Summary
Мы демонстрируем, как развернуть в режиме реального времени систему расчета риска психоза и оповещения на основе CogStack, платформы поиска информации и извлечения для электронных медицинских записей.
Abstract
Недавние исследования показали, что автоматизированный, охватывающий жизнь, трансдиагностику и клинически основанный индивидуальный калькулятор риска обеспечивает мощную систему поддержки раннего выявления лиц, подверженных риску психоза в больших масштабах, путем использования электронных медицинских карт (EHRs). Этот калькулятор риска был дважды проверен на внешней его проверке и проходит технико-экономическое обоснование для клинической реализации. Интеграция этого калькулятора риска в клиническую рутину должна быть обеспечена перспективными технико-экономическими исследованиями, которые необходимы для решения прагматических задач, таких как отсутствие данных, и удобство использования этого калькулятора риска в реальных и рутинных клинических условиях. Здесь мы представляем подход к предполагаемой реализации службы обнаружения и оповещения о рисках психоза в реальном времени в реальной системе EHR. Этот метод использует платформу CogStack, которая является системой поиска информации с открытым исходным кодом, легкой и распределенной информацией. Платформа CogStack включает в себя набор услуг, которые позволяют полнотекстовый поиск клинических данных, продолжительность жизни включительно, в режиме реального времени расчет риска психоза, раннего риска оповещения врачей, и визуальный мониторинг пациентов с течением времени. Наш метод включает в себя: 1) прием и синхронизацию данных из нескольких источников в платформу CogStack, 2) внедрение калькулятора рисков, алгоритм которого был ранее разработан и проверен, для своевременного расчета риска психоза пациента, 3) создание интерактивных визуализаций и приборных панелей для мониторинга состояния здоровья пациентов с течением времени, и 4) создание автоматизированных систем оповещения для обеспечения того, чтобы врачи не были уверены в пациентах, , так что соответствующие действия могут быть продолжены. Это первое в истории исследование, которое разработало и внедрило аналогичную систему обнаружения и оповещения в клинической рутине для раннего выявления психоза.
Introduction
Психотические расстройства являются серьезными психическими расстройствами, которые приводят к трудностям в различении внутреннего опыта ума и внешней реальности окружающей среды1,а также выше, чем средний риск причинения себе вреда и самоубийства2. При стандартном уходе эти расстройства приводят к серьезным последствиям для здоровья населения со значительным бременем для здоровья и экономического бремени для отдельных лиц, семей и обществ во всем мире3. Ранние вмешательства в психоз может улучшить результаты этого психического расстройства4. В частности, выявление, прогностического оценки и профилактического лечения лиц, которые находятся в клиническом высоком риске развития психоза (CHR-P)5 предоставляет уникальный потенциал для изменения хода расстройства, тем самым улучшая качество жизни для многих людей и их семей3,6. CHR-P лиц помощи ищет молодых людей, представляющих с ослабленными симптомами и функциональных нарушений7: их риск развития психоза составляет 20% на 2-летний8, но это выше в некоторых конкретных подгрупп9,10. Несмотря на некоторые существенные достижения, влияние профилактических подходов в обычной клинической практике ограничено способностью обнаруживать большинство людей, которые находятся в группе риска11. Современные методы обнаружения основаны на поведении и направлениях по подозрению в риске психоза; эти методы крайне неэффективны при обработке большого количества образцов11. Таким образом, масштабируемость современных методов обнаружения для подавляющего большинства населения, подверженного риску, довольноограничена 12. В самом деле, только 5% (автономные специализированные услуги раннего обнаружения) до 12% (молодежные службы психического здоровья) лиц, подверженных риску развития первого психотического расстройства могут быть обнаружены во время их стадии риска в настоящее время стратегии обнаружения6.
Для расширения клинических преимуществ профилактических подходов в большем числе лиц из группы риска, мы разработали автоматизированный, продолжительность жизни включительно (т.е. во всех возрастных группах), трансдиагностика (т.е. по различным диагнозам)13, клинически-индивидуальный калькулятор риска, который может обнаружить лиц, подверженных риску психоза в вторичной психиатрической помощи в масштабе, за пределами тех, кто отвечает критериям CHR-P14. Этот калькулятор риска использовал модель пропорциональной опасности Кокса для прогнозирования риска развития психотического расстройства в течение шести лет из пяти регулярно собранных клинических переменных, выбранных априори, в соответствии с методологическими рекомендациями15:возраст, пол, этническая принадлежность, возраст за полом и первичный индекс диагностики. Эти клинические переменные были выбраны на основе априорных знаний, полученных из мета-анализа16,17, в соответствии с самыми современными методологическими руководящими принципами15. Количество предикторов ограничено для сохранения коэффициента Event Per Variable и минимизации переукладочных смещений; в том числе слишком много переменных без априорного фильтра приводит к переукладыванию проблем и плохой прогноститической точности18. Метод, используемый для разработки этой модели обеспечивает аналогичную прогностиковую точность для автоматических методов машинного обучения18. Параметры модели Кокса были оценены на основе ретроспективной де-идентифицированной когорты из южного Лондона и Модсли Национального фонда службы здравоохранения Фонда Trust (SLaM)19. SLaM является Национальной службы здравоохранения (NHS) психического здоровья доверия, который обеспечивает вторичное психическое здоровье населения 1,36 миллиона человек в южном Лондоне (Ламбет, Саутварк, Льюисем и Кройдон районов), и имеет один из самых высоких зарегистрированных показателей психоза в мире20. Все данные, использованные в разработке модели, были извлечены из платформы Clinical Record Interactive Search (CRIS), цифровой системы регистра случаев, которая предоставляет исследователям ретроспективный доступ и анализ анонимизированных клинических записей19. Клиническая информация в CRIS извлекается из на заказ электронной системы медицинской записи (EHR) в SLaM, называемой электронной системой путешествий пациентов (ePJS). SLaM не имеет документов, а ePJS представляет собой стандартную платформу сбора данных для клинической рутины. Таким образом, трансдиагностический калькулятор риска использует EHRs и имеет потенциал для автоматического проверки больших EHRs пациентов, имеющих доступ к вторичной психической помощи, чтобы обнаружить тех, кто может быть подвержен риску психоза. Алгоритм этого трансдиагностического калькулятора6риска был опубликован ранее6,14,,21. Трансдиагностический калькулятор риска был внешне проверен в двух NHS Foundation Trusts14,,21 и оптимизирован22,демонстрируя его адекватную прогностичную производительность и обобщаемость среди различных групп населения.
