Implementación de un sistema de detección y alerta de riesgos de psicosis en tiempo real basado en registros médicos electrónicos utilizando CogStack
15 de mayo de 2020
Demostramos cómo implementar un sistema de cálculo y alerta de riesgos de psicosis en tiempo real basado en CogStack, una plataforma de recuperación y extracción de información para registros médicos electrónicos.
El impacto de la prevención de la psicosis está limitado por la eficacia con la que podemos detectar a las personas en riesgo. Este protocolo presenta un nuevo enfoque para implementar un servicio de detección de riesgos de psicosis y alerta en un sistema electrónico de registro de salud del mundo real. La principal ventaja de esta calculadora de riesgo individualizada basada clínicamente es que permite la detección automática de individuos en riesgo de psicosis a gran escala utilizando registros electrónicos de salud a través de diferentes condiciones mentales y en tiempo real.
Los métodos actuales para detectar psicosis son relativamente ineficientes con sólo 5-12% de los casos de psicosis del primer episodio detectados. Este sistema permite una mejor detección de personas en riesgo, así como una mejor comunicación con los médicos. La plataforma desarrollada se puede personalizar para otro sistema de modelado y detección de predicción de riesgos en psiquiatría y esto puede apoyar la implementación de la medicina de precisión en la atención clínica con el beneficio de los pacientes.
Queremos difundir este nuevo método a la comunidad en general y colaborar con otros investigadores, médicos, pacientes, cuidadores y partes interesadas para avanzar en la implementación de la medicina de precisión en la psiquiatría. Esperamos que este video facilite el logro de esta meta. Aunque el script, que se ha utilizado para implementar este sistema y el método, se describen en detalle en el estudio.
Nuestro equipo de investigación estará encantado de ayudar a los futuros investigadores que deseen implementar un enfoque similar en sus entornos clínicos. Comience descargando o clonando el repositorio de código desde GitHub. Para configurar la canalización de CogStack para la ingesta de datos, abra el directorio cogstack_deploy/cogstack/y modifique la psicosis.
propiedades y modifique la configuración de la sección source:dbconfiguration en función de la configuración de la base de datos de registros de estado electrónico, incluida la especificación de la dirección IP del servidor de base de datos, el nombre de la base de datos, el nombre de usuario de la base de datos y la contraseña. Abra un navegador web y acceda a la interfaz de usuario de Kibana. Por primera vez que acceda a Kibana, haga clic en la pestaña Patrones de administración e índice para especificar un índice de búsqueda elástico de interés e introduzca psychosis_base en el campo de patrón de índice.
Haga clic en Siguiente paso y seleccione ETL_updated_dttm para el nombre del campo de filtro de tiempo. A continuación, haga clic en Crear patrón de índice para agregar el patrón de índice de psychosis_base para Kibana. Una vez que Kibana esté conectado al índice de búsqueda elástico, busque y examine los datos de origen de forma interactiva a través de la página de detección.
Para acceder a la calculadora de riesgos, abra una nueva ventana de terminal y abra el directorio de psicosis. Introduzca el comando adecuado en el terminal para instalar todos los paquetes de Python necesarios utilizados en la calculadora de riesgos y ejecutar la calculadora de riesgo de psicosis. Si el proceso se ha completado correctamente, los registros del cálculo de riesgo se imprimirán en el terminal y los resultados del riesgo se almacenarán en un nuevo índice de búsqueda elástico llamado psychosis_risk dentro de la plataforma CogStack.
Para comprobar los resultados del riesgo en la interfaz de Kibana, agregue un nuevo patrón de índice psychosis_risk para conectar Kibana con el índice psychosis_risk y explorar los resultados del riesgo a través de la página de descubrimiento. Para crear visualizaciones y paneles para obtener una visión general de las características de toda la población de pacientes en riesgo, haga clic en Visualizar y haga clic en Crear nueva visualización. Seleccione el tipo de visualización y seleccione psychosis_risk como el índice que se va a visualizar.
Una vez creadas las visualizaciones individuales, haga clic en Panel para crear un panel que muestre un conjunto de visualizaciones relacionadas juntas. Para crear alertas para los médicos cuando los pacientes están en riesgo de psicosis, haga clic en Gestión y Vigilante. Para configurar un nuevo observador, haga clic en Crear inspección avanzada e introduzca el ID y el nombre.
