Summary

CogStackを用いた電子健康記録に基づくリアルタイム精神病リスク検出およびアラートシステムの実装

Published: May 15, 2020
doi:

Summary

電子健康記録のための情報検索および抽出プラットフォームであるCogStackに基づいて、リアルタイムの精神病リスク計算およびアラートシステムを導入する方法を示します。

Abstract

最近の研究では、自動化された寿命を含む、トランス診断、および臨床的に基づく個別のリスク計算機は、電子健康記録(EEH)を活用して、精神病のリスクがある個人の早期発見を大規模にサポートするための強力なシステムを提供することが示されています。このリスク計算機は、外部から2回検証されており、臨床実装のための実現可能性試験を受けています。臨床ルーチンでこのリスク計算機の統合は、データの欠落などの実用的な課題に対処するために必要な将来の実現可能性調査、および現実世界および日常的な臨床環境におけるこのリスク計算機のユーザビリティによって促進されるべきである。ここでは、現実世界のEHRシステムにおけるリアルタイムの精神病リスク検出およびアラートサービスの将来の実装のためのアプローチを提示する。この方法は、オープンソース、軽量、および分散情報取得およびテキスト抽出システムである CogStack プラットフォームを活用します。CogStack プラットフォームには、臨床データの全文検索、寿命を含む、精神病リスクのリアルタイム計算、臨床医への早期リスクアラート、および時間の経過に応じた患者の視覚的モニタリングを可能にする一連のサービスが組み込まれています。私たちの方法には、1)CogStackプラットフォームへの複数のソースからのデータの取り込みと同期、2)以前に開発され検証されたアルゴリズムを持つリスク計算機の実装、精神病の患者のリスクのタイムリーな計算、3)患者の健康状態を監視するためのインタラクティブな視覚化とダッシュボードの作成、および4)臨床医がリスクのある患者に通知されるように自動アラートシステムを構築することが含まれます。を選択して、適切なアクションを実行できます。これは、精神病の早期発見のための臨床ルーチンで同様の検出および警告システムを開発し、実装した初めての研究です。

Introduction

精神病性障害は、心の内面経験と環境1の外的現実を区別する際に困難を招く重篤な精神衛生上の病気であり、また自傷行為や自殺の平均リスクよりも高い2である。標準的なケアの下で、これらの障害は、世界中の個人、家族、社会に大きな健康と経済的負担を伴う公衆衛生上の大きな影響をもたらす3.精神病への早期介入は、この精神障害4の結果を改善することができます。特に、精神病(CHR-P)5を発症するリスクが高い臨床上の個人の検出、予後評価および予防処置は、障害の5経過を変化させる独特の可能性を提供し、それによって多くの人々とその家族の生活の質を向上させる33,6。6CHR-P個体は、減弱症状と機能障害を呈する若者を助け求める7:精神病を発症するリスクは2年8で20%であるが、いくつかの特定のサブグループ99,1010では高い。いくつかの実質的な進歩にもかかわらず、日常的な臨床実践における予防アプローチの影響は、危険にさらされているほとんどの個人を検出する能力によって制限される11.現在の検出方法は、精神病リスクの疑いに関するヘルプシーク行動と紹介に基づいています。これらの方法は、多数のサンプル11を扱う上で非常に非効率的である。したがって、危険にさらされている人口の大半に対する現在の検出方法のスケーラビリティは、12に非常に限られています。実際、第一精神病性障害を発症する危険性のある個人の5%(スタンドアロン専門早期発見サービス)~12%(若者精神保健サービス)は、現在の検出戦略6によって危険段階で検出することができる。

より多くの危険にさらされている個人における予防アプローチの臨床的利益を拡張するために、我々は、自動、寿命を包含する(すなわち、すべての年齢層にわたって)、トランス診断(すなわち、異なる診断にわたって)13、臨床的に基づく個別化リスク計算機を開発した。このリスク計算機は、コックス比例ハザードモデルを使用して、方法論的ガイドライン15(年齢、性別、民族性、年齢別および一次指標診断)に沿って、優先的に選択された5つの日常的に収集された臨床変数から6年間にわたって精神病性障害を発症するリスクを予測した。これらの臨床変数は、最先端の方法論的ガイドライン15で推奨されるメタ分析16,17,17から得られた先験的知識に基づいて選択された。予測変数の数は、変数ごとのイベント比率を維持し、オーバーフィットバイアスを最小限に抑えるために制限されます。事前フィルターを使用せずに変数を多く含みすぎると、過剰適合の問題や予後精度が悪くなります18.このモデルを開発するために使用される方法は、自動機械学習方法18と同様の予後精度を提供します。コックスモデルのパラメータは、南ロンドンとモーズリー国民保健サービス財団信託(SLaM)19からの遡及的に識別されていないコホートに基づいて推定された19。SLaMは、南ロンドン(ランベス、サザーク、ルイシャム、クロイドン自治区)の人口136万人に二次的なメンタルヘルスケアを提供する国民保健サービス(NHS)メンタルヘルス信託であり、世界で最も高い精神病率の1つですモデル開発で使用されるすべてのデータは、臨床記録インタラクティブ検索(CRIS)プラットフォーム、電子ケースレジスタシステムから抽出され、研究者に匿名化された臨床記録の遡及的アクセスと分析を提供するCRISの臨床情報は、電子患者ジャーニーシステム(ePJS)と呼ばれるSLaMのオーダーメイドの電子健康記録(EHR)システムから抽出されます。SLaMは紙を使って使用でき、ePJSは臨床ルーチンの標準データ収集プラットフォームを表します。したがって、トランス診断リスク計算機はEEHを活用し、精神病の危険にさらされる可能性のある患者を検出するために、二次的なメンタルヘルスケアにアクセスする患者の大きなEEHを自動的にスクリーニングする可能性を秘めています。この診断トランスフェス・リスク計算機のアルゴリズムは、以前に公開されています6,,14,,21.トランス診断リスク計算機は、2つのNHS財団信託14、21、21最適化された22で外部的に検証されており、異なる集団間で十分な予後性能と一般化性を実証しています。14