В соответствии с методологическими рекомендациями по разработке модели прогнозирования риска15,,23, следующим шагом после разработки модели и проверки является внедрение модели прогнозирования в обычной клинической практике. Исследованиям по имплементности обычно предшествуют экспериментальные или технико-экономические обоснования, в которых рассматриваются потенциальные прагматические ограничения, связанные с использованием алгоритмов риска в клинической практике. Например, необходимые данные для работы калькулятора, такие как возраст, пол и этническая принадлежность, могут быть недоступны на дату постановки диагноза или обновлены позже. Следует учитывать эффективные методы обработки недостающих данных и синхронизации частых обновлений в потоках данных в режиме реального времени для получения наиболее надежных результатов прогнозирования в реализации. Кроме того, поскольку первоначальная разработка калькулятора рисков была основана на ретроспективных данных когорты, неизвестно, можно ли его использовать в реальном времени, что характерно для реальных клинических условий. Еще одна проблема заключается в обеспечении того, чтобы соответствующие врачи получали рекомендации, порожденные калькулятором риска, в соответствующие сроки и в рамках общего и общепринятого пути коммуникации.
Чтобы преодолеть эти ограничения, мы завершили исследование технико-экономического обоснования с использованием индивидуального трансдиагностического калькулятора риска. Исследование включало в себя два этапа: фазу in vitro, которая проводилась с использованием данных местного EHR, без контакта с врачами или пациентами, и фазу in vivo, которая включала прямой контакт с врачами. Этап in vitro имел две цели: i) для устранения барьеров на пути осуществления в соответствии с Сводными рамочными рамками для проведения исследований в области осуществления (CFIR)27 и (ii) для интеграции калькулятора трансдиагностических рисков в местный ЕПЧ. Барьеры, препятствующие осуществлению, включали сообщение о результатах риска врачам. В SLaM, все пациенты приглашаются зарегистрироваться для согласия на контакт (C4C), что указывает на их готовность связаться для исследования, не влияя на качество медицинской помощи. Это уменьшает этические вопросы, связанные с контактом с пациентами. В дополнение к этому, рабочие группы с врачами помогли пошив того, как эта информация была передана. Во время фазы in vivo (14 мая 2018 года по 29 апреля 2019 года) все лица (i) старше 14 лет (ii), которые получали доступ к любой службе SLaM (районы Ламбет, Саутварк, Льюисхэм, Кройдон), (iii) получение первого индекса МКБ-10 первичной диагностики любых непсихотических расстройств ATPD), или chR-P обозначение и (iv) с существующими контактными данными были признаны подходящими. Во время фазы in vivo, новые пациенты, доступ к SLaM каждую неделю были автоматически проверены на риск психоза, и те, с риском больше, чем определенный порог были обнаружены. Исследовательская группа затем связался с пациентами ответственных врачей, чтобы обсудить дальнейшие рекомендации и в конечном итоге предложить дальнейшее лицом к лицу оценки6. Если считается, что эти оценки отвечают критериям КПЧ-П, они направляются в специализированные службы CHR-P, такие как информационно-пропагандистская и поддержка в южном Лондоне (OASIS)28. Это приведет к улучшению обнаружения лиц до начала психотического расстройства и обеспечить значительную возможность для изменения хода расстройства. Важно отметить, что это технико-экономическое обоснование включало полную интеграцию калькулятора в местную систему EHR, которая является темой текущей статьи. Полный протокол этого технико-экономического обоснования, включая обзор плана оценки предлагаемых исследований, подробную информацию об управлении безопасностью данных и этические вопросы, был представлен в нашей предыдущей работе6. Текущая статья, как часть технико-экономического обоснования6,выборочно фокусируется на представлении технической реализации системы обнаружения и оповещения о рисках психоза в реальном времени на основе местных данных EHR. В частности, цель этого исследования заключается в изучении технической осуществимости этого калькулятора риска в своевременном выявлении пациентов из группы риска, как только они получают доступ к вторичной психиатрической помощи. Полные результаты технико-экономического обоснования с точки зрения соблюдения врачами рекомендаций, сделанных калькулятором риска, будут представлены отдельно. Всеобъемлющая оценка эффективности предлагаемых исследований, которая требует рандомизированных конструкций, выходит за рамки текущей исследовательской программы. Насколько нам известно, это первый метод, описывающий внедрение калькулятора риска на основе живых данных EHR для раннего выявления психоза.
