Implementatie van een real-time psychose risicodetectie en waarschuwingssysteem op basis van elektronische medische dossiers met behulp van CogStack

Psychotische stoornissen zijn ernstige psychische aandoeningen die leiden tot moeilijkheden bij het onderscheid tussen de interne ervaring van de geest en de externe realiteit van het milieu¹, evenals een hoger dan gemiddeld risico op zelfbeschadiging en zelfmoord². Onder standaardzorg leiden deze aandoeningen tot grote gevolgen voor de volksgezondheid met een aanzienlijke gezondheids- en economische belasting voor individuen, gezinnen en samenlevingen wereldwijd³. Vroege interventies in psychose kan verbeteren resultaten van deze psychische stoornis⁴. Met name detectie, prognostische beoordeling en preventieve behandeling van personen met een klinisch hoog risico op het ontwikkelen van psychose (CHR-P)⁵ biedt een uniek potentieel om het verloop van de aandoening te veranderen, waardoor de kwaliteit van leven voor veel mensen en hun gezinnen^wordtverbeterd^{3 ,6}. CHR-P individuen zijn hulpzoekende jongeren die zich presenteren met verzwakte symptomen en functionele stoornissen⁷: hun risico op het ontwikkelen van psychose is 20% op 2-jaar^8, maar het is hoger in sommige specifieke subgroepen^9,10. Ondanks enkele aanzienlijke vooruitgang, wordt het effect van preventieve benaderingen in de routinematige klinische praktijk beperkt door de mogelijkheid om de meeste personen die risico lopen te detecteren¹¹. De huidige detectiemethoden zijn gebaseerd op hulpzoekend gedrag en verwijzingen op verdenking van psychoserisico; deze methoden zijn zeer inefficiënt bij het hanteren van een groot aantal monsters¹¹. De schaalbaarheid van de huidige detectiemethoden voor de overgrote meerderheid van de risicopopulatie is dus vrij beperkt¹². In feite, slechts 5% (standalone gespecialiseerde vroege opsporing diensten) tot 12% (jeugd-geestelijke gezondheidszorg) van personen die het risico lopen op het ontwikkelen van een eerste psychotische stoornis kan worden gedetecteerd op het moment van hun at-risk stadium door de huidige detectie strategieën⁶.

Om de klinische voordelen van de preventieve benaderingen bij een groter aantal risicopersonen uit te breiden, ontwikkelden we een geautomatiseerde, levensduur-inclusive (d.w.z. over alle leeftijden), transdiagnostisch (d.w.z. over verschillende diagnoses)¹³, klinisch gebaseerde geïndividualiseerde risicocalculator, die personen met een risico op psychose in de secundaire geestelijke gezondheidszorg op schaal kan detecteren, voorbij die aan chr-p-criteria¹⁴. Deze risicocalculator gebruikte een Cox proportioneel risicomodel om het risico op het ontwikkelen van een psychotische stoornis gedurende zes jaar te voorspellen aan de basis van vijf routinematig verzamelde klinische variabelen die a priori werden geselecteerd, in overeenstemming met methodologische richtlijnen¹⁵: leeftijd, geslacht, etniciteit, leeftijd-per-geslacht en primaire indexdiagnose. Deze klinische variabelen werden geselecteerd op basis van a priori kennis verkregen uit metaanalyses^16,17, zoals aanbevolen door de state-of-the-art methodologische richtlijnen¹⁵. Het aantal voorspellers is beperkt om de verhouding Gebeurtenis per variabele te behouden en overpassende vooroordelen te minimaliseren; inclusief te veel variabelen zonder een priori filter leidt tot overfitting problemen en slechte prognostische nauwkeurigheid¹⁸. De methode die wordt gebruikt om dit model te ontwikkelen biedt vergelijkbare prognostische nauwkeurigheid als automatische machine learning-methoden¹⁸. Parameters van het Cox-model werden geschat op basis van een retrospectief gedeidentificeerd cohort uit de Zuid-Londense en Maudsley National Health Service Foundation Trust (SLaM)¹⁹. SLaM is een National Health Service (NHS) geestelijke gezondheid vertrouwen dat secundaire geestelijke gezondheidszorg biedt aan een bevolking van 1,36 miljoen individuen in Zuid-Londen (Lambeth, Southwark, Lewisham en Croydon wijken), en heeft een van de hoogste geregistreerde tarieven van psychose in de wereld²⁰. Alle gegevens die worden gebruikt in de modelontwikkeling werden geëxtraheerd uit het Clinical Record Interactive Search (CRIS) platform, een digitaal case register systeem, dat onderzoekers voorziet van retrospectieve toegang en analyse van geanonimiseerde klinische dossiers¹⁹. De klinische informatie in CRIS wordt gewonnen uit een op maat gemaakt Elektronisch Gezondheidsdossier (EPD) systeem, bij SLaM, genaamd electronic Patient Journey System (ePJS). SLaM is papiervrij en ePJS vertegenwoordigt het standaard platform voor het verzamelen van gegevens voor klinische routine. Zo maakt de transdiagnostische risicocalculator gebruik van EHRs en heeft het potentieel om automatisch grote EHRs van patiënten die toegang hebben tot secundaire geestelijke gezondheidszorg, automatisch te screenen om degenen op te sporen die risico lopen op psychose. Het algoritme van deze transdiagnostische risicocalculator is eerder gepubliceerd^6,14,21. De transdiagnostische risicocalculator is extern gevalideerd in twee NHS Foundation Trusts^14,21 en geoptimaliseerd²², waaruit blijkt dat de adequate prognostische prestaties en generalizability over verschillende populaties.