リスク予測モデル15,23,23の開発に関する方法論的ガイドラインによれば、モデル開発と検証後の次のステップは、定期的な臨床実践で予測モデルを実装することです。実施研究は通常、臨床現場でのリスクアルゴリズムの使用に関連する潜在的な実用的な制限に対処するパイロットまたは実現可能性調査が先行する。たとえば、年齢、性別、民族などの計算機を実行するために必要なデータは、診断日に利用できない場合や、後で更新される場合があります。不足しているデータを処理し、リアルタイムのデータ ストリームで頻繁に更新を同期するための効果的な方法は、実装で最も信頼性の高い予測結果を得るために考慮する必要があります。さらに、リスク計算機の初期開発は振り返りコホートデータに基づいて開発されていたため、実世界の臨床設定に典型的なリアルタイムデータストリームで使用できるかどうかは不明である。もう一つの課題は、関連する臨床医が適切な時間枠内および共有および受け入れられたコミュニケーション経路内でリスク計算機によって生成された推奨事項を確実に受け取ることである。

これらの制限を克服するために、個別化された診断トランス診断リスク計算機を用いた実現可能性実装調査を完了しました。この研究には、臨床医や患者に連絡することなく、地元のEHRからのデータを使用して行われたインビトロフェーズと、臨床医との直接接触を含むインビボ段階の2つの段階が含まれていました。in vitroフェーズには、(i)実装研究のための統合フレームワーク(CFIR)27に従って実施障壁に対処し、(ii)27トランス診断リスク計算機をローカルEHRに統合する2つの多様な目的を持っていました。実施障壁には、臨床医へのリスクアウトカムのコミュニケーションが含まれていました。SLaMでは、すべての患者がケアの質に影響を与えることなく、研究のために連絡を取る意欲を示す連絡先同意(C4C)に登録するように招待されています。これにより、患者との接触に関する倫理的な問題が軽減されます。さらに、臨床医とのワーキンググループは、この情報がどのように伝えられたかを調整するのを助けました。インビボ段階(2018年5月14日~2019年4月29日)の間、SLaMサービス(ランベス、サザーク、ルイシャム、クロイドンの自治区)にアクセスしていた14歳以上のすべての個人(i)は、非有機的で非精神病性精神障害(非精神病性精神障害)の最初のICD-10指数一次診断を受けたATPD)、またはCHR-P指定および既存の連絡先の詳細を持つ(iv)が適格とみなされた。インビボ段階では、毎週SLaMにアクセスする新しい患者が精神病リスクについて自動的にスクリーニングされ、一定の閾値を超えるリスクを有する患者が検出された。その後、研究チームは患者の責任ある臨床医に連絡を取り、さらなる勧告について話し合い、最終的には評価6に直面するさらなる顔を提案した。評価された人がCHR-P基準を満たしていると考えられる場合、サウスロンドンのアウトリーチとサポート(OASIS)28などの専門CHR-Pサービスに紹介されました。これは、精神病性障害の発症前に個人の検出を改善し、障害の経過を変更するための重要な機会を提供するであろう。重要なことに、この実現可能性調査は、現在の記事のトピックであるローカルEHRシステムへの電卓の完全な統合を含んでいました。この実現可能性調査の完全なプロトコルは、提案された研究を評価するための計画の概要、データセキュリティと倫理的問題の管理に関する詳細を含む、前の研究6で提示されている。現在の記事は、実現可能性調査6の一環として、局所的なEHRデータに基づくリアルタイムの精神病リスク検出および警告システムの技術的実装を選択的に提示することに焦点を当てている。具体的には、この研究の目的は、二次的なメンタルヘルスケアサービスにアクセスするとすぐに危険な患者をタイムリーに検出する際に、このリスク計算機の技術的実現可能性を調査することです。フィージビリティスタディの完全な結果は、臨床医がリスク計算機によって行われた勧告に従うという点で、別々に提示されます。提案された研究の有効性の包括的な評価は、無作為化設計を必要とし、現在の研究プログラムの範囲外である。私たちの最高の知識では、これは精神病の早期発見のためのライブEHRデータに基づいてリスク計算の実装を記述する最初の方法です。