Наш подход к выявлению и предупреждению о рисках психоза использует преимущества платформы CogStack. Платформа CogStack представляет собой легкую, распределенную и терпимую к ошибкам платформу поиска информации и извлечения текста24. Эта платформа состоит из трех ключевых компонентов: 1) конвейер CogStack, который использует платформу Java Spring Batch для глотания и синхронизации данных из заранее определенного источника данных (как структурированных, так и неструктурированных EHR-данных в нескольких форматах, таких как Word, PDF-файлы и изображения) для заранее определенного поглотителя данных в режиме реального времени; 2) Elasticsearch, поисковая система, позволяющая хранить и запросить полный текст данных EHR, а также предоставлять различные интерфейсы программирования приложений (AA) для встраивания расширенной аналитики в движок; и 3) Kibana, интерактивный веб-интерфейс пользователя, который позволяет пользователям задавивать данные в Elasticsearch, создавать панели визуализации и устанавливать оповещения об аномалиях или других закономерностях, представляющих интерес для данных. Кроме того, CogStack включает в себя возможность оповещения врачей о потенциальных проблемах по электронной почте и SMS (текст), что позволяет врачам получать своевременное уведомление о пациентах из группы риска, о которых сообщает калькулятор риска.
Мы представляем модель обнаружения риска психоза и оповещения на основе ePJS в SLaM, используя платформу CogStack. По сравнению с платформой CRIS, которая обеспечивает механизм ретроспективного доступа к деидентифицированным медицинским записям от ePJS на еженедельной основе19, платформа CogStack в SLaM позволяет получить доступ к идентифицируемому EHR в режиме реального времени, приближая оповещение к точке обслуживания и прогнозированию рисков в перспективном дизайне, хотя платформы CRIS и CogStack используют данные, полученные от ePJS. В следующем разделе мы предоставляем подробную информацию о ключевых шагах нашего подхода, включая подготовку исходных данных из EHR, попастание исходных данных в платформу CogStack для включения полнотекстовых поисков через Elasticsearch, запуск калькулятора риска психоза с помощью потока Python daemon и оповещения о рисках в реальном времени с помощью пользовательского интерфейса Kibana. Любой исследователь, который стремится создать систему обнаружения и оповещения о рисках в режиме реального времени на основе данных EHR, может следовать этому подходу и его эталонной реализации. Как мы уточним ниже, предлагаемый метод использует с открытым исходным кодом, легкие методы с высокой гибкостью и портативностью. Это позволяет работать в различных местах калькулятору риска и показывает высокую применимость к другим алгоритмам оценки рисков. Кроме того, метод работает как простой подход для повышения обнаружения рисков и оповещения функциональных возможностей EHR, встроенных в общую систему здравоохранения.
Protocol
Это исследование было одобрено Восточной Англии - Кембриджшир и Хартфордшир исследований этики комитета (справочный номер: 18/EE/0066).
ПРИМЕЧАНИЕ: Мы разработали этот протокол на основе платформы CogStack и языка программирования Python. Эта система требует Докер (более конкретно, Docker Compose https://docs.docker.com/compose/),Anaconda Python(https://www.anaconda.com/distribution/)и Git(https://git-scm.com/downloads)предварительно установлен на устройстве. Команды, представленные в этом протоколе, основаны на среде Linux. В следующем мы предоставляем подробную информацию о подготовке исходных данных из базы данных EHR, попавании данных на платформу CogStack и создании системы расчета риска и оповещения о психозах в режиме реального времени на основе платформы CogStack. Кроме того, была разработана онлайн-версия калькулятора риска для облегчения численного расчета вероятности развития психоза в средней психиатрической лечебной помощи http://www.psychosis-risk.net.
1. Подготовка исходных данных
ПРИМЕЧАНИЕ: В большинстве случаев CogStack глотает исходные данные из определенного представления базы данных, которые могут комбинировать данные из одной или нескольких таблиц исходной базы данных, где представление является объектом поиска в базе данных, содержащей набор результатов сохраненного запроса на данных. Настройка представления о глотании с учетом конкретных случаев использования и параметров развертывания системы баз данных о работоспособности. Этот протокол разработан на основе психоз риск калькулятор разработан и внешне проверены дважды Fusar-Poli и др.14,21 и в рамках экспериментального технико-экономического обоснования реализации6. Протокол основан на базе данных EHR, развернутой с помощью Microsoft S'L Server 2014.