Para enviar un correo electrónico de alerta a la dirección de un médico, elimine el contenido de la sección JSON de inspección y copie el contenido en el observador. json con el directorio psychosis en la sección watch JSON. Antes de guardar el observador, haga clic en Simular para probar la ejecución del observador.
Si el observador se ha configurado correctamente, aparecerá la salida de simulación. En esta figura representativa, el número de registros ingeridos en CogStack a lo largo del tiempo se puede observar en orden cronológico en función de la última fecha de actualización de un registro. Tras la comparación de los números y el contenido de los registros de la base de datos en el índice de búsqueda elástico, no se detectaron datos que faltaban y discrepantes confirmaban la fiabilidad de la canalización de CogStack y la ingesta de datos en sincronización.
Como ilustran estas cifras, se pueden visualizar las características de los pacientes en riesgo de psicosis, incluidas las etnias de los pacientes, los géneros, las edades y las categorías de diagnósticos. Aquí, se puede observar la interfaz para establecer un servicio de alerta de riesgo mediante el componente de inspección en Kibana como se ha demostrado. Una vez que este servicio se haya configurado con éxito, los usuarios recibirán una notificación por correo electrónico si hay uno o más pacientes cuyo riesgo de psicosis en dos años es superior al 5%Es importante hacer la validación cruzada para asegurarse de que la información correcta se está extrayendo del sistema de registro médico electrónico local.
Podemos integrar una versión refinada de esta calculadora de riesgos y este protocolo para mejorar aún más la predicción de resultados. Podemos integrar aún más una versión dinámica de esta calculadora de riesgos que permitiría actualizar en tiempo real los resultados a medida que cambian los síntomas del paciente, dando así predicciones más confiables que reflejen mejor la vía clínica del paciente. Este protocolo se puede reconfigurar para permitir alertas de monitoreo y entrega a otros modelos de predicción de riesgos, lo que permite a los médicos tomar decisiones oportunas para mejorar la atención al paciente, la seguridad y la experiencia.
Descripción general
Este estudio presenta un enfoque novedoso para la detección en tiempo real del riesgo de psicosis mediante un sistema de historias clínicas electrónicas. El método mejora la identificación de individuos en riesgo de psicosis, facilitando una mejor comunicación clínica y la atención al paciente.
Componentes Clave del Estudio
Área de la ciencia
- Psiquiatría
- Informática Clínica
- Modelado de Predicción de Riesgo
Antecedentes
- Los métodos actuales de detección del riesgo de psicosis son ineficaces.
- Solo se identifica un pequeño porcentaje de los casos de primer episodio de psicosis.
- Una detección mejorada puede conducir a mejores resultados para los pacientes.
- La integración de calculadoras de riesgo en los registros electrónicos de salud es esencial para la medicina de precisión.
Objetivo del estudio
- Implementar un sistema de detección en tiempo real del riesgo de psicosis.
- Mejorar la comunicación entre clínicos y pacientes.
- Apoyar la implementación de la medicina de precisión en psiquiatría.
Métodos Utilizados
- Implementación de una calculadora de riesgo dentro de la plataforma CogStack.
- Configuración de la ingesta de datos provenientes de historias clínicas electrónicas.
- Uso de Kibana para la visualización de datos y generación de alertas.
- Validación cruzada para garantizar la precisión y fiabilidad de los datos.
Resultados principales
- Tasas mejoradas de detección en individuos con riesgo de psicosis.
- Integración exitosa de alertas de riesgo para clínicos.
- Visualización de las características de los pacientes con riesgo de psicosis.
- Actualizaciones en tiempo real de las predicciones de riesgo basadas en los síntomas del paciente.
Conclusiones
- El sistema mejora la eficiencia en la detección del riesgo de psicosis.
- Apoya decisiones clínicas oportunas para mejorar la atención al paciente.
- Se recomienda la integración futura de calculadoras dinámicas de riesgo.