精神病リスク検出とアラートへのアプローチは、CogStack プラットフォームを活用しています。CogStack プラットフォームは、軽量で分散型でフォールトトレラントな情報検索およびテキスト抽出プラットフォーム24です。このプラットフォームは、Java Spring Batch フレームワークを使用して定義済みのデータ ソース (Word、PDF ファイル、画像などの複数の形式の構造化された EHR データと非構造化 EHR データの両方) から、定義済みのデータ シンクにリアルタイムでデータを取得および同期する CogStack パイプラインの 3 つの主要コンポーネントで構成されています。2)Elasticsearch、EHRデータの全文の保存とクエリを可能にする検索エンジン、およびエンジンに高度な分析を埋め込むための様々なアプリケーションプログラミングインターフェイス(API)を提供する。3) Kibana は、Elasticsearch でデータをクエリし、視覚化ダッシュボードを構築し、データから関心のある異常やその他のパターンに対するアラートを設定できる、インタラクティブな Web ベースのユーザーインターフェイスです。さらに、CogStackは、電子メールとSMS(テキスト)によって臨床医に潜在的な問題を警告する機能を組み込んでおり、臨床医はリスク計算機によって報告された危険な患者に関するタイムリーな通知を受け取ることができます。

CogStack プラットフォームを活用して、SLaM で ePJS に基づく精神病リスク検出とアラートのモデルを紹介します。週単位19でePJSから識別されていない健康記録への遡及的アクセスのメカニズムを提供するCRISプラットフォームと比較して、SLaMのCogStackプラットフォームは、識別可能なEHRへのアクセスをリアルタイムで可能にし、アラートを将来の設計のポイント・オブ・ケアとリスク予測に近づけますが、CRISプラットフォームとCogStackプラットフォームはSLaMのePJSからソースされたデータを使用します。次のセクションでは、EHR からのソース データの準備、Elasticsearch を介した全文検索を有効にするソース データを CogStack プラットフォームに取り込み、Python デーモン スレッドを使用した精神病リスク計算ツールの実行、Kibana ユーザー インターフェイスを介した対話型の視覚化とリアルタイム リスク アラートの設定など、アプローチの重要な手順の詳細を説明します。EHRデータに基づいてリアルタイムのリスク検出とアラートシステムを構築することを目指す研究者は、アプローチとその参照実装に従うことができます。以下で詳しく説明しますが、提案された方法は、高い柔軟性と移植性を備えたオープンソースの軽量技術を利用します。これにより、リスク計算機をさまざまな場所で実行でき、他のリスク推定アルゴリズムに対して高い適用性を示します。さらに、この方法は、一般的な医療システムに組み込まれたEHRのリスク検出およびアラート機能を強化するための簡単なアプローチとして機能します。

