Summary
Vi viser hvordan du distribuerer en sanntids psykoserisikoberegning og varslingssystem basert på CogStack, en informasjonsuthentings- og ekstraksjonsplattform for elektroniske helseregistre.
Abstract
Nyere studier har vist at en automatisert, levetid-inkluderende, transdiagnostisk og klinisk basert, individualisert risikokalkulator gir et kraftig system for å støtte tidlig påvisning av personer med risiko for psykose i stor skala, ved å utnytte elektroniske helseregistre (EPJ). Denne risikokalkulatoren er eksternt validert to ganger og gjennomgår mulighetstesting for klinisk implementering. Integrering av denne risikokalkulatoren i klinisk rutine bør lettes av potensielle mulighetsstudier, som er nødvendig for å løse pragmatiske utfordringer, for eksempel manglende data, og brukervennligheten til denne risikokalkulatoren i en reell og rutinemessig klinisk setting. Her presenterer vi en tilnærming for en potensiell implementering av en sanntidspsykoserisikodeteksjon og varslingstjeneste i et ekte EHR-system. Denne metoden bruker CogStack-plattformen, som er et åpen kildekode, lett og distribuert informasjonsuthentings- og tekstutvinningssystem. CogStack-plattformen inneholder et sett med tjenester som tillater fulltekstsøk av kliniske data, levetidsinkluderende, sanntidsberegning av psykoserisiko, tidlig risikovarsling til klinikere og visuell overvåking av pasienter over tid. Vår metode inkluderer: 1) inntak og synkronisering av data fra flere kilder til CogStack-plattformen, 2) implementering av en risikokalkulator, hvis algoritme tidligere ble utviklet og validert, for rettidig beregning av pasientens risiko for psykose, 3) opprettelse av interaktive visualiseringer og dashbord for å overvåke pasientenes helsestatus over tid, og 4) bygge automatiserte varslingssystemer for å sikre at klinikere blir varslet om pasienter i fare , slik at passende tiltak kan forfølges. Dette er den første studien som noensinne har utviklet og implementert et lignende deteksjons- og varslingssystem i klinisk rutine for tidlig påvisning av psykose.
Introduction
Psykotiske lidelser er alvorlige psykiske lidelser som fører til vanskeligheter med å skille mellom den interne opplevelsen av sinnet og den ytre virkeligheten i miljøet1, samt en høyere enn gjennomsnittlig risiko for selvskading og selvmord2. Under standard omsorg, disse lidelsene resultere i store folkehelsekonsekvenser med en betydelig helse og økonomisk byrde på enkeltpersoner, familier og samfunn over hele verden3. Tidlige intervensjoner i psykose kan forbedre resultatene av denne psykiske lidelsen4. Spesielt, deteksjon, prognosevurdering og forebyggende behandling av personer som har klinisk høy risiko for å utvikle psykose (CHR-P)5 gir et unikt potensial til å endre løpet av lidelsen, og dermed forbedre livskvaliteten for mange mennesker og deres familier3,6. CHR-P individer er hjelpsøkende unge mennesker som presenterer med svekket symptomer og funksjonsnedsettelse7: deres risiko for å utvikle psykose er 20% ved 2-år8, men det er høyere i noen spesifikke undergrupper9,10. Til tross for noen betydelige fremskritt, er virkningen av forebyggende tilnærminger i rutinemessig klinisk praksis begrenset av evnen til å oppdage de fleste personer som er i faresonen11. Nåværende deteksjonsmetoder er basert på hjelpesøkende atferd og henvisninger på mistanke om psykoserisiko; disse metodene er svært ineffektive i håndteringen av et stort antall prøver11. Dermed er skalerbarheten av nåværende deteksjonsmetoder til det store flertallet av risikopopulasjonen ganske begrenset12. Faktisk kan bare 5% (frittstående spesialiserte tidlige deteksjonstjenester) til 12% (ungdomspsykiske helsetjenester) av personer med risiko for å utvikle en første psykotisk lidelse oppdages på tidspunktet for deres risikoutsatte stadium av dagens deteksjonsstrategier6.
For å utvide de kliniske fordelene ved forebyggende tilnærminger hos et større antall risikoutsatte individer, utviklet vi en automatisert, levetidsinkluderende (dvs. i alle aldre), transdiagnostikk (dvs. på tvers av ulike diagnoser)13, klinisk basert individualisert risikokalkulator, som kan oppdage personer med risiko for psykose i sekundær psykisk helsevern i stor skala, utover de som oppfyller CHR-P-kriteriene14. Denne risikokalkulatoren brukte en Cox proporsjonal faremodell for å forutsi risikoen for å utvikle en psykotisk lidelse over seks år fra fem rutinemessig innsamlede kliniske variabler valgt en priori, i tråd med metodiske retningslinjer15: alder, kjønn, etnisitet, alder for kjønn og primær indeksdiagnose. Disse kliniske variablene ble valgt ut basert på en priori kunnskap hentet fra metaanalyser16,17, som anbefalt av de toppmoderne metodiske retningslinjene15. Antall prediktorer er begrenset til å bevare forholdet hendelse per variabel og minimere overmontering av skjevheter; inkludert for mange variabler uten et priori filter fører til overmontering problemer og dårlig prognostisk nøyaktighet18. Metoden som brukes til å utvikle denne modellen gir lignende prognostisk nøyaktighet til automatiske maskinlæringsmetoder18. Parametere av Cox-modellen ble estimert basert på en retrospektiv de-identifisert kohort fra Sør-London og Maudsley National Health Service Foundation Trust (SLaM)19. SLaM er en National Health Service (NHS) psykisk helsetillit som gir sekundær psykisk helsevern til en befolkning på 1,36 millioner individer i Sør-London (Lambeth, Southwark, Lewisham og Croydon bydelene), og har en av de høyeste registrerte frekvensene av psykose i verden20. Alle data som brukes i modellutviklingen ble hentet fra Cris-plattformen (Clinical Record Interactive Search), et digitalt case registersystem, som gir forskere retrospektiv tilgang og analyse av anonymiserte kliniske poster19. Den kliniske informasjonen i CRIS hentes ut fra et skreddersydd elektronisk helsejournalsystem (EHR), ved SLaM, kalt electronic Patient Journey System (ePJS). SLaM er papirfri og ePJS representerer standard datainnsamlingsplattform for klinisk rutine. Dermed utnytter transdiagnostisk risikokalkulator EPJ og har potensial til å automatisk screene store EPJ-er av pasienter som får tilgang til sekundær psykisk helsevern, for å oppdage de som kan være utsatt for psykose. Algoritmen til denne transdiagnostiske risikokalkulatoren er publisert tidligere6,14,21. Transdiagnostisk risikokalkulator har blitt eksternt validert i to NHS Foundation Trusts14,21 og optimalisert22, som viser sin tilstrekkelige prognostiske ytelse og generalizability på tvers av ulike populasjoner.
