Implementazione di un sistema di rilevamento e avviso di psicosi in tempo reale basato su record sanitari elettronici utilizzando CogStack
15 maggio 2020
Dimostriamo come implementare un sistema di calcolo e avviso di psicosi in tempo reale basato su CogStack, una piattaforma di recupero ed estrazione di informazioni per le cartelle cliniche elettroniche.
L'impatto della prevenzione della psicosi è limitato dall'efficacia con cui possiamo rilevare le persone a rischio. Questo protocollo presenta un nuovo approccio per l'implementazione di un servizio di rilevamento e allarme del rischio di psicosi in un sistema di registrazione sanitaria elettronica del mondo reale. Il vantaggio principale di questo calcolatore di rischio individualizzato basato clinicamente è che consente il rilevamento automatico di individui a rischio di psicosi su larga scala utilizzando cartelle cliniche elettroniche in diverse condizioni mentali e in tempo reale.
I metodi attuali per rilevare le persone a rischio di psicosi sono relativamente inefficienti con solo il 5-12% dei casi di psicosi del primo episodio rilevati. Questo sistema consente un migliore rilevamento delle persone a rischio e una migliore comunicazione con i medici. La piattaforma sviluppata può essere personalizzata per altri sistemi di modellazione e rilevamento della previsione del rischio in psichiatria e questo può supportare l'implementazione della medicina di precisione nelle cure cliniche a beneficio dei pazienti.
Vogliamo diffondere questo nuovo metodo alla comunità in generale e interagire con altri ricercatori, clinici, pazienti, badanti e stakeholder per promuovere l'implementazione della medicina di precisione in psichiatria. Speriamo che questo video faciliti il raggiungimento di questo obiettivo. Sebbene lo script, che è stato utilizzato per distribuire questo sistema e il metodo, siano descritti in dettaglio nello studio.
Il nostro team di ricerca sarà lieto di assistere i futuri ricercatori che potrebbero voler implementare un approccio simile sulle loro impostazioni cliniche. Inizia scaricando o clonando il repository di codice da GitHub. Per configurare la pipeline CogStack per l'gestione dei dati, aprire la cogstack_deploy/cogstack/directory e modificare la psicosi.
e modificare le impostazioni della sezione source:dbconfiguration in base all'impostazione elettronica del database dei record di integrità, inclusa la specifica dell'indirizzo IP del server di database, del nome del database, del nome utente del database e della password. Aprire un web browser e accedere all'interfaccia utente di Kibana. Per la prima volta accedendo a Kibana, fare clic sulla scheda Modelli di gestione e indice per specificare un indice di ricerca elastico di interesse e immettere psychosis_base nel campo del modello di indice.
Fare clic su Passaggio successivo e selezionare ETL_updated_dttm nome del campo filtro ora. Quindi fate clic su Crea modello indice (Create Index Pattern) per aggiungere psychosis_base modello di indice per Kibana. Una volta che Kibana è collegato all'indice di ricerca elastico, cerca e sfoglia i dati di origine in modo interattivo attraverso la pagina di individuazione.
Per accedere al calcolatore dei rischi, aprire una nuova finestra terminale e aprire la directory della psicosi. Inserisci il comando appropriato nel terminale per installare tutti i pacchetti Python richiesti utilizzati nel calcolatore di rischio ed eseguire il calcolatore del rischio di psicosi. Se il processo è stato completato correttamente, i registri del calcolo del rischio verranno stampati nel terminale e i risultati del rischio verranno memorizzati in un nuovo indice di ricerca elastico chiamato psychosis_risk all'interno della piattaforma CogStack.
Per controllare i risultati del rischio nell'interfaccia di Kibana, aggiungere un nuovo modello di indice psychosis_risk per connettere Kibana con l'indice psychosis_risk ed esplorare i risultati del rischio attraverso la pagina di individuazione. Per creare visualizzazioni e dashboard per ottenere una panoramica delle caratteristiche per l'intera popolazione di pazienti a rischio, fare clic su Visualizza e quindi su Crea nuova visualizzazione. Selezionare il tipo di visualizzazione e psychosis_risk come indice da visualizzare.
Una volta create le singole visualizzazioni, fare clic su Dashboard per creare un dashboard che visualizza insieme un set di visualizzazioni correlate. Per creare avvisi per i medici quando i pazienti sono a rischio di psicosi, fare clic su Gestione e Osservatore. Per configurare un nuovo watcher, fare clic su Crea orologio avanzato e immettere l'ID e il nome.
