Artykuł metodologiczny

Wdrożenie systemu wykrywania i ostrzegania o ryzyku psychozy w czasie rzeczywistym w oparciu o elektroniczną dokumentację medyczną z wykorzystaniem CogStack

DOI:

10.3791/60794

⸱

15 maja 2020

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Biostatistics and Health Informatics, Institute of Psychiatry, Psychology and Neuroscience, King's College London, 2Early Psychosis: Interventions and Clinical-detection (EPIC) lab, Department of Psychosis Studies, Institute of Psychiatry, Psychology & Neuroscience, King's College London, 3National Institute for Health Research, Maudsley Biomedical Research Centre, South London and Maudsley National Health Service (NHS) Foundation Trust, 4Institute of Health Informatics, University College London, 5Department of Psychological Medicine, Institute of Psychiatry, Psychology and Neuroscience, King's College London, 6Health Data Research UK London, University College London, 7OASIS service, South London and Maudsley National Health Service (NHS) Foundation Trust, 8Department of Brain and Behavioral Sciences, University of Pavia

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Pokazujemy, jak wdrożyć system obliczania ryzyka psychozy i ostrzegania w czasie rzeczywistym oparty na CogStack, platformie wyszukiwania i ekstrakcji informacji dla elektronicznej dokumentacji medycznej.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ostatnie badania wykazały, że zautomatyzowany, uwzględniający długość życia, transdiagnostyczny i klinicznie oparty na zindywidualizowanym kalkulatorze ryzyka stanowi potężny system wspomagający wczesne wykrywanie osób zagrożonych psychozą na dużą skalę, wykorzystując elektroniczną dokumentację medyczną (EHR). Ten kalkulator ryzyka został dwukrotnie zweryfikowany zewnętrznie i jest w trakcie testów wykonalności pod kątem wdrożenia klinicznego. Włączenie tego kalkulatora ryzyka do rutynowych badań klinicznych powinno być ułatwione dzięki prospektywnym studiom wykonalności, które są niezbędne do sprostania pragmatycznym wyzwaniom, takim jak brakujące dane, oraz użyteczność tego kalkulatora ryzyka w rzeczywistych i rutynowych warunkach klinicznych. W tym miejscu przedstawiamy podejście do perspektywicznego wdrożenia usługi wykrywania i ostrzegania o ryzyku psychozy w czasie rzeczywistym w rzeczywistym systemie EHR. Ta metoda wykorzystuje platformę CogStack, która jest otwartym, lekkim i rozproszonym systemem wyszukiwania informacji i ekstrakcji tekstu. Platforma CogStack obejmuje zestaw usług, które pozwalają na pełnotekstowe wyszukiwanie danych klinicznych, uwzględnianie długości życia, obliczanie ryzyka psychozy w czasie rzeczywistym, wczesne ostrzeganie lekarzy o ryzyku oraz wizualne monitorowanie pacjentów w czasie. Nasza metoda obejmuje: 1) pobieranie i synchronizację danych z wielu źródeł do platformy CogStack, 2) implementację kalkulatora ryzyka, którego algorytm został wcześniej opracowany i zwalidowany, w celu terminowego obliczenia ryzyka psychozy u pacjenta, 3) tworzenie interaktywnych wizualizacji i pulpitów nawigacyjnych do monitorowania stanu zdrowia pacjentów w czasie oraz 4) budowanie zautomatyzowanych systemów alarmowych, aby zapewnić powiadamianie lekarzy o pacjentach zagrożonych, tak, aby można było podjąć odpowiednie działania. Jest to pierwsze w historii badanie, w którym opracowano i wdrożono podobny system wykrywania i ostrzegania w rutynowych warunkach klinicznych w celu wczesnego wykrywania psychozy.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zaburzenia psychotyczne to poważne choroby psychiczne, które prowadzą do trudności w rozróżnieniu między wewnętrznym doświadczeniem umysłu a zewnętrzną rzeczywistością środowiska1, a także do ponadprzeciętnego ryzyka samookaleczenia i samobójstwa2. W ramach standardowej opieki zaburzenia te mają poważny wpływ na zdrowie publiczne, powodując znaczne obciążenie zdrowotne i ekonomiczne dla osób, rodzin i społeczeństw na całym świecie3. Wczesne interwencje w psychozie mogą poprawić wyniki tego zaburzenia psychicznego4. W szczególności wykrywanie, ocena prognostyczna i leczenie profilaktyczne osób, które są w klinicznie wysokim ryzyku rozwoju psychozy (CHR-P)5 zapewnia unikalny potencjał do zmiany przebiegu zaburzenia, poprawiając w ten sposób jakość życia wielu osób i ich rodzin3,6. Osoby z CHR-P to szukający pomocy młodzi ludzie z osłabionymi objawami i upośledzeniem funkcjonalnym7: ich ryzyko rozwoju psychozy wynosi 20% w wieku 2 lat8, ale jest wyższe w niektórych określonych podgrupach9,10. Pomimo pewnych znacznych postępów, wpływ podejść prewencyjnych w rutynowej praktyce klinicznej jest ograniczony przez zdolność do wykrycia większości osób zagrożonych11. Obecne metody wykrywania opierają się na zachowaniach związanych z szukaniem pomocy i skierowaniach w przypadku podejrzenia ryzyka psychozy; Metody te są wysoce nieefektywne w obsłudze dużej liczby próbek11. W związku z tym skalowalność obecnych metod wykrywania dla zdecydowanej większości zagrożonej populacji jest dość ograniczona12. W rzeczywistości tylko 5% (samodzielne specjalistyczne usługi wczesnego wykrywania) do 12% (usługi w zakresie zdrowia psychicznego dla młodzieży) osób zagrożonych rozwojem pierwszego zaburzenia psychotycznego może zostać wykrytych w momencie ich zagrożonego stadium przez obecne strategie wykrywania6.

