Summary
Wir zeigen, wie ein Echtzeit-Psychose-Risikoberechnungs- und -war-System auf Basis von CogStack, einer Informationsabruf- und Extraktionsplattform für elektronische Gesundheitsdaten, bereitgestellt wird.
Abstract
Jüngste Studien haben gezeigt, dass ein automatisierter, lebenslänglich, transdiagnostischer und klinisch basierter, individualisierter Risikorechner ein leistungsfähiges System zur Unterstützung der Früherkennung von Psychosengefährdeten in großem Maßstab durch die Nutzung elektronischer Gesundheitsakten (EHRs) bietet. Dieser Risikorechner wurde zweimal extern validiert und wird derzeit zur klinischen Umsetzung getestet. Die Integration dieses Risikorechners in die klinische Routine sollte durch prospektive Machbarkeitsstudien erleichtert werden, die erforderlich sind, um pragmatische Herausforderungen wie fehlende Daten und die Nutzbarkeit dieses Risikorechners in einem realen und routinemäßigen klinischen Umfeld anzugehen. Hier stellen wir einen Ansatz für die prospektive Implementierung eines Echtzeit-Psychose-Risikoerkennungs- und -alarmdienstes in einem realen EHR-System vor. Diese Methode nutzt die CogStack-Plattform, ein Open-Source-, Leichtbau- und verteiltes Informationsabruf- und Textextraktionssystem. Die CogStack-Plattform umfasst eine Reihe von Dienstleistungen, die eine VollständigeTextsuche von klinischen Daten, eine lebenslange, echtzeit-berechnung des Psychoserisikos, eine frühzeitige Risikowarnung für Kliniker und die visuelle Überwachung von Patienten im Laufe der Zeit ermöglichen. Unsere Methode umfasst: 1) Aufnahme und Synchronisation von Daten aus mehreren Quellen in die CogStack-Plattform, 2) Implementierung eines Risikorechners, dessen Algorithmus zuvor entwickelt und validiert wurde, zur rechtzeitigen Berechnung des Psychosenrisikos eines Patienten, 3) Erstellung interaktiver Visualisierungen und Dashboards zur Überwachung des Gesundheitszustands der Patienten im Laufe der Zeit und 4) Aufbau automatisierter Alarmsysteme, um sicherzustellen, dass Klinikärzte über gefährdete Patienten informiert werden. , damit geeignete Maßnahmen ergriffen werden können. Dies ist die erste Studie überhaupt, die ein ähnliches Erkennungs- und Alarmsystem in der klinischen Routine zur Früherkennung von Psychosen entwickelt und implementiert hat.
Introduction
Psychotische Störungen sind schwere psychische Erkrankungen, die zu Schwierigkeiten bei der Unterscheidung zwischen der inneren Erfahrung des Geistes und der äußeren Realität der Umweltführen 1, sowie ein überdurchschnittliches Risiko für Selbstverletzung und Selbstmord2. Bei der Standardversorgung führen diese Störungen zu erheblichen Auswirkungen auf die öffentliche Gesundheit und belasten Einzelpersonen, Familien und Gesellschaften weltweiterheblich 3. Frühe Eingriffe in Psychosen können die Ergebnisse dieser psychischen Störung verbessern4. Insbesondere die Erkennung, prognostische Beurteilung und präventive Behandlung von Personen, die ein klinisches hohes Risiko für die Entwicklung von Psychosen (CHR-P)5 haben, bieten ein einzigartiges Potenzial, den Verlauf der Erkrankung zu verändern und dadurch die Lebensqualität vieler Menschen und ihrer Familien zu verbessern3,6. CHR-P-Personen sind hilfesuchende junge Menschen mit abgeschwächten Symptomen und funktioneller Beeinträchtigung7:Ihr Risiko, eine Psychose zu entwickeln, beträgt 20% bei 2 Jahren8, aber es ist höher in einigen spezifischen Untergruppen9,10. Trotz einiger erheblicher Fortschritte ist die Wirkung präventiver Ansätze in der klinischen Routinepraxis durch die Fähigkeit begrenzt, die meisten Personen zu erkennen, die gefährdet sind11. Aktuelle Nachweismethoden basieren auf hilfesuchenden Verhaltensweisen und Überweisungen bei Verdacht auf Psychose-Risiko; Diese Methoden sind bei der Handhabung einer großen Anzahl von Proben in hohem Maße ineffizient11. Somit ist die Skalierbarkeit der aktuellen Nachweismethoden für die überwiegende Mehrheit der gefährdeten Bevölkerung ziemlich begrenzt12. Tatsächlich können nur 5 % (standalone spezialisierte Früherkennungsdienste) bis 12 % (Jugendpsychiatrische Dienste) von Personen, die Gefahr laufen, eine erste psychotische Störung zu entwickeln, zum Zeitpunkt ihrer Risikostufe durch die aktuellenErkennungsstrategien6 erkannt werden.
Um den klinischen Nutzen der präventiven Ansätze bei einer größeren Anzahl von Risikopersonen zu erweitern, haben wir eine automatisierte, lebenslange (d. h. über alle Altersgruppen hinweg) transdiagnostische (d. h. über verschiedene Diagnosen hinweg)13 ,klinisch basierte individualisierte Risikorechner, entwickelt, die Personen, die ein Psychosenrisiko in der sekundären psychischen Gesundheitsversorgung in großem Maßstab aufweisen, über die, die die CHR-P-Kriterien erfüllen, erkennenkönnen. Dieser Risikorechner verwendete ein Cox Proportional Hazard Modell, um das Risiko der Entwicklung einer psychotischen Störung über sechs Jahre aus fünf routinemäßig gesammelten klinischen Variablen vorherzusagen, die a priori ausgewählt wurden, in Übereinstimmung mit den methodischen Richtlinien15:Alter, Geschlecht, ethnische Zugehörigkeit, Alter für Geschlecht und primäre Indexdiagnose. Diese klinischen Variablen wurden auf der Grundlage von vornherein gewonnenen Erkenntnissen aus Metaanalysen16,17ausgewählt, wie in den modernsten methodischen Leitlinien15empfohlen. Die Anzahl der Prädiktoren ist begrenzt, um das Verhältnis Ereignis pro Variable beizubehalten und überpassende Verzerrungen zu minimieren. Einschließlich zu vieler Variablen ohne a priori Filter führt zu Überanpassungsproblemen und schlechter prognostischer Genauigkeit18. Die Methode, die zur Entwicklung dieses Modells verwendet wird, bietet eine ähnliche prognostische Genauigkeit wie die methoden des automatischen maschinellen Lernens18. Die Parameter des Cox-Modells wurden auf der Grundlage einer retrospektiven, nicht identifizierten Kohorte des South London and Maudsley National Health Service Foundation Trust (SLaM)19geschätzt. SLaM ist ein National Health Service (NHS) mental Health Trust, der einer Bevölkerung von 1,36 Millionen Menschen in Süd-London (Lambeth, Southwark, Lewisham und Croydon Boroughs) sekundäre psychische Gesundheitsversorgung bietet und eine der höchsten registrierten Psychosenraten der Welthat 20. Alle bei der Modellentwicklung verwendeten Daten wurden der Clinical Record Interactive Search (CRIS) Plattform entnommen, einem digitalen Fallregistersystem, das Forschern einen retrospektiven Zugriff und eine Analyse anonymisierter klinischer Aufzeichnungen bietet19. Die klinischen Informationen in CRIS werden aus einem maßgeschneiderten Electronic Health Record (EHR) System bei SLaM extrahiert, dem so genannten elektronischen Patient Journey System (ePJS). SLaM ist papierfrei und ePJS stellt die Standard-Datenerfassungsplattform für die klinische Routine dar. So nutzt der transdiagnostische Risikorechner EHRs und hat das Potenzial, große EHRs von Patienten, die Zugang zu sekundärer psychischer Gesundheitsversorgung haben, automatisch zu überprüfen, um diejenigen zu erkennen, die möglicherweise einem Psychoserisiko ausgesetzt sind. Der Algorithmus dieses transdiagnostischen Risikorechners wurde bereits veröffentlicht6,14,21. Der transdiagnostische Risikorechner wurde extern in zwei NHS Foundation Trusts14,21 und optimiert22validiert, was seine angemessene prognostische Leistung und Verallgemeinerbarkeit über verschiedene Populationen hinweg demonstriert.
