Summary
Vi demonstrerer, hvordan du implementerer et psykoserisikoberegnings- og alarmsystem i realtid baseret på CogStack, en informationshentnings- og udtrækningsplatform til elektroniske patientjournaler.
Abstract
Nylige undersøgelser har vist, at en automatiseret, levetid-inklusive, transdiagnostik, og klinisk baseret, individualiseret risiko regnemaskine giver et kraftfuldt system til støtte for tidlig påvisning af personer med risiko for psykose i stor skala, ved at udnytte elektroniske patientjournaler (EHRs). Denne risikoberegner er eksternt valideret to gange og gennemgår gennemførlighedstest med henblik på klinisk implementering. Integrationen af denne risikoberegner i klinisk rutine bør fremmes af prospektive gennemførlighedsundersøgelser, som er nødvendige for at tackle pragmatiske udfordringer, såsom manglende data, og anvendeligheden af denne risikoberegner i en virkelig e-årig og rutinemæssig klinisk indstilling. Her præsenterer vi en tilgang til en fremadrettet implementering af en real-time psykose risikodetektion og alarmering service i en virkelige verden EPJ-system. Denne metode udnytter CogStack-platformen, som er et open source-, letvægts- og distribueret informationshentnings- og tekstudtrækssystem. CogStack-platformen indeholder et sæt tjenester, der giver mulighed for fuldtekstsøgning af kliniske data, levetidsinkluderende beregning i realtid af psykoserisiko, tidlig risiko-alarmering til klinikere og visuel overvågning af patienter over tid. Vores metode omfatter: 1) indtagelse og synkronisering af data fra flere kilder i CogStack-platformen, 2) implementering af en risikoberegner, hvis algoritme tidligere blev udviklet og valideret, til rettidig beregning af en patients risiko for psykose, 3) oprettelse af interaktive visualiseringer og dashboards til overvågning af patienternes sundhedstilstand over tid og 4) opbygning af automatiserede alarmsystemer for at sikre, at klinikere underrettes om udsatte patienter , således at der kan træffes passende foranstaltninger. Dette er den første undersøgelse nogensinde, der har udviklet og implementeret et lignende detektions- og alarmsystem i klinisk rutine til tidlig påvisning af psykose.
Introduction
Psykotiske lidelser er alvorlige psykiske sygdomme, der fører til vanskeligheder med at skelne mellem sindets interne erfaringer og miljøets ydre virkelighed1samt en højere risiko for selvskade end gennemsnittet og selvmord2. Under standard pleje, disse lidelser resulterei store konsekvenser for folkesundheden med en betydelig sundhedsmæssig og økonomisk byrde for enkeltpersoner, familier og samfund over heleverden 3. Tidlige indgreb i psykose kan forbedre resultaterne af denne mentale lidelse4. Især påvisning, prognose og forebyggende behandling af personer, der har klinisk høj risiko for at udvikle psykose (CHR-P)5, giver et unikt potentiale til at ændre lidelsens gang og dermed forbedre livskvaliteten for mange mennesker og deres familier3,6. CHR-P-personer er hjælpesøgende unge, der frembyder svækket symptomer og funktionsnedsættelse7: deres risiko for at udvikle psykose er 20 % ved 2-års8 , men den er højere i nogle specifikke undergrupper9,10. På trods af nogle betydelige fremskridt, virkningen af forebyggende tilgange i rutinemæssig klinisk praksis er begrænset af evnen til at opdage de fleste personer, der er i fare11. Nuværende detektionsmetoder er baseret på hjælpesøgende adfærd og henvisninger på mistanke om psykose risiko; disse metoder er meget ineffektive til håndtering af et stort antal prøver11. Således er skalerbarheden af de nuværende detektionsmetoder til langt størstedelen af risikopopulationen ret begrænset12. Faktisk kan kun 5% (standalone specialiserede tidlige detektionstjenester) til 12% (unge mental sundhed tjenester) af personer med risiko for at udvikle en første psykotisk lidelse på tidspunktet for deres risikofase ved den nuværende afsløring strategier6.
For at udvide de kliniske fordele ved de forebyggende tilgange hos et større antal udsatte personer udviklede vi en automatiseret, levetidsinklusiv (dvs. på tværs af alle aldre), transdiagnostik (dvs. på tværs af forskellige diagnoser)13, klinisk baseret individualiseret risikoberegner, som kan detektere personer med risiko for psykose i sekundær mental sundhedspleje i stor skala, ud over dem, der opfylder CHR-P-kriterierne14. Denne risikoberegner brugte en Cox proportional faremodel til at forudsige risikoen for at udvikle en psykotisk lidelse over seks år fra fem rutinemæssigt indsamlede kliniske variabler udvalgt a priori, i overensstemmelse med metodologiske retningslinjer15: alder, køn, etnicitet, alder-for-køn og primære indeksdiagnose. Disse kliniske variabler blev udvalgt på grundlag af en forhåndsviden fra metaanalyser16,17, som anbefalet i de nyeste metodologiske retningslinjer15. Antallet af prædiktorer er begrænset for at bevare forholdet Hændelse pr. variabel og minimere overtilpasningsbias. herunder for mange variabler uden a priori filter fører til overmontering problemer og dårlig prognose nøjagtighed18. Den metode, der anvendes til at udvikle denne model giver samme prognose nøjagtighed til automatiske machine learning metoder18. Parametrene for Cox-modellen blev anslået på grundlag af en retrospektiv afidentificeret kohorte fra South London og Maudsley National Health Service Foundation Trust (SLaM)19. SLaM er en National Health Service (NHS) mental sundhed tillid, der giver sekundær mental sundhedspleje til en befolkning på 1,36 millioner personer i det sydlige London (Lambeth, Southwark, Lewisham og Croydon bydele), og har en af de højeste registrerede satser for psykose i verden20. Alle data, der anvendes i modeludviklingen, blev udvundet fra CRIS-platformen (Clinical Record Interactive Search), et digitalt sagsregistersystem, som giver forskerne retrospektiv adgang til og analyse af anonymiserede kliniske optegnelser19. De kliniske oplysninger i CRIS udvindes fra et skræddersyet elektronisk patientjournalsystem (EPJ) på SLaM, kaldet electronic Patient Journey System (ePJS). SLaM er papirfri og ePJS repræsenterer standard dataindsamlingplatform for klinisk rutine. Således, den transdiagnostiske risiko regnemaskine udnytter EHRs og har potentiale til automatisk at screene store EHRs af patienter adgang til sekundære mentale sundhedspleje, at opdage dem, der kan være i risiko for psykose. Algoritmen af denne transdiagnostiske risikoberegner er tidligere blevet offentliggjort6,14,21. Den transdiagnostiske risiko beregner er blevet eksternt valideret i to NHS Foundation Trusts14,21 og optimeret22,viser sin tilstrækkelige prognose ydeevne og generalizability på tværs af forskellige populationer.