Aby rozszerzyć kliniczne korzyści z podejść prewencyjnych u większej liczby osób zagrożonych, opracowaliśmy zautomatyzowany, obejmujący długość życia (tj. we wszystkich grupach wiekowych), transdiagnostyczny (tj. między różnymi diagnozami)13, klinicznie oparty na indywidualnym kalkulatorze ryzyka, który może wykryć osoby zagrożone psychozą w podstawowej opiece psychiatrycznej na dużą skalę, poza tymi, które spełniają kryteria CHR-P14. W tym kalkulatorze ryzyka wykorzystano model proporcjonalnego hazardu Coxa do przewidywania ryzyka rozwoju zaburzenia psychotycznego w ciągu sześciu lat na podstawie pięciu rutynowo zbieranych zmiennych klinicznych wybranych a priori, zgodnie z wytycznymi metodologicznymi15: wiek, płeć, pochodzenie etniczne, wiek według płci i diagnoza wskaźnika pierwotnego. Te zmienne kliniczne zostały wybrane na podstawie wiedzy a priori uzyskanej z metaanaliz16,17, zgodnie z zaleceniami najnowocześniejszych wytycznych metodologicznych15. Liczba predyktorów jest ograniczona, aby zachować stosunek zdarzeń na zmienną i zminimalizować błędy systematyczne związane z nadmiernym dopasowaniem; Uwzględnienie zbyt wielu zmiennych bez filtra a priori prowadzi do problemów z nadmiernym dopasowaniem i słabej dokładności prognozy18. Metoda użyta do opracowania tego modelu zapewnia podobną dokładność prognostyczną, jak metody automatycznego uczenia maszynowego18. Parametry modelu Coxa zostały oszacowane na podstawie retrospektywnej, pozbawionej identyfikacji kohorty z South London and Maudsley National Health Service Foundation Trust (SLaM)19. SLaM to fundusz powierniczy zdrowia psychicznego National Health Service (NHS), który zapewnia wtórną opiekę w zakresie zdrowia psychicznego populacji 1,36 miliona osób w południowym Londynie (dzielnice Lambeth, Southwark, Lewisham i Croydon) i ma jeden z najwyższych zarejestrowanych wskaźników psychozy na świecie20. Wszystkie dane wykorzystane do opracowania modelu zostały wyodrębnione z platformy Clinical Record Interactive Search (CRIS), cyfrowego systemu rejestru przypadków, który zapewnia badaczom retrospektywny dostęp i analizę zanonimizowanych rekordów klinicznych19. Informacje kliniczne w CRIS są pobierane z dedykowanego systemu elektronicznej dokumentacji medycznej (EHR) w SLaM, zwanego elektronicznym systemem podróży pacjenta (ePJS). SLaM nie wymaga użycia papieru, a ePJS stanowi standardową platformę gromadzenia danych do rutynowych badań klinicznych. W związku z tym kalkulator ryzyka transdiagnostycznego wykorzystuje elektroniczną dokumentację medyczną i może automatycznie badać duże obszary elektronicznej dokumentacji medycznej pacjentów korzystających z dodatkowej opieki psychiatrycznej, aby wykryć tych, którzy mogą być zagrożeni psychozą. Algorytm tego kalkulatora ryzyka transdiagnostycznego został opublikowany wcześniej6,14,21. Kalkulator ryzyka transdiagnostycznego został zewnętrznie zweryfikowany w dwóch funduszach powierniczych NHS Foundation Trusts14,21 i optimized22, wykazując jego odpowiednią wydajność prognostyczną, a także możliwość uogólnienia na różne populacje.

Zgodnie z metodologicznymi wytycznymi dotyczącymi rozwoju modelu przewidywania ryzyka15,23, następnym krokiem po opracowaniu i walidacji modelu jest wdrożenie modelu predykcyjnego w rutynowej praktyce klinicznej. Badania wdrożeniowe są zwykle poprzedzone badaniami pilotażowymi lub studiami wykonalności, które odnoszą się do potencjalnych pragmatycznych ograniczeń związanych ze stosowaniem algorytmów ryzyka w praktyce klinicznej. Na przykład dane wymagane do uruchomienia kalkulatora, takie jak wiek, płeć i pochodzenie etniczne, mogą nie być dostępne w dniu diagnozy lub zaktualizowane później. Należy rozważyć skuteczne metody radzenia sobie z brakującymi danymi i synchronizowania częstych aktualizacji w strumieniach danych w czasie rzeczywistym, aby uzyskać najbardziej wiarygodne wyniki predykcji we wdrożeniu. Ponadto, ponieważ początkowy rozwój kalkulatora ryzyka opierał się na retrospektywnych danych kohortowych, nie wiadomo, czy można go używać w strumieniu danych w czasie rzeczywistym, który jest typowy dla rzeczywistych warunków klinicznych. Kolejnym wyzwaniem jest zapewnienie, że odpowiedni klinicyści otrzymają zalecenia wygenerowane przez kalkulator ryzyka w odpowiednim czasie oraz w ramach wspólnej i akceptowanej ścieżki komunikacji.

Aby przezwyciężyć te ograniczenia, przeprowadziliśmy studium wykonalności, korzystając z indywidualnego kalkulatora ryzyka transdiagnostycznego. Badanie obejmowało dwie fazy: fazę in vitro, którą przeprowadzono z wykorzystaniem danych z lokalnej elektronicznej dokumentacji medycznej, bez kontaktu z klinicystami lub pacjentami, oraz fazę in vivo, która obejmowała bezpośredni kontakt z klinicystami. Faza in vitro miała dwa różnorodne cele: (i) usunięcie barier wdrożeniowych zgodnie ze Skonsolidowanymi Ramami Badań Wdrożeniowych (CFIR)27 oraz (ii) zintegrowanie kalkulatora ryzyka transdiagnostycznego z lokalną elektroniczną dokumentacją medyczną. Do barier wdrożeniowych należało informowanie klinicystów o wynikach dotyczących ryzyka. W SLaM wszyscy pacjenci są proszeni o zarejestrowanie się w celu uzyskania zgody na kontakt (C4C), co oznacza ich gotowość do kontaktu w sprawie badań, bez wpływu na jakość opieki. Ogranicza to kwestie etyczne związane z kontaktem z pacjentami. Ponadto grupy robocze z klinicystami pomogły w dostosowaniu sposobu przekazywania tych informacji. W fazie in vivo (od 14 maja 2018 r. do 29 kwietnia 2019 r.) wszystkie osoby (i) w wieku powyżej 14 lat, (ii) które uzyskiwały dostęp do jakiejkolwiek usługi SLaM (gminy Lambeth, Southwark, Lewisham, Croydon), (iii) otrzymujące pierwszą pierwotną diagnozę wskaźnika ICD-10 jakiegokolwiek nieorganicznego, niepsychotycznego zaburzenia psychicznego (z wyjątkiem ostrych i przemijających zaburzeń psychotycznych; ATPD) lub oznaczenie CHR-P oraz (iv) z istniejącymi danymi kontaktowymi zostały uznane za kwalifikujące się. Podczas fazy in vivo nowi pacjenci, którzy co tydzień uzyskują dostęp do SLaM, byli automatycznie badani pod kątem ryzyka psychozy, a ci, u których ryzyko było większe niż określony próg, byli wykrywani. Następnie zespół badawczy skontaktował się z klinicystami odpowiedzialnymi za pacjentów, aby omówić dalsze zalecenia i ostatecznie zasugerować dalszą ocenę twarzą w twarz6. Jeśli osoby oceniane zostały uznane za spełniające kryteria CHR-P, były kierowane do specjalistycznych usług CHR-P, takich jak Outreach and Support in South London (OASIS)28. Skutkowałoby to lepszym wykrywaniem osób przed wystąpieniem zaburzenia psychotycznego i dałoby znaczącą szansę na zmianę przebiegu zaburzenia. Co najważniejsze, to studium wykonalności obejmowało pełną integrację kalkulatora z lokalnym systemem elektronicznej dokumentacji medycznej, co jest tematem niniejszego artykułu. Pełny protokół tego studium wykonalności, w tym przegląd planu oceny proponowanych badań, szczegóły dotyczące zarządzania bezpieczeństwem danych i kwestiami etycznymi, został przedstawiony w naszym poprzednim work6. Niniejszy artykuł, będący częścią studium wykonalności6, wybiórczo skupia się na przedstawieniu technicznej implementacji systemu wykrywania i ostrzegania o ryzyku psychozy w czasie rzeczywistym w oparciu o lokalne dane EHR. Mówiąc dokładniej, celem tego badania jest zbadanie technicznej wykonalności tego kalkulatora ryzyka w wykrywaniu zagrożonych pacjentów w odpowiednim czasie, gdy tylko uzyskają oni dostęp do dodatkowej usługi w zakresie zdrowia psychicznego. Pełne wyniki studium wykonalności, pod kątem przestrzegania przez klinicystów zaleceń zawartych w kalkulatorze ryzyka, zostaną przedstawione oddzielnie. Kompleksowa ocena skuteczności proponowanego badania, która wymaga randomizowanych projektów, wykracza poza zakres obecnego programu badawczego. Według naszej najlepszej wiedzy jest to pierwsza metoda opisująca implementację kalkulatora ryzyka opartego na danych EHR w czasie rzeczywistym do wczesnego wykrywania psychozy.