- Создайте объект представления (так называемый"vwPsychosisBase"в этом протоколе) в существующей системе баз данных EHR для объединения необходимой информации пациентов для расчета риска психоза и оповещения. Убедитесь, что эта точка зрения включает в себя все пациенты, получающие первый первичный диагноз неорганических и непсихотических психических расстройств (записано Международной статистической классификации заболеваний и связанных с ними проблем со здоровьем, Десятый Пересмотр «ICD-10»), как это определено в первоначальной модели14,21.
- Убедитесь, что каждая запись в представлении включает в себя три типа информации о пациентах: 1) первая первичная диагностика пациента в системе EHR, включая индекс диагностики МКБ-10 (диагнозы были сгруппированы в следующие десять кластеров: острые и переходные психотические расстройства, тревожные расстройства, биполярные расстройства настроения, детские и подростковые расстройства, нарушения развития, небиполярные расстройства настроения, умственная перетяния, расстройства личности, физиологические синдромы, расстройства и диагнозы; 2) демографические данные пациента, включая пол, этническую принадлежность и дату рождения; и 3) самая последняя контактная информация группы по уходу за пациентом, такая, как подробная информация об общей практике (ГП), консультанты и координаторы по уходу. Первые два типа информации имеют жизненно важное значение для психоза риск калькулятор14,21, и третий тип информации, чтобы своевременное предупреждение о риске.
- Убедитесь, что каждая запись в представлении имеет уникальный идентификатор (например,"patient_id",используемый в этом протоколе).
- Выберите последние метки времени обновления всей исходной информации, относящейся к записи в представлении (например, последнее время обновления демографической информации пациента и первая информация о первичном диагнозе пациента), и выберите последнюю метку времени в качестве последней даты и времени обновления записи в представлении (обозначенном как«etl_updated_dttm»в этом протоколе). Последняя дата обновления и время записи позволяет CogStack синхронизировать обновления в базе данных, такие как новые и обновленные записи.
2. Проглатывание данных
- Скачать или клонировать репозиторий кода от Github(https://github.com/cogstack-slam/psychosis)или введя "git клон https://github.com/cogstack-slam/psychosis.git"в окне терминала. Загруженная папка содержит код для расчета риска психоза и конфигурации файлов для развертывания экземпляра CogStack.
- Перейдите в каталог"cogstack_deploy/cogstack/" и измените "psychosis.properties", чтобы настроить CogStack Pipeline для приема данных. Измените настройки раздела "ИСТОЧНИК: DB CONFIGURATIONS" на основе настройки базы данных EHR, включая указание IP-адреса сервера базы данных, имя базы данных, имя пользователя базы данных и пароль. Изменить название представления (т.е."vwPsychosisBase") и названия полей (например,"patient_id" и"etl_updated_dttm") при необходимости. В случае ошибки в настройке этого файла, следуйте инструкциям в https://cogstack.atlassian.net/wiki/spaces/COGDOC/pages/38043684/Quickstart.
- Перейдите в каталог"cogstack_deploy/общий/упругий поиск/конфигурация/и изизменитраздел "xpack.notification.email.account" в файле "elasticsearch.yml" для настройки адреса электронной почты для отправки оповещений. Подробную инструкцию по конфигурации электронной почты можно найти на https://www.elastic.co/guide/en/kibana/6.4/watcher-create-threshold-alert.html.
- Перейти к"cogstack_deploy /" каталог и тип "докер-составить" для запуска платформы CogStack. Выполните эту команду с корневым доступом. Если процесс будет успешно завершен, в терминале будут напечатаны журналы статуса действующих служб, включая CogStack Pipeline, Elasticsearch и Kibana. В результате все данные и обновления в представлении исходной базы данных будут своевременно понижаться в индекс Elasticsearch под названием"psychosis_base"в платформе CogStack.
- Откройте веб-браузер и получите доступ к пользовательскому интерфейсу Kibana, введя "http://localhost:5601/" (или заменив"localhost"на определенный IP-адрес сервера под управлением платформы CogStack). Впервые одоступе от Kibana щелкните вкладку «Управление» и вкладка «Шаблоны индексов», чтобы указать индекс Elasticsearch, к который нужно получить доступ с помощью Kinaba. Введите"psychosis_base" в поле" Индекс"и нажмите Следующий шаг. Выберите "etl_updated_dttm" для названия поля TimeFilterи нажмите Кнопка Создать шаблон индекса, чтобы добавить шаблон индекса "psychosis_base"для Kinana.
- После подключения Кибаны к индексу Elasticsearch (т.е.«psychosis_base») поиск и просмотр исходных данных интерактивно просматривайте страницу«Откройте для себя». Kibana позволяет нетехническим пользователям искать как структурированные метаданные, так и свободный текст. Подробные инструкции по использованию "Discover" доступны на https://www.elastic.co/guide/en/kibana/6.4/discover.html.
3. Расчет риска
- Откройте новое окно терминала и перейдите в каталог"психоз/" Установите все необходимые пакеты Python (в том числе "elasticsearch", "elasticsearch_dsl",панды" и "numpy"), используемых в калькуляторе риска, введя "Conda установить пакет-имя" или "пип установить пакет-имя" в терминале.
- Тип "питон risk_calculator.py", чтобы запустить психоз риск калькулятор. Если процесс будет успешно завершен, журналы расчета риска будут напечатаны в терминале, а результаты риска будут храниться в новом индексе Elasticsearch под названием«psychosis_risk»в платформе CogStack.
