Summary

تنفيذ نظام الكشف عن مخاطر الذهان في الوقت الحقيقي والتنبيه استنادًا إلى السجلات الصحية الإلكترونية باستخدام CogStack

Published: May 15, 2020
doi:

Summary

نحن نوضح كيفية نشر نظام حساب خطر الذهان في الوقت الحقيقي والتنبيه استنادًا إلى CogStack ، وهي منصة لاسترجاع المعلومات واستخراجها للسجلات الصحية الإلكترونية.

Abstract

وقد أظهرت الدراسات الحديثة أن الآلة الحاسبة الآلية الشاملة لعمر الحياة والتشخيص والقائمة على أساس سريري والفردية للمخاطر توفر نظامًا قويًا لدعم الكشف المبكر عن الأفراد المعرضين لخطر الذهان على نطاق واسع ، من خلال الاستفادة من السجلات الصحية الإلكترونية (EHRs). وقد تم التحقق من صحة هذه الآلة الحاسبة المخاطر خارجيا مرتين ويخضعون لاختبار الجدوى للتنفيذ السريري. وينبغي تيسير دمج حاسبة المخاطر هذه في الروتين السريري من خلال دراسات الجدوى المستقبلية، المطلوبة للتصدي للتحديات العملية، مثل البيانات المفقودة، وسهولة استخدام حاسبة المخاطر هذه في بيئة سريرية واقعية وروتينية. هنا ، نقدم نهجًا للتنفيذ المحتمل لعميل ة الكشف عن مخاطر الذهان في الوقت الحقيقي وخدمة التنبيه في نظام EHR في العالم الحقيقي. تستفيد هذه الطريقة من منصة CogStack، وهي نظام استرداد المعلومات واستخراج النصوص مفتوح المصدر وخفيف الوزن وموزع. تتضمن منصة CogStack مجموعة من الخدمات التي تسمح بالبحث الكامل في البيانات السريرية ، وحساب مخاطر الذهان في الوقت الفعلي وتغطية المخاطر في الوقت الفعلي ، وتنبيه المخاطر المبكرة للأطباء ، والمراقبة البصرية للمرضى بمرور الوقت. تشمل طريقتنا: 1) ابتلاع ومزامنة البيانات من مصادر متعددة في منصة CogStack، 2) تنفيذ حاسبة المخاطر، التي تم تطوير خوارزميتها والتحقق من صحتها من قبل، لحساب خطر المريض في الوقت المناسب من الذهان، 3) إنشاء تصورات تفاعلية ولوحات معلومات لمراقبة الحالة الصحية للمرضى مع مرور الوقت، و 4) بناء أنظمة تنبيه آلية لضمان إخطار الأطباء بالمرضى المعرضين للخطر ، بحيث يمكن متابعة الإجراءات المناسبة. هذه هي أول دراسة على الإطلاق التي وضعت ونفذت نظام مماثل للكشف والتنبيه في الروتين السريري للكشف المبكر عن الذهان.

Introduction

الاضطرابات الذهانية هي أمراض خطيرة في الصحة العقلية التي تؤدي إلى صعوبات في التمييز بين التجربة الداخلية للعقل والواقع الخارجي للبيئة1، وكذلك خطر أعلى من المتوسط لإيذاء النفس والانتحار2. وفي ظل الرعاية الموحدة، تؤدي هذه الاضطرابات إلى إحداث أثر كبير على الصحة العامة مع عبء صحي واقتصادي كبير على الأفراد والأسر والمجتمعات في جميع أنحاء العالم3. التدخلات المبكرة في الذهان يمكن أن تحسن نتائج هذا الاضطراب العقلي4. على وجه الخصوص ، يوفر الكشف والتقييم التكهني والعلاج الوقائي للأفراد المعرضين لخطر كبير سريري لتطوير الذهان (CHR-P)5 إمكانية فريدة لتغيير مسار الاضطراب ، وبالتالي تحسين نوعية الحياة لكثير من الناس وأسرهم3،6. CHR-P الأفراد هم الشباب الذين يسعون إلى المساعدة الذين يقدمون أعراض مخففة وضعف وظيفي7: خطر الإصابة بالذهان هو 20٪ في 2-years8 ولكنه أعلى في بعض المجموعات الفرعية المحددة9,10. على الرغم من بعض التقدم الكبير ، فإن تأثير النهج الوقائية في الممارسة السريرية الروتينية محدود بسبب القدرة على اكتشاف معظم الأفراد المعرضين للخطر11. تعتمد طرق الكشف الحالية على سلوكيات طلب المساعدة والإحالات للاشتباه في خطر الذهان. هذه الأساليب غير فعالة للغاية في التعامل مع عدد كبير من العينات11. وبالتالي، فإن قابلية أساليب الكشف الحالية للغالبية العظمى من السكان المعرضين للخطر محدودة للغاية12. في الواقع، يمكن الكشف عن 5٪ فقط (خدمات الكشف المبكر المتخصصة المستقلة) إلى 12٪ (خدمات الصحة العقلية للشباب) من الأفراد المعرضين لخطر الإصابة باضطراب ذهانى أول في وقت مرحلة الخطر الخاصة بهم من خلال استراتيجيات الكشف الحالية6.

لتوسيع نطاق الفوائد السريرية للنهج الوقائية في عدد أكبر من الأفراد المعرضين للخطر ، قمنا بتطوير آلية ، شاملة لعمر (أي عبر جميع الأعمار) ، والتشخيص (أي عبر التشخيصات المختلفة)13، حاسبة المخاطر الفردية المستندة سريريًا ، والتي يمكن أن تكتشف الأفراد المعرضين لخطر الذهان في الرعاية الصحية العقلية الثانوية على نطاق واسع ، بخلاف أولئك الذين يستوفون معايير CHR-P14. استخدمت حاسبة المخاطر هذه نموذج الخطر النسبي كوكس للتنبؤ بخطر الإصابة باضطراب ذهاني على مدى ست سنوات من خمسة متغيرات سريرية تم جمعها بشكل روتيني تم اختيارها مسبقًا ، بما يتماشى مع المبادئ التوجيهية المنهجية15: العمر والجنس والعرق والعمر حسب الجنس وتشخيص المؤشر الأولي. تم اختيار هذه المتغيرات السريرية بناء على المعرفة المسبقة التي تم الحصول عليها من التحليلات الفوقية16،17، على النحو الموصى به من قبل أحدث المبادئ التوجيهية المنهجية15. يقتصر عدد المؤشرات على الحفاظ على نسبة الحدث لكل متغير وتقليل التحيزات المفرطة؛ بما في ذلك الكثير من المتغيرات دون مرشح مسبقا يؤدي إلى مشاكل الإفراط في القياس وضعف دقة التكهن18. الطريقة المستخدمة لتطوير هذا النموذج يوفر دقة التكهن مماثلة لأساليب التعلم الآلي التلقائي18. وقُدرت بارامترات نموذج كوكس استناداً إلى مجموعة بأثر رجعي تم تحديدهويتها من صندوق مؤسسة جنوب لندن ومؤسسة مودسلي الوطنية للخدمات الصحية (SLaM)19. SLaM هي مؤسسة الصحة الوطنية (NHS) الثقة في الصحة العقلية التي توفر الرعاية الصحية العقلية الثانوية لسكان يبلغ عددهم 1.36 مليون نسمة في جنوب لندن (لامبث، ساوثوارك، لويشام وكرويدون الأحياء)، ولديها واحدة من أعلى معدلات المسجلة من الذهان في العالم20. تم استخراج جميع البيانات المستخدمة في تطوير النموذج من منصة البحث التفاعلي السجل السريري (CRIS) ، وهو نظام تسجيل الحالات الرقمية ، والذي يوفر للباحثين الوصول بأثر رجعي وتحليل السجلات السريرية مجهولة المصدر19. يتم استخراج المعلومات السريرية في CRIS من نظام السجل الصحي الإلكتروني (EHR) المخصص ، في SLaM ، يسمى النظام الإلكتروني لرحلة المريض (ePJS). SLaM خالية من الورق ويمثل ePJS منصة جمع البيانات القياسية للروتين السريري. وبالتالي، فإن حاسبة المخاطر عبر التشخيص تستفيد من EHRs ولديها القدرة على فحص تلقائيًا تقارير EHRs كبيرة للمرضى الذين يحصلون على الرعاية الصحية العقلية الثانوية ، للكشف عن أولئك الذين قد يكونون معرضين لخطر الذهان. وقد نشرت خوارزمية هذه الآلة الحاسبة خطر تشخيص ية سابقا6,14,21. تم التحقق من صحة حاسبة المخاطر عبر التشخيص خارجيًا في صندوقين من مؤسسة NHS14و21 و22 الأمثل ، مما يدل على أدائها التكهني الكافي وقابليتها للتعميم عبر مجموعات سكانية مختلفة.22