Ifølge metodiske retningslinjer om utvikling av en risikoprediksjonmodell15,23, er neste trinn etter modellutvikling og validering å implementere prediksjonsmodellen i rutinemessig klinisk praksis. Implementeringsstudier innledes vanligvis med pilot- eller mulighetsstudier som tar for seg potensielle pragmatiske begrensninger forbundet med bruk av risikoalgoritmer i klinisk praksis. Nødvendige data for å kjøre en kalkulator, for eksempel alder, kjønn og etnisitet, er for eksempel ikke tilgjengelig på diagnosedatoen eller oppdateres senere. Effektive metoder for håndtering av manglende data og synkronisering av hyppige oppdateringer i sanntidsdatastrømmer bør vurderes for å oppnå de mest pålitelige prediksjonsresultatene i en implementering. Videre, siden den første utviklingen av risikokalkulatoren var basert på retrospektive kohortdata, er det ikke kjent om den kan brukes i en sanntidsdatastrøm som er typisk for en ekte klinisk innstilling. En annen utfordring er å sikre at relevante klinikere får anbefalingene som genereres av risikokalkulatoren innen en passende tidsramme og innenfor en delt og akseptert kommunikasjonsvei.
For å overvinne disse begrensningene har vi fullført en mulighetsimplementeringsstudie som bruker den individualiserte transdiagnostiske risikokalkulatoren. Studien inkluderte to faser: en in vitro fase som ble utført ved hjelp av data fra den lokale EHR, uten å kontakte klinikere eller pasienter, og en in vivo fase, som involverte direkte kontakt med klinikere. In vitro-fasen hadde to manifoldmål: (i) for å håndtere implementeringsbarrierer i henhold til Consolidated Framework for Implementation Research (CFIR)27 og (ii) for å integrere transdiagnostisk risikokalkulator i den lokale EHR. Implementeringsbarrierer omfattet kommunikasjon av risikoutfall til klinikere. I SLaM inviteres alle pasienter til å registrere seg for Consent for Contact (C4C), noe som indikerer deres vilje til å bli kontaktet for forskning, uten å påvirke kvaliteten på omsorgen. Dette reduserer de etiske problemstillingene knyttet til kontakt med pasienter. Videre hjalp arbeidsgrupper med klinikere skreddersøm av hvordan denne informasjonen ble kommunisert. I in vivo-fasen (14. mai 2018 til 29. april 2019) fikk alle individer (i) eldre enn 14 år (ii) som fikk tilgang til noen SLaM-tjeneste (bydelene Lambeth, Southwark, Lewisham, Croydon), (iii) som fikk en første ICD-10-indeks primærdiagnose av ikke-organiske, ikke-psykotiske psykiske lidelser (med unntak av akutt og transient psykotiske lidelser; ATPD), eller en CHR-P-betegnelse og (iv) med eksisterende kontaktdetaljer ble ansett som kvalifisert. I in vivo-fasen ble nye pasienter som fikk tilgang til SLaM hver uke automatisk screenet for deres psykoserisiko, og de med risiko større enn en viss terskel ble oppdaget. Forskerteamet kontaktet deretter pasientenes ansvarlige klinikere for å diskutere ytterligere anbefalinger og til slutt foreslå et ytterligere ansikt til ansikt vurdering6. Hvis de som ble vurdert ble vurdert å oppfylle CHR-P kriterier, ble de henvist til spesialist CHR-P tjenester, for eksempel Outreach og Støtte i Sør-London (OASIS)28. Dette vil resultere i bedre påvisning av individer før utbruddet av en psykotisk lidelse og gir en betydelig mulighet for å endre sykdomsforløpet. Avgjørende, denne mulighetsstudien involverte full integrering av kalkulatoren i det lokale EHR-systemet, som er tema i den nåværende artikkelen. Den fullstendige protokollen for denne mulighetsstudien, inkludert en oversikt over planen for evaluering av den foreslåtte forskningen, detaljer om håndtering av datasikkerhet og etiske problemstillinger, har blitt presentert i vårt tidligere arbeid6. Den nåværende artikkelen, som en del av mulighetsstudien6, fokuserer selektivt på å presentere den tekniske implementeringen av et sanntidspsykoserisikodeteksjons- og varslingssystem basert på de lokale EHR-dataene. Mer spesifikt er målet med denne studien å undersøke den tekniske gjennomførbarheten av denne risikokalkulatoren i rettidig påvisning av risikoutsatte pasienter så snart de får tilgang til en sekundær psykisk helsetjeneste. De fullstendige resultatene av mulighetsstudien, når det gjelder klinikeres overholdelse av anbefalingene fra risikokalkulatoren, vil bli presentert separat. En omfattende evaluering av effektiviteten av den foreslåtte forskningen, som krever randomisert design, er utenfor omfanget av dagens forskningsprogram. Så vidt vi vet, er dette den første metoden som beskriver implementeringen av en risikokalkulator basert på levende EHR-data for tidlig påvisning av psykose.
