Behavior

कॉगस्टैक का उपयोग करके इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड के आधार पर वास्तविक समय साइकोसिस रिस्क डिटेक्शन और अलर्टिंग सिस्टम का कार्यान्वयन

Published: May 15, 2020 doi: 10.3791/60794

Tao Wang¹, Dominic Oliver², Yamiko Msosa¹, Craig Colling³, Giulia Spada², Łukasz Roguski⁴, Amos Folarin¹, Robert Stewart^3,5, Angus Roberts^1,3, Richard J. B. Dobson^1,3,4,6, Paolo Fusar-Poli^2,3,7,8

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

Summary

हम यह प्रदर्शित करते हैं कि इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड के लिए एक सूचना पुनर्प्राप्ति और निष्कर्षण मंच, कॉगस्टैक के आधार पर वास्तविक समय मनोविकृति जोखिम गणना और चेतावनी प्रणाली को कैसे तैनात किया जाए।

Abstract

हाल के अध्ययनों से पता चला है कि एक स्वचालित, उम्र समावेशी, ट्रांसनैदानिक, और चिकित्सकीय आधारित, व्यक्तिगत जोखिम कैलकुलेटर इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (EHRs) का लाभ उठाकर, बड़े पैमाने पर मनोविकृति के जोखिम वाले व्यक्तियों का जल्दी पता लगाने का समर्थन करने के लिए एक शक्तिशाली प्रणाली प्रदान करता है। इस जोखिम कैलकुलेटर को दो बार बाहरी रूप से मान्य किया गया है और नैदानिक कार्यान्वयन के लिए व्यवहार्यता परीक्षण के दौर से गुजर रहा है। नैदानिक दिनचर्या में इस जोखिम कैलकुलेटर के एकीकरण को संभावित व्यवहार्यता अध्ययनों द्वारा सुविधा प्रदान की जानी चाहिए, जिन्हें डेटा गायब होने जैसी व्यावहारिक चुनौतियों का समाधान करने के लिए आवश्यक है, और वास्तविक दुनिया और नियमित नैदानिक सेटिंग में इस जोखिम कैलकुलेटर की उपयोगिता। यहां, हम वास्तविक दुनिया ईएचआर प्रणाली में वास्तविक समय के मनोविकृति जोखिम का पता लगाने और सेवा को सचेत करने के संभावित कार्यान्वयन के लिए एक दृष्टिकोण प्रस्तुत करते हैं। यह विधि कॉगस्टैक प्लेटफॉर्म का लाभ उठाती है, जो एक ओपन-सोर्स, लाइटवेट और वितरित जानकारी रिट्रीवल और टेक्स्ट एक्सट्रैक्शन सिस्टम है। कॉगस्टैक प्लेटफॉर्म में सेवाओं का एक सेट शामिल है जो नैदानिक डेटा की पूर्ण पाठ खोज, उम्र-समावेशी, मनोविकृति जोखिम की वास्तविक समय गणना, चिकित्सकों को जल्दी जोखिम-सचेत करने और समय के साथ रोगियों की दृश्य निगरानी की अनुमति देता है। हमारी विधि में शामिल हैं: 1) कॉगस्टैक प्लेटफॉर्म में कई स्रोतों से डेटा का घूस और सिंक्रोनाइजेशन, 2) एक जोखिम कैलकुलेटर का कार्यान्वयन, जिसका एल्गोरिदम पहले विकसित और मान्य था, रोगी के मनोविकृति के जोखिम की समय पर गणना के लिए, 3) समय के साथ रोगियों की स्वास्थ्य स्थिति की निगरानी के लिए इंटरैक्टिव दृश्यों और डैशबोर्डका निर्माण, और 4) स्वचालित चेतावनी प्रणाली का निर्माण सुनिश्चित करने के लिए कि चिकित्सकों को रोगियों के जोखिम के बारे में सूचित किया जाता है , ताकि उचित कार्रवाई की जा सके। यह पहली बार अध्ययन है कि विकसित किया है और मनोविकृति का जल्दी पता लगाने के लिए नैदानिक दिनचर्या में एक समान पता लगाने और चेतावनी प्रणाली लागू की है ।

Introduction

मानसिक विकार गंभीर मानसिक स्वास्थ्य बीमारियां हैं जो मन के आंतरिक अनुभव और पर्यावरण की बाहरी वास्तविकता^केबीच भेद करने में कठिनाइयों का कारण बनती हैं , साथ ही स्वयं को नुकसान पहुंचाने और^{आत्महत्या}के औसत से अधिक जोखिम 2 । मानक देखभाल के तहत, इन विकारों के परिणामस्वरूप दुनिया भर में व्यक्तियों, परिवारों और समाजों पर एक महत्वपूर्ण स्वास्थ्य और आर्थिक बोझ के साथ प्रमुख सार्वजनिक स्वास्थ्य प्रभाव^{पड़ता}है । मनोविकृति में शीघ्र हस्तक्षेप से इस मानसिक विकार के परिणामों में सुधार हो सकता है^। विशेष रूप से, उन व्यक्तियों का पता लगाना, शकुन मूल्यांकन और निवारक उपचार जो मनोविकृति (सीएचआर-पी)⁵ विकसित करने के लिए नैदानिक उच्च जोखिम में हैं, विकार के पाठ्यक्रम को बदलने की एक अनूठी क्षमता प्रदान करता है, जिससे कई लोगों और उनके परिवारों के लिए जीवन की गुणवत्ता में सुधार^होताहै^3,^6। सीएचआर-पी व्यक्ति तनु लक्षणों और कार्यात्मक हानि के साथ पेश करने वाले युवा लोगों की मदद कर रहे हैं^7:मनोविकृति विकसित करने का उनका जोखिम 2 साल⁸ में 20% है लेकिन यह कुछ विशिष्ट उपसमूहों⁹^,¹⁰में अधिक है । कुछ पर्याप्त प्रगति के बावजूद, नियमित नैदानिक अभ्यास में निवारक दृष्टिकोणों का प्रभाव अधिकांश व्यक्तियों का पता लगाने की क्षमता से सीमित है जो जोखिम वाले¹¹हैं। वर्तमान पता लगाने के तरीके मनोविकृति जोखिम के संदेह पर मदद की मांग व्यवहार और रेफरल पर आधारित हैं; इन तरीकों नमूनों की एक बड़ी संख्या से निपटने में अत्यधिक अक्षम^{हैं 11}. इस प्रकार, जोखिम वाली आबादी के विशाल बहुमत के लिए वर्तमान पता लगाने के तरीकों की स्केलेबिलिटी काफी सीमित¹²है। वास्तव में, केवल 5% (स्टैंडअलोन विशेष प्रारंभिक पहचान सेवाओं) 12% (युवा मानसिक स्वास्थ्य सेवाओं) व्यक्तियों के लिए एक पहले मानसिक विकार विकसित करने के जोखिम पर वर्तमान पता लगाने रणनीतियों द्वारा उनके जोखिम चरण के समय पता लगाया जा सकता है⁶।