وفقا للمبادئ التوجيهية المنهجية بشأن تطوير نموذج التنبؤ بالمخاطر15,23, الخطوة التالية بعد تطوير النموذج والتحقق من صحته هو تنفيذ نموذج التنبؤ في الممارسة السريرية الروتينية. وعادة ما تسبق دراسات التنفيذ دراسات تجريبية أو دراسات جدوى تتناول القيود العملية المحتملة المرتبطة باستخدام خوارزميات المخاطر في الممارسة السريرية. على سبيل المثال، قد لا تتوفر البيانات المطلوبة لتشغيل آلة حاسبة، مثل العمر والجنس والعرق، في تاريخ التشخيص أو يتم تحديثها لاحقًا. وينبغي النظر في أساليب فعالة لمعالجة البيانات المفقودة ومزامنة التحديثات المتكررة في تدفقات البيانات في الوقت الحقيقي للحصول على نتائج التنبؤ الأكثر موثوقية في التنفيذ. وعلاوة على ذلك، بما أن التطوير الأولي لحاسبة المخاطر كان يستند إلى بيانات الأترابية بأثر رجعي، فمن غير المعروف ما إذا كان يمكن استخدامها في تدفق البيانات في الوقت الحقيقي الذي هو نموذجي للبيئة السريرية في العالم الحقيقي. وثمة تحد آخر يتمثل في ضمان حصول الأطباء المعنيين على التوصيات التي تولدها حاسبة المخاطر في إطار زمني مناسب وضمن مسار اتصال مشترك ومقبول.

وللتغلب على هذه القيود، أكملنا دراسة تنفيذ جدوى تستخدم حاسبة المخاطر العابرة للتشخيص الفردية. وشملت الدراسة مرحلتين: مرحلة في المختبر أجريت باستخدام بيانات من EHR المحلية، دون الاتصال بالأطباء أو المرضى، ومرحلة في الجسم الحي، والتي تنطوي على اتصال مباشر مع الأطباء. وكان للمرحلة المختبرية هدفان متعددان: ‘1’ معالجة حواجز التنفيذ وفقاً للإطار الموحد لبحوث التنفيذ27 و’2′ إدماج حاسبة المخاطر التي تنتقل إلى التشخيص في نظام المعلومات الصحية المحلية. وشملت حواجز التنفيذ إبلاغ الأطباء بنتائج المخاطر. في SLaM ، يتم دعوة جميع المرضى للتسجيل للحصول على الموافقة على الاتصال (C4C) ، مما يشير إلى استعدادهم للاتصال بهم لإجراء البحوث ، دون التأثير على جودة الرعاية. وهذا يقلل من القضايا الأخلاقية المتعلقة بالاتصال بالمرضى. وعلاوة على ذلك، ساعدت الأفرقة العاملة مع الأطباء على تكييف كيفية إيصال هذه المعلومات. خلال مرحلة في الجسم الحي (14 مايو 2018 إلى 29 أبريل 2019) ، جميع الأفراد (1) الأكبر من 14 عامًا (2) الذين كانوا يحصلون على أي خدمة SLaM (أحياء لامبث ، ساوثوارك ، لويشام ، كرويدون) ، (3) تلقي أول تشخيص أولي لمؤشر ICD-10 لأي اضطراب عقلي غير عضوي وغير ذهاني (باستثناء الاضطرابات الذهانية الحادة والعابرة؛ ATPD)، أو تعيين CHR-P و (4) مع تفاصيل الاتصال الحالية اعتبرت مؤهلة. خلال مرحلة في الجسم الحي، تم فحص المرضى الجدد الذين يصلون إلى SLaM كل أسبوع تلقائيًا بحثًا عن خطر الذهان، وتم الكشف عن أولئك الذين لديهم خطر أكبر من عتبة معينة. ثم اتصل فريق البحث بالأطباء المسؤولين للمرضى لمناقشة المزيد من التوصيات واقتراح تقييم آخر في نهاية المطاف وجها لوجه6. وإذا اعتُبر أن من تم تقييمهم يستوفون معايير CHR-P، فقد أحيلوا إلى خدمات متخصصة في مركز حقوق الإنسان في جنوب لندن، مثل التوعية والدعم في جنوب لندن(OASIS) 28. وهذا من شأنه أن يؤدي إلى تحسين الكشف عن الأفراد قبل ظهور اضطراب ذهاني وتوفير فرصة كبيرة لتغيير مسار الاضطراب. والأهم من ذلك أن دراسة الجدوى هذه تضمنت الإدماج الكامل للآلة الحاسبة في نظام EHR المحلي، وهو موضوع المادة الحالية. تم عرض البروتوكول الكامل لدراسة الجدوى هذه، بما في ذلك نظرة عامة على خطة تقييم البحث المقترح، وتفاصيل حول إدارة أمن البيانات والقضايا الأخلاقية، في عملنا السابق6. المادة الحالية ، كجزء من دراسة الجدوى6، ويركز بشكل انتقائي على تقديم التنفيذ التقني للكشف عن مخاطر الذهان في الوقت الحقيقي ونظام التنبيه على أساس بيانات EHR المحلية. وبشكل أكثر تحديداً، فإن الهدف من هذه الدراسة هو التحقيق في الجدوى التقنية لهذه الآلة الحاسبة للمخاطر في الكشف في الوقت المناسب عن المرضى المعرضين للخطر بمجرد وصولهم إلى خدمة الرعاية الصحية النفسية الثانوية. سيتم تقديم النتائج الكاملة لدراسة الجدوى، من حيث التزام الأطباء بالتوصيات التي تقدمها حاسبة المخاطر، بشكل منفصل. إن التقييم الشامل لفعالية البحث المقترح، الذي يتطلب تصاميم عشوائية، يخرج عن نطاق برنامج البحث الحالي. على حد علمنا ، هذه هي الطريقة الأولى التي تصف تنفيذ حاسبة المخاطر استنادًا إلى بيانات EHR الحية للكشف المبكر عن الذهان.