Ifølge metodologiske retningslinjer for udvikling af en risikoforudsigelsemodel15,23, er det næste skridt efter modeludvikling og validering at implementere forudsigelsesmodellen i rutinemæssig klinisk praksis. Gennemførelsesundersøgelser indledes normalt med pilot- eller gennemførlighedsundersøgelser, der omhandler potentielle pragmatiske begrænsninger i forbindelse med brugen af risikoalgoritmer i klinisk praksis. F.eks. er nødvendige data til kørsel af en lommeregner, f.eks. Effektive metoder til håndtering af manglende data og synkronisering af hyppige opdateringer i realtidsdatastrømme bør overvejes for at opnå de mest pålidelige forudsigelsesresultater i en implementering. Da den indledende udvikling af risikoberegneren var baseret på retrospektive kohortedata, vides det desuden ikke, om den kan bruges i en datastrøm i realtid, der er typisk for en klinisk indstilling i den virkelige verden. En anden udfordring er at sikre, at relevante klinikere modtager de anbefalinger, der genereres af risikoberegneren inden for en passende tidsramme og inden for en fælles og accepteret kommunikationsvej.
For at overvinde disse begrænsninger, har vi afsluttet en gennemførlighedsimplementering undersøgelse beskæftiger den individualiserede transdiagnostiske risiko regnemaskine. Undersøgelsen omfattede to faser: en in vitro-fase, der blev udført ved hjælp af data fra den lokale EPJ, uden at kontakte klinikere eller patienter, og en in vivo fase, som omfattede direkte kontakt med klinikere. In vitro-fasen havde to mangfoldige mål: i) at fjerne gennemførelseshindringer i henhold til den konsoliderede ramme for gennemførelse Af (CFIR)27 og ii) at integrere den transdiagnostiske risikoberegner i den lokale EPJ. Implementeringsbarrierer omfattede kommunikation af risikoresultater til klinikere. I SLaM opfordres alle patienter til at registrere sig for samtykke til kontakt (C4C), hvilket indikerer, at de er villige til at blive kontaktet til forskning, uden at det påvirker kvaliteten af behandlingen. Dette reducerer de etiske spørgsmål i forbindelse med kontakt af patienter. Derudover hjalp arbejdsgrupper med klinikere med at skræddersy, hvordan disse oplysninger blev videregivet. I in vivo-fasen (14. maj 2018 til 29. april 2019) modtog alle personer (i) ældre end 14 år (ii), der havde adgang til enhver SLaM-tjeneste (bydele lambeth, Southwark, Lewisham, Croydon), (iii) en første ICD-10-indeksprimær diagnose af enhver ikke-organisk, ikke-psykotisk psykisk lidelse (med undtagelse af akutte og forbigående psykotiske lidelser; ATPD) eller en CHR-P-betegnelse og (iv) med eksisterende kontaktoplysninger blev anset for støtteberettigede. I in vivo-fasen blev nye patienter, der fik adgang til SLaM hver uge, automatisk screenet for deres psykoserisiko, og patienter med en risiko på over en vis tærskel blev opdaget. Forskerholdet kontaktede derefter patienternes ansvarlige klinikere for at drøfte yderligere anbefalinger og foreslog til sidst en yderligere ansigt til ansigt-vurdering6. Hvis de vurderede blev anset for at opfylde CHR-P-kriterierne, blev de henvist til specialiserede CHR-P-tjenester, såsom Outreach og Support i South London (OASIS)28. Dette ville resultere i forbedret påvisning af personer forud for starten af en psykotisk lidelse og give en betydelig mulighed for at ændre forløbet af lidelsen. Det afgørende er, at denne gennemførlighedsundersøgelse omfattede fuld integration af lommeregneren i det lokale EPJ-system, som er emnet for den aktuelle artikel. Den fulde protokol for denne gennemførlighedsundersøgelse, herunder en oversigt over planen for evaluering af den foreslåede forskning, detaljer om håndtering af datasikkerhed og etiske spørgsmål, er blevet præsenteret i vores tidligere arbejde6. Den nuværende artikel, som en del af gennemførlighedsundersøgelsen6, fokuserer selektivt på at præsentere den tekniske gennemførelse af et realtidspsykoserisikodetektions- og alarmsystem baseret på de lokale EPJ-data. Mere specifikt er formålet med denne undersøgelse at undersøge den tekniske gennemførlighed af denne risikoberegner i rettidig påvisning af risikokrævende patienter, så snart de får adgang til en sekundær mental sundhedstjeneste. De fuldstændige resultater af gennemførlighedsundersøgelsen med hensyn til klinikernes overholdelse af risikoberegnerens anbefalinger vil blive fremlagt separat. En omfattende evaluering af effektiviteten af den foreslåede forskning, som kræver randomiserede design, ligger uden for rammerne af det nuværende forskningsprogram. Så vidt vi ved, er dette den første metode, der beskriver implementeringen af en risikoberegner baseret på live EPJ-data til tidlig påvisning af psykose.