Vår tilnærming til psykose risikodeteksjon og varsling utnytter CogStack-plattformen. CogStack-plattformen er en lett, distribuert og feiltolerant informasjonsuthentings- og tekstuttrekkingsplattform24. Denne plattformen består av tre viktige komponenter: 1) CogStack Pipeline som bruker Java Spring Batch-rammeverket til å innta og synkronisere data fra en forhåndsdefinert datakilde (både strukturerte og ustrukturerte EHR-data i flere formater som Word, PDF-filer og bilder) til en forhåndsdefinert datavask i sanntid; 2) Elasticsearch, en søkemotor som tillater lagring og spørring av hele teksten i EHR-data, samt å gi ulike applikasjonsprogrammeringsgrensesnitt (APIer) for å bygge inn avansert analyse i motoren; og 3) Kibana, et interaktivt, nettbasert brukergrensesnitt som lar brukerne spørre etter data i Elasticsearch, bygge visualiseringsinstrumentbord og angi varsling om uregelmessigheter eller andre mønstre av interesse fra data. Videre inkorporerer CogStack muligheten til å varsle klinikere om potensielle problemer via e-post og SMS (tekst), slik at klinikere kan motta rettidige meldinger om risikoutsatte pasienter rapportert av risikokalkulatoren.
Vi presenterer en modell av psykose risikodeteksjon og varsling basert på ePJS ved SLaM, ved hjelp av CogStack-plattformen. Sammenlignet med CRIS-plattformen som gir en mekanisme for retrospektiv tilgang til avidentifiserte helseregistre fra ePJS på ukentlig basis19,gir CogStack-plattformen på SLaM tilgang til en identifiserbar EHR i sanntid, og bringer varslingen nærmere synspunktet og risikoprediksjonen i en potensiell design, selv om både CRIS- og CogStack-plattformene bruker data hentet fra ePJS i SLaM. I avsnittet som følger, gir vi detaljer om de viktigste trinnene i vår tilnærming, inkludert å forberede kildedata fra EHR, innta kildedataene i CogStack-plattformen for å aktivere fulltekstsøk via Elasticsearch, kjøre psykoserisikokalkulatoren ved hjelp av en Python-bakgrunnstråd, og sette interaktive visualiseringer og sanntidsrisikovarsling via Kibana-brukergrensesnittet. Enhver forsker som har som mål å bygge et sanntidsrisikodeteksjons- og varslingssystem basert på EHR-data, kan følge tilnærmingen og referanseimplementeringen. Som vi skal utdype nedenfor, utnytter den foreslåtte metoden åpen kildekode, lette teknikker med høy fleksibilitet og bærbarhet. Dette gjør at risikokalkulatoren kan kjøres på ulike steder og viser høy anvendelighet for andre risikoestimeringsalgoritmer. Videre fungerer metoden som en enkel tilnærming for å forbedre risikodeteksjonog varsle funksjonaliteten til en EHR innebygd i et generelt helsevesen.
Protocol
Denne studien ble godkjent av East of England - Cambridgeshire og Hertfordshire Research Ethics Committee (Referansenummer: 18/EE/0066).
MERK: Vi har utviklet denne protokollen basert på CogStack-plattformen og Python-programmeringsspråket. Dette systemet krever Docker (mer spesifikt, Docker Compose https://docs.docker.com/compose/), Anaconda Python (https://www.anaconda.com/distribution/) og Git (https://git-scm.com/downloads) forhåndsinstallert på en enhet. Kommandoene i denne protokollen er basert på Linux-miljøet. I det følgende gir vi detaljer om utarbeidelse av kildedata fra en EHR-database, inntar dataene til CogStack-plattformen, og setter opp et sanntidsrisikoberegnings- og varslingssystem for psykose basert på CogStack-plattformen. Videre ble en online versjon av risikokalkulatoren utviklet for å lette numerisk beregning av sannsynligheten for at en person utvikler psykose i sekundær psykisk helsevern på http://www.psychosis-risk.net.
1. Utarbeidelse av kildedata
Merk: I de fleste brukstilfeller inntar CogStack kildedata fra en angitt databasevisning som kan kombinere data fra én eller flere kildedatabasetabeller, der en visning er et søkbart objekt i en database som inneholder resultatsettet for en lagret spørring på dataene. Oppsettet av inntaksvisningen er skreddersydd av de spesifikke brukstilfellene og distribusjonsinnstillingene for et helsejournaldatabasesystem. Denne protokollen er utviklet basert på en psykoserisikokalkulator utviklet og eksternt validert to ganger av Fusar-Poli et al.14,21 og som en del av en pilotimplementeringsmulighetsstudie6. Protokollen er basert på en EHR-database som er distribuert med Microsoft SQL Server-2014.