Nasze podejście do wykrywania i ostrzegania o ryzyku psychozy korzysta z platformy CogStack. Platforma CogStack to lekka, rozproszona i odporna na uszkodzenia platforma do wyszukiwania informacji i ekstrakcji tekstu24. Platforma ta składa się z trzech kluczowych komponentów: 1) potoku CogStack, który wykorzystuje platformę Java Spring Batch do pozyskiwania i synchronizowania danych ze wstępnie zdefiniowanego źródła danych (zarówno ustrukturyzowanych, jak i nieustrukturyzowanych danych EHR w wielu formatach, takich jak Word, pliki PDF i obrazy) do predefiniowanego ujścia danych w czasie rzeczywistym; 2) Elasticsearch, wyszukiwarka pozwalająca na przechowywanie i odpytywanie pełnego tekstu danych EHR, a także udostępniająca różne interfejsy programowania aplikacji (API) do osadzania zaawansowanych analiz w silniku; oraz 3) Kibana, interaktywny, internetowy interfejs użytkownika, który umożliwia użytkownikom wyszukiwanie danych w Elasticsearch, tworzenie pulpitów nawigacyjnych wizualizacji i ustawianie alertów o anomaliach lub innych wzorcach zainteresowania na podstawie danych. Co więcej, CogStack zawiera możliwość powiadamiania lekarzy o potencjalnych problemach za pośrednictwem poczty e-mail i SMS-a (SMS), dzięki czemu lekarze otrzymują na czas powiadomienia o zagrożonych pacjentach zgłaszanych przez kalkulator ryzyka.

Prezentujemy model wykrywania i ostrzegania o ryzyku psychozy oparty na ePJS w SLaM, wykorzystujący platformę CogStack. W porównaniu z platformą CRIS, która zapewnia mechanizm retrospektywnego dostępu do zanonimizowanej dokumentacji medycznej z ePJS w ujęciu tygodniowym19, platforma CogStack w SLaM umożliwia dostęp do identyfikowalnej elektronicznej dokumentacji medycznej w czasie rzeczywistym, przybliżając alerty do punktu opieki nad pacjentem i przewidywania ryzyka w projekcie prospektywnym, chociaż zarówno platformy CRIS, jak i CogStack wykorzystują dane pochodzące z ePJS w SLaM. W poniższej sekcji przedstawiamy szczegółowe informacje na temat kluczowych kroków w naszym podejściu, w tym przygotowania danych źródłowych z elektronicznej dokumentacji medycznej, pozyskiwania danych źródłowych do platformy CogStack w celu umożliwienia wyszukiwania pełnotekstowego za pośrednictwem usługi Elasticsearch, uruchamiania kalkulatora ryzyka psychozy przy użyciu wątku demona języka Python oraz ustawiania interaktywnych wizualizacji i alertów o ryzyku w czasie rzeczywistym za pośrednictwem interfejsu użytkownika usługi Kibana. Każdy badacz, który dąży do zbudowania systemu wykrywania i ostrzegania o ryzyku w czasie rzeczywistym w oparciu o dane EHR, może zastosować to podejście i jego implementację referencyjną. Jak omówimy poniżej, proponowana metoda wykorzystuje lekkie techniki o otwartym kodzie źródłowym o wysokiej elastyczności i przenośności. Dzięki temu kalkulator ryzyka może być uruchamiany w różnych lokalizacjach i wykazuje dużą przydatność do innych algorytmów szacowania ryzyka. Co więcej, metoda ta działa jako proste podejście do zwiększenia funkcji wykrywania ryzyka i ostrzegania w elektronicznej dokumentacji medycznej wbudowanej w ogólny system opieki zdrowotnej.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To badanie zostało zatwierdzone przez East of England - Cambridgeshire and Hertfordshire Research Ethics Committee (Numer referencyjny: 18/EE/0066).

UWAGA: Opracowaliśmy ten protokół w oparciu o platformę CogStack i język programowania Python. Ten system wymaga Dockera (a dokładniej Docker Compose https://docs.docker.com/compose/), Anaconda Python (https://www.anaconda.com/distribution/) i Git (https://git-scm.com/downloads) wstępnie zainstalowane na urządzeniu. Polecenia zawarte w tym protokole są oparte na środowisku Linux. Poniżej przedstawiono szczegółowe informacje na temat przygotowywania danych źródłowych z bazy danych EHR, pozyskiwania danych do platformy CogStack oraz konfigurowania systemu obliczania ryzyka i ostrzegania w czasie rzeczywistym dla psychozy w oparciu o platformę CogStack. Ponadto opracowano internetową wersję kalkulatora ryzyka, aby ułatwić numeryczne obliczanie prawdopodobieństwa wystąpienia psychozy u danej osoby w podstawowej opiece psychiatrycznej na http://www.psychosis-risk.net.

1. Przygotowanie danych źródłowych

UWAGA: W większości przypadków CogStack pobiera dane źródłowe z określonego widoku bazy danych, który może łączyć dane z jednej lub więcej tabel źródłowej bazy danych, gdzie widok jest przeszukiwalnym obiektem w bazie danych, który zawiera zestaw wyników przechowywanego zapytania dotyczącego danych. Konfiguracja widoku pozyskiwania jest dostosowywana przez określone przypadki użycia i ustawienia wdrażania systemu bazy danych rekordów kondycji. Protokół ten został opracowany w oparciu o kalkulator ryzyka psychozy opracowany i dwukrotnie zewnętrznie zweryfikowany przez Fusar-Poli et al.14,21 oraz w ramach studium wykonalności wdrożenia pilotażowego6. Protokół jest oparty na bazie danych EHR wdrożonej z programem Microsoft SQL Server 2014.

  1. Utwórz obiekt widoku (nazwany w tym protokole "vwPsychosisBase") w istniejącym systemie bazy danych EHR, aby połączyć niezbędne informacje o pacjentach do obliczania ryzyka psychozy i ostrzegania. Upewnij się, że ten widok obejmuje wszystkich pacjentów, u których po raz pierwszy zdiagnozowano pierwotne zaburzenie psychiczne o charakterze nieorganicznym i niepsychotycznym (zarejestrowane przez Międzynarodową Statystyczną Klasyfikację Chorób i Pokrewnych Problemów Zdrowotnych, Dziesiąta Rewizja [ICD-10]), zgodnie z definicją w oryginalnym modelu14,21.
  2. Upewnij się, że każdy rekord w widoku obejmuje trzy rodzaje informacji o pacjencie: 1) pierwszą pierwotną diagnozę pacjenta w systemie EHR, w tym indeks diagnostyczny ICD-10 (diagnozy zostały zgrupowane w następujących dziesięciu klastrach: ostre i przemijające zaburzenia psychotyczne, zaburzenia lękowe, zaburzenia afektywne dwubiegunowe, zaburzenia początkowe w dzieciństwie i młodości, zaburzenia rozwojowe, zaburzenia nastroju niedwubiegunowe, upośledzenie umysłowe, zaburzenia osobowości, zespoły fizjologiczne, zaburzenia związane z używaniem substancji psychoaktywnych) i data diagnozy; 2) dane demograficzne pacjenta, w tym płeć, pochodzenie etniczne i datę urodzenia; oraz 3) najnowsze dane kontaktowe zespołu opiekuńczego pacjenta, takie jak dane lekarza pierwszego kontaktu, konsultantów i koordynatorów opieki. Pierwsze dwa rodzaje informacji są niezbędne dla kalkulatora ryzyka psychozy14,21, a trzeci rodzaj informacji umożliwia szybkie ostrzeganie o ryzyku.
  3. Upewnij się, że każdy rekord w widoku ma unikatowy identyfikator (np. "patient_id" używany w tym protokole).
  4. Wybierz sygnatury czasowe ostatniej aktualizacji wszystkich informacji źródłowych związanych z rekordem w widoku (np. godziny ostatniej aktualizacji informacji demograficznych pacjenta i informacje o pierwszej podstawowej diagnozie pacjenta), a następnie wybierz najnowszy znacznik czasu jako datę i godzinę ostatniej aktualizacji rekordu w widoku (oznaczoną jako "etl_updated_dttm" w niniejszym Protokole). Data i godzina ostatniej aktualizacji rekordu umożliwia CogStack synchronizację aktualizacji w bazie danych, takich jak nowe i zaktualizowane rekordy.