نهجنا في الكشف عن مخاطر الذهان والتنبيه يستفيد من منصة CogStack. منصة CogStack هي منصة خفيفة الوزن وموزعة ومتسامحة مع الأخطاء واستعادة المعلومات واستخراج النص24. تتكون هذه المنصة من ثلاثة مكونات رئيسية: 1) خط أنابيب CogStack الذي يستخدم إطار دفعية ربيع جافا لبلع ومزامنة البيانات من مصدر بيانات محدد مسبقًا (بيانات EHR منظمة وغير منظمة بتنسيقات متعددة مثل Word و ملفات PDF والصور) إلى بالوعة بيانات محددة مسبقًا في الوقت الفعلي؛ 1) خط أنابيب CogStack الذي يستخدم إطار عمل Java Spring Batch لإستغلاب ومزامنة البيانات من مصدر بيانات محدد مسبقًا (بيانات EHR منظمة وغير منظمة بتنسيقات متعددة مثل Word وملفات PDF والصور) إلى بالوعة بيانات محددة مسبقًا في الوقت الفعلي؛ 1) خط أنابيب CogStack الذي يستخدم إطار عمل Java Spring Batch لإستبداف البيانات ومزامنتها من مصدر بيانات محدد مسبقًا (بيانات EHR منظمة وغير منظمة بتنسيقات متعددة مثل Word وملفات PDF والصور) إلى بالوعة بيانات محددة مسبقًا في الوقت الفعلي؛ 1) 2) Elasticsearch ، وهو محرك بحث يسمح لتخزين والاستعلام عن النص الكامل لبيانات EHR ، فضلا عن توفير واجهات برمجة التطبيقات المختلفة (واجهات برمجة التطبيقات) لتضمين تحليلات متقدمة في المحرك ؛ و 3) كيبانا ، تفاعلية ، واجهة المستخدم على شبكة الإنترنت التي تسمح للمستخدمين للاستعلام عن البيانات في Elasticsearch ، وبناء لوحات القيادة التصور وتعيين التنبيه على الشذوذ أو أنماط أخرى من الاهتمام من البيانات. وعلاوة على ذلك، يتضمن CogStack القدرة على تنبيه الأطباء إلى المشاكل المحتملة عن طريق البريد الإلكتروني والرسائل القصيرة (النص)، مما يسمح للأطباء لتلقي إشعارات في الوقت المناسب حول المرضى المعرضين للخطر التي أبلغت عنها حاسبة المخاطر.

نحن نقدم نموذجًا للكشف عن مخاطر الذهان والتنبيه استنادًا إلى ePJS في SLaM ، والاستفادة من منصة CogStack. بالمقارنة مع منصة CRIS التي توفر آلية للوصول بأثر رجعي إلى السجلات الصحية غير المحددة من ePJS على أساس أسبوعي19، تتيح منصة CogStack في SLaM الوصول إلى EHR يمكن التعرف عليه في الوقت الفعلي ، مما يجعل التنبيه أقرب إلى نقطة الرعاية والتنبؤ بالمخاطر في التصميم المحتمل ، على الرغم من أن منصات CRIS و CogStack تستخدم البيانات المصدرة من ePJS في SLaM. في القسم التالي ، نقدم تفاصيل عن الخطوات الرئيسية في نهجنا ، بما في ذلك إعداد بيانات المصدر من EHR ، وتناول البيانات المصدر في منصة CogStack لتمكين البحث بالنص الكامل عبر Elasticsearch ، وتشغيل حاسبة خطر الذهان باستخدام مؤشر ترابط الشيطان Python ، ووضع مرئيات تفاعلية وتنبيه المخاطر في الوقت الفعلي عبر واجهة المستخدم كيبانا. يمكن لأي باحث يهدف إلى بناء نظام الكشف عن المخاطر والإنذار بها في الوقت الحقيقي استنادًا إلى بيانات EHR اتباع النهج وتنفيذه المرجعي. وكما سنشرح أدناه، فإن الطريقة المقترحة تستغل تقنيات المصدر المفتوح وخفيفة الوزن بمرونة وقابلية عالية. وهذا يتيح تشغيل حاسبة المخاطر في مواقع مختلفة ويظهر قابلية تطبيق عالية لخوارزميات تقدير المخاطر الأخرى. وعلاوة على ذلك، تعمل هذه الطريقة كنهج مباشر لتعزيز الكشف عن المخاطر وتنبيه وظائف EHR المضمنة في نظام الرعاية الصحية العامة.

