Vi demonstrerer, hvordan du implementerer et psykoserisikoberegnings- og alarmsystem i realtid baseret på CogStack, en informationshentnings- og udtrækningsplatform til elektroniske patientjournaler.
Nylige undersøgelser har vist, at en automatiseret, levetid-inklusive, transdiagnostik, og klinisk baseret, individualiseret risiko regnemaskine giver et kraftfuldt system til støtte for tidlig påvisning af personer med risiko for psykose i stor skala, ved at udnytte elektroniske patientjournaler (EHRs). Denne risikoberegner er eksternt valideret to gange og gennemgår gennemførlighedstest med henblik på klinisk implementering. Integrationen af denne risikoberegner i klinisk rutine bør fremmes af prospektive gennemførlighedsundersøgelser, som er nødvendige for at tackle pragmatiske udfordringer, såsom manglende data, og anvendeligheden af denne risikoberegner i en virkelig e-årig og rutinemæssig klinisk indstilling. Her præsenterer vi en tilgang til en fremadrettet implementering af en real-time psykose risikodetektion og alarmering service i en virkelige verden EPJ-system. Denne metode udnytter CogStack-platformen, som er et open source-, letvægts- og distribueret informationshentnings- og tekstudtrækssystem. CogStack-platformen indeholder et sæt tjenester, der giver mulighed for fuldtekstsøgning af kliniske data, levetidsinkluderende beregning i realtid af psykoserisiko, tidlig risiko-alarmering til klinikere og visuel overvågning af patienter over tid. Vores metode omfatter: 1) indtagelse og synkronisering af data fra flere kilder i CogStack-platformen, 2) implementering af en risikoberegner, hvis algoritme tidligere blev udviklet og valideret, til rettidig beregning af en patients risiko for psykose, 3) oprettelse af interaktive visualiseringer og dashboards til overvågning af patienternes sundhedstilstand over tid og 4) opbygning af automatiserede alarmsystemer for at sikre, at klinikere underrettes om udsatte patienter , således at der kan træffes passende foranstaltninger. Dette er den første undersøgelse nogensinde, der har udviklet og implementeret et lignende detektions- og alarmsystem i klinisk rutine til tidlig påvisning af psykose.
Psykotiske lidelser er alvorlige psykiske sygdomme, der fører til vanskeligheder med at skelne mellem sindets interne erfaringer og miljøets ydre virkelighed1samt en højere risiko for selvskade end gennemsnittet og selvmord2. Under standard pleje, disse lidelser resulterei store konsekvenser for folkesundheden med en betydelig sundhedsmæssig og økonomisk byrde for enkeltpersoner, familier og samfund over heleverden 3. Tidlige indgreb i psykose kan forbedre resultaterne af denne mentale lidelse4. Især påvisning, prognose og forebyggende behandling af personer, der har klinisk høj risiko for at udvikle psykose (CHR-P)5, giver et unikt potentiale til at ændre lidelsens gang og dermed forbedre livskvaliteten for mange mennesker og deres familier3,6. CHR-P-personer er hjælpesøgende unge, der frembyder svækket symptomer og funktionsnedsættelse7: deres risiko for at udvikle psykose er 20 % ved 2-års8 , men den er højere i nogle specifikke undergrupper9,10. På trods af nogle betydelige fremskridt, virkningen af forebyggende tilgange i rutinemæssig klinisk praksis er begrænset af evnen til at opdage de fleste personer, der er i fare11. Nuværende detektionsmetoder er baseret på hjælpesøgende adfærd og henvisninger på mistanke om psykose risiko; disse metoder er meget ineffektive til håndtering af et stort antal prøver11. Således er skalerbarheden af de nuværende detektionsmetoder til langt størstedelen af risikopopulationen ret begrænset12. Faktisk kan kun 5% (standalone specialiserede tidlige detektionstjenester) til 12% (unge mental sundhed tjenester) af personer med risiko for at udvikle en første psykotisk lidelse på tidspunktet for deres risikofase ved den nuværende afsløring strategier6.
