JoVE Journal > Behavior
Summary
Abstract
Introduction
Protocol
Resultados
Discussion
Divulgaciones
Acknowledgements
Materials
Referencias
Please note that all translations are automatically generated. Click here for the English version.
Comportamiento

CogStack kullanarak Elektronik Sağlık Kayıtlarına Dayalı Gerçek Zamanlı Psikoz Risk Algılama ve Uyarı Sisteminin Uygulanması

Published: May 15, 2020
doi:
10.3791/60794
, , , , , , , , , ,
1Department of Biostatistics and Health Informatics, Institute of Psychiatry, Psychology and Neuroscience,King’s College London, 2Early Psychosis: Interventions and Clinical-detection (EPIC) lab, Department of Psychosis Studies, Institute of Psychiatry, Psychology & Neuroscience,King’s College London, 3National Institute for Health Research, Maudsley Biomedical Research Centre,South London and Maudsley National Health Service (NHS) Foundation Trust, 4Institute of Health Informatics,University College London, 5Department of Psychological Medicine, Institute of Psychiatry, Psychology and Neuroscience,King’s College London, 6Health Data Research UK London,University College London, 7OASIS service,South London and Maudsley National Health Service (NHS) Foundation Trust, 8Department of Brain and Behavioral Sciences,University of Pavia

Summary

Biz cogStack, elektronik sağlık kayıtları için bir bilgi alma ve çıkarma platformu dayalı gerçek zamanlı psikoz risk hesaplama ve uyarı sistemi dağıtmak için nasıl göstermek.

Abstract

Son çalışmalar, otomatik, yaşam süresi kapsayıcı, transdiagnostik ve klinik tabanlı, bireyselleştirilmiş risk hesap layıcısının, elektronik sağlık kayıtlarından (EhR) yararlanarak, psikoz riski altındaki bireylerin erken teşhisini büyük ölçüde desteklemek için güçlü bir sistem sağladığını göstermiştir. Bu risk hesap makinesi dışarıdan iki kez doğrulanmıştır ve klinik uygulama için fizibilite testine tabi dir. Bu risk hesap layıcının klinik rutine entegrasyonu, eksik veriler gibi pragmatik zorlukları ve bu risk hesap layıcısının gerçek ve rutin klinik ortamda kullanılabilirliği gibi pragmatik sorunları ele almak için gerekli olan prospektif fizibilite çalışmaları ile kolaylaştırılmalıdır. Burada, gerçek zamanlı psikoz risk tespiti ve gerçek zamanlı EHR sisteminde uyarı hizmetinin olası bir şekilde uygulanması için bir yaklaşım salıyoruz. Bu yöntem, açık kaynak kodlu, hafif ve dağıtılmış bilgi alma ve metin çıkarma sistemi olan CogStack platformundan yararlanır. CogStack platformu klinik verilerin tam metin arama, yaşam süresi-dahil, psikoz riskinin gerçek zamanlı hesaplama, klinisyenler için erken risk uyarı ve zaman içinde hastaların görsel izleme için izin hizmetleri bir dizi içermektedir. Yöntemimiz şunları içerir: 1) birden fazla kaynaktan cogStack platformuna veri alınması ve senkronizasyonu, 2) algoritması daha önce geliştirilmiş ve doğrulanmış bir risk hesap makinesinin uygulanması, hastanın psikoz riskinin zamanında hesaplanması için 3) zaman içinde hastaların sağlık durumunu izlemek için interaktif görselleştirmeler ve panolar oluşturulması ve 4) klinisyenlerin risk altındaki hastalarhakkında bilgilendirilmesini sağlamak için otomatik uyarı sistemleri oluşturmak , böylece uygun eylemler takip edilebilir. Bu, psikozun erken teşhisi için klinik rutinde benzer bir algılama ve uyarı sistemi geliştiren ve uygulayan ilk çalışmadır.

Introduction

Psikotik bozukluklar, zihnin iç sel deneyimi ile çevrenin dışsal gerçekliği arasında ayrım yapan güçlüklere yol açan ciddi ruh sağlığı hastalıklarıdır1, hem de ortalamadan daha yüksek bir kendine zarar verme ve intihar riski2. Standart bakım altında, bu bozukluklar bireyler, aileler ve toplumlar dünya çapında önemli bir sağlık ve ekonomik yük ile büyük halk sağlığı etkisi neden3. Psikozda erken müdahaleler bu ruhsal bozukluğun sonuçlarını iyileştirebilir4. Özellikle, psikoz (CHR-P) 5 geliştirmek için klinik yüksek risk altında olan bireylerin tespiti, prognostik değerlendirme ve önleyici tedavi5 bozukluğun seyrini değiştirmek için benzersiz bir potansiyel sağlar, bu nedenle birçok kişi ve aileleri için yaşam kalitesini artırmak3,6. CHR-P bireyler zayıflatılmış belirtiler ve fonksiyonel bozukluk7ile başvuran yardım arayan gençlerdir: psikoz gelişme riski 2-yıl8% 20 ama bazı özel altgruplardadaha yüksektir 9,10. Bazı önemli gelişmelere rağmen, rutin klinik uygulamada önleyici yaklaşımların etkisi risk altında olan bireylerin çoğu tespit yeteneği ile sınırlıdır11. Mevcut algılama yöntemleri, psikoz riski şüphesiyle yardım arayan davranışlara ve sevklere dayanır; bu yöntemler çok sayıda numuneyi işlemede son derece verimsizdir11. Böylece, mevcut algılama yöntemlerinin risk altındaki nüfusun büyük çoğunluğuna ölçeklenebilirliği oldukça sınırlıdır12. Aslında, sadece% 5 (bağımsız özel erken teşhis hizmetleri) 12% (gençlik ruh sağlığı hizmetleri) ilk psikotik bozukluk geliştirme riski olan bireylerin mevcut algılama stratejileri6tarafından risk aşamasında tespit edilebilir .