Volgens methodologische richtlijnen voor de ontwikkeling van een risicovoorspellingsmodel^15,23, is de volgende stap na modelontwikkeling en validatie het implementeren van het voorspellingsmodel in de routinematige klinische praktijk. Implementatiestudies worden meestal voorafgegaan door pilot- of haalbaarheidsstudies die mogelijke pragmatische beperkingen aanpakken die verband houden met het gebruik van risicoalgoritmen in de klinische praktijk. Vereiste gegevens voor het uitvoeren van een rekenmachine, zoals leeftijd, geslacht en etniciteit, zijn bijvoorbeeld mogelijk niet beschikbaar op de datum van diagnose of later bijgewerkt. Effectieve methoden voor het verwerken van ontbrekende gegevens en het synchroniseren van frequente updates in realtime gegevensstromen moeten worden overwogen om de meest betrouwbare voorspellingsresultaten in een implementatie te verkrijgen. Aangezien de eerste ontwikkeling van de risicocalculator gebaseerd was op retrospectieve cohortgegevens, is het bovendien niet bekend of deze kan worden gebruikt in een real-time gegevensstroom die typerend is voor een klinische omgeving in de echte wereld. Een andere uitdaging is ervoor te zorgen dat relevante clinici de aanbevelingen ontvangen die door de risicocalculator worden gegenereerd binnen een passend tijdsbestek en binnen een gedeeld en geaccepteerd communicatietraject.

Om deze beperkingen te overwinnen, hebben we een haalbaarheidsimplementatiestudie afgerond met behulp van de geïndividualiseerde transdiagnostische risicocalculator. De studie omvatte twee fasen: een in vitro fase die werd uitgevoerd met behulp van gegevens van het lokale EPD, zonder contact op te nemen met clinici of patiënten, en een in vivo fase, waarbij direct contact met clinici betrokken was. De in vitro fase had twee vele doelstellingen: i) het aanpakken van uitvoeringsbarrières volgens het Geconsolideerde Kader voor Implementatieonderzoek (CFIR)²⁷ en ii) om de transdiagnostische risicocalculator in het lokale EPD te integreren. De implementatiebarrières omvatten de mededeling van risicoresultaten aan clinici. In SLaM worden alle patiënten uitgenodigd om zich in te schrijven voor Consent for Contact (C4C), waaruit blijkt dat zij bereid zijn om gecontacteerd te worden voor onderzoek, zonder dat dit de kwaliteit van de zorg aantast. Dit vermindert de ethische kwesties met betrekking tot het contact met patiënten. Daarnaast hebben werkgroepen met clinici geholpen bij het op maat maken van de manier waarop deze informatie werd gecommuniceerd. Tijdens de in vivo fase (14 mei 2018 tot 29 april 2019) kregen alle personen (i) ouder dan 14 jaar (ii) die toegang hadden tot een SLaM-dienst (wijken Lambeth, Southwark, Lewisham, Croydon), (iii) een eerste ICD-10-index primaire diagnose van een niet-organische, niet-psychotische stoornis (met uitzondering van acute en voorbijgaande psychotische stoornissen; ATPD), of een CHR-P-aanduiding en (iv) met bestaande contactgegevens werden als subsidiabel beschouwd. Tijdens de in vivo fase werden nieuwe patiënten die elke week toegang hadden tot SLaM automatisch gescreend op hun psychoserisico, en werden patiënten met een risico dat groter is dan een bepaalde drempel gedetecteerd. Het onderzoeksteam nam vervolgens contact op met de verantwoordelijke artsen van de patiënten om verdere aanbevelingen te bespreken en stelde uiteindelijk een verdere face-to-face assessment^{voor 6}. Indien de beoordeelde werden geacht te voldoen aan de CHR-P-criteria, werden zij doorverwezen naar gespecialiseerde CHR-P-diensten, zoals Outreach en Support in South London (OASIS)²⁸. Dit zou resulteren in een betere detectie van personen voorafgaand aan het begin van een psychotische stoornis en bieden een belangrijke kans voor het veranderen van het verloop van de aandoening. Cruciaal is dat deze haalbaarheidsstudie de volledige integratie van de rekenmachine in het lokale EPD-systeem omvatte, dat het onderwerp is van het huidige artikel. Het volledige protocol van deze haalbaarheidsstudie, inclusief een overzicht van het plan voor de evaluatie van het voorgestelde onderzoek, details over het beheer van gegevensbeveiliging en ethische kwesties, is gepresenteerd in ons vorige werk⁶. Het huidige artikel, als onderdeel van de haalbaarheidsstudie^6,richt zich selectief op de presentatie van de technische implementatie van een real-time psychoserisicodetectie- en waarschuwingssysteem op basis van de lokale EPD-gegevens. Meer in het bijzonder is het doel van deze studie om de technische haalbaarheid van deze risicocalculator te onderzoeken in het tijdig opsporen van risicopatiënten zodra ze toegang hebben tot een secundaire ggz. De volledige resultaten van de haalbaarheidsstudie, in termen van naleving van de aanbevelingen van de risicocalculator, zullen afzonderlijk worden gepresenteerd. Een uitgebreide evaluatie van de effectiviteit van het voorgestelde onderzoek, dat gerandomiseerde ontwerpen vereist, valt buiten het toepassingsgebied van het huidige onderzoeksprogramma. Voor zover wij weten, is dit de eerste methode die de implementatie van een risicocalculator beschrijft op basis van live EPD-gegevens voor vroegtijdige detectie van psychose.

