JoVE Journal > Behavior
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
עברית

Automatically Generated
Please note that all translations are automatically generated. Click here for the English version.
Behavior

יישום של מערכת לגילוי סיכונים בזמן אמת והתראות על בסיס רשומות בריאות אלקטרוניות באמצעות CogStack

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

אנו מדגימים כיצד לפרוס בזמן אמת מחלת הנפש החישוב והתראות מערכת מבוסס על CogStack, אחזור מידע ופלטפורמת החילוץ עבור רשומות בריאות אלקטרונית.

Abstract

מחקרים שנעשו לאחרונה הראו כי מחשבון הסיכון האוטומטי, החיים כולל, המבוסס על העברה, ומבוסס קלינית, מערכת הסיכונים האישית, מספק שיטה רבת עוצמה לתמיכה בגילוי מוקדם של אנשים בסיכון של פסיכוזה בקנה מידה גדול, על ידי מינוף רשומות בריאות אלקטרוניות (EHRs). מחשבון סיכון זה אומת באופן חיצוני פעמיים והוא עובר בדיקות היתכנות ליישום קליני. שילוב של מחשבון סיכון זה בשגרה קלינית יש להקל על ידי מחקרי היתכנות פוטנציאליים, אשר נדרשים לטפל באתגרים פרגמטיים, כגון נתונים חסרים, ואת השימושיות של מחשבון הסיכון הזה בסביבה קלינית שגרתית בעולם האמיתי. כאן, אנו מציגים גישה ליישום פוטנציאלי של שירות הפרעה בזמן אמת לאיתור והתראות על שרות במערכת EHR בעולם האמיתי. שיטה זו ממנפת את פלטפורמת CogStack, שהיא מערכת לאחזור מידע, משקל קל ומבוזר ומערכות מיצוי טקסט. פלטפורמת CogStack משלבת ערכה של שירותים המאפשרים חיפוש טקסט מלא של נתונים קליניים, תוחלת חיים כולל, חישוב בזמן אמת של סיכון פסיכוזה, הסיכון המוקדם להתריע לרופאים, ואת ניטור חזותי של חולים לאורך זמן. השיטה שלנו כוללת: 1) בליעה וסנכרון של נתונים ממקורות מרובים לתוך פלטפורמת CogStack, 2) יישום של מחשבון סיכון, שאלגוריתם שפותחה בעבר ואומת, לחישוב הזמן של הסיכון של החולה של פסיכוזה, 3) יצירת פריטים חזותיים אינטראקטיביים ולוחות מחוונים לפקח על מצב הבריאות של החולים לאורך זמן, ו 4) בניית מערכות התראות אוטומטיות כדי להבטיח כי רופאים הם הודעה על חולים בסיכון , כך שניתן יהיה לרדוף אחר פעולות מתאימות. זהו המחקר הראשון אי פעם שפיתח ויישמה מערכת איתור והתראות דומות בשגרה קלינית לגילוי מוקדם של פסיכוזה.