For at udvide de kliniske fordele ved de forebyggende tilgange hos et større antal udsatte personer udviklede vi en automatiseret, levetidsinklusiv (dvs. på tværs af alle aldre), transdiagnostik (dvs. på tværs af forskellige diagnoser)13, klinisk baseret individualiseret risikoberegner, som kan detektere personer med risiko for psykose i sekundær mental sundhedspleje i stor skala, ud over dem, der opfylder CHR-P-kriterierne14. Denne risikoberegner brugte en Cox proportional faremodel til at forudsige risikoen for at udvikle en psykotisk lidelse over seks år fra fem rutinemæssigt indsamlede kliniske variabler udvalgt a priori, i overensstemmelse med metodologiske retningslinjer15: alder, køn, etnicitet, alder-for-køn og primære indeksdiagnose. Disse kliniske variabler blev udvalgt på grundlag af en forhåndsviden fra metaanalyser16,17, som anbefalet i de nyeste metodologiske retningslinjer15. Antallet af prædiktorer er begrænset for at bevare forholdet Hændelse pr. variabel og minimere overtilpasningsbias. herunder for mange variabler uden a priori filter fører til overmontering problemer og dårlig prognose nøjagtighed18. Den metode, der anvendes til at udvikle denne model giver samme prognose nøjagtighed til automatiske machine learning metoder18. Parametrene for Cox-modellen blev anslået på grundlag af en retrospektiv afidentificeret kohorte fra South London og Maudsley National Health Service Foundation Trust (SLaM)19. SLaM er en National Health Service (NHS) mental sundhed tillid, der giver sekundær mental sundhedspleje til en befolkning på 1,36 millioner personer i det sydlige London (Lambeth, Southwark, Lewisham og Croydon bydele), og har en af de højeste registrerede satser for psykose i verden20. Alle data, der anvendes i modeludviklingen, blev udvundet fra CRIS-platformen (Clinical Record Interactive Search), et digitalt sagsregistersystem, som giver forskerne retrospektiv adgang til og analyse af anonymiserede kliniske optegnelser19. De kliniske oplysninger i CRIS udvindes fra et skræddersyet elektronisk patientjournalsystem (EPJ) på SLaM, kaldet electronic Patient Journey System (ePJS). SLaM er papirfri og ePJS repræsenterer standard dataindsamlingplatform for klinisk rutine. Således, den transdiagnostiske risiko regnemaskine udnytter EHRs og har potentiale til automatisk at screene store EHRs af patienter adgang til sekundære mentale sundhedspleje, at opdage dem, der kan være i risiko for psykose. Algoritmen af denne transdiagnostiske risikoberegner er tidligere blevet offentliggjort6,14,21. Den transdiagnostiske risiko beregner er blevet eksternt valideret i to NHS Foundation Trusts14,21 og optimeret22,viser sin tilstrækkelige prognose ydeevne og generalizability på tværs af forskellige populationer.
Ifølge metodologiske retningslinjer for udvikling af en risikoforudsigelsemodel15,23, er det næste skridt efter modeludvikling og validering at implementere forudsigelsesmodellen i rutinemæssig klinisk praksis. Gennemførelsesundersøgelser indledes normalt med pilot- eller gennemførlighedsundersøgelser, der omhandler potentielle pragmatiske begrænsninger i forbindelse med brugen af risikoalgoritmer i klinisk praksis. F.eks. er nødvendige data til kørsel af en lommeregner, f.eks. Effektive metoder til håndtering af manglende data og synkronisering af hyppige opdateringer i realtidsdatastrømme bør overvejes for at opnå de mest pålidelige forudsigelsesresultater i en implementering. Da den indledende udvikling af risikoberegneren var baseret på retrospektive kohortedata, vides det desuden ikke, om den kan bruges i en datastrøm i realtid, der er typisk for en klinisk indstilling i den virkelige verden. En anden udfordring er at sikre, at relevante klinikere modtager de anbefalinger, der genereres af risikoberegneren inden for en passende tidsramme og inden for en fælles og accepteret kommunikationsvej.