Protocol

この研究は、イングランド東部 – ケンブリッジシャーとハートフォードシャー研究倫理委員会によって承認されました(参照番号:18/EE/0066)。 注: このプロトコルは、CogStack プラットフォームと Python プログラミング言語に基づいて開発されました。このシステムには、デバイスに事前にインストールされている Docker (具体的には、Docker Compose https://docs.docker.com/compose/)、アナコンダ Python (https://www.anaconda.com/distribution/) および Git (https://git-scm.com/downloads) が必要です。このプロトコルで提供されるコマンドは、Linux 環境に基づいています。以下では、EHRデータベースからのソースデータの準備、CogStackプラットフォームへのデータの取り込み、CogStackプラットフォームに基づく精神病のリアルタイムリスク計算および警告システムの設定について詳しく説明します。さらに、リスク計算機のオンライン版は、http://www.psychosis-risk.netの二次的なメンタルヘルスケアで精神病を発症する個人の確率の数値計算を容易にするために開発されました。 1. ソースデータの準備 注: ほとんどのユースケースでは、CogStack は、1 つ以上のソースデータベーステーブルのデータを結合できる、指定されたデータベースビューからソースデータを取り込みます。インジェスト ビューの設定は、正常性レコード データベース システムの特定のユース ケースと展開設定によって調整されます。このプロトコルは、Fusar-Poliら、21、およびパイロット実装実現可能性調査6の一部として開発され、21外部に2回検証された精神病リスク計算機に基づいて開発されています。プロトコルは、2014 年に展開された EHR データベースに基づいています。 既存の EHR データベース システムでビュー オブジェクト (このプロトコルでは” vwPsychosisBase” と呼ばれる) を作成し、精神病リスクの計算と警告のために患者の必要な情報を結合します。このビューには、元のモデル14,21,21で定義されているように、非有機性および非精神病性精神障害(疾患および関連する健康問題の国際統計分類、第10改訂[ICD-10])の第一次診断を受けたすべての患者が含まれていることを確認する。 ビューの各レコードに 3 種類の患者情報が含まれるようにします。 ICD-10診断指数(診断は、次の10のクラスターに集結しました:急性および一過性精神病性障害、不安障害、双極性気分障害、小児および思春期発症障害、発達障害、非双極性気分障害、精神遅滞、人格障害、生理学的症候群、物質使用障害)および診断日;2)性別、民族、生年月日を含む患者の人口統計データ。3)一般診療(GP)、コンサルタント、ケアコーディネーターの詳細など、患者のケアチームの最新の連絡先情報。最初の2つのタイプの情報は、精神病リスク計算機14、21に不可欠であり、21第3のタイプの情報は、タイムリーなリスクアラートを可能にすることです。 ビュー内の各レコードに一意の識別子 (このプロトコルで使用される” patient_id”など) があることを確認します。 ビュー内のレコードに関連するすべてのソース情報の最新の更新タイムスタンプ (例: 患者の人口統計情報の最終更新時刻と患者の最初の一次診断情報) を選択し、ビュー内のレコードの最新の更新日時 (このプロトコルでは”etl_updated_dttm”と表示されます) を選択します。レコードの最終更新日時により、CogStack はデータベース内の更新 (新規レコードや更新レコードなど) を同期できます。 2. データの取り込み Github (https://github.com/cogstack-slam/psychosis) からコードリポジトリをダウンロードまたはクローン作成するか、ターミナルウィンドウに「git clone https://github.com/cogstack-slam/psychosis.git」と入力します。ダウンロードしたフォルダには、CogStack インスタンスをデプロイするための精神病リスク計算ファイルおよび設定ファイルのコードが含まれています。 “cogstack_deploy/cogstack/” ディレクトリに移動し、 “精神病.properties” を変更して、データの取り込み用に CogStack パイプラインを構成します。EHR データベースの設定に基づいて、セクション “SOURCE : DB 構成” の設定を変更します。ビュー名(“vwPsychosisBase”など) とフィールド名 (たとえば、patient_id”、”etl_updated_dttm” など)etl_updated_dttmを必要に応じて変更します。patient_idこのファイルの構成にエラーが発生した場合は、 https://cogstack.atlassian.net/wiki/spaces/COGDOC/pages/38043684/Quickstartの指示に従ってください。 “cogstack_deploy/共通/弾性検索/構成/ディレクトリに移動し、 “elasticsearch.yml” ファイルのセクション “xpack.notification.email.account” を変更して、アラートを送信するための電子メール アドレスを構成します。電子メールの設定の詳細な指示はhttps://www.elastic.co/guide/en/kibana/6.4/watcher-create-threshold-alert.htmlにあります。 「cogstack_deploy/」ディレクトリに移動し、「docker-compose up」と入力して CogStack プラットフォームを実行します。ルートアクセスでこのコマンドを実行します。プロセスが正常に完了すると、ターミナルに CogStack パイプライン、Elasticsearch、Kibana など、現在実行中のサービスのステータスログが出力されます。その結果、ソース データベース ビューのすべてのデータと更新が、CogStack プラットフォームの”psychosis_base”という Elasticsearch インデックスにタイムリーに取り込まれます。 Web ブラウザを開き、「http://localhost:5601/」と入力して Kibana ユーザインタフェースにアクセスします (または、CogStack プラットフォームを実行しているサーバの特定の IP アドレスを”localhost”に置き換えます)。