2. Pozyskiwanie danych

  1. Pobierz lub sklonuj repozytorium kodu z Github (https://github.com/cogstack-slam/psychosis) lub wpisując "git clone https://github.com/cogstack-slam/psychosis.git" w oknie terminala. Pobrany folder zawiera kod do obliczania ryzyka psychozy oraz pliki konfiguracyjne do wdrożenia instancji CogStack.
  2. Przejdź do katalogu "cogstack_deploy/cogstack/" i zmodyfikuj "psychosis.properties", aby skonfigurować potok CogStack do pozyskiwania danych. Zmodyfikuj ustawienia sekcji "ŹRÓDŁO: KONFIGURACJE DB" w oparciu o konfigurację bazy danych EHR, w tym określając adres IP serwera bazy danych, nazwę bazy danych, nazwę użytkownika bazy danych i hasło. W razie potrzeby zmodyfikuj nazwę widoku (np. "vwPsychosisBase") i nazwy pól (np. "patient_id" i "etl_updated_dttm"). W przypadku błędu podczas konfiguracji tego pliku postępuj zgodnie z instrukcjami pod adresem https://cogstack.atlassian.net/wiki/spaces/COGDOC/pages/38043684/Quickstart.
  3. Przejdź do katalogu "cogstack_deploy/common/elasticsearch/config/" i zmodyfikuj sekcję "xpack.notification.email.account" w pliku "elasticsearch.yml", aby skonfigurować adres e-mail do wysyłania alertów. Szczegółową instrukcję konfiguracji poczty e-mail można znaleźć na stronie https://www.elastic.co/guide/en/kibana/6.4/watcher-create-threshold-alert.html.
  4. Przejdź do katalogu "cogstack_deploy/" i wpisz "docker-compose up", aby uruchomić platformę CogStack. Wykonaj to polecenie z dostępem roota. Jeśli proces zakończy się pomyślnie, w terminalu zostaną wydrukowane dzienniki stanu aktualnie uruchomionych usług, w tym CogStack Pipeline, Elasticsearch i Kibana. W związku z tym wszystkie dane i aktualizacje w widoku źródłowej bazy danych zostaną w odpowiednim czasie pozyskane do indeksu Elasticsearch o nazwie "psychosis_base" na platformie CogStack.
  5. Otwórz przeglądarkę internetową i uzyskaj dostęp do interfejsu użytkownika Kibana, wpisując "http://localhost:5601/" (lub zastępując "localhost" określonym adresem IP serwera z uruchomioną platformą CogStack). Po raz pierwszy uzyskując dostęp do narzędzia Kibana, kliknij kartę Zarządzanie i kartę Wzorce indeksu, aby określić indeks Elasticsearch, do którego chcesz uzyskać dostęp za pomocą narzędzia Kinaba. Wpisz "psychosis_base" w polu "Wzorzec indeksu" i kliknij Następny krok. Wybierz "etl_updated_dttm" jako nazwę pola "Filtr czasu" i kliknij Utwórz wzorzec indeksu, aby dodać wzorzec indeksu "psychosis_base" dla Kinana.
  6. Po połączeniu Kibana z indeksem Elasticsearch (tj. "psychosis_base"), wyszukaj i przeglądaj dane źródłowe interaktywnie za pośrednictwem strony "Odkryj". Kibana umożliwia użytkownikom nietechnicznym wyszukiwanie zarówno ustrukturyzowanych metadanych, jak i dowolnego tekstu. Szczegółowe instrukcje dotyczące korzystania z "Discover" są dostępne na stronie https://www.elastic.co/guide/en/kibana/6.4/discover.html.

3. Kalkulacja ryzyka

  1. Otwórz nowe okno terminala i przejdź do katalogu "psychosis/". Zainstaluj wszystkie wymagane pakiety Pythona (w tym "elasticsearch", "elasticsearch_dsl", "pandas" i "numpy") używane w kalkulatorze ryzyka, wpisując "conda install nazwa-pakietu" lub "install nazwa-pakietu" w terminalu.
  2. Wpisz "python risk_calculator.py", aby uruchomić kalkulator ryzyka psychozy. Jeśli proces zakończy się pomyślnie, dzienniki kalkulacji ryzyka zostaną wydrukowane w terminalu, a wyniki ryzyka zostaną zapisane w nowym indeksie Elasticsearch o nazwie "psychosis_risk" na platformie CogStack.
  3. Sprawdź wyniki ryzyka przy użyciu interfejsu Kibana. Podobnie jak w krokach 2.5 i 2.6, dodaj nowy wzorzec indeksu "psychosis_risk", aby połączyć Kinbana z indeksem "psychosis_risk" i zbadaj wyniki ryzyka za pośrednictwem strony "Odkryj". Aby ułatwić identyfikację nowych pacjentów z grupy ryzyka, użyj pola "first_primary_diagnosis_date" jako pola "Filtr czasu" podczas tworzenia indeksu "psychosis_risk". Podczas eksplorowania danych na stronie "Odnajdywanie" upewnij się, że wybrano wzorzec indeksu "psychosis_risk".

4. Wizualizacja danych

  1. Oprócz wyszukiwania i uzyskiwania dostępu do informacji na poziomie indywidualnym za pośrednictwem strony "Odkryj" w Kibanie, można tworzyć wizualizacje i pulpity nawigacyjne, aby uzyskać przegląd cech dla całej populacji pacjentów z grupy ryzyka. Aby to zrobić, kliknij pozycję Wizualizuj w bocznym panelu nawigacyjnym narzędzia Kibana. Następnie kliknij przycisk Utwórz nową wizualizację i wybierz typ wizualizacji (np. wykres kołowy i liniowy). Wybierz "psychosis_risk" jako indeks, który chcesz zwizualizować za pomocą narzędzia Kibana. Domyślnie wizualizacje będą zawierać wszystkie rekordy/pacjentów w indeksie "psychosis_risk". Szczegółowe instrukcje budowania wizualizacji Kibana dostępne są na stronie https://www.elastic.co/guide/en/kibana/6.4/visualize.html.
  2. Aby wybrać określony podzbiór danych do wizualizacji, dodaj "filtr". Na przykład wybranie filtra jako "h_2_year", wybranie operatora jako "nie jest pomiędzy" i ustawienie wartości od "0,0" do "0,05" obejmie tylko pacjentów, u których ryzyko psychozy w ciągu 2 lat jest wyższe niż 0,05.
  3. Po utworzeniu poszczególnych wizualizacji kliknij pozycję Pulpit nawigacyjny w bocznym obszarze nawigacji narzędzia Kibana, aby utworzyć pulpit nawigacyjny, który wyświetla razem zestaw powiązanych wizualizacji. Kliknij Utwórz nowy pulpit nawigacyjny i przycisk Dodaj, aby utworzyć nowy panel pulpitu nawigacyjnego. Kliknij wizualizacje, które chcesz wyświetlić w nowym panelu pulpitu nawigacyjnego. Kliknij przycisk Zapisz i wpisz tytuł, aby zapisać panel. Instrukcje dotyczące tworzenia pulpitów nawigacyjnych Kibana są dostępne pod adresem https://www.elastic.co/guide/en/kibana/6.4/dashboard.html.