Preguntas frecuentes
Relevancia Ejecutiva para la Industria
La detección automatizada y en tiempo real del riesgo de psicosis mediante plataformas integradas en historias clínicas electrónicas, como CogStack, aborda una brecha crítica en la identificación y la intervención tempranas del riesgo psiquiátrico. Esta capacidad mejora la confianza predictiva en el momento de la atención, favoreciendo una estratificación de riesgo escalable y personalizada, así como una toma de decisiones clínicas oportuna. El enfoque permite la implementación generalizada de modelos de riesgo de precisión, impulsando la continuidad traslacional desde el descubrimiento hasta la aplicación clínica.
Aplicaciones Estratégicas en I+D de Biotecnología Farmacéutica
Descubrimiento Temprano y Validación de Blancos
- Permite la comprobación sistemática de hipótesis para factores de riesgo psiquiátricos utilizando datos clínicos del mundo real.
- Apoya la reducción de riesgos biológicos mediante la integración de algoritmos de riesgo validados en flujos de datos rutinarios.
- Facilita la validación funcional de objetivos a través de evaluaciones continuas y personalizadas del riesgo.
- Mejora la confianza predictiva para priorizar estrategias de intervención psiquiátrica.
Desarrollo de Cribado y Ensayos
- Prepara conjuntos de datos validados del mundo real para el perfeccionamiento y la validación de modelos de riesgo posteriores.
- Normaliza las salidas de cuantificación de riesgo para garantizar la reproducibilidad en diferentes entornos clínicos.
- Posibilita flujos de trabajo de alerta escalables y automatizados para la triage clínica rápida.
- Permite la evaluación confiable de nuevos algoritmos de predicción de riesgo en entornos operativos.
Investigación Traductacional y Preclínica
- Alinea los resultados de detección de riesgo con puntos finales clínicos relevantes para enfermedades en estudios traslacionales.
- Mantiene la continuidad desde el desarrollo del algoritmo hasta la implementación clínica en el mundo real.
- Permite decisiones de avance ajustadas al riesgo para programas de biomarcadores psiquiátricos.
- Proporciona una reducción de riesgo mecanicista al vincular las puntuaciones de riesgo con las trayectorias del paciente a lo largo del tiempo.
Integración de la tubería y flujo de trabajo
Este sistema de detección de riesgos integrado en el historial clínico electrónico conecta la validación de algoritmos en fase de descubrimiento con la implementación clínica en el mundo real, apoyando la retroalimentación continua y el perfeccionamiento del modelo.
- Biología del Descubrimiento: Integra modelos de riesgo basados en hipótesis con datos clínicos en tiempo real para validación continua.
- Detección: Proporciona resultados cuantitativos estandarizados de riesgo para estratificación escalable de pacientes.
- Análisis: Ofrece métricas de riesgo visualizadas en tiempo real para facilitar comparaciones entre diferentes afecciones y apoyar la toma de decisiones.
- Investigación Traducional: Garantiza la alineación de la detección de riesgos con los puntos finales clínicos y el monitoreo del paciente.
- Reutilización Empresarial: Ofrece una plataforma modular y adaptable para implementar modelos adicionales de riesgo en indicaciones psiquiátricas.
Impacto Operacional y Empresarial
- Valor científico: Aumenta la confianza predictiva y reduce la ambigüedad mecanicista en la evaluación del riesgo psiquiátrico.
- Valor operativo: Estandariza y automatiza la detección de riesgos, favoreciendo la reproducibilidad y escalabilidad.
- Valor estratégico: Permite decisiones más tempranas de avance o interrupción basadas en datos y mejora la eficiencia del capital en la investigación y desarrollo psiquiátricos.
- Impacto en la cartera: Apoya la priorización y el avance ajustados al riesgo de programas de biomarcadores e intervenciones psiquiátricos.
Consideraciones de Implementación
- Requiere experiencia en informática clínica, ingeniería de datos y modelado de riesgo psiquiátrico.
- Depende de una integración sólida de los registros electrónicos de salud (EHR) y de una infraestructura de datos segura.
- Necesita estandarización entre equipos de umbrales de riesgo y protocolos de alerta.
- Adaptable a diversos sistemas EHR y modelos de riesgo psiquiátrico con una configuración adecuada.
- Las limitaciones prácticas incluyen la completitud de los datos, la sincronización en tiempo real y los requisitos continuos de validación.