Gemäß den methodischen Richtlinien zur Entwicklung eines Risikovorhersagemodells15,23ist der nächste Schritt nach der Modellentwicklung und Validierung die Implementierung des Vorhersagemodells in der klinischen Routinepraxis. Implementierungsstudien gehen in der Regel Pilot- oder Machbarkeitsstudien voraus, die potenzielle pragmatische Einschränkungen im Zusammenhang mit der Verwendung von Risikoalgorithmen in der klinischen Praxis angehen. Beispielsweise sind die erforderlichen Daten für die Ausführung eines Rechners, wie Alter, Geschlecht und ethnische Zugehörigkeit, zum Zeitpunkt der Diagnose möglicherweise nicht verfügbar oder später aktualisiert. Effektive Methoden zum Umgang mit fehlenden Daten und zum Synchronisieren häufiger Aktualisierungen in Echtzeitdatenströmen sollten in Betracht gezogen werden, um die zuverlässigsten Vorhersageergebnisse in einer Implementierung zu erzielen. Da die anfängliche Entwicklung des Risikorechners auf retrospektiven Kohortendaten beruhte, ist nicht bekannt, ob er in einem Echtzeit-Datenstrom verwendet werden kann, der typisch für eine reale klinische Umgebung ist. Eine weitere Herausforderung besteht darin, sicherzustellen, dass die relevanten Ärzte die vom Risikorechner generierten Empfehlungen innerhalb eines angemessenen Zeitrahmens und innerhalb eines gemeinsamen und akzeptierten Kommunikationsweges erhalten.
Um diese Einschränkungen zu überwinden, haben wir eine Machbarkeits-Implementierungsstudie mit dem individualisierten transdiagnostischen Risikorechner abgeschlossen. Die Studie umfasste zwei Phasen: eine In-vitro-Phase, die mit Daten der lokalen EHR durchgeführt wurde, ohne Kontakt zu Ärzten oder Patienten, und eine In-vivo-Phase, die direkten Kontakt mit Ärzten beinhaltete. Die In-vitro-Phase hatte zwei vielfältige Ziele: (i) Die Umsetzungsbarrieren gemäß dem Konsolidierten Rahmen für die Durchführungsforschung (CFIR)27 zu beseitigen und (ii) den transdiagnostischen Risikorechner in die lokale EHR zu integrieren. Zu den Umsetzungshindernissen gehörte die Kommunikation von Risikoergebnissen an Die Ärzte. In SLaM sind alle Patienten eingeladen, sich für die Zustimmung für Contact (C4C) anzumelden, was ihre Bereitschaft signalisiert, für Die Forschung kontaktiert zu werden, ohne die Qualität der Versorgung zu beeinträchtigen. Dies reduziert die ethischen Fragen im Zusammenhang mit der Kontaktaufnahme mit Patienten. Darüber hinaus halfen Arbeitsgruppen mit Ärzten bei der Anpassung dieser Informationen. Während der In-vivo-Phase (14. Mai 2018 bis 29. April 2019) erhielten alle Personen (i) älter als 14 Jahre (ii), die Zugang zu einem SLaM-Dienst hatten (Bezirke Lambeth, Southwark, Lewisham, Croydon), (iii) eine erste primäre ICD-10-Index-Primärdiagnose für nicht-organische, nicht-psychotische psychische Störungen (mit Ausnahme von akuten und transienten Psychotikerkrankungen; ATPD) oder eine CHR-P-Bezeichnung und (iv) mit bestehenden Kontaktdaten als förderfähig eingestuft. Während der In-vivo-Phase wurden neue Patienten, die jede Woche auf SLaM zugreifen, automatisch auf ihr Psychoserisiko untersucht, und diejenigen, deren Risiko größer als eine bestimmte Schwelle ist, wurden entdeckt. Das Forschungsteam kontaktierte daraufhin die verantwortlichen Kliniker der Patienten, um weitere Empfehlungen zu besprechen und schließlich eine weitere Face-to-Face-Bewertungvorzuschlagen 6. Wenn davon ausgegangen wurde, dass die bewerteten Personen die CHR-P-Kriterien erfüllten, wurden sie an spezialisierte CHR-P-Dienste wie Outreach and Support in South London (OASIS)28verwiesen. Dies würde zu einer verbesserten Erkennung von Personen vor dem Beginn einer psychotischen Störung führen und eine signifikante Gelegenheit bieten, den Verlauf der Erkrankung zu verändern. Entscheidend ist, dass diese Machbarkeitsstudie die vollständige Integration des Rechners in das lokale EHR-System beinhaltete, was das Thema des aktuellen Artikels ist. Das vollständige Protokoll dieser Durchführbarkeitsstudie, einschließlich eines Überblicks über den Plan zur Bewertung der vorgeschlagenen Forschung, Einzelheiten zum Management der Datensicherheit und ethische Fragen, wurde in unserer vorherigen Arbeit6vorgestellt. Der aktuelle Artikel im Rahmen der Machbarkeitsstudie6konzentriert sich selektiv auf die Darstellung der technischen Umsetzung eines Echtzeit-Psychose-Risikoerkennungs- und -alarmsystems auf Basis der lokalen EHR-Daten. Ziel dieser Studie ist es insbesondere, die technische Durchführbarkeit dieses Risikorechners zu untersuchen, um Risikopatienten rechtzeitig zu erkennen, sobald sie Zugang zu einem sekundären psychiatrischen Dienst haben. Die vollständigen Ergebnisse der Machbarkeitsstudie, in Bezug auf die Einhaltung der Empfehlungen des Risikorechners durch die Ärzte, werden gesondert vorgestellt. Eine umfassende Bewertung der Wirksamkeit der vorgeschlagenen Forschung, die randomisierte Entwürfe erfordert, fällt nicht in den Rahmen des aktuellen Forschungsprogramms. Nach bestem Wissen und Gewissen ist dies die erste Methode, die die Implementierung eines Risikorechners auf Basis von Live-EHR-Daten zur Früherkennung von Psychosen beschreibt.