Risk altındaki bireylerin daha fazla sayıda önleyici yaklaşımların klinik faydalarını genişletmek için, otomatik, yaşam süresi dahil (yani, her yaş arasında), transtanıtize (yani, farklı tanılar arasında)13geliştirdi , klinik tabanlı bireyselleştirilmiş risk hesap makinesi, hangi ölçekte ikincil ruh sağlığı bakım psikoz riski olan bireyleri tespit edebilir, bu toplantı CHR-P kriterleri14ötesinde . Bu risk hesap makinesi, a priori seçilen beş rutin olarak toplanan klinik değişkenlerden altı yıl içinde psikotik bozukluk gelişme riskini tahmin etmek için, metodolojikkılavuzlar 15uyarınca bir Cox orantılı tehlike modeli kullanmıştır: yaş, cinsiyet, etnisite, yaş-cinsiyet ve primer indeks tanısı. Bu klinik değişkenler, son teknoloji metodolojik kılavuzlar tarafından tavsiye edildiği üzere, meta analizlerden elde edilen priori bilgisine göre seçilmiştir,1715.15 Tahminör sayısı, Değişken Başına Olay oranını korumak ve aşırı yakışan önyargıları en aza indirmek için sınırlıdır; priori filtresi olmadan çok fazla değişken dahil olmak üzere aşırı montaj sorunlarına ve kötü prognostik doğruluk18yol açar. Bu modeli geliştirmek için kullanılan yöntem otomatik makine öğrenme yöntemleri18benzer prognostik doğruluk sağlar. Cox modelinin parametreleri Güney Londra ve Maudsley Ulusal Sağlık Hizmeti Vakfı Trust (SLaM)19retrospektif de-tanımlanmış kohort dayalı tahmin edilmiştir. SLaM Güney Londra’da 1,36 milyon kişilik bir nüfusa ikincil ruh sağlığı hizmeti sağlayan bir Ulusal Sağlık Servisi (NHS) ruh sağlığı güven (Lambeth, Southwark, Lewisham ve Croydon ilçe), ve dünyanın en yüksek psikoz oranları20vardır. Model geliştirmede kullanılan tüm veriler, araştırmacılara anonim klinik kayıtların retrospektif erişim ve analizini sağlayan dijital vaka kayıt sistemi Olan Clinical Record Interactive Search (CRIS) platformundan çıkarMıştır19. CRIS’teki klinik bilgiler, SLaM’da elektronik Hasta Yolculuk Sistemi (ePJS) adı verilen ısmarlama Elektronik Sağlık Kaydı (EHR) sisteminden elde edilir. SLaM kağıt içermez ve ePJS klinik rutin için standart veri toplama platformlarını temsil eder. Böylece, transdiagnostik risk hesaplayıcısı EhR’lerden yararlanır ve ikincil ruh sağlığına erişen hastaların büyük ARP’lerini otomatik olarak tarayabilmek, psikoz riski altında olabilecekleri tespit etme potansiyeline sahiptir. Bu transdiagnostik risk hesaplayıcısıalgoritması daha önce6,14,21yayınlanmıştır. Transdiagnostik risk hesap makinesi harici iki NHS Vakfı Trusts14,,21 doğrulanmış veoptimize edilmiştir 22, farklı popülasyonlar arasında yeterli prognostik performans ve genelleştirilebilirlik gösteren.

Bir risk tahmin modelinin geliştirilmesi ne metodolojik kılavuzlara göre15,23, model geliştirme ve doğrulama dan sonra bir sonraki adım rutin klinik uygulamada tahmin modeli uygulamaktır. Uygulama çalışmaları genellikle klinik uygulamada risk algoritmalarının kullanımı ile ilişkili potansiyel pragmatik sınırlamaları ele pilot veya fizibilite çalışmaları öncesinde. Örneğin, yaş, cinsiyet ve etnik köken gibi bir hesap makinesiçalıştırmak için gerekli veriler tanı tarihinde kullanılamayabilir veya daha sonra güncelleştirilemeyebilir. Bir uygulamada en güvenilir tahmin sonuçlarını elde etmek için eksik verileri işlemek ve sık güncelleştirmeleri gerçek zamanlı veri akışlarında eşitlemek için etkili yöntemler düşünülmelidir. Ayrıca, risk hesap layıcısının ilk gelişimi retrospektif kohort verilerine dayandığı için, gerçek zamanlı klinik ortamın tipik bir gerçek zamanlı veri akışında kullanılıp kullanılamayacağı bilinmemektedir. Bir diğer zorluk da, ilgili klinisyenlerin risk hesaplayıcısı tarafından oluşturulan önerileri uygun bir zaman dilimi içinde ve paylaşılan ve kabul edilmiş bir iletişim yolu içinde almalarını sağlamaktır.

Bu sınırlamaları aşmak için, bireyselleştirilmiş transdiagnostik risk hesaplayıcısını kullanan bir fizibilite uygulama çalışmasını tamamladık. Çalışma iki aşamadan ilerler: klinisyenler veya hastalarla temas etmeden yerel EHR verileri kullanılarak yürütülen bir in vitro faz ve klinisyenlerle doğrudan temas içeren bir in vivo faz. İn vitro fazın iki manifoldu vardı: (i) Uygulama Araştırması Için Konsolide Çerçeve (CFIR)27 ve (ii) göre uygulama engellerini ele almak ve (ii) transdiagnostik risk hesaplayıcısını yerel EHR’ye entegre etmek. Uygulama engelleri, risk sonuçlarının klinisyenlere iletilmesidir. SLaM’da, tüm hastalar, bakım kalitesini etkilemeden araştırma için temasa geçilmeye istekli olduklarını gösteren Temas Onayı ‘na (C4C) kaydolmaya davet edilirler. Bu hastalarla temas ile ilgili etik sorunları azaltır. Buna ek olarak, klinisyenler ile çalışma grupları bu bilgilerin nasıl iletildiği konusunda uyarlama yardımcı oldu. İn vivo fazı sırasında (14 Mayıs 2018 – 29 Nisan 2019), herhangi bir SLaM hizmetine erişen tüm bireyler (ii) (ii) herhangi bir SLaM hizmetine erişen (Lambeth, Southwark, Lewisham, Croydon ilçeleri), (iii) herhangi bir organik olmayan, psikotik olmayan ruhsal bozukluğun (Akut ve Transpsikotik Bozukluklar hariç) ilk ICD-10 indeksinde birincil tanı alan; ATPD) veya chr-p ataması ve (iv) mevcut iletişim bilgilerine sahip uygun kabul edildi. In vivo faz sırasında, her hafta SLaM’ye erişen yeni hastalar psikoz riski açısından otomatik olarak tarandı ve belli bir eşikten daha fazla riski olanlar tespit edildi. Araştırma ekibi daha sonra daha fazla öneriler tartışmak ve sonunda değerlendirme6yüz yüze daha ileri bir yüz önermek için hastaların sorumlu klinisyenler temasa geçti. Değerlendirilenlerin CHR-P kriterlerini karşıladıkları düşünülürse, Güney Londra’da Sosyal Yardım ve Destek (OASIS)28gibi uzman CHR-P hizmetlerine sevk edildiler. Bu psikotik bozukluğun başlangıcından önce bireylerin gelişmiş tespiti ile sonuçlanır ve bozukluğun seyrini değiştirmek için önemli bir fırsat sağlar. En önemlisi, bu fizibilite çalışması, hesap makinesinin geçerli makalenin konusu olan yerel EHR sistemine tam entegrasyonunu içeriyordu. Önerilen araştırmanın değerlendirilmesi için planın genel bir özeti, veri güvenliği ve etik konuların yönetimine ilişkin ayrıntılar da dahil olmak üzere bu fizibilite çalışmasının tam protokolü, önceki çalışmamızda sunulmuştur6. Mevcut makale, fizibilite çalışmasının bir parçası olarak6, seçici bir gerçek zamanlı psikoz risk algılama ve yerel EHR verilerine dayalı uyarı sisteminin teknik uygulama sunmaya odaklanır. Daha spesifik olarak, bu çalışmanın amacı, ikincil bir akıl sağlığı hizmetine erişirken risk altındaki hastaların zamanında tespit inde bu risk hesap layıcısının teknik fizibilitesini araştırmaktır. Fizibilite çalışmasının tam sonuçları, klinisyenlerin risk hesaplayıcısı tarafından yapılan önerilere uymaları açısından ayrı ayrı sunulacaktır. Randomize tasarımlar gerektiren önerilen araştırmanın etkinliğinin kapsamlı bir değerlendirmesi, mevcut araştırma programının kapsamı dışındadır. En iyi bilgimiz için, bu psikozerken teşhis için canlı EHR verilerine dayalı bir risk hesap makinesi nin uygulanmasını açıklayan ilk yöntemdir.