जोखिम वाले व्यक्तियों की एक बड़ी संख्या में निवारक दृष्टिकोणों के नैदानिक लाभों का विस्तार करने के लिए, हमने एक स्वचालित, उम्र-समावेशी (यानी, सभी उम्र में), ट्रांसडायग्नोस्टिक (यानी, विभिन्न निदानों में)^13,चिकित्सकीय आधारित व्यक्तिगत जोखिम कैलकुलेटर विकसित किया, जो व्यक्तियों को माध्यमिक मानसिक स्वास्थ्य देखभाल में मनोविकृति के जोखिम का पता लगा सकता है, उन बैठक सीएचआर-पी मानदंड¹⁴से परे । इस जोखिम कैलकुलेटर एक कॉक्स आनुपातिक खतरा मॉडल का इस्तेमाल किया पांच नियमित रूप से एकत्र नैदानिक चर से छह साल से अधिक एक मानसिक विकार के विकास के जोखिम की भविष्यवाणी करने के लिए एक प्राथमिकताओं का चयन किया, पद्धतित्मक दिशा निर्देशों के अनुरूप^15:आयु, लिंग, जातीयता, उंर द्वारा लिंग और प्राथमिक सूचकांक निदान । इन नैदानिक चरों का चयन मेटा विश्लेषण¹⁶^,¹⁷से प्राप्त प्राथमिकताओं वाले ज्ञान के आधार पर किया गया था, जैसा कि अत्याधुनिक पद्धतिदिशानिर्देश¹⁵द्वारा अनुशंसित है । भविष्यवक्ताओं की संख्या प्रति चर अनुपात घटना को संरक्षित करने और ओवरफिटिंग पूर्वाग्रहों को कम करने के लिए सीमित है; एक प्राथमिकताफिल्टर बिना भी कई चर सहित ओवरफिटिंग समस्याओं और खराब शकुन सटीकता¹⁸की ओर जाता है . इस मॉडल को विकसित करने के लिए उपयोग की जाने वाली विधि स्वचालित मशीन लर्निंग विधियों¹⁸को समान शकुन सटीकता प्रदान करती है। कॉक्स मॉडल के मापदंडों का अनुमान दक्षिण लंदन और मौडस्ले नेशनल हेल्थ सर्विस फाउंडेशन ट्रस्ट (SLaM)¹⁹से एक पूर्वव्यापी डी-पहचान वाली पलटन के आधार पर लगाया गया था । SLaM एक राष्ट्रीय स्वास्थ्य सेवा (एनएचएस) मानसिक स्वास्थ्य ट्रस्ट है जो दक्षिण लंदन (लैम्बेथ, साउवार्क, लेविशम और क्रॉयडन नगरों) में 1.36 मिलियन व्यक्तियों की आबादी को माध्यमिक मानसिक स्वास्थ्य देखभाल प्रदान करता है, और दुनिया^{में 20}में मनोविकृति की उच्चतम दर्ज दरों में से एक है। मॉडल विकास में उपयोग किए जाने वाले सभी डेटा नैदानिक रिकॉर्ड इंटरएक्टिव सर्च (क्रिस) प्लेटफॉर्म, एक डिजिटल मामला रजिस्टर प्रणाली से निकाले गए थे, जो शोधकर्ताओं को अनाम नैदानिक रिकॉर्ड¹⁹के भूतलक्षी पहुंच और विश्लेषण प्रदान करता है। क्रिस में नैदानिक जानकारी SLaM में एक bespoke इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (EHR) प्रणाली से निकाला जाता है, जिसे इलेक्ट्रॉनिक रोगी यात्रा प्रणाली (ईपीजेएस) कहा जाता है। SLaM पेपर-फ्री है और ईपीजेएस नैदानिक दिनचर्या के लिए मानक डेटा संग्रह मंच का प्रतिनिधित्व करता है। इस प्रकार, ट्रांसडायग्नोस्टिक जोखिम कैलकुलेटर EHRs का लाभ उठाता है और माध्यमिक मानसिक स्वास्थ्य देखभाल तक पहुंचने वाले रोगियों के बड़े EHRs को स्वचालित रूप से स्क्रीन करने की क्षमता रखता है, जो मनोविकृति के जोखिम वाले हो सकते हैं। इस ट्रांसडायग्नोस्टिक रिस्क कैलकुलेटर का एल्गोरिदम पहले⁶^,¹⁴^,²¹प्रकाशित किया गया है । ट्रांसडायग्नोस्टिक जोखिम कैलकुलेटर को दो एनएचएस फाउंडेशन ट्रस्ट^14,^,²¹ और अनुकूलित²²में बाह्य रूप से मान्य किया गया है, जो विभिन्न आबादी में अपने पर्याप्त शकुन प्रदर्शन और सामान्यता का प्रदर्शन करता है।

एक जोखिम भविष्यवाणी मॉडल^15,^,²³के विकास पर पद्धतिगत दिशा निर्देशों के अनुसार, मॉडल विकास और सत्यापन के बाद अगला कदम नियमित नैदानिक अभ्यास में भविष्यवाणी मॉडल को लागू करना है। कार्यान्वयन अध्ययन आमतौर पर पायलट या व्यवहार्यता अध्ययनों से पहले होते हैं जो नैदानिक अभ्यास में जोखिम एल्गोरिदम के उपयोग से जुड़ी संभावित व्यावहारिक सीमाओं को संबोधित करते हैं। उदाहरण के लिए, एक कैलकुलेटर चलाने के लिए आवश्यक डेटा, जैसे आयु, लिंग और जातीयता, निदान की तारीख में उपलब्ध नहीं हो सकता है या बाद में अपडेट किया गया । लापता डेटा को संभालने और वास्तविक समय डेटा स्ट्रीम में लगातार अपडेट को सिंक्रोनाइज़ करने के लिए प्रभावी तरीकों को कार्यान्वयन में सबसे विश्वसनीय भविष्यवाणी परिणाम प्राप्त करने के लिए विचार किया जाना चाहिए। इसके अलावा, चूंकि जोखिम कैलकुलेटर का प्रारंभिक विकास पूर्वव्यापी पलटन डेटा पर आधारित था, इसलिए यह ज्ञात नहीं है कि क्या इसका उपयोग वास्तविक समय डेटा स्ट्रीम में किया जा सकता है जो वास्तविक दुनिया की नैदानिक सेटिंग की खासियत है। एक और चुनौती यह सुनिश्चित करना है कि प्रासंगिक चिकित्सकों को एक उपयुक्त समय सीमा के भीतर और एक साझा और स्वीकार किए जाते है संचार मार्ग के भीतर जोखिम कैलकुलेटर द्वारा उत्पन्न सिफारिशों को प्राप्त करते हैं ।

इन सीमाओं को दूर करने के लिए, हमने व्यक्तिगत ट्रांसनैदानिक जोखिम कैलकुलेटर को नियोजित करते हुए एक व्यवहार्यता कार्यान्वयन अध्ययन पूरा कर लिया है। अध्ययन में दो चरण शामिल थे: एक इन विट्रो चरण जो स्थानीय ईएचआर से डेटा का उपयोग करके आयोजित किया गया था, चिकित्सकों या रोगियों से संपर्क किए बिना, और वीवो चरण में एक, जिसमें चिकित्सकों के साथ सीधा संपर्क शामिल था। इन विट्रो चरण का दो गुना उद्देश्य थे: (i) कार्यान्वयन अनुसंधान के लिए समेकित फ्रेमवर्क (सीएफआईआर)²⁷ और (ii) के अनुसार कार्यान्वयन बाधाओं को दूर करने के लिए स्थानीय ईएचआर में ट्रांसनैदानिक जोखिम कैलकुलेटर को एकीकृत करने के लिए। कार्यान्वयन बाधाओं में चिकित्सकों को जोखिम परिणामों का संचार शामिल था। SLaM में, सभी रोगियों को संपर्क (C4C) के लिए सहमति के लिए पंजीकरण करने के लिए आमंत्रित किया जाता है, जो देखभाल की गुणवत्ता को प्रभावित किए बिना, अनुसंधान के लिए संपर्क करने की उनकी इच्छा को इंगित करता है। इससे मरीजों से संपर्क करने से संबंधित नैतिक मुद्दे कम हो जाते हैं। इसके अलावा, चिकित्सकों के साथ कार्य समूहों ने इस जानकारी को कैसे सूचित किया गया था, इसकी सिलाई की सहायता की । वीवो चरण (मई 14 th 2018 से 29 अप्रैल 2019) के दौरान, सभी व्यक्ति (i) 14 वर्ष (ii) से पुराने जो किसी भी SLaM सेवा (लैम्बेथ के नगरों, साउवार्क, लेविशम, क्रॉयडन) तक पहुंच रहे थे, (iii) किसी भी गैर-कार्बनिक, गैर-मानसिक मानसिक विकार (तीव्र और ट्रांसिक विकार के अपवाद के साथ) का पहला आईसीडी-10 सूचकांक प्राथमिक निदान प्राप्त कर रहे थे ATPD), या एक सीएचआर-पी पदनाम और मौजूदा संपर्क विवरण के साथ (iv) पात्र समझा गया । वीवो चरण के दौरान, हर सप्ताह SLaM तक पहुंचने वाले नए रोगियों को स्वचालित रूप से उनके मनोविकृति जोखिम के लिए जांच की गई, और एक निश्चित सीमा से अधिक जोखिम वाले लोगों का पता चला । इसके बाद शोध दल ने आगे की सिफारिशों पर चर्चा करने के लिए मरीजों के जिम्मेदार चिकित्सकों से संपर्क किया और अंततः मूल्यांकन⁶का सामना करने के लिए एक और चेहरे का सुझाव दिया । यदि मूल्यांकन किए गए लोगों को सीएचआर-पी मानदंडों को पूरा करने के लिए माना जाता था, तो उन्हें दक्षिण लंदन (ओएसिस)²⁸में आउटरीच और समर्थन जैसी विशेषज्ञ सीएचआर-पी सेवाओं के लिए भेजा गया था। इसके परिणामस्वरूप मानसिक विकार की शुरुआत से पहले व्यक्तियों का बेहतर पता लगाया जाएगा और विकार के पाठ्यक्रम में फेरबदल के लिए एक महत्वपूर्ण अवसर प्रदान करेगा। महत्वपूर्ण बात यह है कि इस व्यवहार्यता अध्ययन में कैलकुलेटर का स्थानीय ईएचआर प्रणाली में पूर्ण एकीकरण शामिल था, जो वर्तमान लेख का विषय है। प्रस्तावित अनुसंधान के मूल्यांकन के लिए योजना का अवलोकन, डेटा सुरक्षा और नैतिक मुद्दों के प्रबंधन पर विवरण सहित इस व्यवहार्यता अध्ययन का पूर्ण प्रोटोकॉल, हमारे पिछले कार्य⁶में प्रस्तुत किया गया है । व्यवहार्यता अध्ययन⁶के एक भाग के रूप में वर्तमान लेख, चुनिंदा स्थानीय ईएचआर डेटा के आधार पर वास्तविक समय मनोविकृति जोखिम का पता लगाने और चेतावनी प्रणाली के तकनीकी कार्यान्वयन को पेश करने पर केंद्रित है। अधिक विशेष रूप से, इस अध्ययन का उद्देश्य एक माध्यमिक मानसिक स्वास्थ्य सेवा का उपयोग करते ही समय पर जोखिम वाले रोगियों का पता लगाने में इस जोखिम कैलकुलेटर की तकनीकी व्यवहार्यता की जांच करना है । जोखिम कैलकुलेटर द्वारा की गई सिफारिशों के चिकित्सकों के पालन के संदर्भ में व्यवहार्यता अध्ययन के पूर्ण परिणाम अलग से प्रस्तुत किए जाएंगे । प्रस्तावित अनुसंधान की प्रभावशीलता का एक व्यापक मूल्यांकन, जिसके लिए यादृच्छिक डिजाइनों की आवश्यकता होती है, वर्तमान अनुसंधान कार्यक्रम के दायरे से बाहर है। हमारे सर्वोत्तम ज्ञान के लिए, यह पहली विधि है जो मनोविकृति का शीघ्र पता लगाने के लिए लाइव ईएचआर डेटा के आधार पर जोखिम कैलकुलेटर के कार्यान्वयन का वर्णन करती है।