Vores tilgang til psykose risikodetektion og alarmering udnytter CogStack-platformen. CogStack platformen er en let, distribueret og fejltolerant informationssøgning og tekst-udvinding platform24. Denne platform består af tre nøglekomponenter: 1) CogStack-pipelinen, der bruger Java Spring Batch-strukturen til at indtage og synkronisere data fra en foruddefineret datakilde (både strukturerede og ustrukturerede EPJ-data i flere formater, f.eks. 2) Elasticsearch, en søgemaskine giver mulighed for opbevaring og forespørge på den fulde ordlyd af EPJ-data, samt give forskellige ansøgning programmering grænseflader (API'er) til at integrere avancerede analyser i motoren; og 3) Kibana, en interaktiv, web-baseret brugergrænseflade, der giver brugerne mulighed for at forespørge data i Elasticsearch, opbygge visualisering dashboards og sæt alarmering om uregelmæssigheder eller andre mønstre af interesse fra data. Desuden, CogStack inkorporerer evnen til at advare klinikere til potentielle problemer via e-mail og SMS (tekst), så klinikere til at modtage rettidige meddelelser om udsatte patienter rapporteret af risikoen regnemaskine.
Vi præsenterer en model af psykose risikodetektion og alarmering baseret på ePJS på SLaM, udnytte CogStack platform. Sammenlignet med CRIS-platformen, der giver en mekanisme til retrospektiv adgang til afidentificerede patientjournaler fra ePJS på en ugentlig basis19, cogstack-platformen på SLaM giver adgang til en identificerbar EPJ i realtid, hvilket bringer indberetningen tættere på point-of-care og risikoforudsigelse i et prospektivt design, selv om både CRIS og CogStack platforme bruger data fra ePJS i SLaM. I det efterfølgende afsnit giver vi oplysninger om de vigtigste trin i vores tilgang, herunder forberedelse af kildedata fra EPJ, indtagelse af kildedata i CogStack-platformen for at muliggøre fuldtekstsøgning via Elasticsearch, der kører psykoserisikoberegneren ved hjælp af en Python-dæmontråd og sætter interaktive visualiseringer og risikoi realtid svækker via Kibana-brugergrænsefladen. Enhver forsker, der har til formål at opbygge et risikodetektions- og alarmsystem i realtid baseret på EPJ-data, kan følge tilgangen og dets referenceimplementering. Som vi vil uddybe nedenfor, udnytter den foreslåede metode open source, letvægts teknikker med høj fleksibilitet og bærbarhed. Dette gør det muligt at køre risikoberegneren forskellige steder og viser en høj anvendelighed på andre risikovurderingsalgoritmer. Desuden fungerer metoden som en enkel tilgang til at forbedre risikodetektions- og advarselsfunktionerne i en EPJ, der er indbygget i et generelt sundhedssystem.
Protocol
Denne undersøgelse blev godkendt af East of England - Cambridgeshire og Hertfordshire Research Ethics Committee (Referencenummer: 18/EE/0066).
BEMÆRK: Vi har udviklet denne protokol baseret på CogStack-platformen og Python-programmeringssproget. Dette system kræver Docker (mere specifikt Docker Compose https://docs.docker.com/compose/),Anaconda Python (https://www.anaconda.com/distribution/) og Git (https://git-scm.com/downloads) forudinstalleret på en enhed. Kommandoerne i denne protokol er baseret på Linux-miljøet. I det følgende giver vi oplysninger om forberedelse af kildedata fra en EPJ-database, indtagelse af data til CogStack-platformen og opsætning af et realtidsrisikoberegnings- og advarselssystem for psykose baseret på CogStack-platformen. Desuden blev der udviklet en onlineversion af risikoberegneren for at lette den numeriske beregning af sandsynligheden for, at en person udvikler psykose i sekundær mental sundhedspleje på http://www.psychosis-risk.net.
1. Forberedelse af kildedata
BEMÆRK: I de fleste use cases indtager CogStack kildedata fra en angivet databasevisning, der kan kombinere data fra en eller flere kildedatabasetabeller, hvor en visning er et objekt, der kan søges i en database, der indeholder resultatsættet for en gemt forespørgsel på dataene. Opsætningen af optagelsesvisningen er skræddersyet af de specifikke use cases og installationsindstillinger i et datadatabasesystem med sundhedsjournaler. Denne protokol er udviklet på grundlag af en psykoserisikoberegner , der er udviklet og eksternt valideret to gange af Fusar-Poli et al.14,21 og som led i en gennemførlighedsundersøgelse66 af pilotgennemførelsen . Protokollen er baseret på en EPJ-database, der er installeret med Microsoft SQL Server 2014.