Unser Ansatz zur Erkennung und Alarmierung von Psychosenrisiken nutzt die CogStack-Plattform. Die CogStack-Plattform ist eine leichte, verteilte und fehlertolerante Informationsabruf- und Textextraktionsplattform24. Diese Plattform besteht aus drei Schlüsselkomponenten: 1) der CogStack-Pipeline, die das Java Spring Batch-Framework verwendet, um Daten aus einer vordefinierten Datenquelle (sowohl strukturierte als auch unstrukturierte EHR-Daten in mehreren Formaten wie Word, PDF-Dateien und Bilder) in eine vordefinierte Datensenke in Echtzeit aufzunehmen und zu synchronisieren. 2) Elasticsearch, eine Suchmaschine, die die Speicherung und Abfrage des vollständigen Textes von EHR-Daten ermöglicht, sowie die Bereitstellung verschiedener APIs (Application Programming Interfaces) zur Einbettung erweiterter Analysen in die Engine; und 3) Kibana, eine interaktive, webbasierte Benutzeroberfläche, die es Benutzern ermöglicht, Daten in Elasticsearch abzufragen, Visualisierungs-Dashboards zu erstellen und Warnungen bei Anomalien oder anderen Mustern von Interesse aus Daten zu setzen. Darüber hinaus beinhaltet CogStack die Möglichkeit, Ärzte per E-Mail und SMS (Text) auf potenzielle Probleme aufmerksam zu machen, sodass Ärzte rechtzeitig Benachrichtigungen über Risikopatienten erhalten können, die vom Risikorechner gemeldet werden.
Wir präsentieren ein Modell der Psychose-Risikoerkennung und -warnung auf Basis von ePJS bei SLaM und nutzen die CogStack-Plattform. Im Vergleich zur CRIS-Plattform, die einen Mechanismus für den rückwirkenden Zugriff auf nicht identifizierte Gesundheitsdatensätze von ePJS auf wöchentlicher Basis19bietet, ermöglicht die CogStack-Plattform bei SLaM den Zugriff auf eine identifizierbare EHR in Echtzeit, wodurch die Warnung näher an den Point-of-Care und die Risikovorhersage in einem prospektiven Entwurf heranrückt, obwohl sowohl die CRIS- als auch die CogStack-Plattformen Daten verwenden, die von ePJS in SLaM stammen. Im folgenden Abschnitt stellen wir Details zu den wichtigsten Schritten unseres Ansatzes bereit, einschließlich der Vorbereitung von Quelldaten aus der EHR, der Aufnahme der Quelldaten in die CogStack-Plattform, um die Volltextsuche über Elasticsearch zu ermöglichen, der Ausführung des Psychose-Risikorechners mithilfe eines Python-Daemon-Threads und dem Festlegen interaktiver Visualisierungen und Echtzeit-Risikowarnungen über die Kibana-Benutzeroberfläche. Jeder Forscher, der ein Risikoerkennungs- und Alarmsystem in Echtzeit auf der Grundlage von EHR-Daten aufbauen möchte, kann dem Ansatz und seiner Referenzimplementierung folgen. Wie wir im Folgenden näher erläutern werden, nutzt die vorgeschlagene Methode Open-Source-, Leichtbautechniken mit hoher Flexibilität und Portabilität. Dies ermöglicht die Ausführung des Risikorechners an verschiedenen Standorten und zeigt eine hohe Anwendbarkeit auf andere Risikoabschätzungsalgorithmen. Darüber hinaus arbeitet die Methode als einfacher Ansatz, um die Risikoerkennungs- und Alarmfunktionen eines EHR zu verbessern, das in ein allgemeines Gesundheitssystem eingebettet ist.
Protocol
Diese Studie wurde von der East of England - Cambridgeshire and Hertfordshire Research Ethics Committee (Referenznummer: 18/EE/0066) genehmigt.
HINWEIS: Wir haben dieses Protokoll auf basisder CogStack-Plattform und der Programmiersprache Python entwickelt. Dieses System erfordert Docker (genauer gesagt Docker Compose https://docs.docker.com/compose/), Anaconda Python (https://www.anaconda.com/distribution/) und Git (https://git-scm.com/downloads) vorinstalliert auf einem Gerät. Die in diesem Protokoll bereitgestellten Befehle basieren auf der Linux-Umgebung. Im Folgenden stellen wir die Details zum Vorbereiten von Quelldaten aus einer EHR-Datenbank, zum Einsieren der Daten auf der CogStack-Plattform und zum Einrichten eines Echtzeit-Risikoberechnungs- und Warnsystems für Psychose auf Basis der CogStack-Plattform bereit. Darüber hinaus wurde eine Online-Version des Risikorechners entwickelt, um die numerische Berechnung der Wahrscheinlichkeit einer individuellen Entwicklung einer Psychose in der sekundären psychischen Gesundheitsversorgung am http://www.psychosis-risk.netzu erleichtern.
1. Quelldatenaufbereitung
HINWEIS: In den meisten Anwendungsfällen erfasst CogStack Quelldaten aus einer angegebenen Datenbankansicht, die Daten aus einer oder mehreren Quelldatenbanktabellen kombinieren können, wobei eine Ansicht ein durchsuchbares Objekt in einer Datenbank ist, das das Resultset einer gespeicherten Abfrage für die Daten enthält. Die Einrichtung der Aufnahmeansicht wird durch die spezifischen Anwendungsfälle und Bereitstellungseinstellungen eines Integritätsdatensatzdatenbanksystems zugeschnitten. Dieses Protokoll basiert auf einem Psychose-Risikorechner, der zweimal von Fusar-Poli et al.14,21 entwickelt und extern validiert wurde und im Rahmen einer Pilotimplementierung Machbarkeitsstudie6. Das Protokoll basiert auf einer EHR-Datenbank, die mit Microsoft SQL Server 2014 bereitgestellt wird.
- Erstellen Sie ein Ansichtsobjekt (in diesem Protokoll" vwPsychosisBasegenannt), um die notwendigen Informationen von Patienten für die Berechnung und Alarmierung von Psychosenrisiken zu verbinden. Stellen Sie sicher, dass diese Ansicht alle Patienten umfasst, die eine erste primäre Diagnose einer nicht-organischen und nicht-psychotischen psychischen Störung erhalten (aufgezeichnet durch die International Statistical Classification of Diseases and Related Health Problems, Tenth Revision [ICD-10]), wie im ursprünglichen Modell14,21definiert.