Kibana に初めてアクセスする場合は、[管理] タブと[インデックス パターン] タブをクリックして、Kinaba でアクセスする Elasticsearch インデックスを指定します。[インデックス パターン] フィールドに “psychosis_base” と入力し、[次のステップ] をクリックします。[タイム フィルタ] フィールド名に[etl_updated_dttm]を選択し、[インデックス パターンの作成] をクリックして Kinana のインデックス パターンに “psychosis_base” を追加します。 Kibana が Elasticsearch インデックス (つまり”psychosis_base”)に接続されたら、ソース データを検索して、対話的に検索し、”検出” ページを使用して参照します。Kibanaは、非技術的なユーザーが構造化されたメタデータとフリーテキストの両方を検索することを可能にします。「ディスカバー」の詳細な使用方法については、 https://www.elastic.co/guide/en/kibana/6.4/discover.htmlを参照してください。 3. リスク計算 新しいターミナルウィンドウを開き、”精神病/”ディレクトリに移動します。リスク計算機で使用されている必要なすべての Python パッケージ(“elasticsearch””””elasticsearch_dsl”、”pandas” および”numpy”を含む) を、ターミナルに「conda install package-name」またはpandas「pip install package-name」と入力してインストールします。 「pythonrisk_calculator.py」と入力して、精神病リスク計算機を実行します。プロセスが正常に完了すると、リスク計算のログが端末に出力され、リスク結果は CogStack プラットフォーム内の新しい Elasticsearch インデックス”psychosis_risk”に保存されます。 Kibana インターフェイスを使用して、リスクの結果を確認します。手順 2.5 および 2.6 と同様に、新しいインデックス パターン “psychosis_risk” を追加して Kinbana を” psychosis_risk” インデックスに接続し、リスクの結果を探索するには[ディスカバー] ページを使用します。リスクの高い新しい患者を簡単に特定するには、”first_primary_diagnosis_date” を “psychosis_risk” インデックスpsychosis_riskの構築に “タイム フィルタ” フィールドとして使用します。[検出] ページでデータを探索する場合は、インデックス パターンの”psychosis_risk”が選択されていることを確認します。 4. データの視覚化 Kibana の「Discover」ページを使用して個々のレベルの情報を検索してアクセスすることに加えて、ビジュアライゼーションとダッシュボードを構築して、危険な患者の全人口の特性の概要を把握できます。これを行うには、Kibanaのサイドナビゲーションで[視覚化]をクリックします。次に、[新しい視覚化の作成] ボタンをクリックし、視覚化の種類 (円グラフ、折れ線グラフなど) を選択します。キバナを通して視覚化したいインデックスとして「psychosis_risk」を選択します。既定では、視覚化には、psychosis_riskインデックス内のすべてのレコード/患者が含まれます。キバナ ビジュアライゼーションの構築に関する詳細な手順については、 https://www.elastic.co/guide/en/kibana/6.4/visualize.htmlで参照できます。 視覚化するデータの特定のサブセットを選択するには、「フィルター」を追加します。たとえば、”h_2_year”として指定されたフィルタを選択すると、演算子を ” “と “” の間に指定した場合と、”0.0″ から”0.05″までの値を設定すると、2 年間の精神病のリスクが 0.05 より高い患者のみが対象になります。0.0 個々のビジュアリゼーションを作成したら、Kibana のサイドナビゲーションで[ダッシュボード] をクリックして、関連する一連の視覚エフェクトをまとめて表示するダッシュボードを作成します。[新しいダッシュボードの作成] をクリックし、[追加] ボタンをクリックして新しいダッシュボード パネルを作成します。新しいダッシュボード パネルに表示するビジュアライゼーションをクリックします。[保存]をクリックし、タイトルを入力してパネルを保存します。Kibana ダッシュボードの作成方法については、 https://www.elastic.co/guide/en/kibana/6.4/dashboard.htmlで説明しています。 5. リスクアラート Kibanaのサイドナビゲーションで[管理]をクリックし、Elasticsearchの下の[ウォッチャー ]をクリックして、患者が精神病の危険にさらされたときに臨床医に警告を作成します。[監視] ボタンが表示されていない場合は、[ライセンス管理] をクリックし、[試用版の開始] または[ライセンスの更新] をクリックします。 [詳細なウォッチを作成] をクリックして、新しい監視機能を設定します。「ID」と「名前」を入力します。「ウォッチ JSON」セクションの内容を削除し、「精神病」ディレクトリの”watcher.json”ファイルのコンテンツを「JSON を見る」セクションにコピーします。このウォッチャーは、2年間で精神病のリスクが0.05(実現可能性検査の仮のしきい値)を超える患者が1人以上いる場合、「username@nhs.uk」(ステップ2.3で設定された)から「clinician@nhs.uk」にアラートEメールを送信します( ステップ2.3で設定されました)。 監視ツールを保存する前に、[シミュレート] をクリックして、監視実行をテストします。監視が正常に設定されると、シミュレーション出力が印刷されます。設定に誤りがある場合は、https://www.elastic.co/guide/en/elastic-stack-overview/6.4/watcher-getting-started.htmlの指示に従ってください。 監視を停止するには、完全に削除するか、ウォッチャーの [状態] ページから一時的に非アクティブ化します。