For at overvinde disse begrænsninger, har vi afsluttet en gennemførlighedsimplementering undersøgelse beskæftiger den individualiserede transdiagnostiske risiko regnemaskine. Undersøgelsen omfattede to faser: en in vitro-fase, der blev udført ved hjælp af data fra den lokale EPJ, uden at kontakte klinikere eller patienter, og en in vivo fase, som omfattede direkte kontakt med klinikere. In vitro-fasen havde to mangfoldige mål: i) at fjerne gennemførelseshindringer i henhold til den konsoliderede ramme for gennemførelse Af (CFIR)27 og ii) at integrere den transdiagnostiske risikoberegner i den lokale EPJ. Implementeringsbarrierer omfattede kommunikation af risikoresultater til klinikere. I SLaM opfordres alle patienter til at registrere sig for samtykke til kontakt (C4C), hvilket indikerer, at de er villige til at blive kontaktet til forskning, uden at det påvirker kvaliteten af behandlingen. Dette reducerer de etiske spørgsmål i forbindelse med kontakt af patienter. Derudover hjalp arbejdsgrupper med klinikere med at skræddersy, hvordan disse oplysninger blev videregivet. I in vivo-fasen (14. maj 2018 til 29. april 2019) modtog alle personer (i) ældre end 14 år (ii), der havde adgang til enhver SLaM-tjeneste (bydele lambeth, Southwark, Lewisham, Croydon), (iii) en første ICD-10-indeksprimær diagnose af enhver ikke-organisk, ikke-psykotisk psykisk lidelse (med undtagelse af akutte og forbigående psykotiske lidelser; ATPD) eller en CHR-P-betegnelse og (iv) med eksisterende kontaktoplysninger blev anset for støtteberettigede. I in vivo-fasen blev nye patienter, der fik adgang til SLaM hver uge, automatisk screenet for deres psykoserisiko, og patienter med en risiko på over en vis tærskel blev opdaget. Forskerholdet kontaktede derefter patienternes ansvarlige klinikere for at drøfte yderligere anbefalinger og foreslog til sidst en yderligere ansigt til ansigt-vurdering6. Hvis de vurderede blev anset for at opfylde CHR-P-kriterierne, blev de henvist til specialiserede CHR-P-tjenester, såsom Outreach og Support i South London (OASIS)28. Dette ville resultere i forbedret påvisning af personer forud for starten af en psykotisk lidelse og give en betydelig mulighed for at ændre forløbet af lidelsen. Det afgørende er, at denne gennemførlighedsundersøgelse omfattede fuld integration af lommeregneren i det lokale EPJ-system, som er emnet for den aktuelle artikel. Den fulde protokol for denne gennemførlighedsundersøgelse, herunder en oversigt over planen for evaluering af den foreslåede forskning, detaljer om håndtering af datasikkerhed og etiske spørgsmål, er blevet præsenteret i vores tidligere arbejde6. Den nuværende artikel, som en del af gennemførlighedsundersøgelsen6, fokuserer selektivt på at præsentere den tekniske gennemførelse af et realtidspsykoserisikodetektions- og alarmsystem baseret på de lokale EPJ-data. Mere specifikt er formålet med denne undersøgelse at undersøge den tekniske gennemførlighed af denne risikoberegner i rettidig påvisning af risikokrævende patienter, så snart de får adgang til en sekundær mental sundhedstjeneste. De fuldstændige resultater af gennemførlighedsundersøgelsen med hensyn til klinikernes overholdelse af risikoberegnerens anbefalinger vil blive fremlagt separat. En omfattende evaluering af effektiviteten af den foreslåede forskning, som kræver randomiserede design, ligger uden for rammerne af det nuværende forskningsprogram. Så vidt vi ved, er dette den første metode, der beskriver implementeringen af en risikoberegner baseret på live EPJ-data til tidlig påvisning af psykose.
Vores tilgang til psykose risikodetektion og alarmering udnytter CogStack-platformen. CogStack platformen er en let, distribueret og fejltolerant informationssøgning og tekst-udvinding platform24. Denne platform består af tre nøglekomponenter: 1) CogStack-pipelinen, der bruger Java Spring Batch-strukturen til at indtage og synkronisere data fra en foruddefineret datakilde (både strukturerede og ustrukturerede EPJ-data i flere formater, f.eks. 2) Elasticsearch, en søgemaskine giver mulighed for opbevaring og forespørge på den fulde ordlyd af EPJ-data, samt give forskellige ansøgning programmering grænseflader (API’er) til at integrere avancerede analyser i motoren; og 3) Kibana, en interaktiv, web-baseret brugergrænseflade, der giver brugerne mulighed for at forespørge data i Elasticsearch, opbygge visualisering dashboards og sæt alarmering om uregelmæssigheder eller andre mønstre af interesse fra data. Desuden, CogStack inkorporerer evnen til at advare klinikere til potentielle problemer via e-mail og SMS (tekst), så klinikere til at modtage rettidige meddelelser om udsatte patienter rapporteret af risikoen regnemaskine.