- Opprett et visningsobjekt (kalt "vwPsychosisBase"i denne protokollen) i et eksisterende EHR-databasesystem for å bli med nødvendig informasjon om pasienter for psykoserisikoberegning og varsling. Sørg for at dette synet inkluderer alle pasienter som får en første primærdiagnose av ikke-organisk og ikke-psykotisk psykisk lidelse (registrert av International Statistical Classification of Diseases and Related Health Problems, Tenth Revision [ICD-10]), som definert i den opprinnelige modellen14,21.
- Sørg for at hver registrering i visningen innebærer tre typer pasientinformasjon: 1) den første primære diagnosen av en pasient i EHR-systemet, inkludert ICD-10 diagnoseindeks (diagnoser ble gruppert sammen i følgende ti klynger: akutte og forbigående psykotiske lidelser, angstlidelser, bipolare humørlidelser, barndom og ungdomsutbrudd, utviklingsforstyrrelser, ikke-bipolare humørlidelser, mental retardasjon, personlighetsforstyrrelser, fysiologiske syndromer, lidelser for stoffbruk) og diagnosedato; 2) en pasients demografiske data, inkludert kjønn, etnisitet og fødselsdato; og 3) den nyeste kontaktinformasjonen til omsorgsteamet for en pasient, for eksempel detaljer om allmennpraksis (fastlege), konsulenter og omsorgskoordinatorer. De to første typer informasjon er avgjørende for psykoserisikokalkulatoren14,21, og den tredje typen informasjon er å muliggjøre rettidig risikovarsling.
- Kontroller at hver oppføring i visningen har en unik identifikator (f.eks. "patient_id" som brukes i denne protokollen).
- Velg de siste oppdateringstidsstemplene for all kildeinformasjon knyttet til en post i visningen (f.eks. de siste oppdateringstidene for pasientens demografiske informasjon og pasientens første primære diagnoseinformasjon), og velg det siste tidsstempelet som siste oppdateringsdato og -klokkeslett for posten i visningen (betegnet som "etl_updated_dttm" i denne protokollen). Den siste oppdateringsdatoen og klokkeslettet for en post gjør det mulig for CogStack å synkronisere oppdateringer i databasen, for eksempel nye og oppdaterte poster.
2. Datainntak
- Last ned eller klone koderepositoriet fra Github (https://github.com/cogstack-slam/psychosis) eller ved å skrive "git klone https://github.com/cogstack-slam/psychosis.git"i et terminalvindu. Den nedlastede mappen inneholder koden for psykoserisikoberegning og konfigurasjonsfiler for distribusjon av en CogStack-forekomst.
- Gå til mappen"cogstack_deploy/cogstack/" og endre "psychosis.properties" for å konfigurere CogStack Pipeline for datainntak. Endre innstillingene for delen"KILDE: DB CONFIGURATIONS"basert på EHR-databaseoppsettet, inkludert å angi IP-adressen til databaseserveren, databasenavnet, databasebrukernavnet og passordet. Endre visningsnavnet (dvs. "vwPsychosisBase") og feltnavn (f.eks. "patient_id" og "etl_updated_dttm") om nødvendig. Hvis det oppstår feil ved hvordan du konfigurerer denne filen, følger du instruksjonene på https://cogstack.atlassian.net/wiki/spaces/COGDOC/pages/38043684/Quickstart.
- Gå til mappen"cogstack_deploy/common/elasticsearch/config/" og endre delen "xpack.notification.email.account" i filen"elasticsearch.yml"for å konfigurere en e-postadresse for å sende varsler. En detaljert instruksjon for e-postkonfigurasjon finner du på https://www.elastic.co/guide/en/kibana/6.4/watcher-create-threshold-alert.html.
- Gå til katalogen"cogstack_deploy/" og skriv "docker-komponere opp" for å kjøre CogStack-plattformen. Utfør denne kommandoen med root-tilgang. Hvis prosessen er fullført, vil det være utskrevne statuslogger for de som kjører tjenester, inkludert CogStack Pipeline, Elasticsearch og Kibana, i terminalen. Som et resultat vil alle data og oppdateringer i kildedatabasevisningen bli rettidig inntatt i en Elasticsearch-indeks kalt"psychosis_base" i CogStack-plattformen.
- Åpne en nettleser og få tilgang til Kibana brukergrensesnitt ved å skrive "http://localhost:5601/" (eller erstatte "localhost" med en bestemt IP-adresse på serveren som kjører CogStack-plattformen). For første gang du åpner Kibana, klikker du kategorien Administrasjon og Indeksmønstre for å angi en Elasticsearch-indeks som man vil ha tilgang til med Kinaba. Skriv inn "psychosis_base" i feltet"Indeksmønster"og klikk neste trinn. Velg "etl_updated_dttm" for"Tidsfilter"feltnavn og klikk Opprett indeksmønster for å legge til "psychosis_base" indeksmønster for Kinana.
- Når Kibana er koblet til Elasticsearch-indeksen (dvs. "psychosis_base"), søk og bla gjennom kildedataene interaktivt gjennom"Oppdag"-siden. Kibana tillater ikke-tekniske brukere å søke etter både strukturerte metadata og fri tekst. Detaljerte instruksjoner for bruk av "Discover" er tilgjengelig på https://www.elastic.co/guide/en/kibana/6.4/discover.html.
3. Risikoberegning
- Åpne et nytt terminalvindu og gå til katalogen"psykose/" . Installer alle nødvendige Python-pakker (inkludert "elasticsearch"," elasticsearch_dsl", "pandaer" og "numpy") som brukes i risikokalkulatoren ved å skrive "conda installere pakkenavn" eller "pip installere pakkenavn" i terminalen.
