Implementierung eines Echtzeit-Psychose-Risikoerkennungs- und -war-Systems basierend auf elektronischen Gesundheitsakten mit CogStack

Psychotische Störungen sind schwere psychische Erkrankungen, die zu Schwierigkeiten bei der Unterscheidung zwischen der inneren Erfahrung des Geistes und der äußeren Realität der Umwelt^{führen 1}, sowie ein überdurchschnittliches Risiko für Selbstverletzung und Selbstmord². Bei der Standardversorgung führen diese Störungen zu erheblichen Auswirkungen auf die öffentliche Gesundheit und belasten Einzelpersonen, Familien und Gesellschaften weltweit^{erheblich 3}. Frühe Eingriffe in Psychosen können die Ergebnisse dieser psychischen Störung verbessern⁴. Insbesondere die Erkennung, prognostische Beurteilung und präventive Behandlung von Personen, die ein klinisches hohes Risiko für die Entwicklung von Psychosen (CHR-P)⁵ haben, bieten ein einzigartiges Potenzial, den Verlauf der Erkrankung zu verändern und dadurch die Lebensqualität vieler Menschen und ihrer Familien zu verbessern^3,6. CHR-P-Personen sind hilfesuchende junge Menschen mit abgeschwächten Symptomen und funktioneller Beeinträchtigung^7:Ihr Risiko, eine Psychose zu entwickeln, beträgt 20% bei 2 Jahren^8, aber es ist höher in einigen spezifischen Untergruppen^9,10. Trotz einiger erheblicher Fortschritte ist die Wirkung präventiver Ansätze in der klinischen Routinepraxis durch die Fähigkeit begrenzt, die meisten Personen zu erkennen, die gefährdet sind¹¹. Aktuelle Nachweismethoden basieren auf hilfesuchenden Verhaltensweisen und Überweisungen bei Verdacht auf Psychose-Risiko; Diese Methoden sind bei der Handhabung einer großen Anzahl von Proben in hohem Maße ineffizient¹¹. Somit ist die Skalierbarkeit der aktuellen Nachweismethoden für die überwiegende Mehrheit der gefährdeten Bevölkerung ziemlich begrenzt¹². Tatsächlich können nur 5 % (standalone spezialisierte Früherkennungsdienste) bis 12 % (Jugendpsychiatrische Dienste) von Personen, die Gefahr laufen, eine erste psychotische Störung zu entwickeln, zum Zeitpunkt ihrer Risikostufe durch die aktuellen^{Erkennungsstrategien}6 erkannt werden.

Um den klinischen Nutzen der präventiven Ansätze bei einer größeren Anzahl von Risikopersonen zu erweitern, haben wir eine automatisierte, lebenslange (d. h. über alle Altersgruppen hinweg) transdiagnostische (d. h. über verschiedene Diagnosen hinweg)^{13 ,}klinisch basierte individualisierte Risikorechner, entwickelt, die Personen, die ein Psychosenrisiko in der sekundären psychischen Gesundheitsversorgung in großem Maßstab aufweisen, über die, die die CHR-P-Kriterien erfüllen, erkennen^können. Dieser Risikorechner verwendete ein Cox Proportional Hazard Modell, um das Risiko der Entwicklung einer psychotischen Störung über sechs Jahre aus fünf routinemäßig gesammelten klinischen Variablen vorherzusagen, die a priori ausgewählt wurden, in Übereinstimmung mit den methodischen Richtlinien^15:Alter, Geschlecht, ethnische Zugehörigkeit, Alter für Geschlecht und primäre Indexdiagnose. Diese klinischen Variablen wurden auf der Grundlage von vornherein gewonnenen Erkenntnissen aus Metaanalysen^16,17ausgewählt, wie in den modernsten methodischen Leitlinien¹⁵empfohlen. Die Anzahl der Prädiktoren ist begrenzt, um das Verhältnis Ereignis pro Variable beizubehalten und überpassende Verzerrungen zu minimieren. Einschließlich