Onze benadering van psychose risico detectie en waarschuwingen maakt gebruik van de CogStack platform. De CogStack platform is een lichtgewicht, gedistribueerde, en fout-tolerante informatie ophalen en tekst-extractie platform²⁴. Dit platform bestaat uit drie belangrijke componenten: 1) de CogStack Pipeline die het Java Spring Batch-framework gebruikt om gegevens uit een vooraf gedefinieerde gegevensbron (zowel gestructureerde als ongestructureerde EPD-gegevens in meerdere formaten zoals Word, PDF-bestanden en afbeeldingen) in realtime in te nemen en te synchroniseren; 2) Elasticsearch, een zoekmachine die het mogelijk maakt de volledige tekst van EPD-gegevens op te slaan en op te vragen, evenals het verstrekken van verschillende application programming interfaces (API’s) om geavanceerde analyses in de engine in te bedden; en 3) Kibana, een interactieve, webgebaseerde gebruikersinterface waarmee gebruikers gegevens in Elasticsearch kunnen opvragen, visualisatiedashboards kunnen bouwen en waarschuwingen kunnen instellen over afwijkingen of andere interessepatronen van gegevens. Bovendien bevat CogStack de mogelijkheid om clinici te waarschuwen voor mogelijke problemen via e-mail en sms (tekst), waardoor clinici tijdig meldingen kunnen ontvangen over risicopatiënten die door de risicocalculator worden gerapporteerd.

We presenteren een model van psychose risico detectie en waarschuwingen op basis van ePJS op SLaM, gebruik te maken van de CogStack platform. In vergelijking met het CRIS-platform dat wekelijks toegang biedt tot ongeïdentificeerde medische dossiers van ePJS^19,biedt het CogStack-platform bij SLaM toegang tot een identificeerbare EPD in realtime, waardoor de waarschuwing dichter bij de point-of-care en de risicovoorspelling in een prospectief ontwerp komt, hoewel zowel de CRIS- als de CogStack-platforms gegevens van ePJS in SLaM gebruiken. In de sectie die volgt, geven we details van de belangrijkste stappen in onze aanpak, waaronder het voorbereiden van brongegevens van het EPD, het opnemen van de brongegevens in het CogStack-platform om full-text zoeken via Elasticsearch mogelijk te maken, de psychoserisicocalculator uit te voeren met behulp van een Python daemon-thread en interactieve visualisaties en realtime risicowaarschuwingen in te stellen via de Kibana-gebruikersinterface. Elke onderzoeker die streeft naar een real-time risicodetectie- en waarschuwingssysteem op basis van EPD-gegevens, kan de aanpak en de referentie-implementatie volgen. Zoals we hieronder zullen uitwerken, maakt de voorgestelde methode gebruik van open-source, lichtgewicht technieken met een hoge flexibiliteit en draagbaarheid. Hierdoor kan de risicocalculator op verschillende locaties worden uitgevoerd en wordt een hoge toepasbaarheid weergegeven op andere risicoschattingsalgoritmen. Bovendien werkt de methode als een eenvoudige aanpak om de risicodetectie- en waarschuwingsfunctionaliteiten van een EPD die is ingebed in een algemeen gezondheidszorgsysteem te verbeteren.