- Stellen Sie sicher, dass jeder Datensatz in der Ansicht drei Arten von Patienteninformationen umfasst: 1) die erste primäre Diagnose eines Patienten im EHR-System, einschließlich ICD-10-Diagnoseindex (Diagnosen wurden in die folgenden zehn Cluster gruppiert: akute und vorübergehende psychotische Störungen, Angststörungen, bipolare Affektstörungen, Erkrankungen der Kindheit und Jugend, Entwicklungsstörungen, nichtbipolare Affektstörungen, psychische Retardierung, Persönlichkeitsstörungen, physiologische Syndrome, Drogenkonsumstörungen; 2) die demografischen Daten eines Patienten, einschließlich Geschlecht, ethnischer Zugehörigkeit und Geburtsdatum; und 3) die neuesten Kontaktinformationen des Pflegeteams für einen Patienten, wie z. B. Details der allgemeinen Praxis (GP), Berater und Pflegekoordinatoren. Die ersten beiden Arten von Informationen sind für den Psychose-Risikorechner14,21, und die dritte Art von Informationen ist es, eine rechtzeitige Risikowarnung zu ermöglichen.
- Stellen Sie sicher, dass jeder Datensatz in der Ansicht über einen eindeutigen Bezeichner verfügt (z. B. "patient_id" in diesem Protokoll verwendet wird).
- Wählen Sie die letzten Aktualisierungszeitstempel aller Quellinformationen aus, die sich auf einen Datensatz in der Ansicht beziehen (z. B. die letzten Aktualisierungszeiten der demografischen Informationen eines Patienten und die ersten primären Diagnoseinformationen des Patienten), und wählen Sie den letzten Zeitstempel als datum und die letzte Aktualisierungszeit für den Datensatz in der Ansicht (in diesem Protokoll als "etl_updated_dttm" bezeichnet). Das Datum und die Uhrzeit der letzten Aktualisierung eines Datensatzes ermöglicht CogStack das Synchronisieren von Aktualisierungen in der Datenbank, z. B. neue und aktualisierte Datensätze.
2. Datenerfassung
- Laden Sie das Code-Repository von Github (https://github.com/cogstack-slam/psychosis) herunter oder klonen Sie es oder geben Sie in einem Terminalfenster "git clone https://github.com/cogstack-slam/psychosis.git" ein. Der heruntergeladene Ordner enthält den Code für die Berechnung des Psychosenrisikos und Konfigurationsdateien für die Bereitstellung einer CogStack-Instanz.
- Wechseln Sie zum Verzeichnis "cogstack_deploy/cogstack/" und ändern Sie "psychosis.properties", um CogStack Pipeline für die Datenerfassung zu konfigurieren. Ändern Sie die Einstellungen des Abschnitts "SOURCE: DB CONFIGURATIONS" basierend auf der EINRICHTUNG der EHR-Datenbank, einschließlich der Angabe der IP-Adresse des Datenbankservers, des Datenbanknamens, des Datenbankbenutzernamens und des Kennworts. Ändern Sie ggf. den Ansichtsnamen (d. h. "vwPsychosisBase") und Feldnamen (z. B. "patient_id" und "etl_updated_dttm") ändern. Im Falle eines Fehlers beim Konfigurieren dieser Datei befolgen Sie die Anweisungen unter https://cogstack.atlassian.net/wiki/spaces/COGDOC/pages/38043684/Quickstart.
- Wechseln Sie zum Verzeichnis "cogstack_deploy/common/elasticsearch/config/" und ändern Sie den Abschnitt "xpack.notification.email.account" in der Datei "elasticsearch.yml", um eine E-Mail-Adresse für das Senden von Warnungen zu konfigurieren. Eine ausführliche Anleitung zur E-Mail-Konfiguration finden Sie unter https://www.elastic.co/guide/en/kibana/6.4/watcher-create-threshold-alert.html.
- Wechseln Sie zum Verzeichnis "cogstack_deploy/"und geben Sie "docker-compose up "ein, um die CogStack-Plattform auszuführen. Führen Sie diesen Befehl mit Root-Zugriff aus. Wenn der Prozess erfolgreich abgeschlossen wurde, werden im Terminal Statusprotokolle der aktuell ausgeführten Dienste, einschließlich CogStack Pipeline, Elasticsearch und Kibana, gedruckt. Daher werden alle Daten und Aktualisierungen in der Quelldatenbankansicht zeitnah in einen Elasticsearch-Index mit dem Namen "psychosis_base" in der CogStack-Plattform aufgenommen.
- Öffnen Sie einen Webbrowser und greifen Sie auf die Kibana-Benutzeroberfläche zu, indem Sie "http://localhost:5601/" eingeben (oder "localhost" durch eine bestimmte IP-Adresse des Servers ersetzen, auf dem die CogStack-Plattform ausgeführt wird). Klicken Sie beim ersten Zugriff auf Kibana auf die Registerkarte Verwaltung und Indexmuster, um einen Elasticsearch-Index anzugeben, auf den man mit Kinaba zugreifen möchte. Geben Sie "psychosis_base" in das Feld "Indexmuster" ein und klicken Sie auf Nächster Schritt. Wählen Sie "etl_updated_dttm" für den Feldnamen "Zeitfilter" und klicken Sie auf Indexmuster erstellen, um das Indexmuster "psychosis_base" für Kinana hinzuzufügen.
- Sobald Kibana mit dem Elasticsearch-Index verbunden ist (d.h. "psychosis_base"), suchen und durchsuchen Sie die Quelldaten interaktiv über die Seite "Entdecken". Kibana ermöglicht es nicht-technischen Benutzern, sowohl nach strukturierten Metadaten als auch nach Freitext zu suchen. Detaillierte Anweisungen zur Verwendung von "Discover" finden Sie auf https://www.elastic.co/guide/en/kibana/6.4/discover.html.
3. Risikoberechnung
- Öffnen Sie ein neues Terminalfenster und gehen Sie zum Verzeichnis "psychosis/". Installieren Sie alle erforderlichen Python-Pakete (einschließlich "elasticsearch", "elasticsearch_dsl", "pandas" und "numpy"), die im Risikorechner verwendet werden, indem Sie "conda install package-name" oder "pip install package-name" in das Terminal eingeben.
- Geben Sie "python risk_calculator.py" ein, um den Psychose-Risikorechner auszuführen. Wenn der Prozess erfolgreich abgeschlossen wurde, werden Protokolle der Risikoberechnung im Terminal gedruckt und die Risikoergebnisse werden in einem neuen Elasticsearch-Index mit dem Namen "psychosis_risk" innerhalb der CogStack-Plattform gespeichert.
- Überprüfen Sie die Risikoergebnisse mithilfe der Kibana-Schnittstelle. Fügen Sie ähnlich wie in den Schritten 2.5 und 2.6 ein neues Indexmuster "psychosis_risk" hinzu, um Kinbana mit dem Index "psychosis_risk" zu verbinden, und untersuchen Sie die Risikoergebnisse über die Seite "Entdecken". Um die Identifizierung neuer gefährdeter Patienten zu erleichtern, verwenden Sie "first_primary_diagnosis_date" als Feld "Zeitfilter" beim Erstellen des Index "psychosis_risk". Stellen Sie beim Untersuchen von Daten auf der Seite "Suchen" sicher, dass das Indexmuster "psychosis_risk" ausgewählt ist.