5. Ostrzeganie o ryzyku

  1. Kliknij pozycję Zarządzanie w bocznym pasku nawigacyjnym narzędzia Kibana, a następnie kliknij pozycję Obserwator w obszarze Elasticsearch, aby utworzyć alerty dla lekarzy, gdy pacjenci byli zagrożeni psychozą. Jeśli przycisk Obserwator nie jest widoczny, kliknij Zarządzanie licencjami, a następnie kliknij Rozpocznij wersję próbną lub Aktualizuj licencję.
  2. Kliknij Utwórz zaawansowany zegarek, aby skonfigurować nowego obserwatora. Wpisz "ID" i "Nazwa". Usuń zawartość sekcji "Watch JSON" i skopiuj zawartość z pliku "watcher.json" w katalogu "psychosis" do sekcji "Watch JSON". Ten obserwator wyśle wiadomość e-mail z ostrzeżeniem na adres "clinician@nhs.uk" (który można zastąpić adresem e-mail, na który chce się wysyłać alerty) z "username@nhs.uk" (który został ustawiony w kroku 2.3), jeśli jest jeden lub więcej pacjentów, u których ryzyko psychozy w ciągu 2 lat jest wyższe niż 0,05 (wstępny próg dla testów wykonalności) co 24 godziny.
  3. Przed zapisaniem obserwatora kliknij przycisk Symuluj, aby przetestować wykonanie obserwatora. Jeśli obserwator zostanie pomyślnie ustawiony, zostanie wydrukowany wynik symulacji. W przypadku błędu w ustawieniach postępuj zgodnie z instrukcjami na https://www.elastic.co/guide/en/elastic-stack-overview/6.4/watcher-getting-started.html.
  4. Aby zatrzymać obserwatora, usuń go na stałe lub tymczasowo dezaktywuj na stronie "Status" obserwatora.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W tej sekcji prezentujemy wyniki implementacji, koncentrując się na praktyczności w obsłudze strumieni danych klinicznych na żywo opracowanych za pomocą kalkulatora ryzyka i ułatwiając terminowe dostarczanie wyników prognostycznych do klinicystów. Oceny przydatności klinicznej systemu, takie jak przestrzeganie przez klinicystów zaleceń zawartych w kalkulatorze ryzyka, zostaną przedstawione w osobnym raporcie po zakończeniu.

Pozyskiwanie danych źródłowych
Wdrożyliśmy system kalkulacji i ostrzegania o ryzyku psychozy oparty na repliki bazy danych ePJS w SLaM. Ta replika bazy danych synchronizuje dane na żywo z ePJS co 10 minut. W tej replice bazy danych zbudowano widok bazy danych łączący informacje o pacjentach w celu obliczenia ryzyka psychozy, w której każdy rekord zawiera informacje dotyczące pacjenta. Wszystkie rekordy w tym widoku zostały pozyskane do platformy CogStack w czasie rzeczywistym (około 0,6 mikrosekundy na rekord na maszynie wirtualnej z 8-rdzeniowym procesorem CPU i 16 GB pamięci RAM). Do 13 lipca 2019 r., kiedy ten manuskrypt został przygotowany, wszystkie rekordy 202 289 pacjentów, którzy otrzymali pierwszą diagnozę indeksową nieorganicznego i niepsychotycznego zaburzenia psychicznego w SLaM, zostały wprowadzone do CogStack w celu obliczenia ryzyka psychozy, przechowywane w indeksie Elasticsearch "psychosis_base". Rysunek 1 pokazuje liczbę rekordów pobranych do CogStack w czasie, w porządku chronologicznym opartym na dacie ostatniej aktualizacji rekordu. Porównując liczby i zawartość rekordów w bazie danych oraz indeks Elasticsearch, nie znaleziono żadnych brakujących i rozbieżnych danych, co potwierdza niezawodność CogStack Pipeline w pozyskiwaniu i synchronizacji danych.

Walidacja wyników ryzyka
Aby zweryfikować implementację detektora ryzyka psychozy w tym protokole, porównaliśmy pacjentów z grupy ryzyka wykrytych przez CogStack (zwaną "wersją CogStack") z tymi wykrytymi przez oryginalny kalkulator ryzyka oparty na CRIS (zwany "wersją CRIS"). Ponieważ nie opracowano żadnych progów do badania przesiewowego pacjenta z grupy ryzyka6,14,21, użyliśmy tutaj wstępnego progu 5% dla ryzyka psychozy w ciągu dwóch lat. Należy zauważyć, że ten wstępny próg ma na celu jedynie sprawdzenie, czy system może pragmatycznie działać w NHS i czy jest podatny na zmiany w przyszłych badaniach. Rzeczywisty próg optymalnego wykrywania osób zagrożonych będzie musiał zostać określony w przyszłych badaniach na dużą skalę. W szczególności najpierw pobraliśmy wszystkich pacjentów, u których ryzyko wystąpienia psychozy przekraczało próg w wersji CRIS (liczba pacjentów N=169). Wszyscy ci pacjenci otrzymali pierwsze rozpoznanie indeksowe nieorganicznego i niepsychotycznego zaburzenia psychicznego w SLaM w okresie od 14 maja 2018 r. do 29 kwietnia 2019 r. Filtrując pacjentów, którzy zostali zdiagnozowani w tym samym okresie, uzyskaliśmy N=170 pacjentów, u których ryzyko psychozy w ciągu 2 lat było wyższe niż 0,05 w wersji CogStack. Na koniec porównaliśmy różnicę między dwoma zestawami pacjentów, gdzie całkowita liczba unikalnych pacjentów w obu zestawach wynosi N = 173. Okazało się, że 161 pacjentów (co stanowi 93% ze 173 pacjentów) miało takie same wyniki w obu wersjach. Wysoki stopień zgodności potwierdza ważność tego protokołu opartego na CogStack w generowaniu ocen ryzyka.

Było 12 pacjentów o różnych ocenach ryzyka w dwóch wersjach. Sprawdzając EHR pacjentów, stwierdziliśmy, że różnica ta wynikała z tego, że dane dla tych pacjentów były aktualizowane po obliczeniu ocen ryzyka w wersji CRIS. W szczególności, chociaż predyktory używane w kalkulatorze ryzyka, takie jak data urodzenia, płeć i przypisanie do siebie pochodzenia etnicznego, były zmiennymi statycznymi, w dokumentacji medycznej niektórych pacjentów brakowało lub domyślna wartość zmiennej (np. nieznanego pochodzenia etnicznego) na wcześniejszym etapie, a zmienne te były wprowadzane lub aktualizowane na późniejszym etapie. Może to prowadzić do różnych ocen ryzyka na dwóch różnych etapach. Podobnie, pierwsze pierwszorzędowe diagnozy indeksowe niektórych pacjentów zostały unieważnione po obliczeniu początkowej oceny ryzyka na podstawie tych diagnoz. W takim przypadku kalkulator ryzyka poszuka następnej prawidłowej diagnozy pierwotnej dla takiego pacjenta i ponownie obliczy ocenę ryzyka. Zaktualizowana ocena ryzyka może również różnić się od początkowej. Ponieważ oryginalny kalkulator ryzyka został opracowany na podstawie danych retrospektywnych w CRIS do celów badawczych, pierwotne potoki kalkulatora nie synchronizowały tych aktualizacji w danych EHR i nie odświeżały ocen ryzyka w odpowiednim czasie. W przeciwieństwie do tego, ocena ryzyka pacjenta zostanie ponownie obliczona w wersji CogStack, jeśli jakiekolwiek dane źródłowe pacjenta zostaną zaktualizowane, co pozwala temu kalkulatorowi opartemu na CogStack zapewnić najbardziej wiarygodne i aktualne oceny ryzyka dla pacjentów. Wyniki te zdecydowanie podkreślają wiarygodność ocen ryzyka w tym protokole.