Representative Results

このセクションでは、リスク計算機を通じて詳しく説明したライブ臨床データストリームの処理における実用性に焦点を当てた実装結果を提示し、臨床医への予後結果のタイムリーな配信を促進します。リスク計算機による勧告に対する臨床医の付着など、システムの臨床有用性の評価は、完了時に別のレポートに記載される。 ソース データの取り込みSLaMのePJSのレプリカデータベースに基づいて、精神病リスク計算と警告システムを導入しました。このレプリカ データベースは、ePJS からのライブ データを 10 分ごとに同期します。このレプリカデータベースには、患者の精神病リスク計算に関する患者の情報を組み合わせたデータベースビューが構築され、各レコードには患者の情報が含まれています。このビューのすべてのレコードは、リアルタイムで CogStack プラットフォームに取り込まれました (8 コア CPU と 16 GB RAM を搭載した仮想マシンでは、レコードあたり約 0.6 マイクロ秒)。この原稿が作成された2019年7月13日まで、SLaMで非有機性および非精神病性精神障害の最初の指数診断を受けた202,289人の患者のすべての記録は、精神病リスク計算のためにCogStackに摂取され、「psychosis_base”弾性検索指数」に保存されました。図 1は、レコードの最終更新日に基づいて、時間の経過に従って CogStack に取り込まれたレコードの数を時系列順に示しています。データベース内のレコードの数と内容と Elasticsearch インデックスを比較することで、欠落データと不一致データが見つからず、データの取り込みと同期における CogStack パイプラインの信頼性が確認されました。 リスク結果の検証このプロトコルで精神病リスク検出器の実装を検証するために、CogStack(「CogStackバージョン」と呼ばれる)によって検出された危険な患者と、CRIS(「CRISバージョン」と呼ばれる)に基づく元のリスク計算機によって検出された患者を比較しました。危険な患者,6、14、2114をスクリーニングするために開発6された閾値がなかったので、ここでは2年間で精神病のリスクに5%の暫定的な閾値を使用しました。21この暫定的なしきい値は、システムがNHSで実用的に機能し、将来の研究で変化しやすいかどうかをテストするだけです。リスクの高い個人の最適な検出のための実際のしきい値は、将来の大規模な研究で特定される必要があります。具体的には、まずCRISバージョン(患者数N=169)の閾値を超える精神病のリスクを有するすべての患者を取り出した。これらの患者は、2018年5月14日から2019年4月29日まで、SLaMにおける非有機および非精神病性精神障害の最初の指標診断を受けた。同じ期間に診断された患者をフィルタリングすることにより、2年間で精神病のリスクがCogStackバージョンで0.05を超えるN=170人の患者を取り出しました。最後に、2組のユニークな患者の総数がN=173である2組の患者の違いを比較しました。我々は、161人の患者(173人の患者の93%を占める)が両方のバージョンで同じスコアを有することを発見した。高度な合意により、リスクスコアを生成する際に、この CogStack ベースのプロトコルの有効性が確認されます。 2つのバージョンで異なるリスクスコアを持つ12人の患者がいました。患者のAEHを検査することで、この違いは、CRISバージョンでリスクスコアを計算した後にこれらの患者のデータが更新されたためであることがわかりました。具体的には、生年月日、性別、自己割り当て民族などのリスク計算機で使用される予測変数は静的変数でしたが、患者の健康記録の中には、初期段階で変数(未知の民族性など)の欠損値またはデフォルト値があり、これらの変数は後の段階で入力または更新されました。これは、2つの異なる段階で異なるリスクスコアにつながる可能性があります。同様に、一部の患者の最初の一次指標診断は、これらの診断に基づいて最初のリスクスコアを計算した後に無効にされた。この場合、リスク計算機は、このような患者のための次の有効な一次診断を探し、リスクスコアを再計算します。更新されたリスク スコアは、最初のリスク スコアと異なる場合もあります。元のリスク計算機は、研究用のCRISの遡及データに基づいて開発されたので、元の電卓パイプラインはEHRデータでこれらの更新を同期せず、リスクスコアをタイムリーに更新しませんでした。対照的に、患者のリスクスコアは、患者のソースデータが更新された場合、CogStackバージョンで再計算され、このCogStackベースの計算機は患者に最も信頼性が高く最新のリスクスコアを提供することができます。これらの結果は、このプロトコルにおけるリスクスコアの信頼性を強く強調しています。 結果の視覚化とリスクアラートデータビジュアライゼーションにおける CogStack の機能を実証するために、精神病のリスクがある患者に関する情報を提供するダッシュボードを構築しました。実現可能性検査に以前に使用したように、我々は危険な患者として5%よりも高い2年間で精神病のリスクを持つ人を選択しました。図2は、患者の民族性、性別、年齢および診断のカテゴリーを含む精神病のリスクがある患者の特徴の視覚化を示す。Webインターフェイス(Kibanaなど)を介してリスク結果を可視化する以外に、このプロトコルは、電子メールなどの他の通知チャネルを介してユーザーや臨床医にリスクアラートを送信することを可能にします。図 3は、Kibana の Watch コンポーネントを使用してリスク警告サービスを設定するためのインターフェイスを示しています。このサービスが正常に構成されると、2年間に精神病のリスクが5%を超える患者が1人以上いれば、ユーザーは電子メール通知を受け取ることができます。図 4は、これらの電子メール通知の例を示しています, リスクのある患者の数とこれらの患者の自治区を報告します。.予測された精神病リスクスコアの伝達方法を調整するために、より多くの作業が必要であるため、臨床医にリスク通知を直接送信していません。技術的な実現可能性をテストするために、この研究のすべての通知は、安全なネットワーク内のSLaMの電子メールシステムを介して技術研究者(T.W.)から臨床研究者(D.O.)に送信されました。患者情報の集計統計のみが通知に含まれていました。個人を特定できる情報は含まれていません。 図 1: CogStack に取り込まれたソースデータ2019 年 7 月 13 日までは、”psychosis_base”Elasticsearch インデックスに取り込まれたレコードは合計 202,289 件あり、ヒストグラムはレコードの最後の更新データ時刻で順番に、時間の経過とと同時に取り込まれたレコードの数を示します。構造化情報と非構造化情報の両方を照会し、このページのクエリに一致する検索ヒットを取得することもできます。この図の大きなバージョンを表示するには、ここをクリックしてください。 図2:精神病のリスクがある患者の特徴のダッシュボード(すなわち、0.05より2年高い精神病のリスク)。(a) 危険にさらされている患者の民族分布、外側のパイは、内側のパイの民族カテゴリのサブカテゴリです。(b) 患者の性別の分布、 (c) 診断時の患者の年齢の分布と、診断グループごとの患者数 (d)この図の大きなバージョンを表示するには、ここをクリックしてください。 図 3: リスクアラートに対する監視の設定とシミュレーションこの図の大きなバージョンを表示するには、ここをクリックしてください。 図 4: リスクアラートの E メールの例各臨床コミッショニンググループ(CCG)における精神病のリスクがある患者の数は、括弧内に報告されています。この図の大きなバージョンを表示するには、ここをクリックしてください。