4. Datenvisualisierung
- Neben der Suche und dem Zugriff auf Informationen auf individueller Ebene über die Seite "Entdecken" in Kibana kann man Visualisierungen und Dashboards erstellen, um einen Überblick über die Merkmale der gesamten Population von Risikopatienten zu erhalten. Um dies zu tun, klicken Sie auf Visualisieren in der Seitennavigation von Kibana. Klicken Sie dann auf die Schaltfläche Neue Visualisierung erstellen, und wählen Sie einen Visualisierungstyp aus (z. B. Kreis- und Liniendiagramme). Wählen Sie "psychosis_risk" als Index, den man über Kibana visualisieren möchte. Standardmäßig enthalten Visualisierungen alle Datensätze/Patienten im Index "psychosis_risk". Detaillierte Anleitungen zum Erstellen von Kibana-Visualisierungen finden Sie unter https://www.elastic.co/guide/en/kibana/6.4/visualize.html.
- Um eine bestimmte Teilmenge von Daten für die Visualisierung auszuwählen, fügen Sie einen "Filter" hinzu. Wenn Sie z. B. einen Filter auswählen, der als "h_2_year" abgelegt wurde, einen Operator als "ist nicht zwischen" und Werte von0,0auf0,05festlegen, werden nur Patienten eingeschlossen, deren Psychoserisiko in 2 Jahren höher als 0,05 ist.
- Sobald einzelne Visualisierungen erstellt wurden, klicken Sie in der Seitennavigation von Kibana auf Dashboard, um ein Dashboard zu erstellen, das eine Reihe verwandter Visualisierungen zusammen anzeigt. Klicken Sie auf Neues Dashboard erstellen und auf die Schaltfläche Hinzufügen, um ein neues Dashboardbedienfeld zu erstellen. Klicken Sie auf Visualisierungen, die im neuen Dashboard-Bedienfeld angezeigt werden sollen. Klicken Sie auf Speichern, und geben Sie einen Titel ein, um das Bedienfeld zu speichern. Anweisungen zum Erstellen von Kibana-Dashboards finden Sie unter https://www.elastic.co/guide/en/kibana/6.4/dashboard.html.
5. Risikowarnung
- Klicken Sie auf Management in der Seitennavigation von Kibana und klicken Sie dann auf Watcher unter Elasticsearch, um Eine Warnung für Ärzte zu erstellen, wenn Patienten von Psychosen bedroht sind. Wenn die Watcher-Schaltfläche nicht sichtbar ist, klicken Sie auf Lizenzverwaltung, und klicken Sie auf Testversion oder Lizenz aktualisierenstarten .
- Klicken Sie auf Erweiterte Uhr erstellen, um einen neuen Watcher einzurichten. Geben Sie eine "ID" und "Name" ein. Löschen Sie den Inhalt des Abschnitts "Watch JSON" und kopieren Sie den Inhalt in der Datei "watcher.json" im Verzeichnis "psychosis" in den Abschnitt "Watch JSON". Dieser Beobachter sendet eine Benachrichtigungs-E-Mail an "clinician@nhs.uk" (die durch die E-Mail-Adresse ersetzt werden kann, an die man Warnungen senden möchte) von "username@nhs.uk" (die in Schritt 2.3 festgelegt wurde), wenn es einen oder mehrere Patienten gibt, deren Psychoserisiko in 2 Jahren über 0,05 (eine vorläufige Schwelle für Machbarkeitstests) in allen 24 Stunden liegt.
- Bevor Sie den Watcher speichern, klicken Sie auf Simulieren, um die Watcher-Ausführung zu testen. Wenn der Watcher erfolgreich eingestellt ist, wird die Simulationsausgabe gedruckt. Im Falle eines Fehlers in den Einstellungen, folgen Sie den Anweisungen auf https://www.elastic.co/guide/en/elastic-stack-overview/6.4/watcher-getting-started.html.
- Um einen Watcher zu stoppen, löschen Sie ihn dauerhaft oder deaktivieren Sie ihn vorübergehend von der Seite "Status" des Watchers.
Representative Results
In diesem Abschnitt stellen wir Implementierungsergebnisse vor, die sich auf die Praktikabilität im Umgang mit live klinischen Datenströmen konzentrieren, die über den Risikorechner erstellt wurden, und die rechtzeitige Bereitstellung prognostischer Ergebnisse an Kliniker erleichtern. Bewertungen des klinischen Nutzens des Systems, wie die Einhaltung der Empfehlungen des Risikorechners durch Ärzte, werden nach Vollständigkeit in einem separaten Bericht vorgestellt.
Erfassung von Quelldaten
Wir haben das Psychose-Risikoberechnungs- und Warnsystem auf DerGrundlage einer Replikatdatenbank von ePJS in SLaM eingesetzt. Diese Replikatdatenbank synchronisiert die Livedaten von ePJS alle 10 Minuten. In dieser Replikatdatenbank wurde eine Datenbankansicht erstellt, in der Patienteninformationen für die Berechnung des Psychosenrisikos kombiniert werden, in der jeder Datensatz Informationen für einen Patienten enthält. Alle Datensätze in dieser Ansicht wurden in Echtzeit in die CogStack-Plattform aufgenommen (ca. 0,6 Mikrosekunden pro Datensatz in einer virtuellen Maschine mit 8-Kern-CPU und 16 GB RAM). Bis zum 13. Juli 2019, als dieses Manuskript erstellt wurde, wurden alle Aufzeichnungen von 202.289 Patienten, die eine erste Indexdiagnose für nicht-organische und nicht-psychotische psychische Störungen bei SLaM erhielten, in CogStack für die Berechnung des Psychose-Risikos aufgenommen, gespeichert im" psychosis_base" Elasticsearch Index. Abbildung 1 zeigt die Anzahl der Datensätze, die im Laufe der Zeit in CogStack aufgenommen wurden, in chronologischer Reihenfolge basierend auf dem letzten Aktualisierungsdatum eines Datensatzes. Durch den Vergleich der Zahlen und des Inhalts von Datensätzen in der Datenbank und dem Elasticsearch-Index wurden keine fehlenden und diskreten Daten gefunden, was die Zuverlässigkeit von CogStack Pipeline bei der Datenerfassung und -synchronisierung bestätigt.