- Проверьте результаты риска с помощью интерфейса Kibana. Подобно Steps 2.5 и 2.6, добавьте новый шаблон индекса «psychosis_risk«для соединения Кинбаны с индексом«psychosis_risk»и изучения результатов риска через страницу«Discover». Для облегчения выявления новых пациентов, подверженных риску, используйте "first_primary_diagnosis_date" в качестве поля "Фильтр времени" при создании индекса"psychosis_risk". При изучении данных на странице«Откройте для себя»убедитесь, что шаблон индекса«psychosis_risk»выбран.
4. Визуализация данных
- В дополнение к поиску и доступу к информации на индивидуальном уровне через страницу«Откройте для себя»в Кибане, можно создать визуализации и панели мониторинга, чтобы получить обзор характеристик для всего населения пациентов из группы риска. Для этого нажмите на Visualize в боковой навигации Кибаны. Затем нажмите кнопку «Создать новую визуализацию» и выберите тип визуализации (например, диаграммы пирога и линии). Выберите "psychosis_risk" в качестве индекса, который человек хочет визуализировать через Кибана. По умолчанию визуализации будут включать все записи/пациентов в индекс«psychosis_risk». Подробные инструкции по созданию Kibana визуализации доступны на https://www.elastic.co/guide/en/kibana/6.4/visualize.html.
- Чтобы выбрать определенный подмножество данных для визуализации, добавьте"фильтр". Например, выбор фильтра, поданного как"h_2_year", выбор оператора как"не между"и установление значений от "0,0" до "0,05" будет включать только пациентов, чей риск психоза в 2 года выше 0,05.
- После создания индивидуальных визуализаций нажмите на панель мониторинга в боковой навигации Kibana, чтобы создать панель мониторинга, которая отображает набор связанных визуализаций вместе. Нажмите Создать новую панель мониторинга и кнопку Добавить, чтобы создать новую панель мониторинга. Нажмите визуализации, которые нужно показать в новой панели панели мониторинга. Нажмите Сохранить и введите название, чтобы сохранить панель. Инструкции по созданию панелей мониторинга Kibana доступны в https://www.elastic.co/guide/en/kibana/6.4/dashboard.html.
5. Предупреждение о рисках
- Нажмите на управление в боковой навигации Кибана, а затем нажмите Watcher под Elasticsearch для создания оповещения для врачей, когда пациенты были в опасности психоза. Если кнопка Watcher не видна, нажмите «Управление лицензией» и нажмите «Старт» или лицензия «Обновление».
- Нажмите Создать расширенные часы, чтобы настроить новый Watcher. Введите "ID" и "Имя". Удалить содержание раздела«Смотреть JSON»и скопировать содержимое в файле«psychosis»в разделе«Смотреть JSON». Этот наблюдатель отправит оповещение по электронной почте на "clinician@nhs.uk" (который может быть заменен адресом электронной почты, где хочется отправить оповещения) от "username@nhs.uk" (который был установлен в шаге 2.3), если есть один или несколько пациентов, риск которых психоз в 2 года выше, чем 0,05 (предварительный порог для технико-экономического тестирования) в каждые 24 часа.
- Прежде чем сохранить Watcher, нажмите Имитация, чтобы проверить выполнение Watcher. Если Watcher настроен успешно, можно увидеть отпечатанный результат моделирования. В случае ошибки в настройках следуйте инструкциям по https://www.elastic.co/guide/en/elastic-stack-overview/6.4/watcher-getting-started.html.
- Чтобы остановить Watcher, навсегда удалите его или временно отключите его со страницы«Статус»Наблюдателя.
Representative Results
В этом разделе мы представляем результаты реализации, фокусирующиеся на практичности в обработке живых потоков клинических данных, разработанных с помощью калькулятора рисков и облегчающих своевременную доставку прогностического результатов врачам. Оценки клинической полезности системы, такие как приверженность клиницистов рекомендациям, сделанным калькулятором риска, будут представлены в отдельном отчете по завершении.
Использование исходных данных
Мы развернули систему расчета риска психоза и оповещения на основе базы данных репликe ePJS в SLaM. Эта база данных реплик синхронизирует живые данные с ePJS каждые 10 минут. Представление базы данных, объединяющее информацию пациентов для расчета риска психоза, было построено в этой базе данных реплики, где каждая запись содержит информацию для пациента. Все записи в этом представлении были проглатывается на платформе CogStack в режиме реального времени (примерно 0,6 микросекунды за запись в виртуальной машине с 8-ядерным процессором и 16 ГБ оперативной памяти). До 13 июля 2019 года, когда была подготовлена данная рукопись, все записи 202 289 пациентов, получивших первый индексный диагноз неорганического и непсихотического психического расстройства в СЛАМе, были проглатываются в CogStack для расчета риска психоза, хранящихся в"psychosis_base"индексу Elasticsearch. На рисунке 1 показано количество записей, попадавших в CogStack с течением времени, в хронологическом порядке, основанном на последней дате обновления записи. Сравнивая цифры и содержание записей в базе данных и индексе Elasticsearch, не было найдено отсутствующих и неисправных данных, что подтверждает надежность CogStack Pipeline при водоемы и синхронизации данных.
