive confidence at the point of care, supporting scalable, individualized risk stratification and timely clinical decision-making. The approach enables portfolio-wide deployment of precision risk models, advancing translational continuity from discovery to clinical implementation.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables systematic hypothesis testing for psychiatric risk factors using real-world clinical data.
- Supports biological de-risking by integrating validated risk algorithms into routine data streams.
- Facilitates functional target validation through continuous, individualized risk assessment.
- Improves predictive confidence for prioritizing psychiatric intervention strategies.
Screening & Assay Development
- Prepares validated, real-world datasets for downstream risk model refinement and validation.
- Standardizes risk quantification outputs for reproducibility across clinical settings.
- Enables scalable, automated alerting workflows for rapid clinical triage.
- Supports reliable evaluation of new risk prediction algorithms in operational environments.
Translational & Preclinical Research
- Aligns risk detection outputs with disease-relevant clinical endpoints for translational studies.
- Maintains continuity from algorithm development through real-world clinical deployment.
- Enables risk-adjusted advancement decisions for psychiatric biomarker programs.
- Provides mechanistic de-risking by linking risk scores to patient trajectories over time.
Pipeline & Workflow Integration
This EHR-integrated risk detection system bridges discovery-stage algorithm validation and real-world clinical implementation, supporting continuous feedback and model refinement.
- Discovery Biology: Integrates hypothesis-driven risk models with live clinical data for ongoing validation.
- Screening: Delivers standardized, quantitative risk outputs for scalable patient stratification.
- Analytics: Provides real-time, visualized risk metrics to support cross-condition comparisons and decision support.
- Translational Research: Ensures alignment of risk detection with clinical endpoints and patient monitoring.
- Enterprise Reuse: Offers a modular, adaptable platform for deploying additional risk models across psychiatric indications.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in psychiatric risk assessment.
- Operational Value: Standardizes and automates risk detection, supporting reproducibility and scalability.
- Strategic Value: Enables earlier, data-driven go/no-go decisions and improves capital efficiency in psychiatric R&D.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of psychiatric biomarker and intervention programs.
Implementation Considerations
- Requires expertise in clinical informatics, data engineering, and psychiatric risk modeling.
- Depends on robust EHR integration and secure data infrastructure.
- Needs cross-team standardization of risk thresholds and alerting protocols.
- Adaptable to diverse EHR systems and psychiatric risk models with appropriate configuration.
- Practical limitations include data completeness, real-time synchronization, and ongoing validation requirements.