Protocol

تمت الموافقة على هذه الدراسة من قبل شرق إنجلترا – كامبريدجشاير وهيرتفوردشاير لجنة أخلاقيات البحوث (الرقم المرجعي: 18/EE/0066). ملاحظة: لقد قمنا بتطوير هذا البروتوكول على أساس منصة CogStack ولغة البرمجة بيثون. هذا النظام يتطلب دوكر (على وجه التحديد، دوكر يؤلف https://docs.docker.com/compose/)،أناكوندا بيثون(https://www.anaconda.com/distribution/)وجيت(https://git-scm.com/downloads)مثبتة مسبقا على جهاز. تستند الأوامر المتوفرة في هذا البروتوكول إلى بيئة لينكس. في ما يلي، نقدم تفاصيل إعداد البيانات المصدر من قاعدة بيانات EHR، وبلّبة البيانات إلى منصة CogStack، وإنشاء نظام حساب المخاطر في الوقت الحقيقي والتنبيه للذهان استنادًا إلى منصة CogStack. وعلاوة على ذلك، تم تطوير نسخة على الإنترنت من حاسبة المخاطر لتسهيل الحساب الرقمي لاحتمال الإصابة بالذهان الفردي في الرعاية الصحية العقلية الثانوية في http://www.psychosis-risk.net. 1- إعداد بيانات المصدر ملاحظة: في معظم حالات الاستخدام، يقوم CogStack بمعالجة بيانات المصدر من طريقة عرض قاعدة بيانات محددة يمكنها دمج البيانات من جدول قاعدة بيانات مصدر واحد أو أكثر، حيث تكون طريقة العرض كائن قابل للبحث في قاعدة بيانات تحتوي على مجموعة نتائج استعلام مخزن على البيانات. تم تصميم إعداد طريقة عرض التناول حسب حالات الاستخدام المحددة وإعدادات النشر لنظام قاعدة بيانات السجل الصحي. تم تطوير هذا البروتوكول على أساس حاسبة مخاطر الذهان التي تم تطويرها والتحقق من صحتها خارجيا مرتين من قبل Fusar-Poli وآخرون14,,21 وكجزء من دراسة جدوى التنفيذالتجريبية 6. يستند البروتوكول إلى قاعدة بيانات EHR تم نشرها مع Microsoft SQL Server 2014. إنشاء كائن عرض (يسمى”vwPsychosisBase”في هذا البروتوكول) في نظام قاعدة بيانات EHR موجود للانضمام إلى المعلومات الضرورية للمرضى لحساب مخاطر الذهان والتنبيه. تأكد من أن هذا الرأي يشمل جميع المرضى الذين يتلقون التشخيص الأولي الأول للاضطراب العقلي غير العضوي وغير الذهاني (المسجل من قبل التصنيف الإحصائي الدولي للأمراض والمشاكل الصحية ذات الصلة، المراجعة العاشرة [ICD-10])، كما هو محدد في النموذج الأصلي14،21. التأكد من أن كل سجل في طريقة العرض ينطوي على ثلاثة أنواع من معلومات المريض: 1) التشخيص الأولي الأول للمريض في نظام EHR، بما في ذلك مؤشر التشخيص ICD-10 (تم تجميع التشخيصات معًا في المجموعات العشر التالية: الاضطرابات الذهانية الحادة والعابرة، واضطرابات القلق، واضطرابات المزاج الثنائية القطب، واضطرابات بداية الطفولة والمراهقين، واضطرابات النمو، واضطرابات المزاج غير ثنائية القطب، والتخلف العقلي، واضطرابات الشخصية، والمتلازمات الفسيولوجية، واضطرابات استخدام المواد) 2) البيانات الديموغرافية للمريض، بما في ذلك نوع الجنس والعرق وتاريخ الميلاد؛ و 3) أحدث معلومات الاتصال من فريق الرعاية للمريض، مثل تفاصيل الممارسة العامة (سباق الجائزة الكبرى)، والاستشاريين ومنسقي الرعاية. النوعان الأولان من المعلومات حيويان لحاسبة خطر الذهان14،21، والنوع الثالث من المعلومات هو تمكين التنبيه ضد المخاطر في الوقت المناسب. تأكد من أن كل سجل في طريقة العرض يحتوي على معرف فريد (على سبيل المثال،”patient_id”المستخدمة في هذا البروتوكول). حدد آخر طوابع زمنية للتحديث لكافة معلومات المصدر المتعلقة بسجل في طريقة العرض (على سبيل المثال، آخر أوقات التحديث للمعلومات الديموغرافية للمريض ومعلومات التشخيص الأولية الأولى للمريض)، واختر آخر طابع زمني كتاريخ آخر تحديث ووقت للسجل في طريقة العرض (يشار إليه باسم”etl_updated_dttm”في هذا البروتوكول). يسمح تاريخ التحديث الأخير ووقت السجل لـ CogStack بمزامنة التحديثات في قاعدة البيانات، مثل السجلات الجديدة والمحدثة. 2- ابتلاع البيانات تحميل أو استنساخ مستودع التعليمات البرمجية من Github(https://github.com/cogstack-slam/psychosis)أو عن طريق كتابة “استنساخ https://github.com/cogstack-slam/psychosis.git”في نافذة المحطة الطرفية. يحتوي المجلد الذي تم تنزيله على التعليمات البرمجية لحساب مخاطر الذهان وملفات التكوين لنشر مثيل CogStack. انتقل إلى”cogstack_deploy / cogstack /” دليل وتعديل”psychosis.properties”لتكوين خط أنابيب CogStack لابتلاع البيانات. تعديل إعدادات المقطع”المصدر: تكوينات DB”استناداً إلى إعداد قاعدة بيانات EHR، بما في ذلك تحديد عنوان IP لخادم قاعدة البيانات واسم قاعدة البيانات واسم مستخدم قاعدة البيانات وكلمة المرور. تعديل اسم العرض (أي “vwPsychosisBase”) وأسماء الحقول (على سبيل المثال ،”patient_id”و “etl_updated_dttm”) إذا لزم الأمر. في حالة وجود خطأ في تكوين هذا الملف، اتبع الإرشادات في https://cogstack.atlassian.net/wiki/spaces/COGDOC/pages/38043684/Quickstart. انتقل إلى”cogstack_deploy / المشتركة / elasticsearch / التكوين /” الدليل وتعديل القسم”xpack.notification.email.account”في”elasticsearch.yml”الملف لتكوين عنوان البريد الإلكتروني لإرسال التنبيهات. يمكن العثور على تعليمات مفصلة لتكوين البريد الإلكتروني على https://www.elastic.co/guide/en/kibana/6.4/watcher-create-threshold-alert.html. انتقل إلى “cogstack_deploy /” دليل واكتب “docker -compose up”لتشغيل منصة CogStack. تنفيذ هذا الأمر مع الوصول إلى الجذر. إذا تم الانتهاء من العملية بنجاح، سيكون هناك سجلات حالة مطبوعة للخدمات التي تعمل حاليا، بما في ذلك خط أنابيب CogStack، Elasticsearch وكيكانا، في المحطة الطرفية. ونتيجة لذلك، سيتم بلّبة كافة البيانات والتحديثات في عرض قاعدة البيانات المصدر في الوقت المناسب إلى فهرس Elasticsearch يسمى”psychosis_base”في منصة CogStack. فتح متصفح ويب والوصول إلى واجهة المستخدم كيبانا عن طريق كتابة “http://localhost:5601/” (أو استبدال”المضيف المحلي”مع عنوان IP محدد للخادم الذي يعمل على منصة CogStack). للمرة الأولى الوصول إلى كيبانا، انقر فوق علامة التبويب الإدارة وعلامة التبويب أنماط الفهرس لتحديد فهرس Elasticsearch الذي يريد المرء الوصول إليه مع كينابا. اكتب”psychosis_base”في حقل”نمط الفهرس”وانقر فوق الخطوة التالية. حدد”etl_updated_dttm”لاسم الحقل”عامل تصفية الوقت”وانقر فوق إنشاء نمط فهرس لإضافة نمط فهرس”psychosis_base”لكينانا. بمجرد توصيل كيبانا بفهرس Elasticsearch (أي “psychosis_base”) ، ابحث عن البيانات المصدر وتصفحها بشكل تفاعلي من خلال صفحة”اكتشف”. يسمح كيبانا للمستخدمين غير التقنيين بالبحث عن كل من البيانات الوصفية المنظمة والنص الحر. تعليمات مفصلة من استخدام”اكتشاف”متوفرة على https://www.elastic.co/guide/en/kibana/6.4/discover.html. 3- حساب المخاطر فتح نافذة محطة جديدة والذهاب إلى”الذهان /” الدليل. تثبيت جميع حزم بيثون المطلوبة (بما في ذلك “elasticsearch” ، “elasticsearch_dsl” ،”الباندا”و “numpy”) المستخدمة في حاسبة المخاطر عن طريق كتابة “conda تثبيت حزمة اسم” أو ” نقطة تثبيت حزمةاسم”في المحطة الطرفية. نوع”بيثون risk_calculator.py”لتشغيل حاسبة خطر الذهان. إذا تم الانتهاء من العملية بنجاح، سيتم طباعة سجلات حساب المخاطر في المحطة الطرفية وسيتم تخزين نتائج المخاطر في فهرس مرن جديد يسمى”psychosis_risk”داخل منصة CogStack. تحقق من نتائج المخاطر باستخدام واجهة كيبانا. على غرار الخطوتين 2.5 و 2.6 ، إضافة نمط مؤشر جديد”psychosis_risk”لربط Kinbana مع مؤشر”psychosis_risk”، واستكشاف نتائج المخاطر من خلال صفحة”اكتشاف”. لتسهيل تحديد المرضى الجدد المعرضين للخطر، استخدم “first_primary_diagnosis_date” كحقل “فلتر الوقت” في بناء مؤشر”psychosis_risk”. عند استكشاف البيانات في صفحة”اكتشف”،تأكد من تحديد نمط الفهرس”psychosis_risk”. 4- تصور البيانات بالإضافة إلى البحث والوصول إلى المعلومات على المستوى الفردي عبر صفحة”اكتشف”في كيبانا ، يمكن للمرء بناء تصورات ولوحات معلومات للحصول على نظرة عامة على الخصائص لجميع السكان من المرضى المعرضين للخطر. للقيام بذلك، انقر على تصور في الملاحة الجانبية كيبانا. ثم انقر فوق الزر إنشاء تصور جديد واختر نوع التصور (على سبيل المثال، التخطيطات الدائرية والخطية). حدد”psychosis_risk”كمؤشر يريد المرء تصوره من خلال كيبانا. بشكل افتراضي، ستتضمن المرئيات جميع السجلات/المرضى في مؤشر”psychosis_risk”. تعليمات مفصلة من بناء كيبانا التصورات المتاحة على https://www.elastic.co/guide/en/kibana/6.4/visualize.html. لتحديد مجموعة فرعية محددة من البيانات للتصور، أضف”عامل تصفية”. على سبيل المثال، اختيار مرشح قدم على أنه “h_2_year” ، واختيار عامل التشغيل على أنه “ليس بين” ووضع القيم من “0.0” إلى “0.05” سيشمل فقط المرضى الذين يكون خطر الذهان في 2 سنوات أعلى من 0.05. بمجرد إنشاء مرئيات فردية، انقر على لوحة المعلومات في التنقل الجانبي في كيبانا لإنشاء لوحة معلومات تعرض مجموعة من المرئيات ذات الصلة معًا. انقر فوق إنشاء لوحة معلومات جديدة وزر إضافة لإنشاء لوحة معلومات جديدة. انقر فوق المرئيات التي يريد المرء عرضها داخل لوحة لوحة المعلومات الجديدة. انقر فوق حفظ وكتابة عنوان لحفظ اللوحة. تتوفر تعليمات حول بناء لوحات لوحات كيبانا في https://www.elastic.co/guide/en/kibana/6.4/dashboard.html. 5- الإنذار بالمخاطر انقر على الإدارة في الملاحة الجانبية كيبانا ثم انقر فوق مراقب تحت Elasticsearch لإنشاء تنبيه للأطباء عندما كان المرضى معرضين لخطر الذهان. إذا لم يكن زر المراقب مرئيًا، فانقر فوق إدارة الترخيص وانقر فوق بدء الإصدار التجريبي أو تحديث الترخيص. انقر فوق إنشاء مشاهدة متقدمة لإعداد مراقب جديد. اكتب “معرف” و “اسم”. حذف محتوى”مشاهدة JSON”القسم ونسخ المحتوى في”watcher.json”الملف في الدليل “الذهان” إلى قسم”مشاهدة JSON”. سيرسل هذا المراقب رسالة تنبيه إلى “clinician@nhs.uk” (والتي يمكن استبدالها بعنوان البريد الإلكتروني حيث يريد المرء إرسال تنبيهات) من “username@nhs.uk” (الذي تم تعيينه في الخطوة 2.3) إذا كان هناك مريض واحد أو أكثر من الذين يزيد خطر الإصابة بالذهان في عامين عن 0.05 (عتبة مؤقتة لاختبار الجدوى) في كل 24 ساعة. قبل حفظ المراقب، انقر فوق محاكاة لاختبار تنفيذ المراقب. إذا تم تعيين المراقب بنجاح، سيرى المرء إخراج المحاكاة المطبوعة. في حالة وجود خطأ في الإعدادات، اتبع الإرشادات https://www.elastic.co/guide/en/elastic-stack-overview/6.4/watcher-getting-started.html. لإيقاف مراقب، قم بحذفه نهائيًا أو قم بإلغاء تنشيطه مؤقتًا من صفحة”الحالة”الخاصة بـ “المراقب”.