Проверка результатов риска
Для проверки реализации детектора риска психоза в этом протоколе мы сравнили пациентов с риском, обнаруженных CogStack (так называемая "версия CogStack") с пациентами, обнаруженными исходным калькулятором риска на основе CRIS (так называемая "версия CRIS"). Поскольку не было никаких порогов, разработанных для проверки пациента из группы риска6,,14,21, мы здесь использовали предварительный порог 5% для риска психоза в течение двух лет. Обратите внимание, что этот предварительный порог заключается лишь в том, чтобы проверить, может ли система прагматично работать в ГСЗ и подвержена изменениям с будущими исследованиями. В ходе будущих крупномасштабных исследований необходимо будет определить фактический порог для оптимального выявления лиц, подвергаемых риску. В частности, мы сначала извлекли всех пациентов, которые имели риск психоза выше порога в версии CRIS (количество пациентов N 169). Все эти пациенты получили первый индексный диагноз неорганического и непсихотического психического расстройства в СЛАМе с 14 мая 2018 года по 29 апреля 2019 года. Путем фильтрации пациентов, которые были диагностированы в тот же период времени, мы затем получили N 170 пациентов, риск которых психоза в 2 года были выше, чем 0,05 в версии CogStack. Наконец, мы сравнили разницу между двумя наборами пациентов, где общее число уникальных пациентов в двух комплектах составляет N 173. Мы обнаружили, что 161 пациентов (приходится 93% из 173 пациентов) имели одинаковые баллы в обеих версиях. Высокая степень согласия подтверждает действительность этого протокола на основе CogStack при генерации оценок риска.
Существовали 12 пациентов, имеющих различные оценки риска в двух версиях. При осмотре EhRs пациентов, мы обнаружили, что эта разница была потому, что данные для этих пациентов были обновлены после оценки риска были рассчитаны в версии CRIS. В частности, хотя предикторов, используемых в калькуляторе риска, таких, как дата рождения, пол и самозваный этнической принадлежности, были статические переменные, здоровье некоторых пациентов записи не хватает или по умолчанию значение для переменной (например, неизвестной этнической принадлежности) на более ранней стадии, и эти переменные были введены или обновлены на более позднем этапе. Это может привести к различным оценкам риска на двух различных этапах. Аналогичным образом, первые первичные индексные диагнозы некоторых пациентов были признаны недействительными после того, как на основе этих диагнозов был рассчитан первоначальный балл риска. В этом случае калькулятор риска будет искать следующий действительный первичный диагноз для такого пациента и пересчет оценки риска. Обновленный балл риска также может отличаться от первоначального. Поскольку первоначальный калькулятор рисков был разработан на основе ретроспективных данных в CRIS для использования в исследованиях, исходные конвейеры калькулятора не синхронизировали эти обновления в данных EHR и своевременно обновляли оценки риска. В отличие от этого, оценка риска пациента будет пересчитана в версии CogStack, если какие-либо исходные данные пациента обновляются, что позволяет этому калькулятору на основе CogStack обеспечить наиболее надежные и актуальные оценки риска для пациентов. Эти результаты убедительно подчеркивают надежность оценки рисков в этом протоколе.
Визуализация результатов и предупреждение о рисках
Чтобы продемонстрировать возможности CogStack в визуализации данных, мы создали панель мониторинга для информации о пациентах, подверженных риску психоза. Как раньше использовалось для технико-экономического обоснования, мы выбрали тех, кто имеет риск психоза в течение двух лет выше, чем 5% в качестве пациентов из группы риска. На рисунке 2 показаны визуализации характеристик для пациентов, подверженных риску психоза, включая этническую принадлежность пациентов, пол, возраст и категории диагнозов. Помимо визуализации результатов риска через веб-интерфейсы (например, Kibana), этот протокол позволяет отправлять оповещения о рисках пользователям или врачам через другие каналы уведомлений, такие как Email. На рисунке 3 показан интерфейс для настройки службы оповещения о рисках с помощью компонента Watch в Кибане. После успешной настройки этой службы пользователи могут получить уведомление по электронной почте, если в течение двух лет риск психоза превышает 5%. На рисунке 4 показан пример этих уведомлений по электронной почте, в которых сообщается о количестве пациентов, подверженных риску, и районах этих пациентов. Поскольку необходима дополнительная работа, чтобы адаптировать, как прогнозируемые оценки риска психоза передаются, мы не направили уведомления о риске непосредственно врачам. Для проверки технологической осуществимости все уведомления в этом исследовании были отправлены от технического исследователя (T.W.) клиническому исследователю (D.O.) через систему электронной почты SLaM в защищенной сети. В уведомлении была включена только агрегированная статистика информации о пациентах; никакая личная идентифицируемая информация не была включена.