Introduction

הפרעות פסיכוטיות הן מחלות נפשיות חמורות המובילות לקשיים בהבחנה בין החוויה הפנימית של הנפש לבין המציאות החיצונית של הסביבה1, כמו גם סיכון גבוה מהממוצע לפגיעה עצמית והתאבדות2. תחת טיפול סטנדרטי, הפרעות אלה משפיעות על השפעה בריאות הציבור הגדול עם נטל משמעותי בריאות וכלכלי על יחידים, משפחות וחברות ברחבי העולם3. התערבויות מוקדמות בפסיכוזה יכולות לשפר את התוצאות של הפרעה נפשית זו4. במיוחד, איתור, הערכה תחזיות וטיפול מניעתי של אנשים הנמצאים בסיכון גבוה לפיתוח פסיכוזה (CHR-P)5 מספק פוטנציאל ייחודי לשנות את מהלך ההפרעה, ובכך לשפר את איכות החיים עבור אנשים רבים ומשפחותיהם3,6. CHR-P אנשים מחפשים עזרה לצעירים המציגים סימפטומים החליש וליקוי פונקציונלי7: הסיכון שלהם לפתח פסיכוזה הוא 20% ב 2-שנים8 אבל זה גבוה יותר בקבוצות מסוימות ספציפיות9,10. למרות כמה התפתחויות משמעותיות, ההשפעה של גישות מניעתי בפרקטיקה הקלינית שגרתית מוגבלת על ידי היכולת לזהות את רוב האנשים הנמצאים בסיכון11. שיטות האיתור הנוכחיות מבוססות על התנהגויות מחפשות עזרה והפניות בחשד לסיכוני פסיכוזה; שיטות אלה אינן יעילות במיוחד בטיפול במספר רב של דגימות11. לפיכך, המדרגיות של שיטות האיתור הנוכחיות לרוב המכריע של האוכלוסייה בסיכון הוא מוגבל למדי12. למעשה, רק 5% (עצמאי המתמחה שירותי גילוי מוקדם) עד 12% (שירותי בריאות הנפש הצעיר) של אנשים בסיכון לפתח הפרעת פסיכוטי הראשון ניתן לזהות בזמן השלב בסיכון שלהם על ידי אסטרטגיות הזיהוי הנוכחי6.

כדי להאריך את היתרונות הקליניים של גישות המניעה במספר גדול יותר של אנשים בסיכון, פיתחנו אוטומטי, תוחלת חיים כולל (כלומר, בכל הגילאים), transאבחונית (כלומר, על פני אבחנות שונות)13, קליניות מבוססי מחשבון סיכון אישי, אשר יכול לזהות אנשים בסיכון של פסיכוזה בטיפול משני בריאות הנפש בקנה מידה, מעבר לפגישה הזאת CHR-P קריטריונים14. מחשבון סיכון זה השתמשו מודל קוקס ביחס הסיכון כדי לנבא את הסכנה לפתח הפרעה פסיכוטית לאורך שש שנים מחמישה משתנים קליניים שנאספו באופן שגרתי נבחר פריורי, בשורה עם הנחיות מתודולוגי15: גיל, מין, מוצא אתני, גיל על-ידי-מין ואבחון המדד העיקרי. משתנים קליניים אלה נבחרו על בסיס ידע מפריורי המתקבל מטא ניתוחים16,17, כפי שמומלץ על ידי הנחיות מתודולוגיים המדינה-of-the-art15. מספר הפרקטורים מוגבל כדי לשמור על יחס אירוע לכל משתנה ולמזער את ההטיות בהתאמה יתר; כולל משתנים רבים מדי ללא מסנן פריורי מוביל בעיות יתר ודיוק התחזיות המסכן18. השיטה המשמשת לפיתוח מודל זה מספקת דיוק דומה של התחזיות לשיטות למידה אוטומטית של מחשב18. הפרמטרים של המודל קוקס הוערך בהתבסס על מערכת רטרוספקטיבית מזוהה מדרום לונדון הלאומי מאונסלי שירות בריאות קרן אמון (סלאם)19. סלאם הינה שירות בריאות הנפש (ביטוח לאומי), המספק שירותי בריאות נפש משניים לאוכלוסייה של 1,360,000 אנשים בדרום לונדון (למבת ‘, סאת’ק, לואישם וקרוידון), והוא בעל אחד משיעורי הפסיכוזה הגבוהים ביותר בעולם20. כל הנתונים המשמשים את הפיתוח המודל חולצו מן פלטפורמת הרישום הקליני לחיפוש אינטראקטיבי (כריס), מערכת רישום של מקרה דיגיטלי, אשר מספק לחוקרים גישה רטרוספקטיבי וניתוח של רשומות קליניות מסוג an,19. המידע הקליני בתוך כריס מופק ממערכת העידו אלקטרונית רשומה (EHR) מערכת, ב סלאם, נקרא מערכת הנסיעה האלקטרונית החולה (ePJS). סלאם הוא ללא נייר ו-ePJS מייצג את פלטפורמת איסוף הנתונים הסטנדרטיים עבור שגרה קלינית. לפיכך, מחשבון הסיכון הטרנסאבחוני ממנף את EHRs ויש לו את הפוטנציאל למסך באופן אוטומטי EHRs גדול של חולים הניגשים לטיפול רפואי משני, כדי לזהות את אלה שעלולים להיות בסיכון של פסיכוזה. האלגוריתם של מחשבון מעבר זה לאבחון העברה פורסם בפרקים הקודמים6,14,21. מחשבון הסיכון של העברת האבחון מאומת בשתי הקרנות נאמנות14,21 וממוטבת22, הדגמת ביצועי התחזיות הנאותים והיכולת הגנריות שלו על פני אוכלוסיות שונות.