- Opret et visningsobjekt (kaldet "vwPsychosisBase" i denne protokol) i et eksisterende EPJ-databasesystem for at sammenholde de nødvendige oplysninger om patienter til beregning og alarmering af psykoserisici. Sørg for, at denne opfattelse omfatter alle patienter, der får en første primær diagnose af ikke-organisk og ikke-psykotisk psykisk lidelse (registreret ved international statistisk klassifikation af sygdomme og relaterede sundhedsproblemer, tiende revision [ICD-10]), som defineret i den oprindelige model14,21.
- Sørg for, at hver post i visningen omfatter tre typer patientoplysninger: 1) den første primære diagnose af en patient i EPJ-systemet herunder ICD-10 diagnoseindeks (diagnoser blev grupperet sammen i følgende ti klynger: akutte og forbigående psykotiske lidelser, angst, bipolare humørsvingninger, forstyrrelser i barndommen og unge, udviklingsforstyrrelser, udviklingsforstyrrelser, ikke-bipolare humørsvingninger, mental retardering, personlighedsforstyrrelser, fysiologiske syndromer, stofbrugsforstyrrelser) og diagnosedato; 2) en patients demografiske data, herunder køn, etnicitet og fødselsdato; og 3) de seneste kontaktoplysninger af pleje team for en patient, såsom oplysninger om almen praksis (GP), konsulenter og pleje koordinatorer. De første to typer af oplysninger er afgørende for psykose risiko regnemaskine14,21, og den tredje type af oplysninger er at muliggøre rettidig risiko alarmering.
- Sørg for, at hver post i visningen har et entydigt id (f.eks. "patient_id", der bruges i denne protokol).
- Vælg de seneste opdateringstidsstempler for alle kildeoplysninger, der er relateret til en post i visningen (f.eks. de sidste opdateringstider for en patients demografiske oplysninger og patientens første primære diagnoseoplysninger), og vælg det seneste tidsstempel som den seneste opdateringsdato og -klokkeslæt for posten i visningen (angivet som "etl_updated_dttm" i denne protokol). Den seneste opdateringsdato og -klokkeslæt for en post gør det muligt for CogStack at synkronisere opdateringer i databasen, f.eks.
2. Indtagelse af data
- Hent eller klon kodelageret fra Github (https://github.com/cogstack-slam/psychosis) eller ved at skrive "git clone https://github.com/cogstack-slam/psychosis.git"i et terminalvindue. Den hentede mappe indeholder koden til psykose risiko beregning og konfiguration filer til implementering af en CogStack instans.
- Gå til mappen "cogstack_deploy/cogstack/", og rediger "psychosis.properties" for at konfigurere CogStack Pipeline til dataindtagelse. Rediger indstillingerne for afsnittet "SOURCE: DB CONFIGURATIONS" baseret på opsætningen af EPJ-databasen, herunder angivelse af IP-adressen på databaseserveren, databasenavn, databasebrugernavn og adgangskode. Rediger visningsnavnet (dvs. "vwPsychosisBase") og feltnavne (f.eks. "patient_id" og "etl_updated_dttm"), hvis det er nødvendigt. Hvis der opstår fejl under konfigurationen af denne fil, skal du følge vejledningen på https://cogstack.atlassian.net/wiki/spaces/COGDOC/pages/38043684/Quickstart.
- Gå til mappen "cogstack_deploy/commonsearch/config/" , og rediger afsnittet "xpack.notification.email.account" i filen "elasticsearch.yml" for at konfigurere en e-mailadresse til afsendelse af beskeder. En detaljeret instruktion til e-mail konfiguration kan findes på https://www.elastic.co/guide/en/kibana/6.4/watcher-create-threshold-alert.html.
- Gå til "cogstack_deploy/" mappen, og skriv "docker-compose up" for at køre CogStack-platformen. Udfør denne kommando med rodadgang. Hvis processen er fuldført, vil der være udskrevne statuslogfiler for de tjenester, der kører i øjeblikket, herunder CogStack Pipeline, Elasticsearch og Kibana, i terminalen. Som følge heraf vil alle data og opdateringer i kildedatabasevisningen blive aktuelt indtaget til et Elasticsearch-indeks kaldet "psychosis_base" i CogStack-platformen.
- Åbn en webbrowser, og få adgang til Kibanas brugergrænseflade ved at skrive "http://localhost:5601/" (eller erstatte "localhost" med en bestemt IP-adresse på den server, der kører CogStack-platformen). For første gang skal du have adgang til Kibana ved at klikke på fanen Administration og fanen Indeksmønstre for at angive et Elasticsearch-indeks, som man vil have adgang til med Kinaba. Skriv "psychosis_base" i feltet "Indeksmønster", og klik på Næste trin. Vælg "etl_updated_dttm" for feltnavnet "Tidsfilter", og klik på Opret indeksmønster for at tilføje indeksmønsteret "psychosis_base" for Kinana.
- Når Kibana er forbundet til Elasticsearch-indekset (dvs. "psychosis_base"), skal du søge og gennemse kildedataene interaktivt via siden "Discover". Kibana giver ikke-tekniske brugere mulighed for at søge efter både strukturerede metadata og fri tekst. Detaljerede instruktioner om brug af "Discover" findes på https://www.elastic.co/guide/en/kibana/6.4/discover.html.
3. Risikoberegning
- Åbn et nyt terminalvindue, og gå til mappen "psychosis/" . Installer alle nødvendige Python-pakker (herunder "elasticsearch", "elasticsearch_dsl", "pandaer" og "numpy"), der anvendes i risikoberegneren ved at skrive "conda install package-name" eller "pip install package-name" i terminalen.