Рисунок 1: Исходные данные попали в CogStack. Есть 202 289 записей в общей сложности попадает в "psychosis_base" Elasticsearch индекс до 13 июля 2019 года, и гистограмма показывает количество записей попадает с течением времени, заказано последнее обновление данных время записи. Можно также задать запрос как структурированной, так и неструктурированной информации, а также получить поисковые хиты, которые соответствуют запросу на этой странице. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 2: Приборная панель характеристик пациентов, подверженных риску психоза (т.е. риск психоза в 2 года выше 0,05). (a) Распределение этнических групп для пациентов, подверженных риску, где внешние пироги являются подкатегориями этнической категории во внутренних пирогах. (b)распределение пола пациентов,(c)распределение возрастов пациентов при постановке диагноза и(d)количество пациентов на одну диагностическую группу. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 3: Настройка и имитация Watch для оповещения о рисках. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 4: Пример предупреждения о риске по электронной почте. Число пациентов, подверженных риску психоза в каждой клинической группе ввода в эксплуатацию (CCG), регистрируется в скобках. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Discussion
Мы продемонстрировали первую реализацию EHR в режиме реального времени психоз системы обнаружения и оповещения на основе CogStack, с открытым исходным кодом информации поиска и извлечения платформы. Следуя этому подходу, можно трансформировать и глотать большой набор клинических данных в различных форматах, включая структурированную и неструктурированную информацию, в экземпляр CogStack, с тем чтобы обеспечить полный текстовый поиск, интерактивный анализ и визуализацию данных, а также оповещения в режиме реального времени врачам пациентов, которые подвержены риску психоза. Хотя оригинальный калькулятор риска психоза был проверен в экспериментальных исследованиях через несколько NHS Trusts, хотя и с использованием ретроспективных записей пациента6,14,21, этот экспериментальный дизайн обеспечивает первую доказательную базу, что этот калькулятор риска может быть воспроизведен и развернут для использования в режиме реального времени. Такой подход позволяет автоматически доставлять прогностического результаты клиницистам через существующие клинические каналы уведомления, такие как Электронная почта, в режиме реального времени. Это наглядно демонстрирует техническую целесообразность проведения крупномасштабного испытания эффективности для оценки конечной клинической полезности этого калькулятора риска в реальном мире.
Этот протокол является эмпирически инновационным, так как не существует аналогичной системы обнаружения риска и оповещения о психозах. Кроме того, этот протокол имеет высокую обобщаемость в клиническом использовании, особенно из-за уникальных сильных сторон нашего подхода. С теоретической точки зрения мы использовали модель прогнозирования рисков, которая была разработана на основе большой ретроспективной де-идентифицированной когорты от SLaM NHS Trust. SLaM обеспечивает вторичное психиатрическое обслуживание для населения 1,36 миллиона человек в южной части Лондона и имеет один из самых высоких зарегистрированных показателей психоза в мире. Эта большая когорта, которая имеет большое разнообразие в социодемографических и диагностических характеристиках, позволяет нам разработать модель прогнозирования риска, которая вряд ли будет смещена по отношению к населению с конкретными характеристиками. Это подтверждается доказательствами того, что прогностичная точность этого калькулятора риска уже была воспроизведена дважды в двух различных базах данных14,,21, в том числе один за пределами SLaM. Еще одна теоретическая сила этой модели риска заключается в том, что в качестве предикторов использовалась базовая информация о демографической и клинической диагностике. Такая информация является повсеместной в электронных клинических данных и на самом деле недостающие данные для этих предикторов было показано, что относительно редко в наших предыдущих исследованиях14,21. Высокая доступность информации для строительных предикторов позволяет запустить калькулятор риска в течение большого числа образцов пациентов в различных секторах среднего психического здоровья. Кроме того, калькулятор риска является общим алгоритмом, который подходит для всех лиц, подверженных риску развития психоза в средней психиатрической помощи, независимо от возраста людей. То есть, этот калькулятор подходит не только для 15-35 возрастного диапазона пикового риска психоза16, но и для тех, кто за пределами этого диапазона, показывая высокую степень обобщенности.
С практической точки зрения, как калькулятор рисков, так и платформа CogStack являются легкими и открытыми исходными кодами, которые не связаны с ресурсами тяжелых методов или дорогостоящей инфраструктуры. Такая недорогая и простая в развертывании платформа может снизить барьеры на пути ее внедрения в реальных клинических условиях. Кроме того, наше решение преодолевает основной барьер реализации: системы оценки риска не дают большого значения, если они не используются врачами в повседневной практике25. В частности, наш подход получает доступ к данным Из ЕСПЧ, проводит анализы независимо от электронной системы медицинской документации и может отправлять результаты анализа врачам через существующие каналы уведомлений. Этот метод не требует, чтобы бизнес-логика в уже существующих системах была изменена и может работать как самостоятельная служба поддержки и расширения существующих систем поддержки клинических решений. Таким образом, протокол имеет высокую совместимость с уже существующими клиническими системами и может быть легко интегрирован в обычную клиническую практику. Кроме того, протокол предоставляет удобные интерфейсы для поиска, анализа и визуализации клинических данных, которые облегчают для врачей интерпретировать и изучать результаты риска.