על פי הנחיות מתודולוגי על פיתוח מודל חיזוי סיכון15,23, השלב הבא לאחר פיתוח המודל והאימות הוא ליישם את מודל חיזוי בפרקטיקה קלינית שגרתית. לימודי היישום מופיעים בדרך כלל במחקרים של פיילוט או היתכנות המשתמשים במגבלות מעשיות פוטנציאליות הקשורות לשימוש באלגוריתמי הסיכון בפרקטיקה הקלינית. לדוגמה, ייתכן שנתונים נדרשים להפעלת מחשבון, כגון גיל, מין ומוצא אתני, לא יהיו זמינים בתאריך האבחון או יעודכנו במועד מאוחר יותר. שיטות אפקטיביות לטיפול בנתונים חסרים וסנכרון עדכונים תכופים בזרמי נתונים בזמן אמת צריכים להיחשב להשגת החיזוי האמין ביותר בהטמעה. יתרה מזאת, כיוון שההתפתחות הראשונית של מחשבון הסיכון התבססה על נתוני רטרוספקטיבה, לא ידוע אם ניתן להשתמש בו בזרם נתונים בזמן אמת האופייני לסביבה קלינית בעולם האמיתי. אתגר נוסף הוא להבטיח כי קלינאים רלוונטיים לקבל את ההמלצות שנוצרו על ידי מחשבון הסיכון בתוך מסגרת הזמן המתאים בתוך מסלול תקשורת משותפת ומקובלת.