मनोविकृति जोखिम का पता लगाने और सचेत करने के लिए हमारा दृष्टिकोण कॉगस्टैक प्लेटफॉर्म का लाभ उठाता है। कॉगस्टैक प्लेटफॉर्म एक हल्के, वितरित, और दोष-सहिष्णु जानकारी पुनः प्राप्त करने और पाठ-निष्कर्षण मंच²⁴है। इस प्लेटफ़ॉर्म में तीन प्रमुख घटक होते हैं: 1) कॉगस्टैक पाइपलाइन जो जावा स्प्रिंग बैच फ्रेमवर्क का उपयोग पूर्व-परिभाषित डेटा स्रोत (वर्ड, पीडीएफ फ़ाइलों और छवियों जैसे कई प्रारूपों में संरचित और असंरचित ईएचआर डेटा दोनों) से डेटा को पूर्व निर्धारित डेटा सिंक करने के लिए किया जाता है; 2) लोचदार खोज, ईएचआर डेटा के पूर्ण पाठ के भंडारण और क्वेरी के लिए अनुमति देने वाला एक खोज इंजन, साथ ही इंजन में उन्नत एनालिटिक्स को एम्बेड करने के लिए विभिन्न एप्लिकेशन प्रोग्रामिंग इंटरफेस (एपीआई) प्रदान करता है; और 3) किबाना, एक इंटरैक्टिव, वेब-आधारित यूजर इंटरफेस जो उपयोगकर्ताओं को लोचदार खोज में डेटा क्वेरी करने, विज़ुअलाइज़ेशन डैशबोर्ड बनाने और डेटा से विसंगतियों या ब्याज के अन्य पैटर्न पर सचेत करने की अनुमति देता है। इसके अलावा, CogStack ईमेल और एसएमएस (पाठ) द्वारा संभावित समस्याओं के लिए चिकित्सकों को सचेत करने की क्षमता को शामिल करता है, जिससे चिकित्सकों को जोखिम कैलकुलेटर द्वारा सूचित जोखिम वाले रोगियों के बारे में समय पर सूचनाएं प्राप्त करने की अनुमति मिलती है।

हम SLaM में ईपीजेएस के आधार पर मनोविकृति जोखिम का पता लगाने और सचेत करने का एक मॉडल पेश करते हैं, जो कॉगस्टैक प्लेटफॉर्म का लाभ उठाते हैं। क्रिस प्लेटफॉर्म की तुलना में जो साप्ताहिक आधार¹⁹पर ईपीजेएस से डी-चिन्हित स्वास्थ्य रिकॉर्ड तक पूर्वव्यापी पहुंच के लिए एक तंत्र प्रदान करता है, एसएलएम में कॉगस्टैक प्लेटफॉर्म वास्तविक समय में एक पहचानयोग्य ईएचआर तक पहुंच को सक्षम बनाता है, जिससे अलर्ट को बिंदु-देखभाल और संभावित डिजाइन में जोखिम भविष्यवाणी के करीब लाया जा सकता है, हालांकि क्रिस और कॉगस्टैक दोनों प्लेटफॉर्म एसएलएम में ईपीजेएस से प्राप्त डेटा का उपयोग करते हैं। इस प्रकार अनुभाग में, हम अपने दृष्टिकोण में महत्वपूर्ण चरणों का विवरण प्रदान करते हैं, जिसमें ईएचआर से स्रोत डेटा तैयार करना, स्रोत डेटा को एलेस्टिसर्च के माध्यम से पूर्ण पाठ खोज को सक्षम करने के लिए कॉगस्टैक प्लेटफॉर्म में प्रवेश करना, पायथन डेमन थ्रेड का उपयोग करके मनोविकृति जोखिम कैलकुलेटर चलाना, और किबाना उपयोगकर्ता इंटरफेस के माध्यम से इंटरैक्टिव दृश्यों और वास्तविक समय जोखिम को सचेत करना शामिल है। कोई भी शोधकर्ता जिसका उद्देश्य ईएचआर डेटा के आधार पर वास्तविक समय जोखिम का पता लगाने और चेतावनी प्रणाली का निर्माण करना है, वह दृष्टिकोण और उसके संदर्भ कार्यान्वयन का पालन कर सकता है। जैसा कि हम नीचे विस्तार से बताएंगे, प्रस्तावित विधि उच्च लचीलेपन और पोर्टेबिलिटी के साथ ओपन-सोर्स, हल्के तकनीकों का शोषण करती है। यह जोखिम कैलकुलेटर को विभिन्न स्थानों में चलाने में सक्षम बनाता है और अन्य जोखिम अनुमान एल्गोरिदम के लिए उच्च प्रयोज्यता दिखाता है। इसके अलावा, विधि एक सामान्य स्वास्थ्य देखभाल प्रणाली में एम्बेडेड ईएचआर की जोखिम का पता लगाने और सचेत कार्यक्षमताओं को बढ़ाने के लिए एक सीधा दृष्टिकोण के रूप में काम करती है।

Protocol

इस अध्ययन को इंग्लैंड के पूर्व-कैब्रिजशायर और हर्टफोर्डशायर रिसर्च एथिक्स कमेटी (संदर्भ संख्या: 18/EE/0066) द्वारा अनुमोदित किया गया था ।

नोट: हमने कॉगस्टैक प्लेटफॉर्म और पायथन प्रोग्रामिंग भाषा के आधार पर यह प्रोटोकॉल विकसित किया है। इस प्रणाली के लिए डॉकर (अधिक विशेष रूप से, डॉकर कंपोज https://docs.docker.com/compose/),एनाकोंडा पायथन(https://www.anaconda.com/distribution/)और गिट(https://git-scm.com/downloads)को डिवाइस पर पूर्व-स्थापित करने की आवश्यकता होती है। इस प्रोटोकॉल में दिए गए आदेश लिनक्स पर्यावरण पर आधारित हैं। निम्नलिखित में, हम ईएचआर डेटाबेस से स्रोत डेटा तैयार करने, कॉगस्टैक प्लेटफ़ॉर्म पर डेटा को इंगित करने और कॉगस्टैक प्लेटफॉर्म के आधार पर मनोविकृति के लिए वास्तविक समय जोखिम गणना और चेतावनी प्रणाली स्थापित करने का विवरण प्रदान करते हैं। इसके अलावा, http://www.psychosis-risk.netको माध्यमिक मानसिक स्वास्थ्य देखभाल में मनोविकृति विकसित करने वाले व्यक्ति की संभावना की संख्यात्मक गणना की सुविधा के लिए जोखिम कैलकुलेटर का एक ऑनलाइन संस्करण विकसित किया गया था।