Discussion

オープンソースの情報検索および抽出プラットフォームであるCogStackに基づくリアルタイムの精神病リスク検出および警告システムの最初のEHR実装を実証しました。このアプローチに従うと、構造化情報や非構造化情報を含むさまざまな形式の大量の臨床データをCogStackインスタンスに変換して取り込み、全文検索、インタラクティブな分析、データの視覚化、精神病のリスクがある患者の臨床医へのリアルタイムアラートを可能にすることができます。元の精神病リスク計算機は、いくつかのNHSトラストのパイロット研究で検証されていますが、振り返り患者レコード66、14、2114,21を使用していますが、この実験設計は、このリスク計算機を複製してリアルタイムで使用するために展開することができるという最初の証拠ベースを提供します。このアプローチにより、Emailなどの既存の臨床通知チャネルを通じて、臨床医に対して予後結果をリアルタイムで自動配信できます。これは、現実世界でこのリスク計算機の究極の臨床有用性を評価するための大規模有効性試験を実施するための技術的な実現可能性を明らかに示しています。

このプロトコルは、精神病に対する同様のリスク検出および警告システムが存在しないため、経験的に革新的です。さらに、このプロトコルは、特に我々のアプローチのユニークな強みのために、臨床使用における高い一般化性を有する。理論的な観点から、SLaM NHSトラストの大規模な遡及的非同定コホートに基づいて開発されたリスク予測モデルを使用しました。SLaMは、南ロンドンの人口136万人に二次メンタルヘルスケアを提供し、世界で最も高い精神病率を記録しています。この大規模なコホートは、社会人口統計学的および診断的特性の多様性が高く、特定の特性を持つ集団に偏りがちなリスク予測モデルを開発することを可能にします。これは、このリスク計算機の予後精度が、SLaMの外部の1つを含む2つの異なるデータベース14、21,21ですでに2回複製されていることを示す証拠によって裏付けされています。このリスクモデルのもう一つの理論的な強みは、基本的な人口統計学的および臨床的診断情報が予測因子として使用されたことです。このような情報は電子的な臨床データにおいて遍在しており、実際にこれらの予測変数の欠損データは、我々の以前の研究1414,2121では比較的稀であることが示されている。予測変数を構築するための情報の高可用性により、さまざまなセカンダリメンタルヘルスケア部門にわたる多数の患者サンプルでリスク計算機を実行することが可能になります。さらに、リスク計算機は、個人の年齢に関係なく、二次的なメンタルヘルスケアで精神病を発症する危険性があるすべての個人に適した一般的なアルゴリズムです。すなわち、この電卓は、ピーク精神病リスク16の15〜35歳の範囲に適しているだけでなく、この範囲外のものにも適している、高い程度の一般化を示す。

実際的な観点から見ると、リスク計算機と CogStack プラットフォームの両方が、リソースの多い技術やコストのかかるインフラストラクチャを伴わない軽量およびオープンソースのサービスです。このような低コストで導入が容易なプラットフォームは、実際の臨床現場での採用の障壁を軽減できます。また、当社のソリューションは主な実装障壁を克服します:リスク推定システムは、臨床医が日々の実践25で使用しない限り、ほとんど価値を提供しません。具体的には、EHRからのデータにアクセスし、電子カルテシステムとは無関係に分析を行い、既存の通知チャネルを通じて臨床医に解析結果を送り返すことができます。この方法では、既存のシステムのビジネス ロジックを変更する必要はありませんし、既存の臨床意思決定支援システムをサポートし、拡張するためのスタンドアロン サービスとして機能します。したがって、プロトコルは既存の臨床システムとの高い互換性を有し、日常の臨床実践に容易に統合することができる。さらに、このプロトコルは臨床データの検索、分析、視覚化のためのユーザーフレンドリーなインターフェイスを提供し、臨床医がリスク結果を解釈して探求することを容易にします。

このプロトコルには、その制限もあります。第1に、このプロトコルの有効性は、日常的な臨床現場において評価されていない。この研究は、局所EHRでリアルタイムの精神病リスク検出および警報システムを実施する技術的実現可能性試験に焦点を当てた。定期的な臨床現場でこのシステムの有効性をさらに評価するために、将来の大規模な無作為化比較試験が必要である6.2 つ目の制限は、このプロトコルのリスク スコアの予測が、1 つのスナップショットで収集された静的データである最初のプライマリ診断に基づいて行われた点です。しかし、CHR-P症状は本質的に時間の経過とともに進化しています。変化を反映するために予測モデルを動的に更新できる精神病リスク計算機の動的バージョンが最近26で開発された。今後の作業では、現在のプロトコルでこの動的な計算機を統合することに焦点を当てます。