Этот протокол также имеет свои ограничения. Во-первых, эффективность этого протокола не была оценена в обычной клинической практике. В этом исследовании основное внимание уделялось техническим технико-экономическим испытаниям внедрения системы обнаружения и оповещения о рисках психоза в режиме реального времени в местном EHR. Для дальнейшей оценки эффективности этой системы в обычной клинической практике, в будущем крупномасштабные рандомизированные контролируемые испытания необходимы6. Второе ограничение состоит в том, что прогнозы оценки риска в этом протоколе были сделаны на основе первых первичных диагнозов, которые представляют собой статические данные, собранные на одном снимке. Тем не менее, симптомы CHR-P внутренне развиваются с течением времени. Динамическая версия калькулятора риска психоза, в котором модели прогнозирования могут быть динамически обновлены, чтобы отразить изменения, была разработана недавно26. Будущая работа будет сосредоточена на интеграции этого динамического калькулятора в текущий протокол.
Наиболее важным шагом в этом подходе была идентификация данных EHR, которые использовались для прогнозирования экстрактов в калькуляторе рисков. Это может также включать создание карт элементов данных, когда система EHR использовала модель данных, отличную от той, которая используется в этом протоколе, например, различные системы кодирования для этнических групп пациентов. Мы с открытым исходным кодом все код и отображение определений в Интернете(https://github.com/cogstack-slam/psychosis). На основе этих материалов можно было бы воспроизвести развертывание или настроить калькулятор в зависимости от собственных обстоятельств. Другим важным шагом стало создание представления базы данных для приема данных в CogStack. Поскольку операции реляционного соединения (т.е. объединение столбцов из одной или нескольких таблиц баз данных) в Elasticsearch могут привести к высокой вычислительной стоимости, мы провели эти операции соединения в базе данных EHR, создав представление базы данных. Это представление объединило всю информацию, необходимую для извлечения предикторов в калькуляторе рисков, и два жизненно важных поля, которые использовались конвейерами CogStack для раздела данных при проглатке данных. Первое поле является уникальным основным ключом для каждой записи в представлении("patient_id"использовал этот протокол), а второе — это метка времени, когда запись была изменена совсем недавно. Если эти два поля не были установлены должным образом, CogStack может не синхронизировать обновления данных в базе данных EHR своевременно. Подробные инструкции по устранению неполадок при водоеме CogStack доступны https://cogstack.atlassian.net/wiki/spaces/COGDOC/overview и https://github.com/CogStack/CogStack-Pipeline.
Этот протокол очень транспортируемый и может быть легко развернут в NHS Trusts, которые имеют платформу CRIS или CogStack. До сих пор платформа CRIS, включая процедуры согласия, была полностью описана в другом месте и находится в стадии расширения через 12 NHS Trusts в Великобритании, используя более 2 миллионов деидентифицированных записей пациентов(https://crisnetwork.co/). Аналогичным образом, платформа CogStack была развернута не только в SLaM, но и других трастов ГСЗ по всей Великобритании, таких как Университетский колледж Лондона больницы (UCLH), Королевский колледж больницы (KCH), Гай и Сент-Томас "(GSTT), и Мерси Уход NHS Trusts. Эти трасты без таких, как платформа может использовать онлайн-версию калькулятора риска(http://psychosis-risk.net),или построить этот протокол с нуля на основе этой рукописи и наших онлайн-документов. Хотя этот протокол разработан для обнаружения риска психоза, архитектурная конструкция этого протокола не привязана к данному конкретному случаю использования. Протокол является достаточно гибким, чтобы обеспечить реконфигурацию и повторное настройку компонентов мониторинга и оповещения в режиме реального времени для других областей измерения риска, таких как побочные реакции на лекарства, что позволяет врачам своевременно принимать меры по улучшению ухода за пациентами, безопасности и опыта.
Disclosures
Авторам нечего раскрывать.
Acknowledgments
Это исследование финансируется и является прямым выходом Королевского колледжа Лондона Доверие к концепции награду от Медицинского исследовательского совета (MRC) (MC_PC_16048) в PFP. RD и AR были поддержаны: а) благотворительность Модсли; b) Биомедицинский исследовательский центр Национального института медицинских исследований (НИПЧ) в южном Лондоне и Фонд Модсли NHS Trust и Королевский колледж Лондона; c) исследование данных в области здравоохранения Великобритании, которое финансируется Советом по медицинским исследованиям Великобритании, Советом по исследованиям в области инженерных и физических наук, Советом по экономическим и социальным исследованиям, Министерством здравоохранения и социальной помощи (Англия), главным научным управлением Шотландского государственного управления здравоохранения и социального обеспечения, Отделом исследований и развития здравоохранения и социальной помощи (правительство Уэльса), Агентством общественного здравоохранения (Северная Ирландия), Британским фондом сердца и Фондом здоровья; d) консорциум BigData@Heart, финансируемый Запорожской инициативой по инновационным лекарственным средствам-2 в рамках соглашения о предоставлении субсидий No 116074. Это совместное предприятие получает поддержку от научно-исследовательской и инновационной программы Европейского союза «Горизонт 2020» и EFPIA; она возглавляется DE Grobbee и SD Anker в партнерстве с 20 академическими и отраслевыми партнерами и ESC; и e) Национальный институт медицинских исследований Университетского колледжа Лондонского больничного исследовательского центра. Эти финансовые органы не играют никакой роли в разработке исследования, сбора и анализа. Высказанные мнения являются мнениями автора (ы) и не обязательно мнения ГСЗ, NIHR или Департамента здравоохранения.
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).