Psikoz risk algılama ve uyarı yaklaşımımız CogStack platformundan yararlanır. CogStack platformu hafif, dağıtılmış ve hataya dayanıklı bilgi alma ve metin çıkarma platformu24. Bu platform üç temel bileşenden oluşur: 1) Önceden tanımlanmış bir veri kaynağından (Word, PDF dosyaları ve görüntüler gibi birden fazla formatta yapılandırılmamış EHR verileri) verileri gerçek zamanlı olarak önceden tanımlanmış bir veri lavabosu için almak ve senkronize etmek için Java Bahar Toplu Iş çerçevesi kullanan CogStack Boru Hattı; 2) Elasticsearch, ehr verilerinin tam metninin depolanması ve sorgulanmasına olanak tanıyan ve motora gelişmiş analizler yerleştirmek için çeşitli uygulama programlama arabirimleri (API’ler) sağlayan bir arama motoru; ve 3) Kibana, kullanıcıların Elasticsearch verileri sorgulamak için izin veren interaktif, web tabanlı kullanıcı arayüzü, görselleştirme panoları oluşturmak ve anomaliler veya veri ilgi diğer desenleri üzerinde uyarı ayarlamak. Ayrıca, CogStack e-posta ve SMS (metin) ile potansiyel sorunlara klinisyenler uyarmak için yeteneği içerir, klinisyenler risk hesap makinesi tarafından bildirilen risk altındaki hastalar hakkında zamanında bildirimler almak için izin.

Biz psikoz risk algılama ve SLaM de ePJS dayalı uyarı bir model salıyoruz, CogStack platformu yararlanarak. Haftalık olarak ePJS’ten tanımlanan sağlık kayıtlarına geriye dönük erişim için bir mekanizma sağlayan CRIS platformu ilekarşılaştırıldığında,SLaM’daki CogStack platformu, tanımlanabilir bir EHR’ye gerçek zamanlı olarak erişim sağlar ve uyarıyı, hem CRIS hem de CogStack platformları SLaM’daki ePJS kaynaklı verileri kullanmasına rağmen, potansiyel bir tasarımda dikkat ve risk tahminine daha da yaklaştırmaktadır. Aşağıdaki bölümde, EHR’den kaynak verilerin hazırlanması, Elasticsearch üzerinden tam metin arama yapılmasını sağlamak için kaynak verilerin CogStack platformuna aktarılması, Python daemon ipliğini kullanarak psikoz risk hesap layıcısını çalıştırmave Kibana kullanıcı arabirimi üzerinden etkileşimli görselleştirmeler ve gerçek zamanlı risk uyarısı ayarlama dahil olmak üzere yaklaşımımızdaki önemli adımların ayrıntılarını saklı atıyoruz. EHR verilerine dayalı gerçek zamanlı risk algılama ve uyarı sistemi oluşturmayı hedefleyen her araştırmacı, yaklaşımı ve referans uygulamasını takip edebilir. Aşağıda da belirtildiği gibi, önerilen yöntem açık kaynak kodlu, hafif tekniklerden yüksek esneklik ve taşınabilirlik ile yararlanır. Bu, risk hesap makinesinin çeşitli konumlarda çalıştırılmasını sağlar ve diğer risk tahmin algoritmalarına yüksek uygulanabilirlik gösterir. Ayrıca, yöntem, genel bir sağlık sistemine gömülü bir EHR’nin risk tespiti ve uyarı işlevlerini geliştirmek için basit bir yaklaşım olarak çalışır.