Representative Results

في هذا القسم، نقدم نتائج التنفيذ التي تركز على التطبيق العملي في التعامل مع تدفقات البيانات السريرية الحية التي تم تفصيلها من خلال حاسبة المخاطر وتسهيل تسليم النتائج التكهنية في الوقت المناسب إلى الأطباء. سيتم تقديم تقييمات الفائدة السريرية للنظام ، مثل التزام الأطباء بالتوصيات التي تقدمها حاسبة المخاطر ، في تقرير منفصل عند اكتماله. ابتلاع بيانات المصدرلقد نشرنا نظام حساب المخاطر النفسية والتنبيه استنادًا إلى قاعدة بيانات طبق الأصل من ePJS في SLaM. قاعدة بيانات النسخة المتماثلة هذه مزامنة البيانات الحية من ePJS كل 10 دقائق. تم بناء عرض قاعدة بيانات يجمع بين معلومات المرضى لحساب خطر الذهان في قاعدة بيانات النسخة المتماثلة هذه ، حيث يحتوي كل سجل على معلومات للمريض. تم تناول جميع السجلات في هذا العرض في منصة CogStack في الوقت الحقيقي (حوالي 0.6 ميكروثانية لكل سجل في جهاز ظاهري مع وحدة المعالجة المركزية 8-core و ذاكرة الوصول العشوائي 16GB). حتى 13 يوليو 2019 عندما تم إعداد هذه المخطوطة ، تم تناول جميع سجلات 202289 مريضًا تلقوا تشخيصًا أولًا للاضطراب العقلي غير العضوي وغير الذهاني في SLaM في CogStack لحساب خطر الذهان ، مخزنة في مؤشر”psychosis_base”Elasticsearch. يوضح الشكل 1 عدد السجلات التي تم تناولها في CogStack بمرور الوقت، بالترتيب الزمني استنادًا إلى تاريخ التحديث الأخير للسجل. من خلال مقارنة أرقام ومحتوى السجلات في قاعدة البيانات ومؤشر Elasticsearch ، لم يتم العثور على بيانات مفقودة وdiscrepant ، مما يؤكد موثوقية خط أنابيب CogStack في ابتلاع البيانات والمزامنة. التحقق من صحة نتائج المخاطرللتحقق من صحة تنفيذ كاشف خطر الذهان في هذا البروتوكول، قارنا المرضى المعرضين للخطر الذين اكتشفهم CogStack (تسمى “إصدار CogStack”) مع أولئك الذين تم اكتشافهم بواسطة حاسبة المخاطر الأصلية استنادًا إلى CRIS (تسمى “إصدار CRIS”). منذ لم تكن هناك عتبات وضعت لفحص المريض المعرضللخطر6,14,21, نحن هنا تستخدم عتبة مؤقتة من 5 % لخطر الذهان في عامين. لاحظ أن هذه العتبة المؤقتة هي مجرد اختبار ما إذا كان النظام يمكن أن يعمل بشكل عملي في NHS وعرضة للتغيير مع البحوث المستقبلية. وسيتعين تحديد العتبة الفعلية للكشف الأمثل عن الأفراد المعرضين للخطر في الدراسات الواسعة النطاق في المستقبل. على وجه التحديد، قمنا أولاً باسترجاع جميع المرضى الذين لديهم خطر الإصابة بالذهان فوق العتبة في إصدار CRIS (عدد المرضى N = 169). تلقى جميع هؤلاء المرضى تشخيصًا أولًا للاضطراب العقلي غير العضوي وغير الذهاني في SLaM من 14 مايو 2018 إلى 29 أبريل 2019. من خلال تصفية المرضى الذين تم تشخيصهم في نفس الفترة الزمنية ، قمنا بعد ذلك باسترجاع N = 170 مريضًا كان خطر إصابتهم بالذهان في عامين أعلى من 0.05 في إصدار CogStack. وأخيرا، قارنا الفرق بين مجموعتي المرضى، حيث العدد الإجمالي للمرضى فريدة من نوعها في المجموعتين هي N = 173. وجدنا أن 161 مريضا (يمثلون 93٪ من 173 مريضا) لديهم نفس الدرجات في كلا الإصدارين. وتؤكد درجة الاتفاق العالية صحة هذا البروتوكول القائم على CogStack في توليد درجات المخاطر. كان هناك 12 مريضا ً لديهم درجات مخاطر مختلفة في النسختين من خلال فحص EHRs المرضى ، وجدنا أن هذا الفرق كان بسبب تحديث البيانات لهؤلاء المرضى بعد حساب درجات الخطر في إصدار CRIS. وعلى وجه التحديد، وعلى الرغم من أن التنبؤات المستخدمة في حاسبة المخاطر، مثل تاريخ الميلاد ونوع الجنس والأصل العرقي المخصص ذاتياً، كانت متغيرات ثابتة، فإن السجلات الصحية لبعض المرضى كانت مفقودة أو افتراضية لمتغير (مثل أصل عرقي غير معروف) في مرحلة مبكرة، وتم إدخال هذه المتغيرات أو تحديثها في مرحلة لاحقة. وهذا يمكن أن يؤدي إلى درجات مخاطر مختلفة في مرحلتين مختلفتين. وبالمثل، تم إبطال التشخيصات الأولية الأولى لبعض المرضى بعد أن تم حساب درجة المخاطر الأولية على أساس هذه التشخيصات. في هذه الحالة، ستبحث حاسبة المخاطر عن التشخيص الأساسي الصحيح التالي لمثل هذا المريض وإعادة حساب درجة المخاطر. يمكن أن تختلف درجة المخاطر المحدثة أيضًا عن النتيجة الأولية. نظرًا لأن حاسبة المخاطر الأصلية تم تطويرها استنادًا إلى البيانات الاسترجاعية في CRIS للاستخدام البحثي ، فإن خطوط أنابيب الحاسبة الأصلية لم تقم بمزامنة هذه التحديثات في بيانات EHR وتحديث درجات المخاطر في الوقت المناسب. في المقابل، سيتم إعادة حساب درجة مخاطر المريض في إصدار CogStack إذا تم تحديث أي بيانات مصدر ية للمريض، مما يسمح لهذه الآلة الحاسبة المستندة إلى CogStack بتوفير درجات المخاطر الأكثر موثوقية ومحدثة للمرضى. تسلط هذه النتائج الضوء بقوة على موثوقية درجات المخاطر في هذا البروتوكول. تصور النتائج وتنبيه المخاطرلإثبات قدرات CogStack في تصور البيانات ، قمنا ببناء لوحة معلومات للحصول على معلومات حول المرضى المعرضين لخطر الذهان. كما استخدمت من قبل لاختبار الجدوى، اخترنا أولئك الذين لديهم خطر الذهان في عامين أعلى من 5٪ كمرضى معرضين للخطر. ويبين الشكل 2 التصورات المتعلقة بالخصائص الخاصة بالمرضى المعرضين لخطر الإصابة بالذهان، بما في ذلك إثنيات المرضى وجنسهم وأعمارهم وفئات التشخيص. وبصرف النظر عن تصور نتائج المخاطر عبر واجهات الويب (على سبيل المثال، كيبانا)، يسمح هذا البروتوكول بإرسال تنبيهات المخاطر إلى المستخدمين أو الأطباء من خلال قنوات إعلام أخرى مثل البريد الإلكتروني. يوضح الشكل 3 الواجهة لإعداد خدمة تنبيه المخاطر باستخدام مكون المراقبة في كيبانا. بمجرد تكوين هذه الخدمة بنجاح، يمكن للمستخدمين تلقي إشعار بالبريد الإلكتروني إذا كان هناك مريض واحد أو أكثر من الذين يزيد خطر الإصابة بالذهان في عامين عن 5٪. ويبين الشكل 4 مثالاً على هذه الإخطارات بالبريد الإلكتروني، التي تبلغ عن أعداد المرضى المعرضين للخطر وأحياء هؤلاء المرضى. نظرًا لأن هناك حاجة إلى مزيد من العمل لتكييف كيفية إبلاغ درجات خطر الذهان المتوقعة ، فإننا لم نرسل إشعارات المخاطر مباشرة إلى الأطباء. لاختبار الجدوى التكنولوجية، تم إرسال جميع الإخطارات في هذه الدراسة من باحث تقني (T.W.) إلى باحث سريري (D.O.) عبر نظام البريد الإلكتروني SLaM داخل شبكة آمنة. ولم يدرج في الإخطار سوى إحصائية مجمعة لمعلومات المرضى؛ لم يتم تضمين أي معلومات شخصية. الشكل 1: بيانات المصدر التي تم تناولها في CogStack. هناك 202,289 سجلًا تم تناولها بالكامل في مؤشر”psychosis_base”Elasticsearch حتى 13 يوليو 2019 ، ويظهر الرسم البياني أعداد السجلات التي تم تناولها بمرور الوقت ، مرتبة من وقت بيانات التحديث الأخير للسجل. يمكن للمرء أيضًا الاستعلام عن المعلومات المهيكلة وغير المهيكلة، والحصول على نتائج البحث التي تطابق الاستعلام في هذه الصفحة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الرقم. الشكل 2: لوحة معلومات عن خصائص المرضى المعرضين لخطر الذهان (أي خطر الذهان في سنتين أعلى من 0.05). (أ)توزيع الأعراق على المرضى المعرضين للخطر، حيث الفطائر الخارجية هي الفئات الفرعية لفئة إثنية في الفطائر الداخلية. (ب)توزيع جنس المرضى،(ج)توزيع أعمار المرضى عند التشخيص و(د)عدد المرضى لكل مجموعة تشخيصية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الرقم. الشكل 3: إعداد ومحاكاة مراقبة للتنبيه بالمخاطر. يرجى الضغط هنا لعرض نسخة أكبر من هذا الرقم. الشكل 4: مثال على البريد الإلكتروني لتنبيه المخاطر. يتم الإبلاغ عن أعداد المرضى المعرضين لخطر الذهان في كل مجموعات التكليف السريري (CCG) بين قوسين. يرجى الضغط هنا لعرض نسخة أكبر من هذا الرقم.