1. स्रोत डेटा तैयारी

नोट: अधिकांश उपयोग के मामलों में, कॉगस्टैक एक निर्दिष्ट डेटाबेस दृश्य से स्रोत डेटा को जोड़ सकता है जो एक या अधिक स्रोत डेटाबेस टेबल से डेटा को जोड़ सकता है, जहां एक दृश्य डेटाबेस में एक खोज योग्य वस्तु है जिसमें डेटा पर संग्रहीत क्वेरी का परिणाम सेट होता है। संपादन दृश्य का सेटअप विशिष्ट उपयोग मामलों और स्वास्थ्य रिकॉर्ड डेटाबेस प्रणाली की तैनाती सेटिंग्स के अनुरूप है। यह प्रोटोकॉल एक मनोविकृति जोखिम कैलकुलेटर के आधार पर विकसित किया गया है और फुसर-पोली एट अल.^14,^,²¹ और पायलट कार्यान्वयन व्यवहार्यता अध्ययन⁶के हिस्से के रूप में दो बार मान्य किया गया है। प्रोटोकॉल माइक्रोसॉफ्ट एसक्यूएल सर्वर 2014 के साथ तैनात ईएचआर डेटाबेस पर आधारित है।

मनोविकृति जोखिम गणना और सतर्क करने के लिए रोगियों की आवश्यक जानकारी में शामिल होने के लिए एक मौजूदा ईएचआर डेटाबेस प्रणाली में एक दृश्य वस्तु (जिसे"vwसाइकोसिसबेस"कहा जाता है) बनाएं। सुनिश्चित करें कि इस दृश्य में गैर-कार्बनिक और गैर-मानसिक मानसिक विकार (रोगों और संबंधित स्वास्थ्य समस्याओं के अंतरराष्ट्रीय सांख्यिकीय वर्गीकरण द्वारा दर्ज) का पहला प्राथमिक निदान प्राप्त करने वाले सभी रोगियों को शामिल किया गया है, जैसा कि मूल मॉडल^14,^,²¹में परिभाषित किया गया है।
सुनिश्चित करें कि देखने में प्रत्येक रिकॉर्ड रोगी जानकारी के तीन प्रकार शामिल है: 1) EHR प्रणाली में एक मरीज का पहला प्राथमिक निदान, आईसीडी-10 निदान सूचकांक सहित (निदान निम्नलिखित दस समूहों में एक साथ संकुल थे: तीव्र और क्षणिक मानसिक विकार, चिंता विकार, द्विध्रुवी मूड विकार, बचपन और किशोर शुरुआत विकार, विकासात्मक विकार, गैर-द्विध्रुवी मनोदशा विकार, मानसिक मंदता, व्यक्तित्व विकार, शारीरिक सिंड्रोम, पदार्थ का उपयोग विकार) और निदान तिथि; 2) लिंग, जातीयता और जन्म तिथि सहित एक मरीज के जनसांख्यिकीय डेटा; और 3) एक मरीज के लिए देखभाल टीम की सबसे हाल ही में संपर्क जानकारी, जैसे सामान्य अभ्यास (जीपी), सलाहकार और देखभाल समन्वयकों का विवरण। पहले दो प्रकार की जानकारी मनोविकृति जोखिम कैलकुलेटर^14,^,²¹के लिए महत्वपूर्ण है, और तीसरे प्रकार की जानकारी समय पर जोखिम को सचेत करने में सक्षम होना है।
सुनिश्चित करें कि देखने में प्रत्येक रिकॉर्ड में एक अद्वितीय पहचानकर्ता (उदाहरण के लिए,"patient_id"इस प्रोटोकॉल में उपयोग किया जाता है)।
देखने में एक रिकॉर्ड से संबंधित सभी स्रोत जानकारी के अंतिम अद्यतन टाइमस्टैंपर का चयन करें (उदाहरण के लिए, रोगी की जनसांख्यिकीय जानकारी का अंतिम अपडेट समय और रोगी की पहली प्राथमिक निदान जानकारी), और दृश्य में रिकॉर्ड के लिए अंतिम अपडेट तिथि और समय के रूप में नवीनतम टाइमस्टैंप चुनें (इस प्रोटोकॉल में"etl_updated_dttm"के रूप में चिह्नित)। रिकॉर्ड की अंतिम अपडेट तिथि और समय CogStack को डेटाबेस में अपडेट को सिंक्रोनाइज़ करने की अनुमति देता है, जैसे कि नए और अपडेट किए गए रिकॉर्ड।

2. डेटा घूस

गिथब(https://github.com/cogstack-slam/psychosis)से कोड भंडार डाउनलोड या क्लोन करें या टर्मिनल विंडो में "गिट क्लोन https://github.com/cogstack-slam/psychosis.git"लिखकर। डाउनलोड किए गए फ़ोल्डर में कॉगस्टैक उदाहरण की तैनाती के लिए साइकोसिस जोखिम गणना और विन्यास फ़ाइलों के लिए कोड शामिल है।
डेटा घूस के लिए कॉगस्टैक पाइपलाइन को कॉन्फ़िगर करने के लिए"cogstack_deploy/cogstack/"निर्देशिका पर जाएं और"साइकोसिस.प्रॉपर्टीज"को संशोधित करें। ईएचआर डेटाबेस सेटअप के आधार पर अनुभाग"स्रोत: डीबी कॉन्फ़िगरेशन"की सेटिंग्स को संशोधित करें, जिसमें डेटाबेस सर्वर का आईपी पता, डेटाबेस नाम, डेटाबेस उपयोगकर्ता नाम और पासवर्ड निर्दिष्ट करना शामिल है। यदि आवश्यक हो तो दृश्य नाम (यानी"वीसाइकोसिसबेस")और फ़ील्ड नाम (जैसे,"patient_id"और"etl_updated_dttm")को संशोधित करें। इस फ़ाइल को कॉन्फ़िगर करने में त्रुटि के मामले में, https://cogstack.atlassian.net/wiki/spaces/COGDOC/pages/38043684/Quickstartके निर्देशों का पालन करें।
अलर्ट भेजने के लिए ईमेल एड्रेस कॉन्फिगर करने के लिए'लोचदार खोज.yml'फ़ाइल में"cogstack_deploy/आम/लोचदार खोज/config/"निर्देशिका पर जाएं और अनुभाग"xpack.notification.email.account"को संशोधित करें । ईमेल विन्यास के लिए एक विस्तृत निर्देश https://www.elastic.co/guide/en/kibana/6.4/watcher-create-threshold-alert.htmlपर पाया जा सकता है ।
कॉगस्टैक प्लेटफॉर्म को चलाने के लिए'cogstack_deploy/' निर्देशिका और टाइप 'डॉकर-कंपोज अप' पर जाएं । रूट एक्सेस के साथ इस कमांड को निष्पादित करें। यदि प्रक्रिया सफलतापूर्वक पूरी हो जाती है, तो टर्मिनल में कॉगस्टैक पाइपलाइन, लोचदार खोज और किबाना सहित वर्तमान में चल रही सेवाओं के मुद्रित स्थिति लॉग होंगे। नतीजतन, स्रोत डेटाबेस दृश्य में सभी डेटा और अपडेट को कॉगस्टैक प्लेटफॉर्म में'psychosis_base"नामक लोचदार खोज सूचकांक में समय पर किया जाएगा।
एक वेब ब्राउज़र खोलें और "http://localhost:5601/" (या"लोकलहोस्ट"को कॉगस्टैक प्लेटफॉर्म चलाने वाले सर्वर के एक विशिष्ट आईपी पते के साथ टाइप करके किबाना यूजर इंटरफेस तक पहुंचें।' पहली बार किबाना तक पहुंचने के लिए, एक लोचदार खोज सूचकांक निर्दिष्ट करने के लिए प्रबंधन टैब और इंडेक्स पैटर्न टैब पर क्लिक करें जिसे कोई किनाबा के साथ एक्सेस करना चाहता है। 'इंडेक्सपैटर्न'फील्ड में'psychosis_base'टाइप करें और अगले स्टेपपर क्लिक करें . 'टाइम फ़िल्टर' फील्ड नाम के लिए'etl_updated_dttm टाइमफिल्टर'का चयन करें और किनाना के लिए'psychosis_base'इंडेक्स पैटर्न जोड़ने के लिए इंडेक्स पैटर्न बनाएं।
एक बार किबाना इलास्टिकसर्च इंडेक्स (यानी'psychosis_base')से जुड़ा हो जाता है, तो'डिस्कवर'पेज के जरिए स्रोत डेटा को इंटरैक्टिव रूप से खोज और ब्राउज़ करें। किबाना गैर-तकनीकी उपयोगकर्ताओं को संरचित मेटाडेटा और मुफ्त पाठ दोनों की खोज करने की अनुमति देता है। डिस्कवरके उपयोग के विस्तृत निर्देश https://www.elastic.co/guide/en/kibana/6.4/discover.htmlपर उपलब्ध हैं .