Protocol

Bu çalışma East of England – Cambridgeshire ve Hertfordshire Araştırma Etik Komitesi tarafından onaylanmıştır (Referans numarası: 18/EE/0066). NOT: Bu protokolü CogStack platformuna ve Python programlama diline dayalı olarak geliştirdik. Bu sistem Docker (daha spesifik olarak Docker Compose https://docs.docker.com/compose/),Anaconda Python (https://www.anaconda.com/distribution/) ve Git(https://git-scm.com/downloads)önceden bir cihaza yüklenmiş gerektirir. Bu protokolde sağlanan komutlar Linux ortamına dayanır. Aşağıda, bir EHR veritabanından kaynak veri hazırlama, CogStack platformuna veri alma ve cogStack platformuna dayalı psikoz için gerçek zamanlı risk hesaplama sı ve uyarı sistemi kurma ayrıntılarını salıyoruz. Ayrıca, risk hesap makinesi nin çevrimiçi bir sürümü, http://www.psychosis-risk.net’daikincil ruh sağlığı hizmetlerinde psikoz gelişen bir bireyin olasılığının sayısal hesaplamasını kolaylaştırmak için geliştirilmiştir. 1. Kaynak veri hazırlama NOT: Çoğu kullanım durumunda, CogStack, bir veya daha fazla kaynak veritabanı tablolarından gelen verileri birleştirebilen belirli bir veritabanı görünümünden kaynak verilerini yutarak, bir veritabanında depolanan sorgunun veri kümesini içeren bir nesnedir. Sindirici görünümün kurulumu, belirli kullanım örneklerine ve sistem durumu kaydı veritabanı sisteminin dağıtım ayarlarına göre uyarlanır. Bu protokol, Fusar-Poli ve ark.14,21 tarafından iki kez geliştirilen ve dışarıdan doğrulanan bir psikoz risk hesap layıcısına dayalı olarak geliştirilmiştir ve pilot uygulama fizibilite çalışması nın bir parçası olarak6. Protokol, Microsoft SQL Server 2014 ile dağıtılan bir EHR veritabanını temel almaktadır. Psikoz riski hesaplama ve uyarı için hastaların gerekli bilgileri birleştirmek için mevcut bir EHR veritabanı sisteminde bir görünüm nesnesi (bu protokolde “vwPsychosisBase” olarak adlandırılır) oluşturun. Bu görünümü n için ilk birincil tanıyı alan tüm hastaları içerdiğinden emin olun (Uluslararası Hastalıklar ve İlgili Sağlık Sorunları İstatistiki Sınıflaması, Onuncu Revizyon [ICD-10] tarafından kaydedilen), orijinal model14,21’detanımlandığı gibi . Görünümdeki her kaydın üç tür hasta bilgisi içerdiğinden emin olun: 1) ICD-10 tanı indeksi de dahil olmak üzere EHR sistemindeki bir hastanın ilk birincil tanısı (tanılar aşağıdaki on kümede bir araya getirilmiştir: akut ve geçici psikotik bozukluklar, anksiyete bozuklukları, bipolar duygudurum bozuklukları, çocukluk ve ergen başlangıç bozuklukları, gelişimsel bozukluklar, nonbipolar duygudurum bozuklukları, zeka geriliği, kişilik bozuklukları, fizyolojik sendromlar, madde kullanım bozuklukları) ve tanı; 2) cinsiyet, etnik köken ve doğum tarihi de dahil olmak üzere bir hastanın demografik verileri; ve 3) genel uygulama (GP), danışmanlar ve bakım koordinatörleri ayrıntıları gibi bir hasta için bakım ekibinin en son iletişim bilgileri. Bilginin ilk iki türü psikoz risk hesap makinesiiçinhayati önem taşımaktadır14 ,21, ve bilgi nin üçüncü türü zamanında risk uyarı sağlamaktır. Görünümdeki her kaydın benzersiz bir tanımlayıcısı olduğundan emin olun (örneğin, “patient_id” bu protokolde kullanılır). Görünümdeki bir kayıtla ilgili tüm kaynak bilgilerin son güncelleştirme zaman damgalarını (örneğin, hastanın demografik bilgilerinin son güncelleştirme süreleri ve hastanın ilk birincil tanı bilgileri) seçin ve görünümdeki kaydın son güncelleştirme tarihi ve saati olarak en son zaman damgasını seçin (bu protokolde “etl_updated_dttm” olarak gösterilir). Bir kaydın son güncelleştirme tarihi ve saati, CogStack’in yeni ve güncelleştirilmiş kayıtlar gibi veritabanındaki güncelleştirmeleri eşitlemesine olanak tanır. 2. Veri alımı Github(https://github.com/cogstack-slam/psychosis)kodu deposunu indirin veya klonlayın veya terminal penceresinde “git klonu https://github.com/cogstack-slam/psychosis.git”yazarak. İndirilen klasör, bir CogStack örneğini dağıtmak için psikoz riski hesaplama ve yapılandırma dosyaları için kod içerir. “cogstack_deploy/cogstack/” dizine gidin ve veri alımı için CogStack Pipeline’ı yapılandırmak için “psychosis.properties” imal edin. Veritabanı sunucusunun IP adresi, veritabanı adı, veritabanı kullanıcı adı ve parolasını belirtmek de dahil olmak üzere, EHR veritabanı kurulumuna dayalı “SOURCE: DB CONFIGURATIONS” bölümünün ayarlarını değiştirin. Gerekirse görünüm adını (örn. “vwPsychosisBase”) ve alan adlarını (örn.” patient_id” ve “etl_updated_dttm” olarak değiştirin. Bu dosyayı yapılandırmada hata olması durumunda, https://cogstack.atlassian.net/wiki/spaces/COGDOC/pages/38043684/Quickstart’dakiyönergeleri izleyin. Uyarı göndermek için bir E-posta adresini yapılandırmak için “elasticsearch.yml” dosyasındaki “cogstack_deploy/common/elasticsearch/config/” dizinine gidin ve “xpack.notification.email.account” bölümünü değiştirin. E-postayapılandırması için ayrıntılı bir yönerge https://www.elastic.co/guide/en/kibana/6.4/watcher-create-threshold-alert.html bulunabilir. “cogstack_deploy/” dizin ve type “docker-compose up” için CogStack platformlarını çalıştırın. Bu komutu kök erişimiyle yürütün. İşlem başarıyla tamamlanırsa, terminalde CogStack Pipeline, Elasticsearch ve Kibana