- Skriv "python risk_calculator.py" for at køre psykose risiko regnemaskine. Hvis processen fuldføres, udskrives logfiler over risikoberegningen i terminalen, og risikoresultaterne gemmes i et nyt Elasticsearch-indeks kaldet "psychosis_risk" i CogStack-platformen.
- Kontroller risikoresultaterne ved hjælp af Kibana-grænsefladen. I lighed med trin 2.5 og 2.6 skal du tilføje et nyt indeksmønster "psychosis_risk" for at forbinde Kinbana med "psychosis_risk" indekset og udforske risikoresultaterne via siden "Discover". For at gøre det lettere at identificere nye udsatte patienter skal du bruge "first_primary_diagnosis_date" som feltet "Tidsfilter" i opbygningen af indekset "psychosis_risk". Når du udforsker data på siden "Discover", skal du sørge for, at indeksmønsteret "psychosis_risk" er valgt.
4. Datavisualisering
- Ud over at søge og få adgang til oplysninger på individuelt niveau via siden "Discover" i Kibana kan man opbygge visualiseringer og dashboards for at få et overblik over karakteristika for hele populationen af udsatte patienter. For at gøre dette, skal du klikke på Visualiser i sidenavigation af Kibana. Klik derefter på knappen Opret ny visualisering, og vælg en visualiseringstype (f.eks. cirkel- og kurvediagrammer). Vælg "psychosis_risk" som det indeks, man vil visualisere gennem Kibana. Visualiseringer vil som standard omfatte alle poster/patienter i indekset "psychosis_risk". Detaljerede instruktioner om opbygning af Kibana visualiseringer er tilgængelige på https://www.elastic.co/guide/en/kibana/6.4/visualize.html.
- Hvis du vil vælge et bestemt undersæt af data til visualisering, skal du tilføje et "filter". Hvis du for eksempel vælger et filter, der er arkiveret som "h_2_year", vil valget af en operatør som "ikke mellem" og angive værdier fra "0,0" til "0,05" kun omfatte patienter, hvis risiko for psykose i 2 år er højere end 0,05.
- Når individuelle visualiseringer er bygget, skal du klikke på Dashboard i sidenavigationen i Kibana for at oprette et dashboard, der viser et sæt relaterede visualiseringer sammen. Klik på Opret nyt dashboard og knappen Tilføj for at oprette et nyt dashboardpanel. Klik på visualiseringer, som man vil have vist i det nye dashboardpanel. Klik på Gem, og skriv en titel for at gemme panelet. Instruktioner om opbygning af Kibana dashboards er tilgængelige på https://www.elastic.co/guide/en/kibana/6.4/dashboard.html.
5. Risikoalarmering
- Klik på Ledelse i sidenavigation af Kibana og klik derefter på Watcher under Elasticsearch at skabe alarmering for klinikere, når patienterne var i risiko for psykose. Hvis knappen Watcher ikke er synlig, skal du klikke på Licensstyring og klikke på Start prøveversion eller Opdater licens.
- Klik på Opret avanceret ur for at konfigurere en ny watcher. Skriv et "ID" og "Navn". Slet indholdet af afsnittet "Watch JSON" og kopier indholdet i filen "watcher.json" i mappen "psychosis" til afsnittet "Watch JSON". Denne watcher vil sende advare e-mail til "clinician@nhs.uk" (som kan erstattes med e-mail-adresse, hvor man ønsker at sende advarsler) fra "username@nhs.uk" (som blev fastsat i trin 2.3), hvis der er en eller flere patienter, hvis risiko for psykose i 2 år er højere end 0,05 (en foreløbig tærskel for gennemførlighedstest) i hver 24 timer.
- Før du gemmer watcheren, skal du klikke på Simuler for at teste udførelsen af watcher. Hvis watcheren er indstillet korrekt, vil man se simuleringsoutputtet udskrevet. I tilfælde af fejl i indstillingerne skal du følge vejledningen på https://www.elastic.co/guide/en/elastic-stack-overview/6.4/watcher-getting-started.html.
- Hvis du vil stoppe en watcher, skal du slette den permanent eller deaktivere den midlertidigt fra siden "Status" i watcheren.
Representative Results
I dette afsnit præsenterer vi implementeringsresultater med fokus på funktionalitet i håndteringen af live kliniske datastrømme, der er udarbejdet gennem risikoberegneren og letter rettidig levering af prognoseresultater til klinikere. Evalueringer af systemets kliniske nytteværdi, såsom klinikernes overholdelse af risikoberegnerens anbefalinger, vil blive præsenteret i en separat rapport, når den er færdig.
Indtagelse af kildedata
Vi implementerede psykose risiko beregning og alarmering system baseret på en replika database over ePJS i SLaM. Denne replikadatabase synkroniserer de dynamiske data fra ePJS hvert 10. Der blev opbygget en databasevisning, der kombinerer patienternes oplysninger til beregning af psykoserisiko, i denne replikadatabase, hvor hver post indeholder oplysninger til en patient. Alle poster i denne visning blev indtaget i CogStack-platformen i realtid (ca. 0,6 mikrosekund pr. post i en virtuel maskine med 8-core CPU og 16GB RAM). juli 2019, da dette manuskript blev udarbejdet, blev alle optegnelser over 202.289 patienter, der modtog en første indeksdiagnose af ikke-organisk og ikke-psykotisk psykisk lidelse i SLaM, indtaget i CogStack for psykoserisikoberegning, gemt i "psychosis_base" Elasticsearch-indekset. Figur 1 viser antallet af poster, der er optaget i CogStack over tid, i kronologisk rækkefølge baseret på den sidste opdateringsdato for en post. Ved at sammenligne tallene og indholdet af poster i databasen og Elasticsearch-indekset blev der ikke fundet nogen manglende og uoverensstemmelsesdata, hvilket bekræfter pålideligheden af CogStack Pipeline i dataindtagelse og synkronisering.