- Type "python risk_calculator.py" for å kjøre psykose risikokalkulator. Hvis prosessen er fullført, vil logger av risikoberegningen bli skrevet ut i terminalen, og risikoresultatene vil bli lagret i en ny Elasticsearch-indeks kalt "psychosis_risk" i CogStack-plattformen.
- Kontroller risikoresultatene ved hjelp av Kibana-grensesnittet. I likhet med trinn 2.5 og 2.6, legg til et nytt indeksmønster "psychosis_risk" for å koble Kinbana med"psychosis_risk"-indeksen, og utforske risikoresultatene gjennom"Discover"-siden. For å lette identifisering av nye pasienter i faresonen, bruk "first_primary_diagnosis_date" som "Time Filter" -feltet i byggingen av"psychosis_risk"-indeksen. Når du utforsker data på siden"Oppdag", må du kontrollere at indeksmønsteret "psychosis_risk" er valgt.
4. Datavisualisering
- I tillegg til å søke og få tilgang til informasjon på individuell nivå via"Oppdag"-siden i Kibana, kan man bygge visualiseringer og instrumentbord for å få en oversikt over egenskaper for hele befolkningen av risikoutsatte pasienter. Hvis du vil gjøre dette, klikker du på Visualiser i sidenavigasjonen i Kibana. Deretter klikker du knappen Opprett ny visualisering og velger en visualiseringstype (f.eks. sektor- og linjediagrammer). Velg "psychosis_risk" som indeksen som man ønsker å visualisere gjennom Kibana. Visualiseringer vil som standard inneholde alle poster/pasienter i"psychosis_risk" -indeksen. Detaljerte instruksjoner for bygging av Kibana-visualiseringer er tilgjengelig på https://www.elastic.co/guide/en/kibana/6.4/visualize.html.
- Hvis du vil velge et bestemt delsett med data for visualisering, legger du til et "filter". For eksempel velge et filter arkivert som "h_2_year", velge en operatør som "er ikke mellom" og innstilling verdier fra "0,0" til "0,05" vil bare inkludere pasienter som har risiko for psykose i 2 år er høyere enn 0,05.
- Når individuelle visualiseringer er bygget, klikker du på Instrumentbord i sidenavigasjonen i Kibana for å opprette et instrumentbord som viser et sett med relaterte visualiseringer sammen. Klikk Opprett nytt instrumentbord og Legg til-knappen for å opprette et nytt instrumentbordpanel. Klikk visualiseringer som man vil vise i det nye instrumentbordpanelet. Klikk Lagre, og skriv inn en tittel for å lagre panelet. Instruksjoner om bygging av Kibana-dashbord er tilgjengelig på https://www.elastic.co/guide/en/kibana/6.4/dashboard.html.
5. Risikovarsling
- Klikk på Administrasjon i sidenavigasjonen til Kibana og klikk deretter Watcher under Elasticsearch for å lage varsling for klinikere når pasienter var i fare for psykose. Hvis Watcher-knappen ikke vises, klikker du Lisensbehandling og klikker Start prøve- eller oppdateringslisens.
- Klikk på Opprett avansert klokke for å konfigurere en ny watcher. Skriv inn en "ID" og "Navn". Slett innholdet i"Se JSON"delen og kopiere innholdet i"watcher.json"-filen i "psykose" katalogen til"Watch JSON"-delen. Denne watcher vil sende varslende E-post til "clinician@nhs.uk" (som kan erstattes med e-postadressen der man ønsker å sende varsler) fra "username@nhs.uk" (som ble satt i trinn 2.3) hvis det er en eller flere pasienter hvis risiko for psykose i 2 år er høyere enn 0,05 (en foreløpig terskel for mulighetstesting) i hver 24 timer.
- Før du lagrer watcher, klikker du Simuler for å teste Watcher-kjøringen. Hvis Watcher er satt, vil man se simuleringsutgangen trykt. Hvis det oppstår feil i innstillingene, følger du instruksjonene på https://www.elastic.co/guide/en/elastic-stack-overview/6.4/watcher-getting-started.html.
- Hvis du vil stoppe en watcher, sletter du den permanent eller deaktiverer den midlertidig fra siden"Status"på watcheren.
Representative Results
I denne delen presenterer vi implementeringsresultater som fokuserer på praktisk i håndteringen av live kliniske datastrømmer utarbeidet gjennom risikokalkulatoren og tilrettelegger for rettidig levering av prognostiske resultater til klinikere. Evalueringer av systemets kliniske nytte, som overholdelse av klinikere til anbefalingene fra risikokalkulatoren, vil bli presentert i en egen rapport når det er fullført.
Inntak av kildedata
Vi distribuerte psykoserisikoberegnings- og varslingssystemet basert på en replikadatabase av ePJS i SLaM. Denne replikadatabasen synkroniserer de levende dataene fra ePJS hvert tiende minutt. En databasevisning som kombinerer pasientens informasjon for psykoserisikoberegning ble bygget i denne replikadatabasen, der hver post inneholder informasjon for en pasient. Alle poster i denne visningen ble inntatt i CogStack-plattformen i sanntid (omtrent 0,6 mikrosekund per post i en virtuell maskin med 8-kjernecpu og 16 GB RAM). Frem til 13 juli 2019 da dette manuskriptet ble utarbeidet, ble alle registreringer av 202 289 pasienter som fikk en første indeksdiagnose av ikke-organisk og ikke-psykotisk psykisk lidelse i SLaM inntatt i CogStack for psykoserisikoberegning, lagret i "psychosis_base" Elasticsearch index. Figur 1 viser antall poster som inntas i CogStack over tid, i kronologisk rekkefølge basert på den siste oppdateringsdatoen for en post. Ved å sammenligne tallene og innholdet i poster i databasen og Elasticsearch-indeksen, ble det ikke funnet noen manglende og diskrepantdata, noe som bekrefter påliteligheten til CogStack Pipeline i datainntak og synkronisering.