dahil olmak üzere şu anda çalışan hizmetlerin yazdırılan durum günlükleri olacaktır. Sonuç olarak, kaynak veritabanı görünümündeki tüm veriler ve güncelleştirmeler, CogStack platformunda “psychosis_base” adlı elasticsearch dizinine zamanında yutulacaktır. Bir web tarayıcısı açın ve CogStack platformını çalıştıran sunucunun belirli bir IP adresiyle “http://localhost:5601/” (veya”localhost”yerine” yazarak Kibana kullanıcı arabirimine erişin). Kibana’ya ilk kez erişmek için, Kinaba ile erişmek istediğiniz bir Elasticsearch dizini belirtmek için Yönetim sekmesini ve Dizin Desenleri sekmesini tıklatın. “Dizin deseni” alanına “psychosis_base” yazın ve Sonraki adımatıklayın. “Zaman Filtresi” alan adı için “etl_updated_dttm” seçeneğini belirleyin ve Kinana için “psychosis_base” dizin deseni eklemek için dizin deseni oluştur’u tıklatın. Kibana Elasticsearch index’e (yani” psychosis_base”) bağlandıktan sonra, kaynak verileri “Keşfet” sayfası üzerinden etkileşimli olarak arayın ve göz atın. Kibana, teknik olmayan kullanıcıların hem yapılandırılmış meta verileri hem de ücretsiz metinleri aramalarına olanak tanır. “Discover” kullanarak ayrıntılı talimatlar https://www.elastic.co/guide/en/kibana/6.4/discover.htmlmevcuttur. 3. Risk hesaplama Yeni bir terminal penceresi açın ve “psikoz/” dizine gidin. Terminale “conda install package-name” veya “pip install package-name” yazarak risk hesap makinesinde kullanılan tüm Python paketlerini (“elasticsearch”,” elasticsearch_dsl”, “pandalar” ve “numpy” dahil) yükleyin. Psikoz riski hesaplayıcısını çalıştırmak için “python risk_calculator.py” yazın. İşlem başarıyla tamamlanırsa, risk hesaplama günlükleri terminale yazdırılır ve risk sonuçları CogStack platformu içinde “psychosis_risk” adı verilen yeni bir Elasticsearch index’te depolanır. Kibana arabirimini kullanarak risk sonuçlarını kontrol edin. 2.5 ve 2.6 adımlarına benzer şekilde, Kinbana’yı “psychosis_risk” indeksine bağlamak için yeni bir indeks deseni “psychosis_risk” ekleyin ve risk sonuçlarını “Keşfet” sayfası aracılığıyla keşfedin. Risk altındaki yeni hastaların belirlenmesini kolaylaştırmak için “psychosis_risk” indeksini oluştururken “first_primary_diagnosis_date” alanını “Zaman Filtresi” olarak kullanın. “Discover” sayfasındaki verileri keşfederken, “psychosis_risk” dizin deseninin seçildiğinden emin olun. 4. Veri görselleştirme Kibana’daki “Discover” sayfası üzerinden bireysel düzeydeki bilgileri aramanın ve bunlara erişmeye ek olarak, risk altındaki hastaların tüm popülasyonu için karakteristik özelliklere genel bir bakış elde etmek için görselleştirmeler ve panolar oluşturabilir. Bunu yapmak için, Kibana yan navigasyon Visualize tıklayın. Ardından, yeni görselleştirme oluştur düğmesini tıklatın ve bir görselleştirme türü (örneğin, pasta ve çizgi grafikleri) seçin. Kibana aracılığıyla görselleştirmek istediğiniz dizin olarak “psychosis_risk”seçeneğini belirleyin. Varsayılan olarak, görselleştirmeler “psychosis_risk” indeksindeki tüm kayıtları/hastaları içerecektir. Bina Kibana görselleştirmeler ayrıntılı talimatlar https://www.elastic.co/guide/en/kibana/6.4/visualize.htmlmevcuttur. Görselleştirme için belirli bir veri alt kümesini seçmek için “filtresi” ekleyin. Örneğin, “h_2_year” olarak dosyalanmış bir filtre seçmek, bir işleç seçmek “arasında değildirve” 0,0″ ile “0,05arasında değerler ayarlamak yalnızca 2 yıl içinde psikoz riski 0,05’ten yüksek olan hastaları içerir. Tek tek görselleştirmeler yapıldıktan sonra, ilgili görselleştirmeleri birlikte görüntüleyen bir pano oluşturmak için Kibana’nın yan navigasyonundaki Pano’yu tıklatın. Yeni bir pano paneli oluşturmak için yeni pano oluştur düğmesini ve Ekle düğmesini tıklatın. Yeni pano panelinde göstermek istediğiniz görselleri tıklatın. Kaydet’i tıklatın ve paneli kaydetmek için bir başlık yazın. Bina Kibana panoları talimatları https://www.elastic.co/guide/en/kibana/6.4/dashboard.htmlmevcuttur. 5. Risk Uyarısı Kibana’nın yan navigasyonunda Yönetim’e tıklayın ve hastalar psikoz riski altındayken klinisyenler için uyarı oluşturmak için Elasticsearch altında Watcher’ı tıklatın. İzleyici düğmesi görünmüyorsa, Lisans Yönetimi’ni tıklatın ve deneme sürümünü başlat veya güncelleştir’itıklatın. Yeni bir Watcher ayarlamak için gelişmiş saat oluştur’u tıklatın. Bir “Kimlik” ve “Ad” yazın. “Watch JSON” bölümünün içeriğini silin ve “watcher.json” dosyasındaki içeriği “Watch JSON” bölümüne kopyalayın. Bu izleyici, 2 yıl içinde psikoz riski her 24 saatte 0,05’ten (fizibilite testi için geçici bir eşik) daha yüksek olan bir veya daha fazla hasta varsa, “username@nhs.uk” (Adım 2.3’te ayarlanmışolan) “clinician@nhs.uk” (uyarı göndermek isteyen e-posta adresiyle değiştirilebilir) uyarı e-postası gönderir. İzleyiciyi kaydetmeden önce, İzleyici yürütmesini test etmek için Benzetiyi tıklatın. İzleyici başarılı bir şekilde ayarlanırsa, simülasyon çıktısının yazdırılmış olduğunu göreceksiniz. Ayarlarda hata olması durumunda, https://www.elastic.co/guide/en/elastic-stack-overview/6.4/watcher-getting-started.html’dakiyönergeleri izleyin. Bir İzleyiciyi durdurmak için, onu kalıcı olarak silin veya İzleyicinin “Durum” sayfasından geçici olarak devre dışı bırakın.