このアプローチで最も重要なステップは、リスク計算ツールで抽出予測変数に使用された EHR データを特定することです。また、EHRシステムが患者の民族グループのための異なるコーディングシステムなど、このプロトコルで使用されるデータモデルとは異なるデータモデルを使用した場合、データ要素マッピングを作成することも含まれる可能性があります。私たちは、オンラインですべてのコードとマッピング定義をオープンソースにしています (https://github.com/cogstack-slam/psychosis.これらの資料に基づいて、自分の状況に応じて展開を複製したり、電卓を調整することができます。もう 1 つの重要なステップは、CogStack でのデータ取り込み用のデータベース・ビューの作成です。Elasticsearch でのリレーショナル結合操作 (つまり、1 つ以上のデータベース テーブルの列を組み合わせる) は、高い計算コストにつながる可能性があるため、データベース ビューを作成して、これらの結合操作を EHR データベースで実行しました。このビューでは、リスク計算ツールで予測変数を抽出するために必要なすべての情報と、データインジェストでのデータパーティション分割に CogStack パイプラインで使用された 2 つの重要なフィールドを組み合わせていました。最初のフィールドはビュー内の各レコードの一意の主キー(“patient_id” このプロトコルを使用) であり、2 番目のフィールドはレコードが最後に変更されたときのタイムスタンプです。これら 2 つのフィールドが正しく設定されていない場合、CogStack は EHR データベースのデータ更新をタイムリーに同期しない可能性があります。CogStack データ取り込みのトラブルシューティングに関する詳細な手順については、https://cogstack.atlassian.net/wiki/spaces/COGDOC/overviewおよびhttps://github.com/CogStack/CogStack-Pipelineで入手できます。

このプロトコルは非常に転送可能で、CRISまたはCogStackプラットフォームを持つNHSトラストに簡単に展開できます。これまでのところ、CRISプラットフォームは、同意手続きを含め、他の場所で完全に説明されており、英国の12のNHSトラスト全体で拡大中であり、200万人以上の非確認患者記録(https://crisnetwork.co/)を活用しています。同様に、CogStackプラットフォームはSLaMだけでなく、ユニバーシティ・カレッジ・ロンドン病院(UCLH)、キングス・カレッジ・ホスピタル(KCH)、ガイズ・アンド・セント・トーマス(GSTT)、マージー・ケアNHSトラストなど、英国全土の他のNHSトラストにも展開されています。プラットフォームなどの信頼は、リスク計算機(http://psychosis-risk.net)のオンライン版を使用するか、この原稿とオンライン文書に基づいてゼロからこのプロトコルを構築することができます。このプロトコルは精神病リスク検出のために開発されていますが、このプロトコルのアーキテクチャ設計はこの特定のユースケースに結びついていません。このプロトコルは、副作用などの他のリスク測定領域に対するリアルタイムモニタリングおよび警告コンポーネントの再構成と転用を可能にするほど柔軟であり、臨床医は患者のケア、安全性、経験を向上させるためのタイムリーな行動を取ることができます。

Disclosures

The authors have nothing to disclose.

Acknowledgements

この研究は、医学研究評議会(MRC)(MC_PC_16048)からPFPへのキングス・カレッジ・ロンドン・コンフィデンス・イン・コンセプト賞の直接出力です。RDとARは、(a)モーズリー・チャリティーによってサポートされました。(b) 国立衛生研究所(NIHR)サウスロンドンの生物医学研究センター、モーズリーNHS財団信託、キングス・カレッジ・ロンドン(c) 英国医学研究評議会、工学物理科学研究評議会、経済社会研究評議会、保健社会福祉省(イングランド)、スコットランド政府保健社会福祉局のチーフサイエンティストオフィス、保健社会福祉研究開発部門(ウェールズ政府)、公衆衛生庁(北アイルランド)、英国心臓財団、ウェルカムトラストが資金を提供する健康データ研究英国。(d) BigData@Heartコンソーシアムは、116074年第116074年補助金契約に基づく革新的医薬品イニシアチブ-2共同事業が出資する。この共同事業は、欧州連合のHorizon 2020研究・イノベーションプログラムおよびEFPIAの支援を受けています。DE GrobbeeとSD Ankerが議長を務め、20の学術および業界パートナーおよびESCと提携しています。(e)国立衛生研究所カレッジロンドン病院生物医学研究センター。これらの資金調達機関は、研究、収集、分析の設計に何の役割も持っていませんでした。表現された見解は著者のものであり、必ずしもNHS、NIHRまたは保健省の見解とは限りません。

Materials

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

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

Play Video

Cite This Article
Wang, T., Oliver, D., Msosa, Y., Colling, C., Spada, G., Roguski, Ł., Folarin, A., Stewart, R., Roberts, A., Dobson, R. J. B., Fusar-Poli, P. Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack. J. Vis. Exp. (159), e60794, doi:10.3791/60794 (2020).

View Video