Validering av risikoresultater
For å validere implementeringen av psykoserisikodetektoren i denne protokollen, sammenlignet vi risikoutsatte pasienter oppdaget av CogStack (kalt "CogStack-versjon") med de som oppdages av den opprinnelige risikokalkulatoren basert på CRIS (kalt "CRIS-versjon"). Siden det ikke var noen terskler utviklet for å screene en risikopasient6,14,21, brukte vi her en foreløpig terskel på 5% for risikoen for psykose på to år. Vær oppmerksom på at denne foreløpige terskelen bare er å teste om systemet kan pragmatisk arbeide i NHS og er utsatt for endring med fremtidig forskning. Den faktiske terskelen for en optimal påvisning av risikoutsatte individer må identifiseres i fremtidige store studier. Spesielt hentet vi først alle pasienter som hadde en risiko for psykose over terskelen i CRIS-versjonen (antall pasienter N = 169). Alle disse pasientene fikk en første indeksdiagnose av ikke-organisk og ikke-psykotisk psykisk lidelse i SLaM fra 14 mai 2018 til 29 april 2019. Ved å filtrere pasienter som ble diagnostisert i samme tidsperiode, hentet vi deretter N =170 pasienter hvis risiko for psykose på 2 år var høyere enn 0,05 i CogStack-versjonen. Til slutt sammenlignet vi forskjellen mellom de to settene med pasienter, hvor det totale antallet unike pasienter i de to settene er N =173. Vi fant at 161 pasienter (som står for 93% av 173 pasienter) hadde samme score i begge versjoner. Den høye graden av avtalen bekrefter gyldigheten av denne CogStack-baserte protokollen i å generere risikoscore.
Det var 12 pasienter som hadde forskjellige risikoscore i de to versjonene. Ved å inspisere pasientenes EHRs fant vi at denne forskjellen var fordi data for disse pasientene ble oppdatert etter at risikopoengene ble beregnet i CRIS-versjonen. Spesielt, selv om prediktorer som brukes i risikokalkulatoren, for eksempel fødselsdato, kjønn og selvtildelte etnisitet, var statiske variabler, hadde noen pasienters helsejournaler en manglende eller standardverdi for en variabel (f.eks. en ukjent etnisitet) på et tidligere stadium, og disse variablene ble lagt inn eller oppdatert på et senere tidspunkt. Dette kan føre til forskjellige risikoscore på to forskjellige stadier. På samme måte ble de første primære indeksdiagnosene til noen pasienter ugyldiggjort etter at en innledende risikoscore ble beregnet basert på disse diagnosene. I dette tilfellet vil risikokalkulatoren se etter den neste gyldige primære diagnosen for en slik pasient og beregne en risikoscore på nytt. Den oppdaterte risikopoengsummen kan også avvike fra den første. Ettersom den opprinnelige risikokalkulatoren ble utviklet basert på retrospektive data i CRIS for forskningsbruk, synkroniserte de opprinnelige kalkulatorrørledningene ikke disse oppdateringene i EHR-data og oppdaterte risikopoengene i tide. I motsetning vil pasientens risikoscore bli beregnet på nytt i CogStack-versjonen hvis noen kildedata fra pasienten oppdateres, noe som gjør at denne CogStack-baserte kalkulatoren kan gi de mest pålitelige og oppdaterte risikoscorene for pasienter. Disse resultatene fremhever sterkt påliteligheten av risikoscore i denne protokollen.
Resultatvisualisering og risikovarsling
For å demonstrere egenskapene til CogStack i datavisualisering, bygget vi et instrumentbord for informasjon om pasienter med risiko for psykose. Som brukt før for mulighetstesting, valgte vi de som har en risiko for psykose i to år høyere enn 5% som risikoutsatte pasienter. Figur 2 viser visualiseringer av egenskaper for pasienter med risiko for psykose, inkludert pasientenes etnisiteter, kjønn, alder og kategorier av diagnoser. Bortsett fra å visualisere risikoresultater via webgrensesnitt (f.eks. Kibana), tillater denne protokollen risikovarsler som skal sendes til brukere eller klinikere via andre varslingskanaler, for eksempel E-post. Figur 3 viser grensesnittet for å angi en risikovarslingstjeneste ved hjelp av Watch-komponenten i Kibana. Når denne tjenesten er konfigurert, kan brukerne motta et e-postvarsel hvis det var én eller flere pasienter hvis risiko for psykose på to år er høyere enn 5%. Figur 4 viser et eksempel på disse e-postvarslene, som rapporterer antall pasienter i faresonen og disse pasientenes bydeler. Siden det er behov for mer arbeid for å skreddersy hvordan de antatte psykoserisikoresultatene kommuniseres, har vi ikke sendt risikovarsler direkte til klinikere. For å teste den teknologiske gjennomførbarheten ble alle meldinger i denne studien sendt fra en teknisk forsker (T.W.) til en klinisk forsker (D.O.) via SLaMs e-postsystem i et sikkert nettverk. Bare en aggregert statistikk over pasientinformasjon ble inkludert i et varsel; ingen personlig identifiserbar informasjon ble inkludert.