Validering af risikoresultater
For at validere gennemførelsen af psykose risikodetektor i denne protokol, vi sammenlignet udsatte patienter opdaget af CogStack (kaldet "CogStack version") med dem opdaget af den oprindelige risiko regnemaskine baseret på CRIS (kaldet "CRIS version"). Da der ikke var nogen tærskler udviklet til at screene en risikopatient6,14,21, vi her brugte en foreløbig tærskel på 5% for risikoen for psykose i to år. Bemærk, at denne foreløbige tærskel er blot at teste, om systemet pragmatisk kan arbejde i NHS og er modtagelige for ændringer med fremtidig forskning. Den faktiske tærskel for optimal påvisning af risikopersoner skal identificeres i fremtidige storstilede undersøgelser. Konkret hentede vi først alle patienter, der havde en risiko for psykose over tærsklen i CRIS-versionen (antallet af patienter N=169). Alle disse patienter fik en første indeksdiagnose af ikke-organisk og ikke-psykotisk psykisk lidelse i SLaM fra 14. maj 2018 til 29. april 2019. Ved at filtrere patienter, der blev diagnosticeret i samme periode, hentede vi derefter N = 170 patienter, hvis risiko for psykose i 2 år var højere end 0,05 i CogStack version. Endelig sammenlignede vi forskellen mellem de to sæt patienter, hvor det samlede antal unikke patienter i de to sæt er N=173. Vi fandt, at 161 patienter (svarende til 93% af 173 patienter) havde den samme score i begge versioner. Den høje grad af enighed bekræfter gyldigheden af denne CogStack-baserede protokol til generering af risikoscorer.
Der var 12 patienter, der havde forskellige risikoscorer i de to versioner. Ved at inspicere patienternes EHRs konstaterede vi, at denne forskel skyldtes, at data for disse patienter blev opdateret, efter at risikoscorerne blev beregnet i CRIS-versionen. Selv om de prædiktorer, der anvendes i risikoberegneren, såsom fødselsdato, køn og selvtildelt etnicitet, var statiske variabler, havde nogle patienters helbredsjournaler en manglende værdi eller standardværdi for en variabel (f.eks. en ukendt etnicitet) på et tidligere tidspunkt, og disse variabler blev indtastet eller opdateret på et senere tidspunkt. Dette kan føre til forskellige risikoscorer på to forskellige stadier. På samme måde blev de første primære indeksdiagnoser for nogle patienter ugyldiggjort, efter at en indledende risikoscore blev beregnet på grundlag af disse diagnoser. I dette tilfælde vil risikoberegneren lede efter den næste gyldige primære diagnose for en sådan patient og genberegne en risikoscore. Den opdaterede risikoscore kan også afvige fra den oprindelige. Da den oprindelige risikoberegner blev udviklet på grundlag af retrospektive data i CRIS til forskningsbrug, synkroniserede de oprindelige lommeregnerrørledninger ikke disse opdateringer i EPJ-data og opdaterer risikoscorerne rettidigt. I modsætning hertil vil en patients risikoscore blive genberegnet i CogStack-versionen, hvis nogen kildedata for patienten opdateres, hvilket gør det muligt for denne CogStack-baserede regnemaskine at give de mest pålidelige og opdaterede risikoscorer for patienter. Disse resultater fremhæver på det kraftigste pålideligheden af risikoscorer i denne protokol.
Resultatvisualisering og risikoalarmering
For at demonstrere cogstacks egenskaber i datavisualisering, har vi opbygget et dashboard til information om patienter med risiko for psykose. Som anvendt før for gennemførlighedstest, valgte vi dem, der har en risiko for psykose i to år højere end 5% som udsatte patienter. Figur 2 viser visualiseringerne af karakteristika for patienter med risiko for psykose, herunder patienters etniciteter, køn, alder og kategorier af diagnoser. Bortset fra at visualisere risikoresultater via webgrænseflader (f.eks. Figur 3 viser grænsefladen til indstilling af en risikoalarmeringstjeneste ved hjælp af urkomponenten i Kibana. Når denne service er konfigureret med succes, brugere kan modtage en e-mail meddelelse, hvis der var en eller flere patienter, hvis risiko for psykose i to år er højere end 5%. Figur 4 viser et eksempel på disse e-mail-meddelelser, som rapporterer antallet af patienter, der er i fare, og disse patienters bydele. Da der er behov for mere arbejde for at skræddersy, hvordan de forventede psykoserisikoscorer kommunikeres, har vi ikke sendt risikomeddelelser direkte til klinikere. Til test af den teknologiske gennemførlighed blev alle meddelelser i denne undersøgelse sendt fra en teknisk forsker (T.W.) til en klinisk forsker (D.O.) via SLaM's e-mailsystem inden for et sikkert netværk. Kun en aggregeret statistik over patientoplysninger blev medtaget i en anmeldelse. ingen personlige oplysninger blev medtaget.
Figur 1: Kildedata, der indtages i CogStack. Der er i alt 202.289 poster i "psychosis_base" Elasticsearch-indekset frem til 13. juli 2019, og histogrammet viser antallet af poster, der er optaget over tid, sorteret efter det seneste opdateringsdatatidspunkt for en post. Man kan også forespørge både strukturerede og ustrukturerede oplysninger, og få søgehits, der matcher forespørgslen på denne side. Klik her for at se en større version af dette tal.