zu vieler Variablen ohne a priori Filter führt zu Überanpassungsproblemen und schlechter prognostischer Genauigkeit¹⁸. Die Methode, die zur Entwicklung dieses Modells verwendet wird, bietet eine ähnliche prognostische Genauigkeit wie die methoden des automatischen maschinellen Lernens¹⁸. Die Parameter des Cox-Modells wurden auf der Grundlage einer retrospektiven, nicht identifizierten Kohorte des South London and Maudsley National Health Service Foundation Trust (SLaM)¹⁹geschätzt. SLaM ist ein National Health Service (NHS) mental Health Trust, der einer Bevölkerung von 1,36 Millionen Menschen in Süd-London (Lambeth, Southwark, Lewisham und Croydon Boroughs) sekundäre psychische Gesundheitsversorgung bietet und eine der höchsten registrierten Psychosenraten der Welt^{hat 20}. Alle bei der Modellentwicklung verwendeten Daten wurden der Clinical Record Interactive Search (CRIS) Plattform entnommen, einem digitalen Fallregistersystem, das Forschern einen retrospektiven Zugriff und eine Analyse anonymisierter klinischer Aufzeichnungen bietet¹⁹. Die klinischen Informationen in CRIS werden aus einem maßgeschneiderten Electronic Health Record (EHR) System bei SLaM extrahiert, dem so genannten elektronischen Patient Journey System (ePJS). SLaM ist papierfrei und ePJS stellt die Standard-Datenerfassungsplattform für die klinische Routine dar. So nutzt der transdiagnostische Risikorechner EHRs und hat das Potenzial, große EHRs von Patienten, die Zugang zu sekundärer psychischer Gesundheitsversorgung haben, automatisch zu überprüfen, um diejenigen zu erkennen, die möglicherweise einem Psychoserisiko ausgesetzt sind. Der Algorithmus dieses transdiagnostischen Risikorechners wurde bereits veröffentlicht^6,14,21. Der transdiagnostische Risikorechner wurde extern in zwei NHS Foundation Trusts^14,21 und optimiert²²validiert, was seine angemessene prognostische Leistung und Verallgemeinerbarkeit über verschiedene Populationen hinweg demonstriert.

Gemäß den methodischen Richtlinien zur Entwicklung eines Risikovorhersagemodells^15,23ist der nächste Schritt nach der Modellentwicklung und Validierung die Implementierung des Vorhersagemodells in der klinischen Routinepraxis. Implementierungsstudien gehen in der Regel Pilot- oder Machbarkeitsstudien voraus, die potenzielle pragmatische Einschränkungen im Zusammenhang mit der Verwendung von Risikoalgorithmen in der klinischen Praxis angehen. Beispielsweise sind die erforderlichen Daten für die Ausführung eines Rechners, wie Alter, Geschlecht und ethnische Zugehörigkeit, zum Zeitpunkt der Diagnose möglicherweise nicht verfügbar oder später aktualisiert. Effektive Methoden zum Umgang mit fehlenden Daten und zum Synchronisieren häufiger Aktualisierungen in Echtzeitdatenströmen sollten in Betracht gezogen werden, um die zuverlässigsten Vorhersageergebnisse in einer Implementierung zu erzielen. Da die anfängliche Entwicklung des Risikorechners auf retrospektiven Kohortendaten beruhte, ist nicht bekannt, ob er in einem Echtzeit-Datenstrom verwendet werden kann, der typisch für eine reale klinische Umgebung ist. Eine weitere Herausforderung besteht darin, sicherzustellen, dass die relevanten Ärzte die vom Risikorechner generierten Empfehlungen innerhalb eines angemessenen Zeitrahmens und innerhalb eines gemeinsamen und akzeptierten Kommunikationsweges erhalten.