Vi præsenterer en model af psykose risikodetektion og alarmering baseret på ePJS på SLaM, udnytte CogStack platform. Sammenlignet med CRIS-platformen, der giver en mekanisme til retrospektiv adgang til afidentificerede patientjournaler fra ePJS på en ugentlig basis19, cogstack-platformen på SLaM giver adgang til en identificerbar EPJ i realtid, hvilket bringer indberetningen tættere på point-of-care og risikoforudsigelse i et prospektivt design, selv om både CRIS og CogStack platforme bruger data fra ePJS i SLaM. I det efterfølgende afsnit giver vi oplysninger om de vigtigste trin i vores tilgang, herunder forberedelse af kildedata fra EPJ, indtagelse af kildedata i CogStack-platformen for at muliggøre fuldtekstsøgning via Elasticsearch, der kører psykoserisikoberegneren ved hjælp af en Python-dæmontråd og sætter interaktive visualiseringer og risikoi realtid svækker via Kibana-brugergrænsefladen. Enhver forsker, der har til formål at opbygge et risikodetektions- og alarmsystem i realtid baseret på EPJ-data, kan følge tilgangen og dets referenceimplementering. Som vi vil uddybe nedenfor, udnytter den foreslåede metode open source, letvægts teknikker med høj fleksibilitet og bærbarhed. Dette gør det muligt at køre risikoberegneren forskellige steder og viser en høj anvendelighed på andre risikovurderingsalgoritmer. Desuden fungerer metoden som en enkel tilgang til at forbedre risikodetektions- og advarselsfunktionerne i en EPJ, der er indbygget i et generelt sundhedssystem.
Vi har demonstreret den første EPJ gennemførelse af en real-time psykose risikodetektion og alarmering system baseret på CogStack, en open source informationssøgning og udvinding platform. Efter denne fremgangsmåde, kan man omdanne og indtage et stort sæt af kliniske data i forskellige formater, herunder struktureret og ustruktureret information, i en CogStack instans, således at muliggøre fuld-tekst søgning, interaktive analyser og visualisering af data, samt real-time alarmering til klinikere af patienter, der er i risiko for psykose. Selv om den oprindelige psykose risiko regnemaskine er blevet valideret i pilotundersøgelser på tværs af flere NHS Trusts, om end ved hjælp af retrospektive patientjournaler6,14,21, dette eksperimentelle design giver det første evidensgrundlag, at denne risiko regnemaskine kan replikeres og anvendes til brug i realtid. Denne tilgang giver mulighed for automatisk levering af prognostiske resultater til klinikere gennem eksisterende kliniske anmeldelse kanaler, såsom e-mail, i realtid. Dette viser klart den tekniske gennemførlighed for at gennemføre en storstilet effektivitet forsøg for at vurdere den ultimative kliniske nytten af denne risiko regnemaskine i den virkelige verden.