Validierung von Risikoergebnissen
Um die Implementierung des Psychose-Risikodetektors in diesem Protokoll zu validieren, verglichen wir von CogStack (genannt "CogStack-Version") erkannte Risikopatienten mit denen, die vom ursprünglichen Risikorechner auf basis von CRIS (genannt "CRIS-Version") erkannt wurden. Da es keine Schwellenwerte gab, um einen gefährdeten Patienten6,14,21zu überprüfen, haben wir hier eine vorläufige Schwelle von 5% für das Risiko einer Psychose in zwei Jahren verwendet. Beachten Sie, dass diese vorläufige Schwelle lediglich dazu dient, zu testen, ob das System pragmatisch im NHS arbeiten kann und mit der zukünftigen Forschung anfällig für Veränderungen ist. Die tatsächliche Schwelle für eine optimale Erkennung von gefährdeten Personen muss in künftigen groß angelegten Studien ermittelt werden. Insbesondere haben wir zunächst alle Patienten, die ein Risiko für Psychosen oberhalb der Schwelle in der CRIS-Version hatten (die Anzahl der Patienten N=169) abgerufen. Alle diese Patienten erhielten vom 14. Mai 2018 bis zum 29. April 2019 eine erste Indexdiagnose für nicht-organische und nicht-psychotische psychische Störungen in SLaM. Durch die Filterung von Patienten, die im gleichen Zeitraum diagnostiziert wurden, haben wir dann N=170 Patienten, deren Risiko für Psychosen in 2 Jahren höher als 0,05 in der CogStack-Version waren, zurückgeholt. Schließlich verglichen wir den Unterschied zwischen den beiden Gruppen von Patienten, wobei die Gesamtzahl der eindeutigen Patienten in den beiden Sätzen N=173 beträgt. Wir fanden heraus, dass 161 Patienten (93% von 173 Patienten) in beiden Versionen die gleichen Werte hatten. Der hohe Grad an Übereinstimmung bestätigt die Gültigkeit dieses CogStack-basierten Protokolls bei der Generierung von Risikobewertungen.
In den beiden Versionen gab es 12 Patienten mit unterschiedlichen Risikowerten. Bei der Untersuchung der EHRs der Patienten stellten wir fest, dass dieser Unterschied darauf zurückzuführen war, dass die Daten für diese Patienten aktualisiert wurden, nachdem die Risikoergebnisse in der CRIS-Version berechnet wurden. Obwohl im Risikorechner verwendete Prädiktoren wie Geburtsdatum, Geschlecht und selbst zugewiesene ethnische Zugehörigkeit statische Variablen waren, hatten die Gesundheitsdatensätze einiger Patienten zu einem früheren Zeitpunkt einen fehlenden oder Standardwert für eine Variable (z. B. eine unbekannte ethnische Zugehörigkeit), und diese Variablen wurden zu einem späteren Zeitpunkt eingegeben oder aktualisiert. Dies kann zu unterschiedlichen Risikobewertungen in zwei verschiedenen Stufen führen. In ähnlicher Weise wurden die ersten Primärindexdiagnosen einiger Patienten ungültig, nachdem auf der Grundlage dieser Diagnosen ein anfänglicher Risikoscore berechnet wurde. In diesem Fall sucht der Risikorechner nach der nächsten gültigen Primärdiagnose für diesen Patienten und berechnet einen Risikowert neu. Die aktualisierte Risikobewertung kann auch von der ursprünglichen abweichen. Da der ursprüngliche Risikorechner auf der Grundlage retrospektiver Daten in CRIS für forschungszwecken entwickelt wurde, synchronisierten die ursprünglichen Rechner-Pipelines diese Aktualisierungen nicht in EHR-Daten und aktualisierten die Risikobewertungen nicht rechtzeitig. Im Gegensatz dazu wird der Risikowert eines Patienten in der CogStack-Version neu berechnet, wenn irgendwelche Quelldaten des Patienten aktualisiert werden, was es diesem CogStack-basierten Rechner ermöglicht, die zuverlässigsten und aktuellsten Risikobewertungen für Patienten bereitzustellen. Diese Ergebnisse unterstreichen nachdrücklich die Zuverlässigkeit von Risikobewertungen in diesem Protokoll.
Ergebnisvisualisierung und Risikowarnung
Um die Möglichkeiten von CogStack in der Datenvisualisierung zu demonstrieren, haben wir ein Dashboard für Informationen über Psychosengefährdete Patienten erstellt. Wie bereits bei Machbarkeitstests verwendet, haben wir diejenigen, die in zwei Jahren ein Psychoserisiko haben, als Risikopatienten ausgewählt. Abbildung 2 zeigt die Visualisierungen von Merkmalen für Psychosenrisiko-Patienten, einschließlich der ethnischen Zugehörigkeiten, des Geschlechts, des Alters und der Kategorien von Diagnosen. Neben der Visualisierung von Risikoergebnissen über Web-Schnittstellen (z.B. Kibana) ermöglicht dieses Protokoll, Risikowarnungen über andere Benachrichtigungskanäle wie E-Mail an Benutzer oder Kliniker zu senden. Abbildung 3 zeigt die Schnittstelle zum Festlegen eines Risikowarndienstes mithilfe der Watch-Komponente in Kibana. Sobald dieser Dienst erfolgreich konfiguriert wurde, können Benutzer eine E-Mail-Benachrichtigung erhalten, wenn es einen oder mehrere Patienten gab, deren Psychoserisiko in zwei Jahren höher als 5% ist. Abbildung 4 zeigt ein Beispiel für diese E-Mail-Benachrichtigungen, in denen die Anzahl der gefährdeten Patienten und die Bezirke dieser Patienten angezeigt wird. Da mehr Arbeit erforderlich ist, um die Art und Weise anzupassen, wie die vorhergesagten Psychosen-Risiko-Scores kommuniziert werden, haben wir keine Risikomeldungen direkt an Ärzte gesendet. Um die technologische Machbarkeit zu testen, wurden alle Meldungen in dieser Studie von einem technischen Forscher (T.W.) über das E-Mail-System des SLaM innerhalb eines sicheren Netzwerks an einen klinischen Forscher (D.O.) gesendet. Nur eine aggregierte Statistik der Patienteninformationen wurde in eine Meldung aufgenommen; es wurden keine personenbezogenen Daten aufgenommen.
