Implementação de um sistema de detecção e alerta de risco de psicose em tempo real com base em registros eletrônicos de saúde usando o CogStack

O impacto da prevenção da psicose é limitado pela eficácia que podemos detectar indivíduos em risco. Este protocolo apresenta uma nova abordagem para a implementação de um serviço de detecção e alerta de risco de psicose em um sistema de registro eletrônico de saúde do mundo real. A principal vantagem desta calculadora de risco individualizada clinicamente baseada é que ela permite a detecção automática de indivíduos em risco de psicose em larga escala usando registros eletrônicos de saúde em diferentes condições mentais e em tempo real.

Os métodos atuais para detectar pessoas em risco de psicose são relativamente ineficientes com apenas 5-12% dos casos de psicose do primeiro episódio detectados. Este sistema permite uma melhor detecção de pessoas em risco, bem como uma melhor comunicação aos médicos. A plataforma desenvolvida pode ser personalizada para outras modelagem e sistema de detecção de previsão de risco na psiquiatria e isso pode apoiar a implementação da medicina de precisão na assistência clínica em benefício dos pacientes.

Queremos disseminar esse novo método para a comunidade em geral e nos envolver com outros pesquisadores, médicos, pacientes, cuidadores e stakeholders para avançar na implementação da medicina de precisão na psiquiatria. Esperamos que este vídeo facilite o cumprimento desse objetivo. Embora o script, que tem sido usado para implantar este sistema e o método, sejam descritos em detalhes no estudo.

Nossa equipe de pesquisa ficará feliz em ajudar futuros pesquisadores que podem querer implementar uma abordagem semelhante em seus ambientes clínicos. Comece baixando ou clonando o repositório de código do GitHub. Para configurar o pipeline CogStack para ingestão de dados, abra o cogstack_deploy/cogstack/diretório e modifique a psicose.

propriedades e modificam as configurações da seção source:dbconfiguration com base na configuração do banco de dados eletrônico de registros de saúde, incluindo especificação do endereço IP do servidor do banco de dados, nome do banco de dados, nome de usuário do banco de dados e senha. Abra um navegador da Web e acesse a interface de usuário kibana. Pela primeira vez acessando o Kibana, clique na guia Padrões de Gerenciamento e Índice para especificar um índice de pesquisa elástico de interesse e digite psychosis_base no campo de padrão de índice.

Clique em Passo seguinte e selecione ETL_updated_dttm para o nome do campo do filtro de tempo. Em seguida, clique em Criar padrão de índice para adicionar o padrão de índice psychosis_base para Kibana. Uma vez que o Kibana esteja conectado ao índice de pesquisa elástico, pesquise e navegue pelos dados de origem interativamente através da página discover.

Para acessar a calculadora de risco, abra uma nova janela terminal e abra o diretório de psicose. Digite o comando apropriado no terminal para instalar todos os pacotes Python necessários usados na calculadora de risco e executar a calculadora de risco de psicose. Se o processo tiver sido concluído com sucesso, os registros do cálculo de risco serão impressos no terminal e os resultados de risco serão armazenados em um novo índice de pesquisa elástico chamado psychosis_risk dentro da plataforma CogStack.

Para verificar os resultados de risco na interface Kibana, adicione um novo padrão de índice psychosis_risk conectar Kibana com o índice de psychosis_risk e explorar os resultados de risco através da página de descoberta. Para construir visualizações e dashboards para obter uma visão geral das características para toda a população de pacientes em risco, clique em Visualizar e clique em Criar Nova Visualização. Selecione o tipo de visualização e selecione psychosis_risk como o índice a ser visualizado.

Uma vez que as visualizações individuais tenham sido construídas, clique em Dashboard para criar um painel que exibe um conjunto de visualizações relacionadas. Para criar alertas para os médicos quando os pacientes estão em risco de psicose, clique em Gerenciamento e Observador. Para configurar um novo observador, clique em Criar relógio avançado e digite o ID e o nome.

Para enviar um e-mail de alerta para o endereço de um médico, exclua o conteúdo da seção JSON do relógio e copie o conteúdo no observador. arquivo json com o diretório de psicose para a seção watch JSON. Antes de salvar o observador, clique em Simular para testar a execução do observador.

Se o observador estiver definido com sucesso, a saída de simulação aparecerá. Nesta figura representativa, o número de registros ingeridos no CogStack ao longo do tempo pode ser observado em ordem cronológica com base na última data de atualização de um registro. Após a comparação dos números e conteúdo dos registros no banco de dados no índice de pesquisa elástica, não foram detectados dados ausentes e discretos confirmando a confiabilidade do pipeline CogStack e a ingestão de dados na sincronização.

Como esses números ilustram, as características dos pacientes em risco de psicose, incluindo etnias, gêneros, idades e categorias de diagnósticos, podem ser visualizadas. Aqui, a interface para definir um serviço de alerta de risco usando o componente do relógio em Kibana, como demonstrado, pode ser observada. Uma vez que este serviço tenha sido configurado com sucesso, os usuários receberão uma notificação por e-mail se houver um ou mais pacientes cujo risco de psicose em dois anos seja superior a 5% É importante fazer a validação cruzada para garantir que informações corretas estejam sendo extraídas do sistema de registro eletrônico de saúde local.

Podemos integrar uma versão refinada desta calculadora de risco e este protocolo para melhorar ainda mais a previsão de resultados. Podemos ainda integrar uma versão dinâmica desta calculadora de risco que permitiria a atualização em tempo real dos desfechos à medida que os sintomas do paciente mudam, dando previsões mais confiáveis que refletem melhor o caminho clínico de um paciente. Este protocolo pode ser reconfigurado para permitir alertas de monitoramento e entrega para outros modelos de previsão de risco, permitindo que os médicos tocem decisões oportunas para melhorar o atendimento, a segurança e a experiência do paciente.