3. जोखिम गणना

एक नई टर्मिनल विंडो खोलें और"साइकोसिस/ टर्मिनल में"कोंडा इंस्टॉल पैकेज-नेम"या"पिप इंस्टॉल पैकेज-नेम"टाइप करके जोखिम कैलकुलेटर में उपयोग किए जाने वाले सभी आवश्यक पायथन पैकेज ("लोचदार","elasticsearch_dsl","पंडों"और"न्यूंपी")स्थापित करें।elasticsearch
साइकोसिस रिस्क कैलकुलेटर चलाने के लिए'अजगर risk_calculator.py'टाइप करें। यदि प्रक्रिया सफलतापूर्वक पूरी हो जाती है, तो जोखिम गणना के लॉग टर्मिनल में मुद्रित किए जाएंगे और जोखिम परिणाम ों को कॉगस्टैक प्लेटफॉर्म के भीतर"psychosis_risk"नामक एक नए लोचदार सूचकांक में संग्रहीत किया जाएगा।
किबाना इंटरफेस का उपयोग करके जोखिम परिणामों की जांच करें। स्टेप्स 2.5 और 2.6 के समान, किंबाना को'psychosis_risk'इंडेक्स से जोड़ने के लिए एक नया इंडेक्स पैटर्न'psychosis_risk'जोड़ें और'डिस्कवर'पेज के जरिए रिस्क रिजल्ट्स एक्सप्लोर करें। जोखिम में नए रोगियों की पहचान करने की सुविधा के लिए, "psychosis_risk" सूचकांक के निर्माण में "टाइम फ़िल्टर" क्षेत्र के रूप में"first_primary_diagnosis_date"का उपयोग करें । 'डिस्कवर'पेज में डेटा एक्सप्लोर करते समय यह सुनिश्चित कर लें कि इंडेक्स पैटर्न'psychosis_risk'का चयन किया जाए।

4. डेटा विज़ुअलाइज़ेशन

किबाना में'डिस्कवर'पेज के माध्यम से व्यक्तिगत स्तर की जानकारी खोजने और एक्सेस करने के अलावा, कोई भी जोखिम वाले रोगियों की पूरी आबादी के लिए विशेषताओं का अवलोकन प्राप्त करने के लिए दृश्यों और डैशबोर्ड का निर्माण कर सकता है। ऐसा करने के लिए, किबाना के साइड नेविगेशन में विजुअलाइज पर क्लिक करें। फिर, नया विज़ुअलाइज़ेशन बटन बनाएं और एक विज़ुअलाइज़ेशन टाइप (जैसे, पाई और लाइन चार्ट) चुनें। सूचकांक है कि एक Kibana के माध्यम से कल्पना करना चाहता है के रूप में"psychosis_risk" काचयन करें । डिफ़ॉल्ट रूप से, दृश्यों में सभी रिकॉर्ड/रोगियों को'psychosis_risk'सूचकांक में शामिल किया जाएगा। किबाना दृश्यों के निर्माण के विस्तृत निर्देश https://www.elastic.co/guide/en/kibana/6.4/visualize.htmlपर उपलब्ध हैं ।
विज़ुअलाइज़ेशन के लिए डेटा के एक विशिष्ट सबसेट का चयन करने के लिए,"फ़िल्टर"जोड़ें। उदाहरण के लिए,"h_2_year"के रूप में दायर फ़िल्टर का चयन करना, ऑपरेटर को चुनने केबीच नहीं हैऔर"0.0"से"0.05"तक मूल्यों की स्थापना में केवल वे रोगी शामिल होंगे जिनका 2 साल में मनोविकृति का खतरा 0.05 से अधिक है।
एक बार व्यक्तिगत दृश्यों का निर्माण होने के बाद, किबाना के साइड नेविगेशन में डैशबोर्ड पर क्लिक करें एक डैशबोर्ड बनाने के लिए जो संबंधित दृश्यों का एक सेट एक साथ प्रदर्शित करता है। नया डैशबोर्ड पैनल बनाने के लिए नया डैशबोर्ड और ऐड बटन बनाएं। उन दृश्यों पर क्लिक करें जिन्हें कोई नए डैशबोर्ड पैनल के भीतर दिखाना चाहता है. सेव पर क्लिक करें और पैनल को बचाने के लिए एक शीर्षक टाइप करें। किबाना डैशबोर्ड बनाने के निर्देश https://www.elastic.co/guide/en/kibana/6.4/dashboard.htmlपर उपलब्ध हैं ।

5. जोखिम चेतावनी

Kibana के साइड नेविगेशन में प्रबंधन पर क्लिक करें और फिर लोचदार खोज के तहत प्रहरी क्लिक करें चिकित्सकों के लिए सचेत बनाने के लिए जब रोगियों को मनोविकृति का खतरा था । यदि वॉचर बटन दिखाई नहीं दे रहा है, तो लाइसेंस प्रबंधन पर क्लिक करें और स्टार्ट ट्रायल या अपडेट लाइसेंसपर क्लिक करें।
क्लिक करें एक नया वॉचर स्थापित करने के लिए उन्नत घड़ी बनाएं. "आईडी" और "नाम" टाइप करें। 'वॉचजेसन'सेक्शन की सामग्री को डिलीट करें और"वॉच जेसन"सेक्शन को "साइकोसिस" निर्देशिका में'watcher.json"फ़ाइल में सामग्री की प्रतिलिपि करें। यह प्रहरी "clinician@nhs.uk" को चेतावनी ईमेल भेजेगा (जिसे ईमेल पते के साथ प्रतिस्थापित किया जा सकता है जहां कोई "username@nhs.uk" (जो चरण 2.3 में सेट किया गया था) से अलर्ट भेजना चाहता है, यदि एक या अधिक रोगी हैं जिनका 2 वर्षों में मनोविकृति का खतरा 0.05 से अधिक है (व्यवहार्यता परीक्षण के लिए एक संभावित सीमा) हर 24 घंटों में।
वॉचर को बचाने से पहले, वॉचर निष्पादन का परीक्षण करने के लिए अनुकरण पर क्लिक करें। यदि वॉचर सफलतापूर्वक सेट किया जाता है, तो कोई भी सिमुलेशन आउटपुट मुद्रित देखेगा। सेटिंग्स में त्रुटि के मामले में, https://www.elastic.co/guide/en/elastic-stack-overview/6.4/watcher-getting-started.htmlके निर्देशों का पालन करें।
किसी प्रहरी को रोकने के लिए, स्थायी रूप से इसे हटा दें या अस्थायी रूप से इसे वॉचर के'स्थिति'पृष्ठ से निष्क्रिय करें।

Representative Results

इस खंड में, हम जोखिम कैलकुलेटर के माध्यम से विस्तृत लाइव नैदानिक डेटा धाराओं को संभालने में व्यावहारिकता में ध्यान केंद्रित करने वाले कार्यान्वयन परिणाम प्रस्तुत करते हैं और चिकित्सकों को शकुन परिणामों के समय पर वितरण की सुविधा प्रदान करते हैं। सिस्टम की नैदानिक उपयोगिता का मूल्यांकन, जैसे जोखिम कैलकुलेटर द्वारा की गई सिफारिशों के लिए चिकित्सकों का पालन, पूरा होने पर एक अलग रिपोर्ट में प्रस्तुत किया जाएगा।

स्रोत डेटा का घूस
हमने एसएलएएम में ईपीजेएस की प्रतिकृति डेटाबेस के आधार पर मनोविकृति जोखिम गणना और चेतावनी प्रणाली तैनात की। यह प्रतिकृति डेटाबेस हर 10 मिनट में ईपीजेएस से लाइव डेटा को सिंक्रोनाइज करता है। मनोविकृति जोखिम गणना के लिए रोगियों की जानकारी के संयोजन एक डेटाबेस दृश्य इस प्रतिकृति डेटाबेस में बनाया गया था, जहां प्रत्येक रिकॉर्ड में एक रोगी के लिए जानकारी होती है। इस दृश्य में सभी रिकॉर्ड वास्तविक समय में CogStack मंच में किया गया (8 कोर सीपीयू और 16GB रैम के साथ एक आभासी मशीन में लगभग ०.६ माइक्रोसेकंड प्रति रिकॉर्ड) । 13 जुलाई 2019 तक जब यह पांडुलिपि तैयार की गई थी, तब तक 202,289 रोगियों के सभी रिकॉर्ड जिन्होंने स्लावमें गैर-कार्बनिक और गैर-मानसिक मानसिक विकार का पहला सूचकांक निदान प्राप्त किया था, उन्हें मनोविकृति जोखिम गणना के लिए कॉगस्टैक में किया गया था, जो"psychosis_base"लोचदार सूचकांक में संग्रहीत थे। चित्रा 1 रिकॉर्ड की अंतिम अद्यतन तिथि के आधार पर कालक्रम क्रम में समय के साथ कॉगस्टैक में किए गए रिकॉर्ड की संख्या को दिखाता है। डेटाबेस और लोचदार खोज सूचकांक में रिकॉर्ड की संख्या और सामग्री की तुलना करके, कोई लापता और विवेकी डेटा नहीं मिला, जो डेटा घूस और सिंक्रोनाइजेशन में कॉगस्टैक पाइपलाइन की विश्वसनीयता की पुष्टि करता है।