Discussion

لقد أظهرنا أول تنفيذ EHR لنظام الكشف عن مخاطر الذهان في الوقت الحقيقي والتنبيه استنادًا إلى CogStack ، وهي منصة لاسترجاع المعلومات واستخراجها مفتوحة المصدر. وباتباع هذا النهج، يمكن تحويل مجموعة كبيرة من البيانات السريرية وتناولها في أشكال مختلفة، بما في ذلك المعلومات المنظمة وغير المنظمة، إلى مثيل CogStack، وذلك لتمكين البحث بالنص الكامل، والتحليلات التفاعلية وتصور البيانات، فضلا ً عن التنبيه في الوقت الحقيقي إلى الأطباء من المرضى المعرضين لخطر الذهان. على الرغم من أن آلة حاسبة خطر الذهان الأصلي قد تم التحقق من صحتها في الدراسات التجريبية عبر العديد من NHS Trusts ، على الرغم من استخدام سجلات المريض بأثر رجعي6،14،21، يوفر هذا التصميم التجريبي قاعدة الأدلة الأولى التي يمكن تكرارها ونشر هذه الآلة الحاسبة للمخاطر للاستخدام في الوقت الحقيقي. يسمح هذا النهج بالتسليم التلقائي للنتائج التكهنية للأطباء من خلال قنوات الإخطار السريري الحالية ، مثل البريد الإلكتروني ، في الوقت الحقيقي. وهذا يوضح بوضوح الجدوى التقنية لإجراء تجربة فعالية واسعة النطاق لتقييم الفائدة السريرية النهائية لهذه الآلة الحاسبة الخطر في العالم الحقيقي.

هذا البروتوكول مبتكر تجريبيًا ، حيث لا يوجد نظام مماثل للكشف عن المخاطر والتنبيه للذهان. وعلاوة على ذلك، فإن هذا البروتوكول لديه قابلية عامة عالية في الاستخدام السريري، لا سيما بسبب نقاط القوة الفريدة لنهجنا. من منظور نظري ، استخدمنا نموذج التنبؤ بالمخاطر الذي تم تطويره على أساس مجموعة كبيرة بأثر رجعي تم تحديدها من صندوق SLaM NHS. تقدم SLaM الرعاية الصحية النفسية الثانوية لسكان 1.36 مليون نسمة في جنوب لندن ولديها واحدة من أعلى معدلات الذهان المسجلة في العالم. وهذه الفئة الكبيرة، التي تتمتع بتنوع كبير في الخصائص الاجتماعية الديمغرافية والتشخيصية، تسمح لنا بوضع نموذج للتنبؤ بالمخاطر من غير المرجح أن يكون منحازا إلى سكان ذوي خصائص محددة. ويدعم هذا بأدلة على أن الدقة التكهنية لهذه الآلة الحاسبة المخاطر قد تم تكرارها مرتين في قاعدتي بيانات مختلفتين14،21، بما في ذلك واحدة خارج SLaM. وثمة قوة نظرية أخرى لنموذج الخطر هذا وهي أن معلومات التشخيص الديمغرافي والسريري الأساسية قد استخدمت كمؤشرات تنبؤ. هذه المعلومات موجودة في كل مكان في البيانات السريرية الإلكترونية وفي الواقع تم إثبات أن البيانات المفقودة لهذه التنبؤات نادرة نسبيًا في دراساتنا السابقة14،21. إن توافر المعلومات بشكل كبير لتنبؤات البناء يجعل من الممكن تشغيل حاسبة المخاطر على عدد كبير من عينات المرضى في مختلف قطاعات الرعاية الصحية العقلية الثانوية. بالإضافة إلى ذلك ، فإن حاسبة المخاطر هي خوارزمية عامة مناسبة لجميع الأفراد المعرضين لخطر الإصابة بالذهان في الرعاية الصحية العقلية الثانوية ، بغض النظر عن أعمار الأفراد. وهذا هو، هذه الآلة الحاسبة ليست مناسبة فقط للمدى العمر15-35 من خطر الذهان الذروة16،ولكن أيضا لأولئك خارج هذا النطاق، مما يدل على درجة عالية من التعميم.

من وجهة نظر عملية ، كل من حاسبة المخاطر ومنصة CogStack هي خدمات خفيفة الوزن ومفتوحة المصدر لا تنطوي على تقنيات ثقيلة الموارد أو بنية تحتية مكلفة. مثل هذه المنصة منخفضة التكلفة وسهلة النشر يمكن أن تقلل من الحواجز التي تحول دون اعتمادها في بيئات سريرية في العالم الحقيقي. أيضا، الحل لدينا يتغلب على حاجز التنفيذ الرئيسي: نظم تقدير المخاطر توفر قيمة ضئيلة ما لم يتم استخدامها من قبل الأطباء في الممارسة اليومية25. وعلى وجه التحديد، فإن نهجنا يصل إلى البيانات من EHR، ويحدث تحليلات مستقلة عن نظام السجل الطبي الإلكتروني، ويمكن أن يرسل نتائج التحليل مرة أخرى إلى الأطباء من خلال قنوات الإخطار القائمة. لا تتطلب هذه الطريقة تعديل منطق الأعمال في الأنظمة الموجودة مسبقًا ويمكن أن تعمل كخدمة مستقلة لدعم وتوسيع أنظمة دعم القرارات السريرية الحالية. وبالتالي ، فإن البروتوكول لديه توافق كبير مع الأنظمة السريرية الموجودة مسبقًا ويمكن دمجه بسهولة في الممارسة السريرية الروتينية. وعلاوة على ذلك، يوفر البروتوكول واجهات سهلة الاستخدام للبحث عن البيانات السريرية وتحليلها وتصورها، مما يسهل على الأطباء تفسير واستكشاف نتائج المخاطر.

هذا البروتوكول له أيضا ً حدوده. أولاً، لم يتم تقييم فعالية هذا البروتوكول في الممارسة السريرية الروتينية. ركزت هذه الدراسة على اختبارات الجدوى التقنية لتنفيذ نظام الكشف عن مخاطر الذهان في الوقت الحقيقي والتنبيه في EHR المحلية. لمزيد من التقييم فعالية هذا النظام في الممارسة السريرية الروتينية، هناك حاجة إلى تجارب معشاة ذات شواهد واسعة النطاق في المستقبل6. والقيد الثاني هو أن تنبؤات درجات المخاطر في هذا البروتوكول قد تمت استناداً إلى التشخيصات الأولية الأولى، وهي بيانات ثابتة جُمعت في لقطة واحدة. ومع ذلك، فإن أعراض CHR-P تتطور بشكل جوهري مع مرور الوقت. تم مؤخرا ً تطوير نسخة ديناميكية من حاسبة مخاطر الذهان ، حيث يمكن تحديث نماذج التنبؤ ديناميكيًا لتعكس التغييرات. وسيركز العمل في المستقبل على دمج هذه الآلة الحاسبة الديناميكية في البروتوكول الحالي.