Figur 1: Kildedata inntatt i CogStack. Det er 202.289 poster totalt inni "psychosis_base" Elasticsearch indeksen til 13 Juli 2019, og histogram viser antall poster inntatt over tid, bestilt av den siste oppdateringdatatid av en rekord. Man kan også spørre både strukturert og ustrukturert informasjon, og få søketreff som samsvarer med spørringen på denne siden. Vennligst klikk her for å se en større versjon av denne figuren.
Figur 2: Oversikt over karakteristikker hos pasienter med risiko for psykose (dvs. risikoen for psykose i 2 år høyere enn 0,05). (a) Distribusjon av etnisiteter for pasienter i fare, hvor ytre paier er underkategoriene av en etnisitetskategori i indre paier. (b) fordeling av pasientens kjønn, (c) fordeling av pasientens alder ved diagnose og (d) antall pasienter per diagnosegruppe. Vennligst klikk her for å se en større versjon av denne figuren.
Figur 3: Innstilling og simulere klokke for risikovarsling. Vennligst klikk her for å se en større versjon av denne figuren.
Figur 4: Et eksempel på risikovarsel via e-post. Antall pasienter med risiko for psykose i hver kliniske kommisjonsgrupper (CCG) rapporteres i parentes. Vennligst klikk her for å se en større versjon av denne figuren.
Discussion
Vi har demonstrert den første EHR-implementeringen av et sanntidspsykoserisikodeteksjons- og varslingssystem basert på CogStack, en åpen kildekode-informasjonshentings- og ekstraksjonsplattform. Etter denne tilnærmingen kan man transformere og innta et stort sett med kliniske data i ulike formater, inkludert strukturert og ustrukturert informasjon, til en CogStack-forekomst, for å muliggjøre fulltekstsøk, interaktive analyser og visualisering av data, samt sanntidsvarsling til klinikere av pasienter som er i fare for psykose. Selv om den opprinnelige psykoserisikokalkulatoren har blitt validert i pilotstudier på tvers av flere NHS Trusts, om enn ved hjelp av retrospektive pasientjournaler6,14,21, gir denne eksperimentelle designen det første bevisgrunnlaget for at denne risikokalkulatoren kan replikeres og distribueres for bruk i sanntid. Denne tilnærmingen tillater automatisk levering av prognostiske resultater til klinikere gjennom eksisterende kliniske varslingskanaler, for eksempel E-post, i sanntid. Dette viser tydelig den tekniske gjennomførbarheten for å gjennomføre en storskala effektivitetsstudie for å evaluere den ultimate kliniske nytten av denne risikokalkulatoren i den virkelige verden.
Denne protokollen er empirisk nyskapende, da det ikke eksisterer et lignende risikodeteksjons- og varslingssystem for psykose. Videre har denne protokollen høy generalizability i klinisk bruk, spesielt på grunn av de unike styrkene til vår tilnærming. Fra et teoretisk perspektiv brukte vi en risikoprediksjonsmodell som ble utviklet basert på en stor retrospektiv de-identifisert kohort fra SLaM NHS Trust. SLaM gir sekundær psykisk helsevern til en befolkning på 1,36 millioner individer i Sør-London og har en av de høyeste registrerte forekomstene av psykose i verden. Denne store kohorten, som har høyt mangfold i sosiodemografiske og diagnostiske egenskaper, gjør det mulig for oss å utvikle en risikoprediksjonsmodell som neppe vil være partisk mot en befolkning med spesifikke egenskaper. Dette støttes av bevis for at den prognostiske nøyaktigheten av denne risikokalkulatoren allerede har blitt replikert to ganger i to forskjellige databaser14,21, inkludert en utenfor SLaM. En annen teoretisk styrke i denne risikomodellen er at grunnleggende demografisk og klinisk diagnoseinformasjon ble brukt som prediktorer. Slik informasjon er allestedsnærværende i elektroniske kliniske data, og faktisk mangler data for disse prediktorene har vist seg å være relativt sjeldne i våre tidligere studier14,21. Den høye tilgjengeligheten av informasjon for bygningsprediktorer gjør det mulig å kjøre risikokalkulatoren over et stort antall pasientprøver på tvers av ulike sekundære psykiske helsesektorene. I tillegg er risikokalkulatoren en generell algoritme som passer for alle personer som er i fare for å utvikle psykose i sekundær psykisk helsevern, uavhengig av enkeltpersoners alder. Det vil si at denne kalkulatoren ikke bare er egnet for 15-35 aldersgruppe av topp psykose risiko16, men også for de utenfor dette området, viser en høy grad av generalizability.
Fra et praktisk perspektiv er både risikokalkulatoren og CogStack-plattformen lette og åpen kildekode-tjenester som ikke involverer ressurstunge teknikker eller kostbar infrastruktur. En slik rimelig og lett-å-distribuere plattform kan redusere barrierene for adopsjon i virkelige kliniske innstillinger. Også vår løsning overvinner hovedimplementeringsbarrieren: risikoestimeringssystemer gir liten verdi med mindre de brukes av klinikere i den daglige praksisen25. Spesielt får vår tilnærming tilgang til data fra EHR, utfører analyser uavhengig av et elektronisk medisinsk journalsystem og kan sende analyseresultater tilbake til klinikere gjennom eksisterende varslingskanaler. Denne metoden krever ikke at forretningslogikken i eksisterende systemer endres og kan fungere som en frittstående tjeneste for å støtte og utvide eksisterende kliniske beslutningsstøttesystemer. Dermed har protokollen høy kompatibilitet med eksisterende kliniske systemer og kan enkelt integreres i rutinemessig klinisk praksis. Videre gir protokollen brukervennlige grensesnitt for å søke, analysere og visualisere kliniske data, noe som gjør det enkelt for klinikere å tolke og utforske risikoresultatene.