जोखिम परिणामों का सत्यापन
इस प्रोटोकॉल में साइकोसिस रिस्क डिटेक्टर के कार्यान्वयन को मान्य करने के लिए, हमने कॉगस्टैक (जिसे "कॉगस्टैक संस्करण" कहा जाता है) द्वारा पाए गए जोखिम वाले रोगियों की तुलना क्रिस (जिसे "क्रिस संस्करण" कहा जाता है) के आधार पर मूल जोखिम कैलकुलेटर द्वारा पता लगाया गया है। चूंकि एक जोखिम वाले रोगी^6,^14,^,²¹को स्क्रीन करने के लिए विकसित कोई थ्रेसहोल्ड नहीं थे, इसलिए हमने यहां दो वर्षों में मनोविकृति के जोखिम के लिए 5% की संभावित सीमा का उपयोग किया।^, ध्यान दें कि यह अनंतिम सीमा केवल यह परीक्षण करने के लिए है कि क्या प्रणाली व्यावहारिक रूप से एनएचएस में काम कर सकती है और भविष्य के अनुसंधान के साथ बदलने के लिए अतिसंवेदनशील है । जोखिम वाले व्यक्तियों का इष्टतम पता लगाने के लिए वास्तविक सीमा को भविष्य के बड़े पैमाने पर अध्ययनों में पहचानने की आवश्यकता होगी । विशेष रूप से, हमने पहली बार उन सभी रोगियों को प्राप्त किया जिन्हें क्रिस संस्करण (रोगियों की संख्या एन = 169) में दहलीज से ऊपर मनोविकृति के लिए जोखिम था। इन सभी रोगियों को 14 मई 2018 से 29 अप्रैल 2019 तक SLaM में गैर-कार्बनिक और गैर-मानसिक मानसिक विकार का पहला सूचकांक निदान प्राप्त हुआ। एक ही समय अवधि में निदान किए गए रोगियों को फ़िल्टर करके, हमने एन = 170 रोगियों को वापस प्राप्त किया जिनके 2 वर्षों में मनोविकृति के लिए जोखिम कॉगस्टैक संस्करण में 0.05 से अधिक था। अंत में, हम रोगियों के दो सेट है, जहां दो सेट में अद्वितीय रोगियों की कुल संख्या N = १७३ है के बीच अंतर की तुलना में । हमने पाया कि 161 रोगियों (173 रोगियों के 93% के लिए लेखांकन) दोनों संस्करणों में एक ही स्कोर था. उच्च स्तर का समझौता जोखिम स्कोर पैदा करने में इस कॉगस्टैक-आधारित प्रोटोकॉल की वैधता की पुष्टि करता है।

दो संस्करणों में 12 मरीज अलग-अलग रिस्क स्कोर वाले थे । मरीजों के EHRs का निरीक्षण करके, हमने पाया कि यह अंतर था क्योंकि इन रोगियों के लिए डेटा जोखिम स्कोर CRIS संस्करण में गणना के बाद अद्यतन किया गया । विशेष रूप से, हालांकि जोखिम कैलकुलेटर में उपयोग किए जाने वाले भविष्यवक्ताओं, जैसे जन्म तिथि, लिंग और स्वयं-सौंपा जातीयता, स्थिर चर थे, कुछ रोगियों के स्वास्थ्य रिकॉर्ड में पहले चरण में चर (जैसे, एक अज्ञात जातीयता) के लिए एक लापता या डिफ़ॉल्ट मूल्य था और इन चरों को बाद के चरण में दर्ज या अपडेट किया गया था। इससे दो अलग-अलग चरणों में अलग-अलग रिस्क स्कोर बन सकते हैं। इसी तरह, इन निदानों के आधार पर प्रारंभिक जोखिम स्कोर की गणना के बाद कुछ रोगियों के पहले प्राथमिक सूचकांक निदान अमान्य थे। इस मामले में, जोखिम कैलकुलेटर ऐसे रोगी के लिए अगले वैध प्राथमिक निदान की तलाश करेगा और जोखिम स्कोर की फिर से गणना करेगा। अद्यतन जोखिम स्कोर भी प्रारंभिक एक से अलग हो सकता है । चूंकि अनुसंधान उपयोग के लिए क्रिस में भूतलक्षी आंकड़ों के आधार पर मूल जोखिम कैलकुलेटर विकसित किया गया था, मूल कैलकुलेटर पाइपलाइनों ने ईएचआर डेटा में इन अपडेट को सिंक्रोनाइज नहीं किया और जोखिम स्कोर को समय पर ताज़ा किया। इसके विपरीत, यदि रोगी के किसी भी स्रोत डेटा को अपडेट किया जाता है, तो एक रोगी के जोखिम स्कोर की CogStack संस्करण में फिर से गणना की जाएगी, जो इस कॉगस्टैक-आधारित कैलकुलेटर को रोगियों के लिए सबसे विश्वसनीय और अप-टू-डेट जोखिम स्कोर प्रदान करने की अनुमति देता है। ये परिणाम दृढ़ता से इस प्रोटोकॉल में जोखिम स्कोर की विश्वसनीयता को उजागर करते हैं।

रिजल्ट विज़ुअलाइज़ेशन और जोखिम चेतावनी
डेटा विज़ुअलाइज़ेशन में कॉगस्टैक की क्षमताओं को प्रदर्शित करने के लिए, हमने मनोविकृति के जोखिम वाले रोगियों के बारे में जानकारी के लिए एक डैशबोर्ड बनाया। जैसा कि व्यवहार्यता परीक्षण के लिए पहले उपयोग किया जाता है, हमने उन लोगों का चयन किया जिन्हें जोखिम वाले रोगियों के रूप में 5% से अधिक दो वर्षों में मनोविकृति का खतरा होता है। चित्रा 2 रोगियों की जातियों, लिंग, उंर और निदान की श्रेणियों सहित मनोविकृति के जोखिम पर रोगियों के लिए विशेषताओं के दृश्यों से पता चलता है । वेब इंटरफेस (जैसे, किबाना) के माध्यम से जोखिम परिणामों की कल्पना करने के अलावा, यह प्रोटोकॉल ईमेल जैसे अन्य अधिसूचना चैनलों के माध्यम से उपयोगकर्ताओं या चिकित्सकों को जोखिम अलर्ट भेजने की अनुमति देता है। चित्रा 3 किबाना में वॉच कंपोनेंट का उपयोग करके जोखिम चेतावनी सेवा स्थापित करने के लिए इंटरफ़ेस दिखाता है। एक बार इस सेवा को सफलतापूर्वक कॉन्फ़िगर करने के बाद, उपयोगकर्ता एक ईमेल अधिसूचना प्राप्त कर सकते हैं यदि एक या अधिक रोगी थे जिनके दो वर्षों में मनोविकृति का खतरा 5% से अधिक है। चित्रा 4 इन ईमेल सूचनाओं का एक उदाहरण दिखाता है, जो जोखिम में रोगियों की संख्या और इन रोगियों के नगरों की रिपोर्ट करता है । चूंकि अधिक काम दर्जी कैसे भविष्यवाणी मनोविकृति जोखिम स्कोर सूचित कर रहे है की जरूरत है, हम चिकित्सकों को सीधे जोखिम सूचनाएं नहीं भेजा है । तकनीकी व्यवहार्यता के परीक्षण के लिए, इस अध्ययन में सभी सूचनाएं एक तकनीकी शोधकर्ता (T.W.) से एक सुरक्षित नेटवर्क के भीतर SLaM के ईमेल सिस्टम के माध्यम से एक नैदानिक शोधकर्ता (D.O.) को भेजी गई थीं । केवल रोगी की जानकारी का एक एकत्रित आंकड़ा एक अधिसूचना में शामिल किया गया था; कोई व्यक्तिगत रूप से पहचाने जाने योग्य जानकारी शामिल नहीं थी ।

चित्रा 1: स्रोत डेटा CogStack में किया जाता है। 13 जुलाई 2019 तक'psychosis_base'लोचदार सूचकांक में कुल 202,289 रिकॉर्ड हैं, और हिस्टोग्राम समय के साथ रिकॉर्ड की संख्या दिखाता है, जो रिकॉर्ड के अंतिम अपडेट डेटा समय द्वारा आदेश दिया गया है। कोई भी संरचित और असंरचित जानकारी दोनों से पूछताछ कर सकता है, और इस पृष्ठ में क्वेरी से मेल खाने वाली खोज हिट प्राप्त कर सकता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