Wizualizacja wyników i ostrzeganie o ryzyku
Aby zademonstrować możliwości CogStack w wizualizacji danych, zbudowaliśmy pulpit nawigacyjny z informacjami o pacjentach zagrożonych psychozą. Tak jak wcześniej używaliśmy do testów wykonalności, wybraliśmy tych, u których ryzyko wystąpienia psychozy w ciągu dwóch lat jest wyższe niż 5% jako pacjenci zagrożeni. Rysunek 2 pokazuje wizualizacje cech pacjentów zagrożonych psychozą, w tym pochodzenie etniczne pacjentów, płeć, wiek i kategorie diagnoz. Oprócz wizualizacji wyników ryzyka za pośrednictwem interfejsów internetowych (np. Kibana), protokół ten umożliwia wysyłanie alertów o ryzyku do użytkowników lub klinicystów za pośrednictwem innych kanałów powiadomień, takich jak poczta e-mail. Rysunek 3 pokazuje interfejs do ustawiania usługi ostrzegania o ryzyku za pomocą komponentu Watch w Kibanie. Po pomyślnym skonfigurowaniu tej usługi użytkownicy mogą otrzymać powiadomienie e-mail, jeśli był jeden lub więcej pacjentów, u których ryzyko psychozy w ciągu dwóch lat jest wyższe niż 5%. Rysunek 4 pokazuje przykład tych powiadomień e-mail, które informują o liczbie zagrożonych pacjentów i dzielnicach tych pacjentów. Ze względu na to, że potrzebne są dalsze prace, aby dostosować sposób przekazywania przewidywanych ocen ryzyka psychozy, nie wysyłaliśmy powiadomień o ryzyku bezpośrednio do klinicystów. W celu przetestowania wykonalności technologicznej wszystkie powiadomienia w tym badaniu zostały wysłane przez badacza technicznego (T.W.) do badacza klinicznego (D.O.) za pośrednictwem systemu poczty elektronicznej SLaM w bezpiecznej sieci. W zgłoszeniu uwzględniono jedynie zagregowane dane statystyczne dotyczące pacjentów; Nie podano żadnych danych osobowych.

figure-results-1
Rysunek 1: Dane źródłowe pozyskane do CogStack. Do 13 lipca 2019 r. do indeksu Elasticsearch "psychosis_base" pozyskano łącznie 202 289 rekordów, a histogram przedstawia liczbę rekordów pozyskanych w czasie, uporządkowaną według czasu ostatniej aktualizacji danych rekordu. Można również wyszukiwać zarówno informacje ustrukturyzowane, jak i nieustrukturyzowane, a także uzyskiwać trafienia wyszukiwania pasujące do zapytania na tej stronie. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rycina 2: Tablica charakterystyki pacjentów zagrożonych psychozą (tj. ryzyko psychozy w ciągu 2 lat wyższe niż 0,05). (a) Rozkład pochodzenia etnicznego dla pacjentów z grupy ryzyka, gdzie zewnętrzne ciasta są podkategoriami kategorii pochodzenia etnicznego w wewnętrznych ciastach. b) rozkład płci pacjentów, c) rozkład wieku pacjentów w momencie rozpoznania oraz d) liczba pacjentów w grupie diagnozy. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-3
Rysunek 3: Ustawianie i symulowanie alertów o ryzyku. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-4
Rysunek 4: Przykład wiadomości e-mail z alertami o ryzyku. W nawiasach podano liczbę pacjentów zagrożonych psychozą w każdej Grupie Klinicznej Zamawiającej (CCG). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zademonstrowaliśmy pierwszą implementację EHR systemu wykrywania i ostrzegania o ryzyku psychozy w czasie rzeczywistym opartego na CogStack, platformie wyszukiwania i ekstrakcji informacji typu open source. Postępując zgodnie z tym podejściem, można przekształcić i pozyskać duży zestaw danych klinicznych w różnych formatach, w tym informacje ustrukturyzowane i nieustrukturyzowane, do instancji CogStack, aby umożliwić wyszukiwanie pełnotekstowe, interaktywne analizy i wizualizację danych, a także ostrzeganie w czasie rzeczywistym lekarzy o pacjentach zagrożonych psychozą. Chociaż oryginalny kalkulator ryzyka psychozy został zweryfikowany w badaniach pilotażowych w kilku NHS Trusts, aczkolwiek przy użyciu retrospektywnych danych pacjentów 6,14,21, ten eksperymentalny projekt stanowi pierwszą bazę dowodową, że ten kalkulator ryzyka może być powielany i wdrażany do użytku w czasie rzeczywistym. Takie podejście umożliwia automatyczne dostarczanie wyników prognostycznych do klinicystów za pośrednictwem istniejących kanałów powiadomień klinicznych, takich jak poczta elektroniczna, w czasie rzeczywistym. To wyraźnie pokazuje techniczną wykonalność przeprowadzenia badania skuteczności na dużą skalę w celu oceny ostatecznej użyteczności klinicznej tego kalkulatora ryzyka w świecie rzeczywistym.

Protokół ten jest empirycznie innowacyjny, ponieważ nie istnieje podobny system wykrywania i ostrzegania o ryzyku psychozy. Co więcej, protokół ten ma dużą możliwość uogólnienia w zastosowaniach klinicznych, szczególnie ze względu na unikalne mocne strony naszego podejścia. Z teoretycznego punktu widzenia wykorzystaliśmy model przewidywania ryzyka, który został opracowany w oparciu o dużą retrospektywną kohortę pozbawioną identyfikacji z SLaM NHS Trust. SLaM zapewnia wtórną opiekę w zakresie zdrowia psychicznego populacji 1,36 miliona osób w południowym Londynie i ma jeden z najwyższych zarejestrowanych wskaźników psychozy na świecie. Ta duża kohorta, która charakteryzuje się dużą różnorodnością cech socjodemograficznych i diagnostycznych, pozwala nam opracować model przewidywania ryzyka, który prawdopodobnie nie będzie stronniczy w stosunku do populacji o określonych cechach. Jest to poparte dowodami na to, że dokładność prognostyczna tego kalkulatora ryzyka została już dwukrotnie powtórzona w dwóch różnych bazach danych14,21, w tym jednej poza SLaM. Kolejną teoretyczną zaletą tego modelu ryzyka jest to, że jako predyktory wykorzystano podstawowe informacje demograficzne i diagnozę kliniczną. Takie informacje są wszechobecne w elektronicznych danych klinicznych i w rzeczywistości wykazano, że brakujące dane dla tych predyktorów są stosunkowo rzadkie w naszych poprzednich badaniach14,21. Wysoka dostępność informacji na potrzeby tworzenia predyktorów umożliwia przeprowadzenie kalkulatora ryzyka na dużej liczbie próbek pacjentów w różnych sektorach wtórnej opieki psychiatrycznej. Ponadto kalkulator ryzyka jest ogólnym algorytmem, który jest odpowiedni dla wszystkich osób zagrożonych rozwojem psychozy w ramach wtórnej opieki psychiatrycznej, niezależnie od wieku. Oznacza to, że ten kalkulator jest odpowiedni nie tylko dla przedziału wiekowego 15-35 lat szczytowego ryzyka psychozy16, ale także dla osób spoza tego przedziału, wykazując wysoki stopień uogólnienia.