Representative Results

Bu bölümde, risk hesaplayıcısı aracılığıyla ayrıntılı olarak hazırlanmış canlı klinik veri akışlarının işlenmesinde pratikliğe odaklanan uygulama sonuçları ve prognostik sonuçların klinisyenlere zamanında iletilmesini kolaylaştıran uygulama sonuçları salıyoruz. Klinisyenlerin risk hesaplayıcısı tarafından yapılan tavsiyelere uyması gibi sistemin klinik yararının değerlendirilmesi tamamlandığında ayrı bir raporda sunulacaktır. Kaynak verilerin alınmasıPsikoz risk hesaplama ve uyarı sistemini SLaM’daki ePJS’in bir kopya veritabanına dayanarak dağıttık. Bu çoğaltma veritabanı her 10 dakikada bir ePJS canlı verileri senkronize eder. Psikoz riski hesaplaması için hastaların bilgilerini birleştiren bir veritabanı görünümü, her kayıt bir hasta için bilgi içeren bu çoğaltma veritabanında oluşturulmuştu. Bu görünümdeki tüm kayıtlar cogstack platformuna gerçek zamanlı olarak (8 çekirdekli işlemci ve 16 GB RAM’li sanal bir makinede kayıt başına yaklaşık 0,6 mikrosaniye) yutuldu. Bu makalenin hazırlandığı 13 Temmuz 2019’a kadar, SLAM’da organik olmayan ve psikotik olmayan ruhsal bozukluğun ilk indeks tanısı alan 202.289 hastanın tüm kayıtları psikoz riski hesaplaması için CogStack’e alındı ve “psychosis_base” Elasticsearch indeksi”nde saklandı. Şekil 1, bir kaydın son güncelleştirme tarihine göre kronolojik sırada zaman içinde CogStack’e kaydedilen kayıt sayısını gösterir. Veritabanındaki ve Elasticsearch dizinindeki kayıtların sayı ve içeriğini karşılaştırarak, cogstack pipeline’ın veri alımı ve senkronizasyonundaki güvenilirliğini doğrulayan hiçbir eksik ve diskrepant veri bulunamadı. Risk sonuçlarının doğrulanmasıBu protokolde psikoz risk dedektörü uygulamasını doğrulamak için, CogStack tarafından tespit edilen risk altındaki hastaları (“CogStack sürümü” olarak adlandırılır) CRIS’e dayalı orijinal risk hesap layıcısı tarafından tespit edilenlerle karşılaştırdık (“CRIS sürümü” olarak adlandırılır). Risk altındaki birhastayıtaramak için geliştirilen eşikler olmadığı için 6,14,21, burada iki yıl içinde psikoz riski için %5’lik geçici bir eşik kullandık. Bu geçici eşiğin yalnızca sistemin NHS’de pragmatik olarak çalışıp çalışamayacağını test etmek için olduğunu ve gelecekteki araştırmalarla değişmeye açık olduğunu unutmayın. Risk altındaki bireylerin en iyi şekilde saptanması için gerçek eşiğin gelecekteki büyük ölçekli çalışmalarda tanımlanması gerekecektir. Özellikle, ilk olarak CRIS sürümünde eşiğin üzerinde psikoz riski olan tüm hastaları (N=169 hasta sayısı) geri aldık. Tüm bu hastalar ait ilk indeks tanısı 14 Mayıs 2018 – 29 Nisan 2019 tarihleri arasında SLaM’da organik olmayan ve psikotik olmayan ruhsal bozukluk tanısı aldı. Aynı zaman diliminde tanı konulan hastaları filtreleyerek, 2 yıl içinde psikoz riski CogStack sürümünde 0.05’ten yüksek olan N=170 hastayı geri aldık. Son olarak, iki kümedeki toplam benzersiz hasta sayısının N=173 olduğu iki hasta kümesi arasındaki farkı karşılaştırdık. 161 hastanın (173 hastanın ‘ünü oluşturan) her iki versiyonda da aynı skora sahip olduğunu bulduk. Anlaşmanın yüksek derecesi risk puanları üreten bu CogStack tabanlı protokolün geçerliliğini doğrular. İki versiyonda farklı risk skorları olan 12 hasta vardı. Hastaların AKR’larını inceleyerek, bu farkın, bu hastalara ait verilerin CRIS sürümünde risk puanları hesaplandıktan sonra güncellenmesi nden kaynaklandığını gördük. Özellikle, doğum tarihi, cinsiyet ve kendi kendine atanan etnik köken gibi risk hesaplayıcıları statik değişkenler olmasına rağmen, bazı hastaların sağlık kayıtları daha önceki bir aşamada bir değişken için eksik veya varsayılan değere sahipti (örn. bilinmeyen bir etnik köken) ve bu değişkenler daha sonraki bir aşamada girildi veya güncellendi. Bu iki farklı aşamada farklı risk puanları yol açabilir. Benzer şekilde, bazı hastaların ilk primer indeks tanıları, bu tanılara göre ilk risk skoru hesaplandıktan sonra geçersiz kılındı. Bu durumda, risk hesaplayıcısı bu hasta için bir sonraki geçerli birincil tanıyı arar ve bir risk puanını yeniden hesaplar. Güncelleştirilmiş risk puanı da ilkinden farklı olabilir. Orijinal risk hesap layıcısı, araştırma kullanımı için CRIS’teki geriye dönük verilere dayalı olarak geliştirildiği için, orijinal hesap makinesi boru hatları bu güncelleştirmeleri EHR verilerinde senkronize etmedi ve risk puanlarını zamanında yenilemedi. Buna karşılık, hastanın herhangi bir kaynak veri güncellenirse bir hastanın risk puanı CogStack sürümünde yeniden hesaplanacaktır, hangi bu CogStack tabanlı hesap makinesi hastalar için en güvenilir ve güncel risk puanları sağlamak için izin verir. Bu sonuçlar, bu protokoldeki risk puanlarının güvenilirliğini güçlü bir şekilde vurgular. Sonuç görselleştirme ve risk uyarısıCogStack’in veri görselleştirmedeki yeteneklerini göstermek için, psikoz riski altındaki hastalar hakkında bilgi için bir pano kurduk. Daha önce fizibilite testinde kullanıldığı gibi, iki yıl içinde psikoz riski %5’in üzerinde olanlar risk altındaki hastalar olarak seçtik. Şekil 2, psikoz riski altındaki hastalar için, hastaların etnik kökenleri, cinsiyetleri, yaşları ve tanı kategorileri de dahil olmak üzere özelliklerinin görselleştirmelerini göstermektedir. Bu protokol, risk sonuçlarını Web arabirimleri (örneğin Kibana) aracılığıyla görselleştirmenin yanı sıra, risk uyarılarının e-posta gibi diğer bildirim kanalları aracılığıyla kullanıcılara veya klinisyenlere gönderilmesine olanak tanır. Şekil 3, Kibana’daki Watch bileşenini kullanarak risk uyarı hizmeti ayarlama arabirimini gösterir. Bu hizmet başarıyla yapılandırıldıktan sonra, iki yıl içinde psikoz riski %5’in üzerinde olan bir veya daha fazla hasta varsa kullanıcılara bir E-posta bildirimi gönderilebilir. Şekil 4, risk altındaki hasta sayısını ve bu hastaların ilçelerini bildiren bu E-posta bildirimlerinin bir örneğini göstermektedir. Öngörülen psikoz risk puanlarının nasıl iletildiğikonusunda daha fazla çalışmaya ihtiyaç duyulduğundan, risk bildirimlerini doğrudan klinisyenlere göndermedik. Teknolojik fizibiliteyi test etmek için, bu çalışmadaki tüm bildirimler bir teknik araştırmacıdan (T.W.) sLaM’ın e-posta sistemi aracılığıyla bir klinik araştırmacıya (D.O.) güvenli bir ağ içinde gönderilmiştir. Bir bildirime yalnızca hasta bilgilerinin toplu bir istatistiği eklenmiştir; herhangi bir kişisel olarak tanımlanabilir bilgi dahil edildi. Şekil 1: Kaynak verileri CogStack içine yutulan. 13 Temmuz 2019 tarihine kadar “psychosis_base” Elastik Arama endeksine toplam 202.289 kayıt kaydedilir ve histogram, bir kaydın son güncelleme veri saatine göre sıralanan zaman içinde yutulan kayıt sayısını gösterir. Ayrıca hem yapılandırılmış hem de yapılandırılmamış bilgileri sorgulayabilir ve bu sayfadaki sorguyla eşleşen arama isabetleri elde edilebilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 2: Psikoz riski olan hastaların özelliklerinin gösterge paneli (yani, 0.05’ten daha yüksek 2 yıl içinde psikoz riski). (a)Dış turtaların iç böreklerde etnik kategorinin alt kategorileri olduğu risk altındaki hastalar için etnik kökenlerin dağılımı. (b) hastaların cinsiyet dağılımı, (c) tanı sırasında hastaların yaş dağılımı ve (d) tanı grubu başına hasta sayısı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 3: Risk uyarısı için Watch’u ayarlama ve simüle etme. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 4: E-posta yı uyaran risk örneği. Her Klinik Devreye Alma Grubundaki (CCG) psikoz riski altındaki hasta sayısı parantez içinde bildirilmiştir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Discussion