चित्रा 2: मनोविकृति के जोखिम वाले रोगियों की विशेषताओं का डैशबोर्ड (यानी, 2 वर्षों में मनोविकृति का खतरा 0.05 से अधिक)। (क)जोखिम वाले रोगियों के लिए जातियों का वितरण, जहां बाहरी पाई आंतरिक पाई में जातीयता श्रेणी की उपश्रेणियां हैं । (ख)रोगियों के लिंग का वितरण,(ग)निदान पर रोगियों की आयु का वितरण औरप्रतिनिदान समूह रोगियों की संख्या । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

चित्रा 3: जोखिम चेतावनी के लिए वॉच की स्थापना और अनुकरण करना। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

चित्रा 4: ईमेल को सचेत करने वाले जोखिम का एक उदाहरण। प्रत्येक नैदानिक कमीशनिंग समूहों (सीसीजी) में मनोविकृति के जोखिम वाले रोगियों की संख्या कोष्ठक में सूचित की जाती है । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Discussion

हमने कॉगस्टैक, एक ओपन सोर्स इन्फॉर्मेशन रिट्रीवल और एक्सट्रैक्शन प्लेटफॉर्म के आधार पर वास्तविक समय के साइकोसिस रिस्क डिटेक्शन और अलर्टिंग सिस्टम के पहले ईएचआर कार्यान्वयन का प्रदर्शन किया है। इस दृष्टिकोण के बाद, कोई भी विभिन्न प्रारूपों में नैदानिक डेटा के एक बड़े सेट को बदल सकता है और तैयार किया जा सकता है, जिसमें संरचित और असंरचित जानकारी शामिल है, एक कॉगस्टैक उदाहरण में, ताकि पूर्ण पाठ खोज, इंटरैक्टिव विश्लेषण और डेटा के दृश्य को सक्षम किया जा सके, साथ ही साथ उन रोगियों के चिकित्सकों को वास्तविक समय चेतावनी दी जा सके जो मनोविकृति के जोखिम में हैं। हालांकि मूल मनोविकृति जोखिम कैलकुलेटर कई एनएचएस ट्रस्टों में पायलट अध्ययन में मान्य किया गया है, हालांकि पूर्वव्यापी रोगी रिकॉर्ड^6,^,^14,^,²¹का उपयोग कर, इस प्रयोगात्मक डिजाइन पहले सबूत आधार प्रदान करता है कि इस जोखिम कैलकुलेटर दोहराया जा सकता है और वास्तविक समय में उपयोग के लिए तैनात किया । यह दृष्टिकोण वास्तविक समय में ईमेल जैसे मौजूदा नैदानिक अधिसूचना चैनलों के माध्यम से चिकित्सकों को शकुन परिणामों की स्वचालित डिलीवरी की अनुमति देता है। यह स्पष्ट रूप से वास्तविक दुनिया में इस जोखिम कैलकुलेटर की अंतिम नैदानिक उपयोगिता का मूल्यांकन करने के लिए बड़े पैमाने पर प्रभावशीलता परीक्षण आयोजित करने के लिए तकनीकी व्यवहार्यता को दर्शाता है।

यह प्रोटोकॉल अनुभवजन्य रूप से अभिनव है, क्योंकि मनोविकृति के लिए समान जोखिम का पता लगाने और चेतावनी प्रणाली मौजूद नहीं है। इसके अलावा, इस प्रोटोकॉल में नैदानिक उपयोग में उच्च सामान्यता है, विशेष रूप से हमारे दृष्टिकोण की अनूठी ताकत के कारण। सैद्धांतिक नजरिए से, हमने एक जोखिम भविष्यवाणी मॉडल का उपयोग किया जिसे स्लावेम एनएचएस ट्रस्ट से एक बड़े पूर्वव्यापी डी-चिन्हित पलटन के आधार पर विकसित किया गया था। SLaM दक्षिण लंदन में 1.36 मिलियन व्यक्तियों की आबादी के लिए माध्यमिक मानसिक स्वास्थ्य देखभाल प्रदान करता है और दुनिया में मनोविकृति की उच्चतम दर्ज दरों में से एक है। यह बड़ी पलटन, जिसमें सामाजिक जनसांख्यिकीय और नैदानिक विशेषताओं में उच्च विविधता है, हमें एक जोखिम भविष्यवाणी मॉडल विकसित करने की अनुमति देती है जो विशिष्ट विशेषताओं वाली आबादी के प्रति पक्षपाती होने की संभावना नहीं है। यह सबूत है कि इस जोखिम कैलकुलेटर की शकुन सटीकता पहले से ही दो अलग डेटाबेस^14,^,^21,SLaM के बाहर एक सहित में दो बार दोहराया गया है द्वारा समर्थित है । इस जोखिम मॉडल की एक और सैद्धांतिक ताकत यह है कि बुनियादी जनसांख्यिकीय और नैदानिक निदान जानकारी भविष्यवक्ताओं के रूप में इस्तेमाल किया गया । इस तरह की जानकारी इलेक्ट्रॉनिक नैदानिक आंकड़ों में सर्वव्यापी है और वास्तव में इन भविष्यवक्ताओं के लिए डेटा गायब हमारे पिछले अध्ययनों में अपेक्षाकृत दुर्लभ दिखाया गया है¹⁴^,²¹। भविष्यवक्ताओं के निर्माण के लिए जानकारी की उच्च उपलब्धता से विभिन्न माध्यमिक मानसिक स्वास्थ्य देखभाल क्षेत्रों में बड़ी संख्या में रोगी के नमूनों पर जोखिम कैलकुलेटर चलाना संभव हो जाता है। इसके अलावा, जोखिम कैलकुलेटर एक सामान्य एल्गोरिदम है जो व्यक्तियों की उम्र की परवाह किए बिना माध्यमिक मानसिक स्वास्थ्य देखभाल में मनोविकृति विकसित करने के जोखिम वाले सभी व्यक्तियों के लिए उपयुक्त है। यही है, यह कैलकुलेटर न केवल पीक साइकोसिस जोखिम¹⁶की 15-35 आयु सीमा के लिए उपयुक्त है, बल्कि इस सीमा के बाहर के लोगों के लिए भी, उच्च स्तर की सामान्यता दिखा रहा है।

व्यावहारिक नजरिए से, जोखिम कैलकुलेटर और कॉगस्टैक प्लेटफॉर्म दोनों हल्के वजन और ओपन-सोर्स सेवाएं हैं जिनमें संसाधन-भारी तकनीक या महंगे बुनियादी ढांचे शामिल नहीं हैं। इस तरह के एक कम लागत और आसान करने के लिए तैनात मंच वास्तविक दुनिया नैदानिक सेटिंग्स में अपने गोद लेने के लिए बाधाओं को कम कर सकते हैं । इसके अलावा, हमारा समाधान मुख्य कार्यान्वयन बाधा पर काबू पा जाता है: जोखिम अनुमान प्रणाली तब तक कम मूल्य प्रदान करती है जब तक कि वे दिन-प्रतिदिन के अभ्यास²⁵में चिकित्सकों द्वारा उपयोग नहीं किए जाते हैं। विशेष रूप से, हमारा दृष्टिकोण ईएचआर से डेटा तक पहुंचता है, इलेक्ट्रॉनिक मेडिकल रिकॉर्ड प्रणाली से स्वतंत्र विश्लेषण करता है और मौजूदा अधिसूचना चैनलों के माध्यम से चिकित्सकों को विश्लेषण परिणाम वापस भेज सकता है। इस विधि की आवश्यकता नहीं है कि पहले से मौजूद प्रणालियों में व्यापार तर्क को संशोधित किया जाए और मौजूदा नैदानिक निर्णय समर्थन प्रणालियों का समर्थन और विस्तार करने के लिए एक स्टैंडअलोन सेवा के रूप में काम कर सकता है। इस प्रकार, प्रोटोकॉल में पहले से मौजूद नैदानिक प्रणालियों के साथ उच्च अनुकूलता है और इसे आसानी से नियमित नैदानिक अभ्यास में एकीकृत किया जा सकता है। इसके अलावा, प्रोटोकॉल नैदानिक डेटा की खोज, विश्लेषण और कल्पना के लिए उपयोगकर्ता के अनुकूल इंटरफेस प्रदान करता है, जो चिकित्सकों के लिए जोखिम परिणामों की व्याख्या और पता लगाने के लिए आसान बनाता है।