Z praktycznego punktu widzenia zarówno kalkulator ryzyka, jak i platforma CogStack są lekkimi usługami typu open source, które nie wymagają technik wymagających dużej ilości zasobów ani kosztownej infrastruktury. Taka tania i łatwa do wdrożenia platforma może zmniejszyć bariery w jej przyjęciu w rzeczywistych warunkach klinicznych. Ponadto nasze rozwiązanie pokonuje główną barierę wdrożeniową: systemy szacowania ryzyka zapewniają niewielką wartość, chyba że są używane przez klinicystów w codziennej praktyce25. W szczególności nasze podejście uzyskuje dostęp do danych z elektronicznej dokumentacji medycznej, przeprowadza analizy niezależnie od systemu elektronicznej dokumentacji medycznej i może przesyłać wyniki analiz z powrotem do lekarzy za pośrednictwem istniejących kanałów powiadomień. Ta metoda nie wymaga modyfikacji logiki biznesowej w istniejących systemach i może działać jako samodzielna usługa wspierająca i rozszerzająca istniejące systemy wspomagania decyzji klinicznych. Dzięki temu protokół ma wysoką kompatybilność z istniejącymi wcześniej systemami klinicznymi i może być łatwo zintegrowany z rutynową praktyką kliniczną. Co więcej, protokół zapewnia przyjazne dla użytkownika interfejsy do wyszukiwania, analizowania i wizualizacji danych klinicznych, które ułatwiają lekarzom interpretację i badanie wyników ryzyka.

Ten protokół ma również swoje ograniczenia. Po pierwsze, skuteczność tego protokołu nie została oceniona w rutynowej praktyce klinicznej. Badanie to koncentrowało się na technicznych testach wykonalności wdrożenia systemu wykrywania i ostrzegania o ryzyku psychozy w czasie rzeczywistym w lokalnej elektronicznej dokumentacji medycznej. Aby dokładniej ocenić skuteczność tego systemu w rutynowej praktyce klinicznej, potrzebne są przyszłe randomizowane badania kontrolowane na dużą skalę6. Drugim ograniczeniem jest to, że przewidywania ocen ryzyka w tym protokole zostały wykonane na podstawie pierwszych diagnoz pierwotnych, które są danymi statycznymi zebranymi w jednej migawce. Jednak objawy CHR-P z natury ewoluują w czasie. Niedawno opracowano dynamiczną wersję kalkulatora ryzyka psychozy, w której modele predykcyjne mogą być dynamicznie aktualizowane w celu odzwierciedlenia zmian. Przyszłe prace będą koncentrować się na integracji tego dynamicznego kalkulatora z obecnym protokołem.

Najważniejszym krokiem w tym podejściu było zidentyfikowanie danych EHR, które zostały wykorzystane do wyodrębnienia predyktorów w kalkulatorze ryzyka. Może to również obejmować tworzenie mapowań elementów danych, gdy system elektronicznej dokumentacji medycznej wykorzystywał model danych inny niż ten używany w tym protokole, na przykład odrębne systemy kodowania dla grup etnicznych pacjentów. Udostępniliśmy cały kod źródłowy i definicje mapowania online (https://github.com/cogstack-slam/psychosis). Na podstawie tych materiałów można by odtworzyć rozmieszczenie lub dostosować kalkulator w zależności od własnych okoliczności. Kolejnym krytycznym krokiem było utworzenie widoku bazy danych do pozyskiwania danych w CogStack. Ponieważ operacje sprzężenia relacyjnego (tj. łączenie kolumn z co najmniej jednej tabeli bazy danych) w Elasticsearch mogą prowadzić do wysokich kosztów obliczeniowych, przeprowadziliśmy te operacje sprzężenia w bazie danych EHR, tworząc widok bazy danych. W tym widoku połączono wszystkie informacje potrzebne do wyodrębnienia predyktorów w kalkulatorze ryzyka oraz dwa kluczowe pola, które były używane przez potoki CogStack do partycjonowania danych podczas pozyskiwania danych. Pierwsze pole jest unikatowym kluczem podstawowym dla każdego rekordu w widoku ("patient_id" użył tego protokołu), a drugie jest sygnaturą czasową, kiedy rekord został ostatnio zmodyfikowany. Jeśli te dwa pola nie zostały ustawione prawidłowo, CogStack może nie synchronizować aktualizacji danych w bazie danych EHR w odpowiednim czasie. Szczegółowe instrukcje dotyczące rozwiązywania problemów z pozyskiwaniem danych CogStack są dostępne w https://cogstack.atlassian.net/wiki/spaces/COGDOC/overview i https://github.com/CogStack/CogStack-Pipeline.

Protokół ten jest wysoce przenośny i może być łatwo wdrożony w NHS Trusts, które mają platformę CRIS lub CogStack. Do tej pory platforma CRIS – w tym procedury wyrażania zgody – została w pełni opisana w innym miejscu i jest obecnie rozwijana w 12 NHS Trusts w Wielkiej Brytanii, wykorzystując ponad 2 miliony zanonimizowanych rekordów pacjentów (https://crisnetwork.co/). Podobnie, platforma CogStack została wdrożona nie tylko w SLaM, ale także w innych funduszach NHS w całej Wielkiej Brytanii, takich jak University College London Hospitals (UCLH), King's College Hospital (KCH), Guy's and St Thomas' (GSTT) oraz Mersey Care NHS Trusts. Fundusze powiernicze, które nie mają takiej platformy, mogą korzystać z internetowej wersji kalkulatora ryzyka (http://psychosis-risk.net) lub zbudować ten protokół od podstaw w oparciu o ten rękopis i nasze dokumenty online. Chociaż protokół ten został opracowany do wykrywania ryzyka psychozy, projekt architektoniczny tego protokołu nie jest powiązany z tym konkretnym przypadkiem użycia. Protokół jest na tyle elastyczny, że pozwala na rekonfigurację i zmianę przeznaczenia komponentów monitorowania i ostrzegania w czasie rzeczywistym dla innych obszarów pomiaru ryzyka, takich jak niepożądane reakcje na leki, umożliwiając w ten sposób lekarzom podjęcie w odpowiednim czasie działań w celu poprawy opieki nad pacjentem, bezpieczeństwa i doświadczenia.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają nic do ujawnienia.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To badanie jest finansowane i jest bezpośrednim wynikiem nagrody King's College London Confidence in Concept przyznanej przez Radę Badań Medycznych (MRC) (MC_PC_16048) dla PFP. RD i AR były wspierane przez: (a) Maudsley Charity; b) Centrum Badań Biomedycznych Narodowego Instytutu Badań nad Zdrowiem (NIHR) w południowym Londynie oraz Maudsley NHS Foundation Trust i King's College London; c) Health Data Research UK, które jest finansowane przez Brytyjską Radę ds. Badań Medycznych, Radę ds. Badań Inżynieryjnych i Fizycznych, Radę ds. Badań Ekonomicznych i Społecznych, Departament Zdrowia i Opieki Społecznej (Anglia), Biuro Głównego Naukowca Dyrekcji ds. Zdrowia i Opieki Społecznej Rządu Szkocji, Wydział Badań i Rozwoju Zdrowia i Opieki Społecznej (rząd walijski), Agencję Zdrowia Publicznego (Irlandia Północna), British Heart Foundation i Wellcome Trust; d) Konsorcjum BigData@Heart, finansowane przez Wspólne Przedsięwzięcie na rzecz Inicjatywy w zakresie Leków Innowacyjnych-2 na podstawie umowy o udzielenie dotacji nr 116074. Niniejsze wspólne przedsięwzięcie otrzymuje wsparcie z programu Unii Europejskiej w zakresie badań naukowych i innowacji "Horyzont 2020" oraz EFPIA; przewodniczą mu DE Grobbee i SD Anker, współpracując z 20 partnerami akademickimi i przemysłowymi oraz ESC; oraz e) Narodowy Instytut Badań nad Zdrowiem, University College London Hospitals, Centrum Badań Biomedycznych. Te organy finansujące nie odgrywały żadnej roli w opracowywaniu badania, gromadzeniu danych i analizach. Wyrażone poglądy są poglądami autora (autorów), a niekoniecznie poglądami NHS, NIHR lub Departamentu Zdrowia.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
CogStack-PipelineKing's College London Oprogramowanieopen source
ElasticsearchElastic NVOpen Source Search & Analytics
KibanaElastic NVWtyczka do wizualizacji danych typu open source dla
pakietów Elasticsearch Python ("elasticsearch", "elasticsearch_dsl", "pandas" i "numpy")SpołecznośćPakiety open source
open source