Biz cogStack, açık kaynak bilgi alma ve çıkarma platformu dayalı gerçek zamanlı psikoz risk algılama ve uyarı sisteminin ilk EHR uygulaması göstermiştir. Bu yaklaşımı takiben, tam metin arama, etkileşimli analizler ve verilerin görselleştirilmesinin yanı sıra psikoz riski altında olan hastaların klinisyenlerine gerçek zamanlı uyarı sağlamak için, yapılandırılmış ve yapılandırılmamış bilgiler de dahil olmak üzere çeşitli biçimlerde büyük bir klinik veri kümesini CogStack örneğine dönüştürebilir ve yutabilirsiniz. Orijinal psikoz risk hesap makinesi çeşitli NHS Trusts arasında pilot çalışmalarda doğrulanmış olmasına rağmen, retrospektif hasta kayıtları kullanılarak da olsa6,14,21, Bu deneysel tasarım bu risk hesap makinesi çoğaltılabilir ve gerçek zamanlı olarak kullanılmak üzere dağıtılan ilk kanıt tabanı sağlar. Bu yaklaşım, prognostik sonuçların e-posta gibi mevcut klinik bildirim kanalları aracılığıyla klinisyenlere gerçek zamanlı olarak otomatik olarak iletilmesini sağlar. Bu, bu risk hesap layıcısının gerçek dünyadaki nihai klinik yararını değerlendirmek için büyük ölçekli bir etkinlik denemesi yapmak için teknik fizibiliteyi açıkça göstermektedir.

Bu protokol ampirik olarak yenilikçidir, çünkü psikoz için benzer bir risk algılama ve uyarı sistemi yoktur. Ayrıca, bu protokol klinik kullanımda yüksek genellenebilirlik, özellikle yaklaşımımızın benzersiz güçlü nedeniyle vardır. Teorik açıdan, SLaM NHS Trust’ın retrospektif olarak tanımlanmamış büyük bir kohortuna dayalı olarak geliştirilen bir risk tahmin modelini kullandık. SLaM, Güney Londra’da 1,36 milyon luk bir nüfusa ikincil ruh sağlığı hizmeti vermektedir ve dünyada en yüksek oranda psikoz oranlarından birine sahiptir. Sosyodemografik ve tanısal özellikleri yüksek çeşitlilik gösteren bu büyük kohort, belirli özelliklere sahip bir popülasyona karşı önyargılı olma olasılığı düşük bir risk tahmin modeli geliştirmemize olanak sağlamaktadır. Bu kanıt bu risk hesap makinesi nin prognostik doğruluğu zaten iki farklı veritabanları14,,21, SLaM dışında biri de dahil olmak üzere iki kez çoğaltılmıştır kanıt tarafından desteklenir. Bu risk modelinin bir diğer teorik gücü de temel demografik ve klinik tanı bilgilerinin belirleyici olarak kullanılmasıdır. Bu tür bilgiler elektronik klinik verilerde her yerde ve aslında bu belirleyiciler için eksik veri bizim önceki çalışmalarda nispeten nadir olduğu gösterilmiştir14,21. Bina tahmincilerine yönelik bilgilerin yüksek kullanılabilirliği, risk hesap layıcısını farklı ikincil ruh sağlığı sektörlerinde çok sayıda hasta numunesi üzerinde çalıştırmayı mümkün kAlmaktadır. Buna ek olarak, risk hesap makinesi, bireylerin yaşları ne olursa olsun, ikincil ruh sağlığı hizmetlerinde psikoz gelişme riski olan tüm bireyler için uygun olan genel bir algoritmadır. Yani, bu hesap makinesi sadece tepe psikoz riski1615-35 yaş aralığı için uygun değil, aynı zamanda bu aralığın dışında olanlar için, genelleştirilebilirlik yüksek derecede gösteren.

Pratik bir bakış açısıyla, hem risk hesap makinesi ve CogStack platformu kaynak ağır teknikler veya pahalı altyapı içermeyen hafif ve açık kaynak hizmetleri vardır. Böyle düşük maliyetli ve dağıtılması kolay bir platform, gerçek klinik ortamlarda benimsenmesinin önündeki engelleri azaltabilir. Ayrıca, çözüm ana uygulama engelini aşıyor: risk tahmin sistemleri günlük uygulamada klinisyenler tarafından kullanılmadığı sürece çok az değer sağlar25. Özellikle, yaklaşımımız EHR’den gelen verilere erişir, elektronik tıbbi kayıt sisteminden bağımsız analizler yapar ve analiz sonuçlarını mevcut bildirim kanalları aracılığıyla klinisyenlere geri gönderebilir. Bu yöntem, önceden varolan sistemlerde iş mantığının değiştirilmesini gerektirmez ve mevcut klinik karar destek sistemlerini desteklemek ve genişletmek için bağımsız bir hizmet olarak çalışabilir. Böylece protokol, önceden var olan klinik sistemlerle yüksek uyumluluğa sahiptir ve rutin klinik uygulamalara kolayca entegre edilebilir. Ayrıca protokol, klinik verilerin aranması, analiz edilebilmesi ve görselleştirilmesi için kullanıcı dostu arayüzler sağlayarak klinisyenlerin risk sonuçlarını yorumlamalarını ve keşfetmelerini kolaylaştırır.

Bu protokolün de sınırlamaları vardır. İlk olarak, bu protokolün etkinliği rutin klinik uygulamalarda değerlendirilmemiştir. Bu çalışma, yerel bir EHR’de gerçek zamanlı psikoz risk tespiti ve uyarı sisteminin uygulanmasının teknik fizibilite testleri üzerinde odaklanmıştır. Rutin klinik uygulamada bu sistemin etkinliğini daha fazla değerlendirmek için, gelecekteki büyük ölçekli randomize kontrollü çalışmalar6gereklidir. İkinci bir sınırlama, bu protokoldeki risk puanlarının tahminlerinin, tek bir anlık görüntüde toplanan statik veriler olan ilk birincil tanılara göre yapılmış olmasıdır. Ancak, CHR-P belirtileri zaman içinde özünde gelişmektedir. Psikoz risk hesap makinesinin dinamik bir versiyonu, hangi tahmin modelleri dinamik değişiklikleri yansıtacak şekilde güncellenebilir, son zamanlarda geliştirilmiştir26. Gelecekteki çalışmalar, bu dinamik hesap makinesini geçerli protokole entegre etme üzerinde odaklanacaktır.