Denne protokollen har også sine begrensninger. For det første har effektiviteten av denne protokollen ikke blitt evaluert i rutinemessig klinisk praksis. Denne studien fokuserte på tekniske mulighetstester for å implementere en sanntidspsykoserisikodeteksjon og varslingssystem i en lokal EHR. For ytterligere å evaluere effektiviteten av dette systemet i rutinemessig klinisk praksis, er fremtidige store randomiserte kontrollerte studier nødvendig6. En annen begrensning er at spådommene om risikoscore i denne protokollen ble gjort basert på de første primære diagnosene, som er statiske data samlet inn ved ett øyeblikksbilde. CHR-P-symptomene utvikler seg imidlertid over tid. En dynamisk versjon av psykose risikokalkulator, der prediksjonsmodeller kan oppdateres dynamisk for å gjenspeile endringene, er utviklet nylig26. Fremtidig arbeid vil fokusere på å integrere denne dynamiske kalkulatoren i den gjeldende protokollen.
Det mest kritiske trinnet i denne tilnærmingen var å identifisere EHR-data som ble brukt til ekstraktprediktorer i risikokalkulatoren. Dette kan også innebære å opprette dataelementtilordninger, når et EHR-system brukte en annen datamodell enn den som brukes i denne protokollen, for eksempel forskjellige kodesystemer for pasientenes etniske grupper. Vi har åpen kildekode alle kode- og kartdefinisjonene på nettet (https://github.com/cogstack-slam/psychosis). Basert på disse materialene, ville man være i stand til å gjenskape distribusjonen eller justere kalkulatoren avhengig av ens egen omstendighet. Et annet kritisk trinn var å opprette en databasevisning for datainntak i CogStack. Siden relasjonssammenføyningsoperasjoner (dvs. kombinere kolonner fra én eller flere databasetabeller) i Elasticsearch kan føre til høye beregningskostnader, gjennomførte vi disse sammenføyningsoperasjonene i EHR-databasen ved å opprette en databasevisning. Denne visningen kombinerte all informasjon som var nødvendig for å trekke ut prediktorer i risikokalkulatoren, og to viktige felt som ble brukt av CogStack-rørledninger for datapartisjonering i datainntak. Det første feltet er en unik primærnøkkel for hver post i visningen ("patient_id" brukt denne protokollen), og det andre er et tidsstempel når en oppføring ble endret sist. Hvis disse to feltene ikke ble angitt riktig, kan det hende at CogStack ikke synkroniserer dataoppdateringer i en EHR-database i tide. Detaljerte instruksjoner for feilsøking av problemer på CogStack-datainntak er tilgjengelig på https://cogstack.atlassian.net/wiki/spaces/COGDOC/overview og https://github.com/CogStack/CogStack-Pipeline.
Denne protokollen er svært transportabel og kan enkelt distribueres i NHS Trusts som har en CRIS eller CogStack plattform. Så langt har CRIS-plattformen inkludert samtykkeprosedyrene blitt fullstendig beskrevet andre steder og er under utvidelse over 12 NHS Trusts i Storbritannia, og utnytter over 2 millioner identifiserte pasientjournaler (https://crisnetwork.co/). På samme måte har CogStack-plattformen blitt utplassert ikke bare i SLaM, men også andre NHS Trusts over hele Storbritannia som University College London Hospitals (UCLH), King's College Hospital (KCH), Guy's og St Thomas ' (GSTT) og Mersey Care NHS Trusts. Disse trusts uten slike plattform kan bruke en online versjon av risiko kalkulator(http://psychosis-risk.net),eller bygge denne protokollen fra bunnen av basert på dette manuskriptet og våre elektroniske dokumenter. Selv om denne protokollen er utviklet for psykoserisikodeteksjon, er den arkitektoniske utformingen av denne protokollen ikke knyttet til dette spesifikke brukstilfellet. Protokollen er fleksibel nok til å tillate rekonfigurering og repurposing av sanntidsovervåking og varsling av komponenter for andre risikomålingsområder, for eksempel bivirkninger, og dermed tillate klinikere å iverksette tiltak i tide for å forbedre pasientbehandling, sikkerhet og erfaring.
Disclosures
Forfatterne har ingenting å avsløre.
Acknowledgments
Denne studien er finansiert av og er en direkte produksjon av King's College London Confidence in Concept award fra Medical Research Council (MRC) (MC_PC_16048) til PFP. RD og AR ble støttet av: (a) Maudsley Charity; (b) National Institute for Health Research (NIHR) Biomedical Research Centre ved Sør-London og Maudsley NHS Foundation Trust og King's College London; (c) Health Data Research UK, som er finansiert av 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 (Nord-Irland), British Heart Foundation og Wellcome Trust; (d) The BigData@Heart Consortium, finansiert av Innovative Medicines Initiative-2 Joint Foretak under tilskuddsavtale nr. Dette felles foretaket mottar støtte fra EUs forsknings- og innovasjonsprogram horizon 2020 og EFPIA; det ledes av DE Grobbee og SD Anker, som samarbeider med 20 akademiske og industripartnere og ESC; og (e) National Institute for Health Research University College London Hospitals Biomedical Research Centre. Disse finansieringsorganene hadde ingen rolle i utformingen av studien, innsamlingen og analysene. Synspunktene som uttrykkes er de av forfatteren(e) og ikke nødvendigvis de av NHS, NIHR eller Helsedepartementet.
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).