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lieberman, J. A., First, M. B. Psychotic Disorders. New England Journal of Medicine. 379 (3), 270-280 (2018).
  2. Oh, H., Koyanagi, A., Kelleher, I., DeVylder, J. Psychotic experiences and disability: findings from the collaborative psychiatric epidemiology surveys. Schizophrenia Research. 193, 343-347 (2018).
  3. Tsiachristas, A., Thomas, T., Leal, J., Lennox, B. R. Economic impact of early intervention in psychosis services: results from a longitudinal retrospective controlled study in England. BMJ Open. 6 (10), e012611(2016).
  4. Fusar-Poli, P., McGorry, P. D., Kane, J. M. Improving outcomes of first-episode psychosis: an overview. World Psychiatry. 16 (3), 251-265 (2017).
  5. Fusar-Poli, P. The clinical high-risk state for psychosis (CHR-P), version II. Schizophrenia Bulletin. 43 (1), 44-47 (2017).
  6. Fusar-Poli, P., et al. Real-world Implementation of a Transdiagnostic Risk Calculator for the Automatic Detection of Individuals at-risk of Psychosis in Clinical Routine: Study Protocol. Frontiers in Psychiatry. 10, 109(2019).
  7. Fusar-Poli, P., et al. Disorder, not just state of risk: meta-analysis of functioning and quality of life in people at high risk of psychosis. British Journal of Psychiatry. 207 (3), 198-206 (2015).
  8. Fusar-Poli, P., et al. Heterogeneity of psychosis risk within individuals at clinical high risk: a meta-analytical stratification. JAMA Psychiatry. 73 (2), 113-120 (2016).
  9. Fusar-Poli, P., et al. Diagnostic and prognostic significance of brief limited intermittent psychotic symptoms (BLIPS) in individuals at ultra high risk. Schizophrenia Bulletin. 43 (1), 48-56 (2016).
  10. Fusar-Poli, P., et al. Prognosis of brief psychotic episodes: a meta-analysis. JAMA Psychiatry. 73 (3), 211-220 (2016).
  11. Fusar-Poli, P., Sullivan, S., Shah, J., Uhlhaas, P. Improving the detection of individuals at clinical risk for psychosis in the community, primary and secondary care: an integrated evidence-based approach. Frontiers in Psychiatry. 10, 774(2019).
  12. Fusar-Poli, P. Extending the benefits of indicated prevention to improve outcomes of first-episode psychosis. JAMA Psychiatry. 74 (7), 667-668 (2017).
  13. Fusar-Poli, P., et al. Transdiagnostic psychiatry: a systematic review. World Psychiatry. 18 (2), 192-207 (2019).
  14. Fusar-Poli, P., et al. Development and validation of a clinically based risk calculator for the transdiagnostic prediction of psychosis. JAMA Psychiatry. , (2017).
  15. Fusar-Poli, P., Hijazi, Z., Stahl, D., Steyerberg, E. W. The science of prognosis in psychiatry: a review. JAMA Psychiatry. 75 (12), 1289-1297 (2018).
  16. Radua, J., et al. What causes psychosis? An umbrella review of risk and protective factors. World Psychiatry. , (2018).
  17. Fusar-Poli, P., et al. Deconstructing vulnerability for psychosis: Meta-analysis of environmental risk factors for psychosis in subjects at ultra high-risk. European Psychiatry. 40, 65-75 (2017).
  18. Fusar-Poli, P., et al. Clinical-learning versus machine-learning for transdiagnostic prediction of psychosis onset in individuals at-risk. Translational Psychiatry. 9 (1), 1-11 (2019).
  19. Stewart, R., et al. The South London and Maudsley NHS foundation trust biomedical research centre (SLAM BRC) case register: development and descriptive data. BMC Psychiatry. 9 (1), 51(2009).
  20. Jongsma, H. E., et al. Treated incidence of psychotic disorders in the multinational EU-GEI study. JAMA Psychiatry. 75 (1), 36-46 (2018).
  21. Fusar-Poli, P., et al. Transdiagnostic risk calculator for the automatic detection of individuals at-risk and the prediction of psychosis: Second replication in an independent national health service trust. Schizophrenia Bulletin. , (2019).
  22. Fusar-Poli, P., et al. Transdiagnostic individualized clinically based risk calculator for the detection of individuals at-risk and the prediction of psychosis: Model refinement including nonlinear effects of age. Frontiers in Psychiatry. 10, 313(2019).
  23. Colditz, G. A., Wei, E. K. Risk prediction models: applications in cancer prevention. Current Epidemiology Reports. 2 (4), 245-250 (2015).
  24. Jackson, R., et al. CogStack - Experiences Of Deploying Integrated Information Retrieval And Extraction Services In A Large National Health Service Foundation Trust Hospital. BMC Medical Informatics and Decision Making. 18 (47), (2017).
  25. McGorrian, C., Leong, T., D'Agostino, R., Graham, I. Risk estimation systems in clinical use: SCORE, Heart Score and the Framingham system. Hyperlipidaemia (Oxford Cardiology Library). , Oxford University Press. (2012).
  26. Studerus, E., Beck, K., Fusar-Poli, P., Riecher-Rössler, A. Development and Validation of a Dynamic Risk Prediction Model to Forecast Psychosis Onset in Patients at Clinical High Risk. Schizophrenia Bulletin. , (2019).
  27. Damschroder, L. J., et al. Fostering implementation of health services research findings into practice: a consolidated framework for advancing implementation science. Implementation Science. 4, 50(2009).
  28. Fusar-Poli, P., et al. Outreach and support in south London (OASIS), 2001-2011: ten years of early diagnosis and treatment for young individuals at high clinical risk for psychosis. European Psychiatry. 28 (5), 315-326 (2013).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Platforma CogStackpowiadamianie w czasie rzeczywistymimplementacja kalkulatora ryzykasynchronizacja wprowadzania danychpulpit wizualizacyjny Kibanazautomatyzowane powiadamianie klinicyst wpsychiatria medycyny precyzyjnejintegracja z rutyn kliniczn

Powiązane artykuły