इस प्रोटोकॉल की भी अपनी सीमाएं हैं। सबसे पहले, इस प्रोटोकॉल की प्रभावशीलता का मूल्यांकन नियमित नैदानिक अभ्यास में नहीं किया गया है। यह अध्ययन एक स्थानीय ईएचआर में वास्तविक समय मनोविकृति जोखिम का पता लगाने और चेतावनी प्रणाली को लागू करने के तकनीकी व्यवहार्यता परीक्षणों पर केंद्रित था। नियमित नैदानिक अभ्यास में इस प्रणाली की प्रभावशीलता का मूल्यांकन करने के लिए, भविष्य में बड़े पैमाने पर यादृच्छिक नियंत्रित परीक्षणों की आवश्यकता है^6। एक दूसरी सीमा यह है कि इस प्रोटोकॉल में जोखिम स्कोर की भविष्यवाणियां पहले प्राथमिक निदान के आधार पर की गई थीं, जो एक ही स्नैपशॉट पर एकत्र किए गए स्थिर डेटा हैं। हालांकि, सीएचआर-पी लक्षण आंतरिक रूप से समय के साथ विकसित हो रहे हैं। मनोविकृति जोखिम कैलकुलेटर का एक गतिशील संस्करण, जिसमें भविष्यवाणी मॉडल को गतिशील रूप से परिवर्तनों को प्रतिबिंबित करने के लिए अद्यतन किया जा सकता है, हाल ही में²⁶विकसित किया गया है। भविष्य के काम वर्तमान प्रोटोकॉल में इस गतिशील कैलकुलेटर को एकीकृत करने पर ध्यान केंद्रित करेंगे ।

इस दृष्टिकोण में सबसे महत्वपूर्ण कदम ईएचआर डेटा की पहचान करना था जो जोखिम कैलकुलेटर में भविष्यवक्ताओं को निकालने के लिए उपयोग किए गए थे। इसमें डेटा एलिमेंट मैपिंग बनाना भी शामिल हो सकता है, जब एक ईएचआर सिस्टम ने इस प्रोटोकॉल में उपयोग किए जाने वाले डेटा मॉडल का उपयोग किया, जैसे कि रोगियों के जातीय समूहों के लिए अलग कोडिंग सिस्टम। हमने सभी कोड और मैपिंग परिभाषाओं को ऑनलाइन(https://github.com/cogstack-slam/psychosis)ओपन-सोर्स किया है। इन सामग्रियों के आधार पर, कोई भी तैनाती को दोहराने या किसी की अपनी परिस्थिति के आधार पर कैलकुलेटर को समायोजित करने में सक्षम होगा। एक और महत्वपूर्ण कदम कॉगस्टैक में डेटा घूस के लिए एक डेटाबेस दृश्य बना रहा था। चूंकि इलास्टिकसर्च में रिलेशनल जॉइन ऑपरेशंस (यानी, एक या एक से अधिक डेटाबेस टेबल से कॉलम को मिलाकर) उच्च कम्प्यूटेशनल लागत का कारण बन सकते हैं, इसलिए हमने डेटाबेस व्यू बनाकर ईएचआर डेटाबेस में इन जॉइन ऑपरेशंस का आयोजन किया। इस दृश्य में जोखिम कैलकुलेटर में भविष्यवक्ताओं को निकालने के लिए आवश्यक सभी जानकारी और डेटा घूस में डेटा विभाजन के लिए कॉगस्टैक पाइपलाइनों द्वारा उपयोग किए गए दो महत्वपूर्ण क्षेत्रों को संयुक्त किया गया था। पहला फ़ील्ड देखने में प्रत्येक रिकॉर्ड के लिए एक अद्वितीय प्राथमिक कुंजी है("patient_id"इस प्रोटोकॉल का उपयोग किया जाता है) और दूसरा एक टाइमस्टैंप है जब हाल ही में एक रिकॉर्ड को संशोधित किया गया था। यदि ये दोनों फ़ील्ड ठीक से सेट नहीं किए गए थे, तो कॉगस्टैक समय पर ईएचआर डेटाबेस में डेटा अपडेट को सिंक्रोनाइज़ नहीं कर सकता है। कॉगस्टैक डेटा इंशन पर समस्या निवारण के मुद्दों के लिए विस्तृत निर्देश https://cogstack.atlassian.net/wiki/spaces/COGDOC/overview और https://github.com/CogStack/CogStack-Pipelineपर उपलब्ध हैं ।

यह प्रोटोकॉल अत्यधिक परिवहन योग्य है और इसे आसानी से एनएचएस ट्रस्ट में तैनात किया जा सकता है जिसमें क्रिस या कॉगस्टैक प्लेटफॉर्म है। अब तक, सहमति प्रक्रियाओं सहित CRIS मंच-पूरी तरह से कहीं और वर्णित किया गया है और ब्रिटेन में 12 एनएचएस ट्रस्ट ों में विस्तार के तहत है, २,०००,००० से अधिक deपहचान रोगी रिकॉर्ड(https://crisnetwork.co/)का दोहन । इसी तरह, CogStack मंच न केवल SLaM में तैनात किया गया है, लेकिन यह भी ब्रिटेन भर में अंय एनएचएस ट्रस्ट जैसे विश्वविद्यालय कॉलेज लंदन अस्पताल (UCLH), किंग्स कॉलेज अस्पताल (KCH), आदमी और सेंट थॉमस ' (GSTT), और Mersey केयर एनएचएस ट्रस्ट । इस तरह के मंच के बिना उन ट्रस्टजोखिम कैलकुलेटर(http://psychosis-risk.net)के एक ऑनलाइन संस्करण का उपयोग करें, या इस पांडुलिपि और हमारे ऑनलाइन दस्तावेजों के आधार पर खरोंच से इस प्रोटोकॉल का निर्माण कर सकते हैं । यद्यपि यह प्रोटोकॉल मनोविकृति जोखिम का पता लगाने के लिए विकसित किया गया है, इस प्रोटोकॉल का वास्तुशिल्प डिजाइन इस विशिष्ट उपयोग मामले में बंधा हुआ नहीं है। प्रोटोकॉल काफी लचीला है पुनर्विन्यास और वास्तविक समय की निगरानी के पुनर्विन्यास और इस तरह के प्रतिकूल दवा प्रतिक्रियाओं के रूप में अंय जोखिम माप क्षेत्रों के लिए घटकों को सचेत करने के लिए repurposing, जिससे चिकित्सकों समय पर रोगी की देखभाल, सुरक्षा और अनुभव में सुधार करने के लिए कार्रवाई करने की अनुमति है ।

Disclosures

लेखकों के पास खुलासा करने के लिए कुछ नहीं है ।

Acknowledgments

इस अध्ययन द्वारा वित्त पोषित है और मेडिकल रिसर्च काउंसिल (एमआरसी) (MC_PC_16048) से पीएफपी के लिए अवधारणा पुरस्कार में किंग्स कॉलेज लंदन विश्वास का एक सीधा उत्पादन है । आरडी और एआर द्वारा समर्थित थे: (क) मौडस्ले चैरिटी; (ख) दक्षिण लंदन में राष्ट्रीय स्वास्थ्य अनुसंधान संस्थान (एनआईएचआर) बायोमेडिकल रिसर्च सेंटर और मौडस्ले एनएचएस फाउंडेशन ट्रस्ट और किंग्स कॉलेज लंदन; (ग) स्वास्थ्य डेटा अनुसंधान यूके, जिसे यूके मेडिकल रिसर्च काउंसिल, इंजीनियरिंग एंड फिजिकल साइंसेज रिसर्च काउंसिल, इकोनॉमिक एंड सोशल रिसर्च काउंसिल, डिपार्टमेंट ऑफ हेल्थ एंड सोशल केयर (इंग्लैंड), स्कॉटिश गवर्नमेंट हेल्थ एंड सोशल केयर डायरेक्टोरेट्स, हेल्थ एंड सोशल केयर रिसर्च एंड डेवलपमेंट डिवीजन (वेल्श गवर्नमेंट), पब्लिक हेल्थ एजेंसी (नॉर्दर्न आयरलैंड), ब्रिटिश हार्ट फाउंडेशन और वेलकम ट्रस्ट द्वारा वित्त पोषित किया जाता है; (ग) अनुदान समझौते संख्या 116074 के तहत नवीन औषधि पहल-2 संयुक्त उपक्रम द्वारा वित्तपोषित BigData@Heart कंसोर्टियम। इस संयुक्त उपक्रम को यूरोपीय संघ के क्षितिज 2020 अनुसंधान और नवाचार कार्यक्रम और EFPIA से समर्थन प्राप्त होता है; इसकी अध्यक्षता डी ग्रोबी और एसडी एंकर द्वारा की जाती है, जो 20 अकादमिक और उद्योग भागीदारों और ईएससी के साथ साझेदारी करते हैं; और (ई) नेशनल इंस्टीट्यूट फॉर हेल्थ रिसर्च यूनिवर्सिटी कॉलेज लंदन हॉस्पिटल्स बायोमेडिकल रिसर्च सेंटर । अध्ययन, संग्रह और विश्लेषण के डिजाइन में इन फंडिंग निकायों की कोई भूमिका नहीं थी । व्यक्त किए गए विचार लेखक (एस) के हैं और जरूरी नहीं कि एनएचएस, एनआईएचआर या स्वास्थ्य विभाग के ।

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