Mise en œuvre d’un système de détection et d’alerte des risques de psychose en temps réel basé sur les dossiers de santé électroniques à l’aide de CogStack

L’impact de la prévention de la psychose est limité par l’efficacité avec laquelle nous pouvons détecter les personnes à risque. Ce protocole présente une nouvelle approche pour la mise en œuvre d’un service de détection et d’alerte des risques de psychose dans un système de dossiers de santé électronique réel. Le principal avantage de ce calculateur de risque individualisé cliniquement basé est qu’il permet la détection automatique des personnes à risque de psychose à grande échelle à l’aide de dossiers de santé électroniques dans différentes conditions mentales et en temps réel.

Les méthodes actuelles de détection des personnes à risque de psychose sont relativement inefficaces, avec seulement 5 à 12 % des cas de psychose du premier épisode détectés. Ce système permet une meilleure détection des personnes à risque ainsi qu’une meilleure communication avec les cliniciens. La plate-forme développée peut être personnalisée pour d’autres systèmes de modélisation et de détection des risques en psychiatrie, ce qui peut soutenir la mise en œuvre de la médecine de précision dans les soins cliniques avec l’avantage des patients.

Nous voulons diffuser cette nouvelle méthode à l’ensemble de la communauté et collaborer avec d’autres chercheurs, cliniciens, patients, soignants et intervenants pour faire progresser la mise en œuvre de la médecine de précision en psychiatrie. Nous espérons que cette vidéo facilitera l’réalisation de cet objectif. Bien que le script, qui a été utilisé pour déployer ce système et la méthode, sont décrits en détail dans l’étude.

Notre équipe de recherche sera heureuse d’aider les futurs chercheurs qui voudront peut-être mettre en œuvre une approche similaire sur leurs milieux cliniques. Commencez par télécharger ou clonage le référentiel de code de GitHub. Pour configurer le pipeline CogStack pour l’ingestion de données, ouvrez le cogstack_deploy/cogstack/annuaire et modifiez la psychose.

propriétés et modifier les paramètres de la section source:dbconfiguration en fonction de la configuration électronique de la base de données des dossiers de santé, y compris en spécifier l’adresse IP du serveur de base de données, le nom de base de données, le nom d’utilisateur de la base de données et le mot de passe. Ouvrez un navigateur Web et accédez à l’interface utilisateur de Kibana. Pour la première fois, accédez à Kibana, cliquez sur l’onglet Gestion et Modèles d’index pour spécifier un index de recherche élastique d’intérêt et entrez psychosis_base dans le champ de modèle d’index.

Cliquez sur l’étape suivante et sélectionnez ETL_updated_dttm pour le nom de champ de filtre de temps. Cliquez ensuite sur Créer le modèle d’index pour ajouter psychosis_base modèle d’index pour Kibana. Une fois kibana connecté à l’index de recherche élastique, recherchez et parcourez les données sources de manière interactive à travers la page de découverte.

Pour accéder au calculateur de risque, ouvrez une nouvelle fenêtre terminale et ouvrez le répertoire des psychoses. Entrez la commande appropriée dans le terminal pour installer tous les paquets Python requis utilisés dans le calculateur de risque et exécutez le calculateur de risque de psychose. Si le processus est terminé avec succès, les journaux du calcul des risques seront imprimés dans le terminal et les résultats du risque seront stockés dans un nouvel index de recherche élastique appelé psychosis_risk au sein de la plate-forme CogStack.

Pour vérifier les résultats des risques dans l’interface Kibana, ajoutez un nouveau modèle d’index psychosis_risk pour connecter Kibana à l’indice psychosis_risk et explorer les résultats du risque à travers la page découverte. Pour créer des visualisations et des tableaux de bord afin d’obtenir une vue d’ensemble des caractéristiques pour l’ensemble de la population de patients à risque, cliquez sur Visualiser et cliquez sur Créer une nouvelle visualisation. Sélectionnez le type de visualisation et sélectionnez psychosis_risk que l’index à visualiser.

Une fois que les visualisations individuelles ont été construites, cliquez sur Tableau de bord pour créer un tableau de bord qui affiche ensemble un ensemble de visualisations connexes. Pour créer une alerte pour les cliniciens lorsque les patients sont à risque de psychose, cliquez sur Gestion et Veilleur. Pour configurer un nouvel observateurs, cliquez sur Créer une montre avancée et entrez l’iD et le nom.

Pour envoyer un e-mail d’alerte à l’adresse d’un clinicien, supprimez le contenu de la section JSON de la montre et copiez le contenu de l’observateurs. json fichier avec le répertoire de psychose à la section JSON montre. Avant d’enregistrer l’observateurs, cliquez sur Simuler pour tester l’exécution de l’observateurs.

Si l’horloger est réglé avec succès, la sortie de simulation apparaîtra. Dans ce chiffre représentatif, le nombre d’enregistrements ingérés dans CogStack au fil du temps peut être observé dans l’ordre chronologique en fonction de la dernière date de mise à jour d’un enregistrement. Après comparaison des nombres et du contenu des enregistrements dans la base de données dans l’index de recherche élastique, aucune donnée manquante et discrepant n’a été détectée confirmant la fiabilité du pipeline CogStack et l’ingestion de données dans la synchronisation.

Comme ces chiffres l’illustrent, les caractéristiques pour les patients à risque de psychose, y compris les ethnies des patients, les sexes, les âges et les catégories de diagnostics peuvent être visualisées. Ici, l’interface pour définir un service d’alerte aux risques en utilisant le composant de montre dans Kibana comme démontré peut être observée. Une fois ce service configuré avec succès, les utilisateurs recevront une notification par courriel s’il y a un ou plusieurs patients dont le risque de psychose dans deux ans est supérieur à 5 %, il est important de faire une validation croisée pour s’assurer que des informations correctes sont extraites du système électronique local de dossiers de santé.

Nous pouvons intégrer une version raffinée de ce calculateur de risque et de ce protocole afin d’améliorer encore la prédiction des résultats. Nous pouvons en outre intégrer une version dynamique de ce calculateur de risque qui permettrait une mise à jour en temps réel des résultats à mesure que les symptômes des patients changent, donnant ainsi des prédictions plus fiables qui reflètent mieux la voie clinique d’un patient. Ce protocole peut être reconfiguré pour permettre la surveillance et l’exécution d’alertes à d’autres modèles de prévision des risques permettant aux cliniciens de prendre des décisions opportunes pour améliorer les soins aux patients, la sécurité et l’expérience.