Abbildung 1: In CogStack aufgenommene Quelldaten. Es gibt insgesamt 202.289 Datensätze, die bis zum 13. Juli 2019 in den Elasticsearch-Index "psychosis_base aufgenommenwurden, und das Histogramm zeigt die Anzahl der im Laufe der Zeit aufgenommenen Datensätze an, sortiert nach der letzten Aktualisierungsdatenzeit eines Datensatzes. Sie können auch strukturierte und unstrukturierte Informationen abfragen und Suchtreffer erhalten, die der Abfrage auf dieser Seite entsprechen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 2: Dashboard der Merkmale von Psychosengefährdeten Patienten (d. h. das Psychoserisiko in 2 Jahren höher als 0,05). (a) Verteilung der ethehrenden Zugehörigkeiten für gefährdete Patienten, wobei äußere Torten die Unterkategorien einer ethnischen Kategorie in inneren Torten sind. (b) Verteilung des Geschlechts der Patienten, (c) Verteilung des Alters der Patienten bei der Diagnose und (d) Anzahl der Patienten pro Diagnosegruppe. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 3: Einstellen und Simulieren von Watch für Risikowarnungen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 4: Ein Beispiel für die Risikowarnung e-Mail. Die Anzahl der Patienten, die in jeder Klinischen Inbetriebnahmegruppe (CCG) mit Psychosenrisiko bedroht sind, wird in Klammern berichtet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Discussion
Wir haben die erste EHR-Implementierung eines Echtzeit-Psychosenrisikoerkennungs- und -war-Systems auf Basis von CogStack, einer Open-Source-Informations-Retrieval- und Extraktionsplattform, demonstriert. Nach diesem Ansatz kann man eine große Anzahl klinischer Daten in verschiedenen Formaten, einschließlich strukturierter und unstrukturierter Informationen, in eine CogStack-Instanz umwandeln und aufnehmen, um eine Volltextsuche, interaktive Analysen und Visualisierung von Daten sowie Echtzeitwarnungen für Kliniker von Patienten zu ermöglichen, die von Psychosen bedroht sind. Obwohl der ursprüngliche Psychose-Risikorechner in Pilotstudien über mehrere NHS Trusts validiert wurde, obwohl er retrospektive Patientenakten6,14,21verwendet, liefert dieses experimentelle Design die erste Beweisbasis dafür, dass dieser Risikorechner repliziert und für den Einsatz in Echtzeit eingesetzt werden kann. Dieser Ansatz ermöglicht die automatische Übermittlung prognostischer Ergebnisse an Kliniker über bestehende klinische Benachrichtigungskanäle, wie z. B. E-Mail, in Echtzeit. Dies zeigt deutlich die technische Machbarkeit für die Durchführung einer groß angelegten Wirksamkeitsstudie, um den ultimativen klinischen Nutzen dieses Risikorechners in der realen Welt zu bewerten.
Dieses Protokoll ist empirisch innovativ, da es kein ähnliches Risikoerkennungs- und Alarmsystem für Psychosen gibt. Darüber hinaus hat dieses Protokoll eine hohe Verallgemeinerung im klinischen Einsatz, insbesondere wegen der einzigartigen Stärken unseres Ansatzes. Aus theoretischer Sicht verwendeten wir ein Risikovorhersagemodell, das auf der Grundlage einer großen retrospektiven, nicht identifizierten Kohorte des SLaM NHS Trust entwickelt wurde. SLaM bietet einer Bevölkerung von 1,36 Millionen Menschen in Südlondon eine sekundäre psychische Gesundheitsversorgung und hat eine der höchsten registrierten Psychosenraten der Welt. Diese große Kohorte, die eine große Vielfalt an soziodemografischen und diagnostischen Merkmalen aufweist, ermöglicht es uns, ein Risikovorhersagemodell zu entwickeln, das wahrscheinlich nicht auf eine Bevölkerung mit spezifischen Merkmalen ausgerichtet ist. Dies wird durch Beweise dafür gestützt, dass die prognostische Genauigkeit dieses Risikorechners bereits zweimal in zwei verschiedenen Datenbanken14,21repliziert wurde, einschließlich einer außerhalb von SLaM. Eine weitere theoretische Stärke dieses Risikomodells besteht darin, dass grundlegende demografische und klinische Diagnoseinformationen als Prädiktoren verwendet wurden. Solche Informationen sind in elektronischen klinischen Daten allgegenwärtig, und in der Tat haben sich in unseren früheren Studien14,21als relativ selten erwiesen. Die hohe Verfügbarkeit von Informationen für Gebäudeprädiktoren ermöglicht es, den Risikorechner über eine große Anzahl von Patientenproben in verschiedenen sekundären Bereichen der psychischen Gesundheit durchzuführen. Darüber hinaus ist der Risikorechner ein allgemeiner Algorithmus, der für alle Personen geeignet ist, die Gefahr laufen, eine Psychose in der sekundären psychischen Gesundheitsversorgung zu entwickeln, unabhängig vom Alter des Einzelnen. Das heißt, dieser Rechner eignet sich nicht nur für die 15-35 Jahre des SpitzenpsychoseRisikos16, sondern auch für diejenigen außerhalb dieses Bereichs, die ein hohes Maß an Verallgemeinerbarkeit zeigen.
Aus praktischer Sicht sind sowohl der Risikorechner als auch die CogStack-Plattform leichte und Open-Source-Dienste, die keine ressourcenlastigen Techniken oder kostspielige Infrastrukturen beinhalten. Eine solche kostengünstige und einfach zu implementierende Plattform kann die Hindernisse für ihre Einführung in realen klinischen Umgebungen verringern. Außerdem überwindet unsere Lösung die Hauptimplementierungsbarriere: Risikoabschätzungssysteme bieten nur wenig Wert, es sei denn, sie werden von Ärzten in der täglichen Praxis eingesetzt25. Insbesondere greift unser Ansatz auf Daten aus der EHR zu, führt Analysen unabhängig von einem elektronischen Krankenaktensystem durch und kann Analyseergebnisse über bestehende Meldekanäle an Kliniker zurücksenden. Diese Methode erfordert nicht, dass die Geschäftslogik in bereits vorhandenen Systemen geändert wird und als eigenständiger Dienst zur Unterstützung und Erweiterung bestehender Systeme zur Unterstützung klinischer Entscheidungen verwendet werden kann. Somit hat das Protokoll eine hohe Kompatibilität mit bereits bestehenden klinischen Systemen und kann problemlos in die klinische Routinepraxis integriert werden. Darüber hinaus bietet das Protokoll benutzerfreundliche Schnittstellen zum Suchen, Analysieren und Visualisieren klinischer Daten, die es Ärzten leicht machen, die Risikoergebnisse zu interpretieren und zu untersuchen.
Dieses Protokoll hat auch seine Grenzen. Erstens wurde die Wirksamkeit dieses Protokolls in der klinischen Routinepraxis nicht bewertet. Diese Studie konzentrierte sich auf technische Machbarkeitstests zur Implementierung eines Echtzeit-Psychose-Risikoerkennungs- und -war-Systems in einem lokalen EHR. Um die Wirksamkeit dieses Systems in der klinischen Routinepraxis weiter zu bewerten, sind zukünftige groß angelegte randomisierte kontrollierte Studien erforderlich6. Eine zweite Einschränkung besteht darin, dass die Vorhersagen der Risikobewertungen in diesem Protokoll auf der Grundlage der ersten primären Diagnosen vorgenommen wurden, bei denen es sich um statische Daten handelt, die bei einem einzelnen Snapshot gesammelt wurden. Die CHR-P-Symptome entwickeln sich jedoch im Laufe der Zeit an sich. Eine dynamische Version des Psychose-Risikorechners, in der Vorhersagemodelle dynamisch aktualisiert werden können, um die Änderungen widerzuspiegeln, wurde vor kurzem26entwickelt. Zukünftige Arbeiten werden sich auf die Integration dieses dynamischen Rechners in das aktuelle Protokoll konzentrieren.