Um diese Einschränkungen zu überwinden, haben wir eine Machbarkeits-Implementierungsstudie mit dem individualisierten transdiagnostischen Risikorechner abgeschlossen. Die Studie umfasste zwei Phasen: eine In-vitro-Phase, die mit Daten der lokalen EHR durchgeführt wurde, ohne Kontakt zu Ärzten oder Patienten, und eine In-vivo-Phase, die direkten Kontakt mit Ärzten beinhaltete. Die In-vitro-Phase hatte zwei vielfältige Ziele: (i) Die Umsetzungsbarrieren gemäß dem Konsolidierten Rahmen für die Durchführungsforschung (CFIR)²⁷ zu beseitigen und (ii) den transdiagnostischen Risikorechner in die lokale EHR zu integrieren. Zu den Umsetzungshindernissen gehörte die Kommunikation von Risikoergebnissen an Die Ärzte. In SLaM sind alle Patienten eingeladen, sich für die Zustimmung für Contact (C4C) anzumelden, was ihre Bereitschaft signalisiert, für Die Forschung kontaktiert zu werden, ohne die Qualität der Versorgung zu beeinträchtigen. Dies reduziert die ethischen Fragen im Zusammenhang mit der Kontaktaufnahme mit Patienten. Darüber hinaus halfen Arbeitsgruppen mit Ärzten bei der Anpassung dieser Informationen. Während der In-vivo-Phase (14. Mai 2018 bis 29. April 2019) erhielten alle Personen (i) älter als 14 Jahre (ii), die Zugang zu einem SLaM-Dienst hatten (Bezirke Lambeth, Southwark, Lewisham, Croydon), (iii) eine erste primäre ICD-10-Index-Primärdiagnose für nicht-organische, nicht-psychotische psychische Störungen (mit Ausnahme von akuten und transienten Psychotikerkrankungen; ATPD) oder eine CHR-P-Bezeichnung und (iv) mit bestehenden Kontaktdaten als förderfähig eingestuft. Während der In-vivo-Phase wurden neue Patienten, die jede Woche auf SLaM zugreifen, automatisch auf ihr Psychoserisiko untersucht, und diejenigen, deren Risiko größer als eine bestimmte Schwelle ist, wurden entdeckt. Das Forschungsteam kontaktierte daraufhin die verantwortlichen Kliniker der Patienten, um weitere Empfehlungen zu besprechen und schließlich eine weitere Face-to-Face-Bewertung^{vorzuschlagen 6}. Wenn davon ausgegangen wurde, dass die bewerteten Personen die CHR-P-Kriterien erfüllten, wurden sie an spezialisierte CHR-P-Dienste wie Outreach and Support in South London (OASIS)²⁸verwiesen. Dies würde zu einer verbesserten Erkennung von Personen vor dem Beginn einer psychotischen Störung führen und eine signifikante Gelegenheit bieten, den Verlauf der Erkrankung zu verändern. Entscheidend ist, dass diese Machbarkeitsstudie die vollständige Integration des Rechners in das lokale EHR-System beinhaltete, was das Thema des aktuellen Artikels ist. Das vollständige Protokoll dieser Durchführbarkeitsstudie, einschließlich eines Überblicks über den Plan zur Bewertung der vorgeschlagenen Forschung, Einzelheiten zum Management der Datensicherheit und ethische Fragen, wurde in unserer vorherigen Arbeit⁶vorgestellt. Der aktuelle Artikel im Rahmen der Machbarkeitsstudie⁶konzentriert sich selektiv auf die Darstellung der technischen Umsetzung eines Echtzeit-Psychose-Risikoerkennungs- und -alarmsystems auf Basis der lokalen EHR-Daten. Ziel dieser Studie ist es insbesondere, die technische Durchführbarkeit dieses Risikorechners zu untersuchen, um Risikopatienten rechtzeitig zu erkennen, sobald sie Zugang zu einem sekundären psychiatrischen Dienst haben. Die vollständigen Ergebnisse der Machbarkeitsstudie, in Bezug auf die Einhaltung der Empfehlungen des Risikorechners durch die Ärzte, werden gesondert vorgestellt. Eine umfassende Bewertung der Wirksamkeit der vorgeschlagenen Forschung, die randomisierte Entwürfe erfordert, fällt nicht in den Rahmen des aktuellen Forschungsprogramms. Nach bestem Wissen und Gewissen ist dies die erste Methode, die die Implementierung eines Risikorechners auf Basis von Live-EHR-Daten zur Früherkennung von Psychosen beschreibt.