Denne protokol er empirisk innovativ, da der ikke findes et lignende risikodetektions- og alarmsystem for psykose. Desuden har denne protokol høj generalisabilitet i klinisk brug, især på grund af de unikke styrker i vores tilgang. Fra et teoretisk perspektiv, brugte vi en risiko forudsigelse model, der blev udviklet baseret på en stor retrospektiv afidentificeret kohorte fra SLaM NHS Trust. SLaM giver sekundær mental sundhedspleje til en befolkning på 1,36 millioner personer i det sydlige London og har en af de højeste registrerede satser for psykose i verden. Denne store kohorte, som har stor mangfoldighed i sociodemografiske og diagnostiske karakteristika, giver os mulighed for at udvikle en risikoforudsigelsesmodel, der sandsynligvis ikke vil være forudindtaget over for en befolkning med særlige karakteristika. Dette understøttes af dokumentation for, at den prognostiske nøjagtighed af denne risikoberegner allerede er blevet gentaget to gange i to forskellige databaser14,21, herunder en uden for SLaM. En anden teoretisk styrke af denne risikomodel er, at grundlæggende demografiske og kliniske diagnose oplysninger blev brugt som prædiktorer. Sådanne oplysninger er allestedsnærværende i elektroniske kliniske data , og faktisk har manglende data for disse prædiktorer vist sig at være relativt sjældne i vores tidligere undersøgelser14,21. Den høje tilgængelighed af oplysninger til bygningsprædiktorer gør det muligt at køre risikoberegneren over et stort antal patientprøver på tværs af forskellige sekundære sektorer inden for mental sundhedspleje. Desuden er risikoberegneren en generel algoritme, som er velegnet til alle personer, der er i risiko for at udvikle psykose i sekundær mental sundhedspleje, uanset den enkeltes alder. Det vil det vil, denne regnemaskine er ikke kun egnet til 15-35 aldersgruppe af peak psykose risiko16, men også for dem uden for dette interval, viser en høj grad af generalizability.
Fra et praktisk perspektiv, både risiko regnemaskine og CogStack platform er letvægts og open source-tjenester, der ikke involverer ressource-tunge teknikker eller dyre infrastruktur. En sådan billig og nem at implementere platform kan reducere hindringerne for dens vedtagelse i den virkelige verden kliniske indstillinger. Vores løsning overvinder også den vigtigste implementeringsbarriere: risikovurderingssystemer giver kun ringe værdi, medmindre de anvendes af klinikere i den daglige praksis25. Konkret får vores tilgang adgang til data fra EPJ, udfører analyser uafhængigt af et elektronisk patientjournalsystem og kan sende analyseresultater tilbage til klinikere via eksisterende anmeldelseskanaler. Denne metode kræver ikke, at forretningslogikken i allerede eksisterende systemer ændres og kan fungere som en selvstændig tjeneste til at understøtte og udvide eksisterende kliniske beslutningsstøttesystemer. Protokollen har således høj kompatibilitet med allerede eksisterende kliniske systemer og kan let integreres i rutinemæssig klinisk praksis. Desuden giver protokollen brugervenlige grænseflader til søgning, analyse og visualisering af kliniske data, hvilket gør det nemt for klinikere at fortolke og udforske risikoresultaterne.
Denne protokol har også sine begrænsninger. For det første er effektiviteten af denne protokol ikke blevet evalueret i rutinemæssig klinisk praksis. Denne undersøgelse fokuserede på tekniske gennemførlighedstest af implementering af et realtidspsykoserisikodetektions- og alarmsystem i et lokalt EPJ. For yderligere at evaluere effektiviteten af dette system i rutinemæssig klinisk praksis, fremtidige store randomiserede kontrollerede forsøg er nødvendige6. En anden begrænsning er, at forudsigelserne af risikoscorer i denne protokol blev foretaget på grundlag af de første primære diagnoser, som er statiske data indsamlet ved et enkelt øjebliksbillede. Men CHR-P symptomerne er i sig selv udvikler sig over tid. En dynamisk version af psykose risiko regnemaskine, hvor forudsigelse modeller kan opdateres dynamisk for at afspejle de ændringer, er blevet udviklet for nylig26. Det fremtidige arbejde vil fokusere på at integrere denne dynamiske regnemaskine i den nuværende protokol.