Der wichtigste Schritt in diesem Ansatz war die Identifizierung von EHR-Daten, die für Extraktprädiktoren im Risikorechner verwendet wurden. Dies kann auch die Erstellung von Datenelementzuordnungen beinhalten, wenn ein EHR-System ein anderes Datenmodell als das in diesem Protokoll verwendete verwendet hat, z. B. unterschiedliche Codierungssysteme für ethnische Gruppen von Patienten. Wir haben alle Code- und Mapping-Definitionen online (https://github.com/cogstack-slam/psychosis) open-sourced. Basierend auf diesen Materialien wäre man in der Lage, die Bereitstellung zu replizieren oder den Rechner je nach eigenem Umstand anzupassen. Ein weiterer wichtiger Schritt war das Erstellen einer Datenbankansicht für die Datenerfassung in CogStack. Da relationale Verknüpfungsvorgänge (d. h. das Kombinieren von Spalten aus einer oder mehreren Datenbanktabellen) in Elasticsearch zu hohen Rechenkosten führen können, haben wir diese Verknüpfungsvorgänge in der EHR-Datenbank durchgeführt, indem wir eine Datenbankansicht erstellt haben. Diese Ansicht kombinierte alle Informationen, die zum Extrahieren von Prädiktoren im Risikorechner erforderlich waren, und zwei wichtige Felder, die von CogStack-Pipelines für die Datenpartitionierung bei der Datenerfassung verwendet wurden. Das erste Feld ist ein eindeutiger Primärschlüssel für jeden Datensatz in der Ansicht ("patient_id" verwendet dieses Protokoll) und das zweite ist ein Zeitstempel, wenn ein Datensatz zuletzt geändert wurde. Wenn diese beiden Felder nicht ordnungsgemäß festgelegt wurden, synchronisiert CogStack Datenaktualisierungen in einer EHR-Datenbank möglicherweise nicht rechtzeitig. Detaillierte Anweisungen zur Fehlerbehebung bei der Erfassung von CogStack-Daten finden Sie unter https://cogstack.atlassian.net/wiki/spaces/COGDOC/overview und https://github.com/CogStack/CogStack-Pipeline.
Dieses Protokoll ist hochgradig transportabel und kann problemlos in NHS Trusts mit einer CRIS- oder CogStack-Plattform bereitgestellt werden. Bisher wurde die CRIS-Plattform - einschließlich der zustimmungsrechtlichen Verfahren - an anderer Stelle vollständig beschrieben und wird in 12 NHS Trusts im Vereinigten Königreich erweitert, wo über 2 Millionen identifizierte Patientenakten (https://crisnetwork.co/) genutzt werden. In ähnlicher Weise wurde die CogStack-Plattform nicht nur in SLaM, sondern auch in anderen NHS Trusts in ganz Großbritannien wie University College London Hospitals (UCLH), King es College Hospital (KCH), Guy es and St Thomas' (GSTT) und Mersey Care NHS Trusts eingesetzt. Diese Trusts ohne solche wie Plattform können eine Online-Version des Risikorechners verwenden (http://psychosis-risk.net) oder dieses Protokoll von Grund auf basierend auf diesem Manuskript und unseren Online-Dokumenten erstellen. Obwohl dieses Protokoll für die Erkennung von Psychosenrisiken entwickelt wurde, ist das architektonische Design dieses Protokolls nicht an diesen speziellen Anwendungsfall gebunden. Das Protokoll ist flexibel genug, um eine Neukonfiguration und Wiederverwendung der Echtzeit-Überwachungs- und Alarmkomponenten für andere Risikomessbereiche, wie z. B. unerwünschte Arzneimittelwirkungen, zu ermöglichen, so dass Ärzte rechtzeitig Maßnahmen ergreifen können, um die Patientenversorgung, die Sicherheit und die Erfahrung zu verbessern.
Disclosures
Die Autoren haben nichts zu verraten.
Acknowledgments
Diese Studie wird von der King es College London Confidence in Concept Auszeichnung des Medical Research Council (MRC) (MC_PC_16048) an PFP finanziert und ist eine direkte Ausgabe. RD und AR wurden unterstützt von: (a) der Maudsley Charity; b) das Biomedical Research Centre des National Institute for Health Research (NIHR) in South London und der Maudsley NHS Foundation Trust und das King es College London; c) Health Data Research UK, das vom UK Medical Research Council, dem Engineering and Physical Sciences Research Council, dem Economic and Social Research Council, dem Department of Health and Social Care (England), dem Chief Scientist Office der 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 und Wellcome Trust finanziert wird; d) Das Konsortium BigData@Heart, das von der Gemeinsamen Initiative innovative Arzneimittel-2 im Rahmen der Finanzhilfevereinbarung Nr. 116074 finanziert wird. Dieses gemeinsame Unternehmen wird aus dem Forschungs- und Innovationsprogramm Horizont 2020 der Europäischen Union und der EFPIA unterstützt; den Vorsitz führen DE Grobbee und SD Anker in Partnerschaft mit 20 Akademischen und Industriepartnern sowie dem ESC; und (e) das National Institute for Health Research University College London Hospitals Biomedical Research Centre. Diese Förderstellen spielten bei der Gestaltung der Studie, der Sammlung und der Analysen keine Rolle. Die geäußerten Ansichten sind die des/der Autoren und nicht notwendigerweise die des NHS, des NIHR oder des Gesundheitsministeriums.
Materials
| Name | Company | Catalog Number | Comments |
| 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 |
References
- Lieberman, J. A., First, M. B. Psychotic Disorders. New England Journal of Medicine. 379 (3), 270-280 (2018).
- 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).
- 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).
- Fusar-Poli, P., McGorry, P. D., Kane, J. M. Improving outcomes of first-episode psychosis: an overview. World Psychiatry. 16 (3), 251-265 (2017).
- Fusar-Poli, P. The clinical high-risk state for psychosis (CHR-P), version II. Schizophrenia Bulletin. 43 (1), 44-47 (2017).
- 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).
- 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).
- 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).
- 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).
- Fusar-Poli, P., et al. Prognosis of brief psychotic episodes: a meta-analysis. JAMA Psychiatry. 73 (3), 211-220 (2016).
- 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).
- Fusar-Poli, P. Extending the benefits of indicated prevention to improve outcomes of first-episode psychosis. JAMA Psychiatry. 74 (7), 667-668 (2017).
- Fusar-Poli, P., et al. Transdiagnostic psychiatry: a systematic review. World Psychiatry. 18 (2), 192-207 (2019).
- Fusar-Poli, P., et al. Development and validation of a clinically based risk calculator for the transdiagnostic prediction of psychosis. JAMA Psychiatry. , (2017).
- 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).
- Radua, J., et al. What causes psychosis? An umbrella review of risk and protective factors. World Psychiatry. , (2018).
- 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).
- 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).
- 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).
- Jongsma, H. E., et al. Treated incidence of psychotic disorders in the multinational EU-GEI study. JAMA Psychiatry. 75 (1), 36-46 (2018).
- 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).
- 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).
- Colditz, G. A., Wei, E. K. Risk prediction models: applications in cancer prevention. Current Epidemiology Reports. 2 (4), 245-250 (2015).
- 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).
- 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).
- 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).
- 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).
- 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).