Unser Ansatz zur Erkennung und Alarmierung von Psychosenrisiken nutzt die CogStack-Plattform. Die CogStack-Plattform ist eine leichte, verteilte und fehlertolerante Informationsabruf- und Textextraktionsplattform²⁴. Diese Plattform besteht aus drei Schlüsselkomponenten: 1) der CogStack-Pipeline, die das Java Spring Batch-Framework verwendet, um Daten aus einer vordefinierten Datenquelle (sowohl strukturierte als auch unstrukturierte EHR-Daten in mehreren Formaten wie Word, PDF-Dateien und Bilder) in eine vordefinierte Datensenke in Echtzeit aufzunehmen und zu synchronisieren. 2) Elasticsearch, eine Suchmaschine, die die Speicherung und Abfrage des vollständigen Textes von EHR-Daten ermöglicht, sowie die Bereitstellung verschiedener APIs (Application Programming Interfaces) zur Einbettung erweiterter Analysen in die Engine; und 3) Kibana, eine interaktive, webbasierte Benutzeroberfläche, die es Benutzern ermöglicht, Daten in Elasticsearch abzufragen, Visualisierungs-Dashboards zu erstellen und Warnungen bei Anomalien oder anderen Mustern von Interesse aus Daten zu setzen. Darüber hinaus beinhaltet CogStack die Möglichkeit, Ärzte per E-Mail und SMS (Text) auf potenzielle Probleme aufmerksam zu machen, sodass Ärzte rechtzeitig Benachrichtigungen über Risikopatienten erhalten können, die vom Risikorechner gemeldet werden.

Wir präsentieren ein Modell der Psychose-Risikoerkennung und -warnung auf Basis von ePJS bei SLaM und nutzen die CogStack-Plattform. Im Vergleich zur CRIS-Plattform, die einen Mechanismus für den rückwirkenden Zugriff auf nicht identifizierte Gesundheitsdatensätze von ePJS auf wöchentlicher Basis¹⁹bietet, ermöglicht die CogStack-Plattform bei SLaM den Zugriff auf eine identifizierbare EHR in Echtzeit, wodurch die Warnung näher an den Point-of-Care und die Risikovorhersage in einem prospektiven Entwurf heranrückt, obwohl sowohl die CRIS- als auch die CogStack-Plattformen Daten verwenden, die von ePJS in SLaM stammen. Im folgenden Abschnitt stellen wir Details zu den wichtigsten Schritten unseres Ansatzes bereit, einschließlich der Vorbereitung von Quelldaten aus der EHR, der Aufnahme der Quelldaten in die CogStack-Plattform, um die Volltextsuche über Elasticsearch zu ermöglichen, der Ausführung des Psychose-Risikorechners mithilfe eines Python-Daemon-Threads und dem Festlegen interaktiver Visualisierungen und Echtzeit-Risikowarnungen über die Kibana-Benutzeroberfläche. Jeder Forscher, der ein Risikoerkennungs- und Alarmsystem in Echtzeit auf der Grundlage von EHR-Daten aufbauen möchte, kann dem Ansatz und seiner Referenzimplementierung folgen. Wie wir im Folgenden näher erläutern werden, nutzt die vorgeschlagene Methode Open-Source-, Leichtbautechniken mit hoher Flexibilität und Portabilität. Dies ermöglicht die Ausführung des Risikorechners an verschiedenen Standorten und zeigt eine hohe Anwendbarkeit auf andere Risikoabschätzungsalgorithmen. Darüber hinaus arbeitet die Methode als einfacher Ansatz, um die Risikoerkennungs- und Alarmfunktionen eines EHR zu verbessern, das in ein allgemeines Gesundheitssystem eingebettet ist.