Figur 2: Dashboard af karakteristika for patienter med risiko for psykose (dvs. risikoen for psykose i 2 år højere end 0,05). aa) Fordeling af etniciteter for patienter i risikogruppen, hvor ydre tærter er underkategorierne af en etnicitetskategori i indre tærter. bb) fordeling af patienternes køn,c) fordeling af patienternes alder ved diagnosen og (d)antal patienter pr. diagnosegruppe. Klik her for at se en større version af dette tal.
Figur 3: Indstilling og simulering af Ur til risikoalarmering. Klik her for at se en større version af dette tal.
Figur 4: Et eksempel på risiko alarmering af e-mail. Antallet af patienter med risiko for psykose i hver klinisk idriftsættelsesgruppe (CCG) rapporteres i parentes. Klik her for at se en større version af dette tal.
Discussion
Vi har demonstreret den første EPJ gennemførelse af en real-time psykose risikodetektion og alarmering system baseret på CogStack, en open source informationssøgning og udvinding platform. Efter denne fremgangsmåde, kan man omdanne og indtage et stort sæt af kliniske data i forskellige formater, herunder struktureret og ustruktureret information, i en CogStack instans, således at muliggøre fuld-tekst søgning, interaktive analyser og visualisering af data, samt real-time alarmering til klinikere af patienter, der er i risiko for psykose. Selv om den oprindelige psykose risiko regnemaskine er blevet valideret i pilotundersøgelser på tværs af flere NHS Trusts, om end ved hjælp af retrospektive patientjournaler6,14,21, dette eksperimentelle design giver det første evidensgrundlag, at denne risiko regnemaskine kan replikeres og anvendes til brug i realtid. Denne tilgang giver mulighed for automatisk levering af prognostiske resultater til klinikere gennem eksisterende kliniske anmeldelse kanaler, såsom e-mail, i realtid. Dette viser klart den tekniske gennemførlighed for at gennemføre en storstilet effektivitet forsøg for at vurdere den ultimative kliniske nytten af denne risiko regnemaskine i den virkelige verden.
Denne protokol er empirisk innovativ, da der ikke findes et lignende risikodetektions- og alarmsystem for psykose. Desuden har denne protokol høj generalisabilitet i klinisk brug, især på grund af de unikke styrker i vores tilgang. Fra et teoretisk perspektiv, brugte vi en risiko forudsigelse model, der blev udviklet baseret på en stor retrospektiv afidentificeret kohorte fra SLaM NHS Trust. SLaM giver sekundær mental sundhedspleje til en befolkning på 1,36 millioner personer i det sydlige London og har en af de højeste registrerede satser for psykose i verden. Denne store kohorte, som har stor mangfoldighed i sociodemografiske og diagnostiske karakteristika, giver os mulighed for at udvikle en risikoforudsigelsesmodel, der sandsynligvis ikke vil være forudindtaget over for en befolkning med særlige karakteristika. Dette understøttes af dokumentation for, at den prognostiske nøjagtighed af denne risikoberegner allerede er blevet gentaget to gange i to forskellige databaser14,21, herunder en uden for SLaM. En anden teoretisk styrke af denne risikomodel er, at grundlæggende demografiske og kliniske diagnose oplysninger blev brugt som prædiktorer. Sådanne oplysninger er allestedsnærværende i elektroniske kliniske data , og faktisk har manglende data for disse prædiktorer vist sig at være relativt sjældne i vores tidligere undersøgelser14,21. Den høje tilgængelighed af oplysninger til bygningsprædiktorer gør det muligt at køre risikoberegneren over et stort antal patientprøver på tværs af forskellige sekundære sektorer inden for mental sundhedspleje. Desuden er risikoberegneren en generel algoritme, som er velegnet til alle personer, der er i risiko for at udvikle psykose i sekundær mental sundhedspleje, uanset den enkeltes alder. Det vil det vil, denne regnemaskine er ikke kun egnet til 15-35 aldersgruppe af peak psykose risiko16, men også for dem uden for dette interval, viser en høj grad af generalizability.
Fra et praktisk perspektiv, både risiko regnemaskine og CogStack platform er letvægts og open source-tjenester, der ikke involverer ressource-tunge teknikker eller dyre infrastruktur. En sådan billig og nem at implementere platform kan reducere hindringerne for dens vedtagelse i den virkelige verden kliniske indstillinger. Vores løsning overvinder også den vigtigste implementeringsbarriere: risikovurderingssystemer giver kun ringe værdi, medmindre de anvendes af klinikere i den daglige praksis25. Konkret får vores tilgang adgang til data fra EPJ, udfører analyser uafhængigt af et elektronisk patientjournalsystem og kan sende analyseresultater tilbage til klinikere via eksisterende anmeldelseskanaler. Denne metode kræver ikke, at forretningslogikken i allerede eksisterende systemer ændres og kan fungere som en selvstændig tjeneste til at understøtte og udvide eksisterende kliniske beslutningsstøttesystemer. Protokollen har således høj kompatibilitet med allerede eksisterende kliniske systemer og kan let integreres i rutinemæssig klinisk praksis. Desuden giver protokollen brugervenlige grænseflader til søgning, analyse og visualisering af kliniske data, hvilket gør det nemt for klinikere at fortolke og udforske risikoresultaterne.