وكانت الخطوة الأكثر أهمية في هذا النهج هي تحديد بيانات EHR التي تم استخدامها لتنبؤات المستخلصفي حاسبة المخاطر. وقد ينطوي ذلك أيضاً على إنشاء خرائط لعنصر البيانات، عندما يستخدم نظام EHR نموذج بيانات يختلف عن النموذج المستخدم في هذا البروتوكول، مثل أنظمة ترميز متميزة للمجموعات العرقية للمرضى. لدينا مفتوحة المصدر جميع التعليمات البرمجية ورسم الخرائط على الانترنت(https://github.com/cogstack-slam/psychosis). واستنادا ً إلى هذه المواد، سيكون المرء قادراً على تكرار النشر أو ضبط الآلة الحاسبة حسب ظروفه الخاصة. كانت الخطوة الهامة الأخرى هي إنشاء طريقة عرض قاعدة بيانات لابتلاع البيانات في CogStack. نظرًا لأن عمليات الانضمام العلائقية (أي الجمع بين الأعمدة من جدول قاعدة بيانات واحد أو أكثر) في Elasticsearch يمكن أن تؤدي إلى تكلفة حسابية عالية ، أجرينا عمليات الانضمام هذه في قاعدة بيانات EHR عن طريق إنشاء عرض قاعدة بيانات. جمعت طريقة العرض هذه بين كافة المعلومات المطلوبة لاستخراج المؤشرات في حاسبة المخاطر، وحقلين حيويين استخدمتهما خطوط أنابيب CogStack لتقسيم البيانات في ابتلاع البيانات. الحقل الأول هو مفتاح أساسي فريد لكل سجل في طريقة العرض(“patient_id“استخدم هذا البروتوكول) والثاني هو طابع زمني عندما تم تعديل سجل مؤخراً. إذا لم يتم تعيين هذين الحقلين بشكل صحيح، قد لا يقوم CogStack بمزامنة تحديثات البيانات في قاعدة بيانات EHR في الوقت المناسب. تتوفر إرشادات تفصيلية لاستكشاف مشكلات استكشاف الأخطاء وإصلاحها على ابتلاع بيانات CogStack على https://cogstack.atlassian.net/wiki/spaces/COGDOC/overview https://github.com/CogStack/CogStack-Pipeline.

هذا البروتوكول قابل للنقل بدرجة عالية ويمكن نشره بسهولة في NHS Trusts التي تحتوي على نظام CRIS أو CogStack الأساسي. حتى الآن ، تم وصف منصة CRIS – بما في ذلك الإجراءات الموافقة – بشكل كامل في أماكن أخرى وهي قيد التوسع عبر 12 صندوقNHS الاستئماني في المملكة المتحدة ، وتسخير أكثر من 2 مليون سجل للمرضى الذين تم تحديدهم(https://crisnetwork.co/). وبالمثل ، تم نشر منصة CogStack ليس فقط في SLaM ، ولكن أيضًا صناديق NHS الأخرى في جميع أنحاء المملكة المتحدة مثل مستشفيات كلية لندن الجامعية (UCLH) ومستشفى كينغز كوليدج (KCH) وGuy’s and St Thomas (GSTT) وميرسي كير NHS Trusts. يمكن لتلك الصناديق الاستئمانية التي لا توجد مثل المنصة استخدام نسخة عبر الإنترنت من حاسبة المخاطر(http://psychosis-risk.net)، أو بناء هذا البروتوكول من الصفر استنادًا إلى هذه المخطوطة ووثائقنا عبر الإنترنت. على الرغم من أن هذا البروتوكول تم تطويره للكشف عن مخاطر الذهان، فإن التصميم المعماري لهذا البروتوكول غير مرتبط بحالة الاستخدام المحددة هذه. والبروتوكول مرن بما يكفي للسماح بإعادة تشكيل وإعادة تشكيل مكونات الرصد والإنذار في الوقت الحقيقي لمجالات قياس المخاطر الأخرى، مثل ردود الفعل الدوائية الضارة، مما يسمح للأطباء باتخاذ إجراءات في الوقت المناسب لتحسين رعاية المرضى وسلامتهم وخبرتهم.

Divulgaciones

The authors have nothing to disclose.

Acknowledgements

يتم تمويل هذه الدراسة من قبل وهي نتاج مباشر لجائزة الثقة في مفهوم كلية كينغز لندن من مجلس البحوث الطبية (MC_PC_16048) إلى PFP. ودعمت الهيئة الدفاع عن الديمقراطية وAR بما يلي: (أ) مؤسسة مودسلي الخيرية؛ (ب) مؤسسة مودسلي الخيرية؛ (ب) مؤسسة مودسلي الخيرية؛ (ج) مؤسسة مودسلي الخيرية؛ (ج) مؤسسة مودسلي الخيرية؛ (ج) مؤسسة مود (ب) مركز البحوث الطبية الحيوية التابع للمعهد الوطني للبحوث الصحية في جنوب لندن ومؤسسة مودسلي NHS Trust وكلية كينغز في لندن؛ (ج) بحوث البيانات الصحية في المملكة المتحدة، التي يمولها مجلس البحوث الطبية في المملكة المتحدة، ومجلس بحوث الهندسة والعلوم الفيزيائية، ومجلس البحوث الاقتصادية والاجتماعية، ووزارة الصحة والرعاية الاجتماعية (إنكلترا)، ومكتب كبير العلماء في مديريات الصحة والرعاية الاجتماعية التابعة للحكومة الاسكتلندية، وشعبة بحوث الصحة والرعاية الاجتماعية والتنمية (الحكومة الويلزية)، ووكالة الصحة العامة (أيرلندا الشمالية)، ومؤسسة القلب البريطانية، وصندوق ويلكوم الاستئماني؛ (د) اتحاد BigData@Heart، الممول من مبادرة الأدوية المبتكرة – 2، المشروع المشترك بموجب اتفاق المنحة رقم 116074. ويتلقى هذا المشروع المشترك الدعم من برنامج الاتحاد الأوروبي للبحث والابتكار لعام 2020 وEFPIA؛ ويرأسها، دي غبولي وSD Anker، بالشراكة مع 20 من الشركاء الأكاديميين والصناعة وESC؛ و (ه) المعهد الوطني للبحوث الصحية جامعة كلية لندن مستشفيات مركز البحوث الطبية الحيوية. ولم يكن لهيئات التمويل هذه أي دور في تصميم الدراسة والجمع والتحليلات. والآراء المعرب عنها هي آراء المؤلف (المؤلفين) وليس بالضرورة آراء دائرة الصحة الوطنية أو المعهد الوطني لحقوق الإنسان أو وزارة الصحة.

Materials

CogStack-Pipeline King's College London Open source software
Elasticsearch Elastic NV Open Source Search & Analytics
Kibana Elastic NV Open source data visualization plugin for Elasticsearch
Python packages ("elasticsearch", "elasticsearch_dsl", "pandas" and "numpy") Open source community Open source packages

Referencias

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

Play Video

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

View Video