Per inviare un messaggio di posta elettronica di avviso all'indirizzo di un clinico, eliminare il contenuto della sezione JSON dell'orologio e copiare il contenuto nel watcher. json file con la directory psicosi alla sezione JSON orologio. Prima di salvare l'osservatore, fare clic su Simula per testare l'esecuzione del watcher.
Se il watcher è impostato correttamente, verrà visualizzato l'output di simulazione. In questa figura rappresentativa, il numero di record inseriti in CogStack nel tempo può essere osservato in ordine cronologico in base all'ultima data di aggiornamento di un record. Al confronto dei numeri e del contenuto dei record nel database nell'indice di ricerca elastico, non sono stati rilevati dati mancanti e discrepant che confermano l'affidabilità della pipeline CogStack e l'gestione dei dati nella sincronizzazione.
Come dimostrano queste cifre, è possibile visualizzare le caratteristiche per i pazienti a rischio di psicosi, tra cui etnie dei pazienti, sesso, età e categorie di diagnosi. Qui, l'interfaccia per impostare un servizio di avviso del rischio utilizzando il componente orologio in Kibana come dimostrato può essere osservata. Una volta configurato correttamente questo servizio, gli utenti riceveranno una notifica via e-mail se ci sono uno o più pazienti il cui rischio di psicosi in due anni è superiore al 5%È importante eseguire la convalida incrociata per garantire che le informazioni corrette vengano estratte dal sistema di registrazione sanitaria elettronica locale.
Possiamo integrare una versione raffinata di questo calcolatore di rischio e questo protocollo per migliorare ulteriormente la previsione dei risultati. Possiamo integrare ulteriormente una versione dinamica di questo calcolatore di rischio che consentirebbe l'aggiornamento in tempo reale dei risultati man mano che i sintomi del paziente cambiano, fornendo quindi previsioni più affidabili che riflettono meglio il percorso clinico di un paziente. Questo protocollo può essere riconfigurato per consentire avvisi di monitoraggio e recapito ad altri modelli di previsione del rischio che consentono ai medici di prendere decisioni tempestive per migliorare l'assistenza, la sicurezza e l'esperienza dei pazienti.
Panoramica
Questo studio presenta un approccio innovativo per il rilevamento del rischio di psicosi in tempo reale utilizzando un sistema di cartelle cliniche elettroniche. Il metodo migliora l'identificazione di individui a rischio di psicosi, facilitando una migliore comunicazione clinica e cura del paziente.
Componenti chiave dello studio
Area di scienza
- Psichiatria
- Informatica clinica
- Modellazione di previsione del rischio
Contesto
- I metodi attuali di rilevamento del rischio di psicosi sono inefficienti.
- Solo una piccola percentuale dei casi di primo episodio di psicosi viene identificata.
- Un rilevamento migliorato può portare a migliori risultati per i pazienti.
- L'integrazione di calcolatori di rischio nelle cartelle cliniche elettroniche è essenziale per la medicina di precisione.
Obiettivo dello studio
- Implementare un sistema di rilevamento del rischio di psicosi in tempo reale.
- Migliorare la comunicazione tra clinici e pazienti.
- Supportare l'implementazione della medicina di precisione in psichiatria.
Metodi utilizzati
- Implementazione di un calcolatore di rischio all'interno della piattaforma CogStack.
- Configurazione dell'ingestione dei dati dalle cartelle cliniche elettroniche.
- Utilizzo di Kibana per la visualizzazione dei dati e gli avvisi.
- Validazione incrociata per garantire l'accuratezza e l'affidabilità dei dati.
Risultati principali
- Miglioramento dei tassi di rilevamento per gli individui a rischio di psicosi.
- Integrazione di successo degli avvisi di rischio per i clinici.
- Visualizzazione delle caratteristiche dei pazienti a rischio di psicosi.
- Aggiornamenti in tempo reale delle previsioni di rischio basate sui sintomi del paziente.
Conclusioni
- Il sistema migliora l'efficienza del rilevamento del rischio di psicosi.
- Supporta decisioni cliniche tempestive per migliorare la cura del paziente.
- Si raccomanda l'integrazione futura di calcolatori di rischio dinamici.
Domande frequenti
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.