Denne protokol har også sine begrænsninger. For det første er effektiviteten af denne protokol ikke blevet evalueret i rutinemæssig klinisk praksis. Denne undersøgelse fokuserede på tekniske gennemførlighedstest af implementering af et realtidspsykoserisikodetektions- og alarmsystem i et lokalt EPJ. For yderligere at evaluere effektiviteten af dette system i rutinemæssig klinisk praksis, fremtidige store randomiserede kontrollerede forsøg er nødvendige6. En anden begrænsning er, at forudsigelserne af risikoscorer i denne protokol blev foretaget på grundlag af de første primære diagnoser, som er statiske data indsamlet ved et enkelt øjebliksbillede. Men CHR-P symptomerne er i sig selv udvikler sig over tid. En dynamisk version af psykose risiko regnemaskine, hvor forudsigelse modeller kan opdateres dynamisk for at afspejle de ændringer, er blevet udviklet for nylig26. Det fremtidige arbejde vil fokusere på at integrere denne dynamiske regnemaskine i den nuværende protokol.
Det mest kritiske skridt i denne tilgang var at identificere EPJ-data, der blev brugt til ekstraktprædiktorer i risikoberegneren. Dette kan også indebære oprettelse af dataelementtilknytninger, når et EPJ-system brugte en anden datamodel end den, der anvendes i denne protokol, f.eks. Vi har open sourced alle de kode og kortlægning definitioner online (https://github.com/cogstack-slam/psychosis). Baseret på disse materialer, ville man være i stand til at kopiere implementeringen eller justere lommeregneren afhængigt af ens egen omstændighed. Et andet vigtigt skridt var at oprette en databasevisning for dataindtagelse i CogStack. Da relationelle joinhandlinger (dvs. kombinationen af kolonner fra en eller flere databasetabeller) i Elasticsearch kan føre til høje beregningsomkostninger, har vi udført disse joinhandlinger i EPJ-databasen ved at oprette en databasevisning. Denne visning kombinerede alle de oplysninger, der var nødvendige for at udtrække prædiktorer i risikoberegneren, og to vitale felter, der blev brugt af CogStack-rørledninger til datapartitionering i dataindtagelse. Det første felt er en entydig primær nøgle for hver post i visningen ("patient_id" brugt denne protokol), og det andet er et tidsstempel, når en post senest blev ændret. Hvis disse to felter ikke er angivet korrekt, synkroniserer CogStack muligvis ikke dataopdateringer i en EPJ-database rettidigt. Detaljerede instruktioner til fejlfinding af problemer med cogstack-data er tilgængelige på https://cogstack.atlassian.net/wiki/spaces/COGDOC/overview og https://github.com/CogStack/CogStack-Pipeline.
Denne protokol er meget transportabel og kan nemt implementeres i NHS Trusts, der har en CRIS eller CogStack platform. Hidtil har CRIS platform-herunder samtykkeprocedurer-er blevet fuldt beskrevet andetsteds og er under udvidelse på tværs af 12 NHS Trusts i Storbritannien, udnytte over 2 millioner deidentificerede patientjournaler (https://crisnetwork.co/). Tilsvarende cogstack platform er blevet indsat ikke kun i SLaM, men også andre NHS Trusts i hele Storbritannien, såsom University College London Hospitals (UCLH), King's College Hospital (KCH), Guy's og St Thomas '(GSTT), og Mersey Care NHS Trusts. Disse Trusts uden såsom platform kan bruge en online version af risiko regnemaskine (http://psychosis-risk.net), eller bygge denne protokol fra bunden baseret på dette manuskript og vores online-dokumenter. Selv om denne protokol er udviklet til psykose risikodetektion, den arkitektoniske udformning af denne protokol er ikke bundet ind på denne specifikke use case. Protokollen er fleksibel nok til at muliggøre rekonfiguration og repurposing af realtidsovervågnings- og alarmkomponenter til andre risikomålingsområder, såsom bivirkninger, hvilket gør det muligt for klinikere at træffe rettidige foranstaltninger for at forbedre patientplejen, sikkerheden og oplevelsen.
Disclosures
Forfatterne har intet at afsløre.
Acknowledgments
Denne undersøgelse er finansieret af og er en direkte produktion af King's College London Confidence in Concept award fra Medical Research Council (MRC) (MC_PC_16048) til PFP. RD og AR blev støttet af: a) Maudsley Charity; b) National Institute for Health Research (NIHR) Biomedical Research Centre i South London og Maudsley NHS Foundation Trust og King's College London c) Health Data Research UK, som finansieres af Uk Medical Research Council, Engineering and Physical Sciences Research Council, Economic and Social Research Council, Department of Health and Social Care (England), Chief Scientist Office of the Scottish Government Health and Social Care Directorates, Health and Social Care Research and Development Division (Welsh Government), Public Health Agency (Northern Ireland), British Heart Foundation og Wellcome Trust; d) det BigData@Heart konsortium, der finansieres af fællesforetagendet For innovative lægemidler 2 i henhold til tilskudsaftale nr. Dette fællesforetagende modtager støtte fra EU's Forsknings- og Innovationsprogram Horisont 2020 og EFPIA. det ledes af DE Grobbee og SD Anker, der samarbejder med 20 akademiske partnere og industripartnere og ØSU; og e) National Institute for Health Research University College London Hospitals Biomedical Research Centre. Disse finansieringsorganer havde ingen rolle i udformningen af undersøgelsen, indsamlingen og analyserne. De synspunkter, der kommer til udtryk, er de synspunkter, som forfatteren (r) og ikke nødvendigvis dem af NHS, NIHR eller Department of Health.
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).