Bu yaklaşımdaki en kritik adım, risk hesaplayıcısında ayıklayıcı lar için kullanılan EHR verilerinin tanımlanmasıdır. Bu, bir EHR sistemi, hastaların etnik grupları için farklı kodlama sistemleri gibi bu protokolde kullanılandan farklı bir veri modeli kullandığında, veri öğesi eşlemeleri oluşturmayı da içerebilir. Biz açık kaynaklı tüm kod ve haritalama tanımları online(https://github.com/cogstack-slam/psychosis). Bu malzemelere dayanarak, bir dağıtım çoğaltmak veya kişinin kendi durumuna bağlı olarak hesap makinesi ayarlamak mümkün olacaktır. Başka bir kritik adım CogStack veri alımı için bir veritabanı görünümü oluşturmak oldu. Elasticsearch’teki ilişkisel birleştirme işlemleri (örneğin, bir veya daha fazla veritabanı tablolarından sütunları birleştirme) yüksek hesaplama maliyetine yol açabileceğinden, bu birleştirme işlemlerini ehr veritabanında bir veritabanı görünümü oluşturarak gerçekleştirdik. Bu görünüm, risk hesap layıcısındaki tahminörleri ayıklamak için gereken tüm bilgileri ve veri alımında veri bölümleme için CogStack ardışık hatları tarafından kullanılan iki hayati alanı bir araya getirmektedir. İlk alan, görünümdeki her kayıt için benzersiz bir birincil anahtardır (“patient_id” bu protokolü kullanır) ve ikincisi, bir kaydın en son değiştirildiğinde bir zaman damgasıdır. Bu iki alan düzgün ayarlanmadıysa, CogStack veri güncelleştirmelerini Bir EHR veritabanında zamanında eşitlemeyebilir. CogStack veri alımı ile ilgili sorun giderme sorunları için ayrıntılı talimatlar https://cogstack.atlassian.net/wiki/spaces/COGDOC/overview ve https://github.com/CogStack/CogStack-Pipelinemevcuttur.

Bu protokol son derece taşınabilir ve kolayca bir CRIS veya CogStack platformu olan NHS Trusts dağıtılabilir. Şimdiye kadar, CRIS platformu-rıza prosedürleri de dahil olmak üzere-tam olarak başka bir yerde tarif edilmiştir ve İngiltere’de 12 NHS Trusts genelinde genişleme altında, 2 milyondan fazla deidentified hasta kayıtları(https://crisnetwork.co/)koşum. Benzer şekilde, CogStack platformu Sadece SLaM değil, aynı zamanda University College London Hospitals (UCLH), King’s College Hospital (KCH), Guy’s and St Thomas ‘ (GSTT) ve Mersey Care NHS Trusts gibi İngiltere genelinde diğer NHS Trusts konuşlandırılmıştır. Platform gibi olmayan Bu Güvenler, risk hesap layıcının(http://psychosis-risk.net)çevrimiçi bir sürümünü kullanabilir veya bu el yazması ve çevrimiçi belgelerimize dayanarak bu protokolü sıfırdan oluşturabilir. Bu protokol psikoz risk tespiti için geliştirilmiş olsa da, bu protokolün mimari tasarımı bu özel kullanım örneğine bağlı değildir. Protokol, advers ilaç reaksiyonları gibi diğer risk ölçüm alanları için gerçek zamanlı izleme ve uyarı bileşenlerinin yeniden yapılandırılmasına ve yeniden düzenlenmesine olanak sağlayacak kadar esnektir ve böylece klinisyenlerin hasta bakımı, güvenliği ve deneyimini iyileştirmek için zamanında harekete geçmelerine olanak sağlar.

Divulgaciones

The authors have nothing to disclose.

Acknowledgements

Bu çalışma, King’s College London Confidence in Concept ödülünün Tıbbi Araştırma Konseyi (MRC) (MC_PC_16048) ile PFP arasında doğrudan bir sonucudur. RD ve AR tarafından desteklendi: (a) Maudsley Charity; (b) Güney Londra’daki Ulusal Sağlık Araştırmaları Enstitüsü (NIHR) Biyomedikal Araştırma Merkezi ve Maudsley NHS Foundation Trust ve King’s College London; (c) İngiltere Tıbbi Araştırma Konseyi, Mühendislik ve Fizik Bilimleri Araştırma Konseyi, Ekonomik ve Sosyal Araştırma Konseyi, Sağlık ve Sosyal Bakım Bakanlığı (İngiltere), İskoç Hükümeti Sağlık ve Sosyal Bakım Müdürlükleri Baş Bilim Adamı Ofisi, Sağlık ve Sosyal Bakım Araştırma ve Geliştirme Bölümü (Galler Hükümeti), Halk Sağlığı Ajansı (Kuzey İrlanda), İngiliz Kalp Vakfı ve Wellcome Trust tarafından finanse edilen Sağlık Verileri Araştırması İngiltere; (d) 116074 sayılı Hibe Anlaşması kapsamında Yenilikçi İlaçlar Girişimi-2 Ortak Girişimi tarafından finanse edilen BigData@Heart Konsorsiyumu. Bu Ortak Girişim, Avrupa Birliği’nin Horizon 2020 araştırma ve yenilik programı ve EFPIA’dan destek alır; DE Grobbee ve SD Anker başkanlığında, 20 akademik ve endüstri ortağı ve ESC ile ortaklık; ve (e) Ulusal Sağlık Araştırma Enstitüsü University College London Hospitals Biyomedikal Araştırma Merkezi. Bu finansman kuruluşlarının çalışmanın, toplama nın ve analizlerin tasarımında hiçbir rolü yoktu. İfade edilen görüşler yazarın(lar) ve mutlaka NHS, NIHR veya Sağlık Bakanlığı olanlar değildir.

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
DOWNLOAD MATERIALS LIST

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).

Tags

Real-time Psychosis Risk DetectionElectronic Health RecordsCogStackPsychosis PreventionPrecision MedicineRisk PredictionPsychiatric CareClinical Implementation

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
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).
Descargar cita
Reimpresiones y permisos

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image