Det mest kritiske skridt i denne tilgang var at identificere EPJ-data, der blev brugt til ekstraktprædiktorer i risikoberegneren. Dette kan også indebære oprettelse af dataelementtilknytninger, når et EPJ-system brugte en anden datamodel end den, der anvendes i denne protokol, f.eks. Vi har open sourced alle de kode og kortlægning definitioner online (https://github.com/cogstack-slam/psychosis). Baseret på disse materialer, ville man være i stand til at kopiere implementeringen eller justere lommeregneren afhængigt af ens egen omstændighed. Et andet vigtigt skridt var at oprette en databasevisning for dataindtagelse i CogStack. Da relationelle joinhandlinger (dvs. kombinationen af kolonner fra en eller flere databasetabeller) i Elasticsearch kan føre til høje beregningsomkostninger, har vi udført disse joinhandlinger i EPJ-databasen ved at oprette en databasevisning. Denne visning kombinerede alle de oplysninger, der var nødvendige for at udtrække prædiktorer i risikoberegneren, og to vitale felter, der blev brugt af CogStack-rørledninger til datapartitionering i dataindtagelse. Det første felt er en entydig primær nøgle for hver post i visningen (“patient_id” brugt denne protokol), og det andet er et tidsstempel, når en post senest blev ændret. Hvis disse to felter ikke er angivet korrekt, synkroniserer CogStack muligvis ikke dataopdateringer i en EPJ-database rettidigt. Detaljerede instruktioner til fejlfinding af problemer med cogstack-data er tilgængelige på https://cogstack.atlassian.net/wiki/spaces/COGDOC/overview og https://github.com/CogStack/CogStack-Pipeline.
Denne protokol er meget transportabel og kan nemt implementeres i NHS Trusts, der har en CRIS eller CogStack platform. Hidtil har CRIS platform-herunder samtykkeprocedurer-er blevet fuldt beskrevet andetsteds og er under udvidelse på tværs af 12 NHS Trusts i Storbritannien, udnytte over 2 millioner deidentificerede patientjournaler (https://crisnetwork.co/). Tilsvarende cogstack platform er blevet indsat ikke kun i SLaM, men også andre NHS Trusts i hele Storbritannien, såsom University College London Hospitals (UCLH), King’s College Hospital (KCH), Guy’s og St Thomas ‘(GSTT), og Mersey Care NHS Trusts. Disse Trusts uden såsom platform kan bruge en online version af risiko regnemaskine (http://psychosis-risk.net), eller bygge denne protokol fra bunden baseret på dette manuskript og vores online-dokumenter. Selv om denne protokol er udviklet til psykose risikodetektion, den arkitektoniske udformning af denne protokol er ikke bundet ind på denne specifikke use case. Protokollen er fleksibel nok til at muliggøre rekonfiguration og repurposing af realtidsovervågnings- og alarmkomponenter til andre risikomålingsområder, såsom bivirkninger, hvilket gør det muligt for klinikere at træffe rettidige foranstaltninger for at forbedre patientplejen, sikkerheden og oplevelsen.
The authors have nothing to disclose.
Denne undersøgelse er finansieret af og er en direkte produktion af King’s College London Confidence in Concept award fra Medical Research Council (MRC) (MC_PC_16048) til PFP. RD og AR blev støttet af: a) Maudsley Charity; b) National Institute for Health Research (NIHR) Biomedical Research Centre i South London og Maudsley NHS Foundation Trust og King’s College London c) Health Data Research UK, som finansieres af Uk Medical Research Council, Engineering and Physical Sciences Research Council, Economic and Social Research Council, Department of Health and Social Care (England), Chief Scientist Office of the Scottish Government Health and Social Care Directorates, Health and Social Care Research and Development Division (Welsh Government), Public Health Agency (Northern Ireland), British Heart Foundation og Wellcome Trust; d) det BigData@Heart konsortium, der finansieres af fællesforetagendet For innovative lægemidler 2 i henhold til tilskudsaftale nr. Dette fællesforetagende modtager støtte fra EU’s Forsknings- og Innovationsprogram Horisont 2020 og EFPIA. det ledes af DE Grobbee og SD Anker, der samarbejder med 20 akademiske partnere og industripartnere og ØSU; og e) National Institute for Health Research University College London Hospitals Biomedical Research Centre. Disse finansieringsorganer havde ingen rolle i udformningen af undersøgelsen, indsamlingen og analyserne. De synspunkter, der kommer til udtryk, er de synspunkter, som forfatteren (r) og ikke nødvendigvis dem af NHS, NIHR eller Department of Health.
CogStack-Pipeline | King's College London | Open source software | |
Elasticsearch | Elastic NV | Open Source Search & Analytics | |
Kibana | Elastic NV | Open source data visualization plugin for Elasticsearch | |
Python packages ("elasticsearch", "elasticsearch_dsl", "pandas" and "numpy") | Open source community | Open source packages |