כדי להתגבר על מגבלות אלה, השלמנו מחקר יישום היתכנות העסקת מחשבון הסיכון של האבחון העצמי. המחקר כלל שני שלבים: בשלב מתורבת שנערך באמצעות נתונים מתוך EHR המקומי, בלי ליצור קשר עם קלינאים או חולים, ו בשלב vivo, אשר מעורב במגע ישיר עם מטפלים. בשלב החוץ-מתורבת היו שני מטרות משולבות: (i) כדי לטפל במחסומים היישום על פי המסגרת המאוחדים לחקר היישום (CFIR)27 ו (ii) כדי לשלב את מחשבון הסיכון לאבחון העברה לתוך ehr המקומי. מחסומי יישום כללו את התקשורת של תוצאות הסיכון לרופאים. ב טריקה, כל המטופלים מוזמנים להירשם הסכמה לאיש קשר (C4C), אשר מציין את נכונותם להיות קשר למחקר, מבלי להשפיע על איכות הטיפול. פעולה זו מקטינה את הסוגיות האתיות הנוגעות ליצירת קשר עם מטופלים. בנוסף לכך, קבוצות עבודה עם מטפלים סייעו באופן הפעולה של מידע זה. במהלך השלב הvivo (14 במאי 2018 עד ה -29 באפריל 2019) כל האנשים (אני) מבוגר יותר 14 שנים (ii) שהיו גישה כל שירות סלאם (רובעי למבת, סאת’ק, לואישאם, קרוידון), (iii) מקבל הראשונה ICD-10 מדד האבחנה הראשונית של כל שאינו אורגני, הפרעה נפשית שאינה פסיכוטית (למעט הפרעות פסיכוטיות חריפה וארעית; ATPD), או ייעוד CHR-P ו-(iv) עם פרטי קשר קיימים, נחשבו כזכאים. במהלך השלב vivo, חולים חדשים גישה טריקה בכל שבוע הוקרן באופן אוטומטי על הסיכון הפסיכוזה שלהם, ואת אלה עם סיכון גדול יותר מסף מסוים זוהו. צוות המחקר יצר קשר עם החולים ‘ רופאים אחראים כדי לדון המלצות נוספות ובסופו של דבר להציע פנים נוספות להערכת הפנים6. אם המוערך הללו נחשבו לקריטריון CHR-P, הם התייחסו לשירותי CHR-P מומחים, כגון סיוע ותמיכה בדרום לונדון (אואזיס)28. זה יגרום לגילוי משופר של אנשים לפני תחילתה של הפרעה פסיכוטית ולספק הזדמנות משמעותית לשנות את מהלך ההפרעה. באופן מכריע, זה מחקר היתכנות מעורב שילוב מלא של המחשבון לתוך מערכת EHR המקומי, שהוא הנושא של המאמר הנוכחי. הפרוטוקול המלא של מחקר זה היתכנות, כולל סקירה של התוכנית להערכת המחקר המוצע, פרטים על ניהול אבטחת נתונים וסוגיות אתיות, הוצגה בעבודה הקודמת שלנו6. המאמר הנוכחי, כחלק ממחקר הכדאיות6, מתמקד באופן סלקטיבי בהצגת היישום הטכני של מערכת לגילוי סיכונים בזמן אמת והתראות המבוססות על נתוני ehr המקומיים. באופן ספציפי יותר, מטרת מחקר זה היא לחקור את הכדאיות הטכנית של מחשבון סיכון זה בזמן זיהוי מטופלים בסיכון ברגע שהם ניגשים לשירות בריאות נפשית משנית. התוצאות המלאות של מחקר הכדאיות, מבחינת הדבקות של רופאים להמלצות שנעשו על ידי מחשבון הסיכון, יוצגו בנפרד. הערכה מקיפה של האפקטיביות של המחקר המוצע, אשר דורש עיצובים אקראיים, הוא מחוץ לטווח של תוכנית המחקר הנוכחי. למיטב ידיעתנו, זוהי השיטה הראשונה המתארת את יישום מחשבון הסיכון המבוסס על נתוני EHR חיים לגילוי מוקדם של פסיכוזה.

הגישה שלנו לזיהוי פסיכוזה והתראות סיכון מנצלת את פלטפורמת CogStack. פלטפורמת CogStack היא משקל קל, מבוזר, ועמידה בפני תקלות במידע ובפלטפורמת חילוץ טקסט24. פלטפורמה זו מורכבת משלושה מרכיבים מרכזיים: 1) צינור CogStack המשתמשת במסגרת אצוות האביב של Java לבלוע ולסנכרן נתונים ממקור נתונים מוגדר מראש (הן נתוני EHR מובנים ולא מובנים בפורמטים מרובים כגון Word, קבצי PDF ותמונות) לכיור נתונים מוגדר מראש בזמן אמת; 2) elasticsearch, מנוע חיפוש המאפשר אחסון וביצוע שאילתות על הטקסט המלא של נתוני EHR, כמו גם מתן ממשקי תיכנות יישומים שונים (Api) כדי להטביע ניתוח מתקדם לתוך המנוע; ו-3) Kibana, ממשק משתמש אינטראקטיבי, מבוסס אינטרנט המאפשר למשתמשים לבצע שאילתה על נתונים באלאסטיהחיפוש, לבנות לוחות מחוונים חזותיים ולהגדיר התראות על חריגות או דפוסי עניין אחרים מהנתונים. יתר על כן, CogStack משלבת את היכולת להתריע רופאים לבעיות פוטנציאליות על ידי דוא ל ו-SMS (טקסט), המאפשר לרופאים לקבל הודעות בזמן על חולים בסיכון שדווחו על ידי מחשבון הסיכון.

אנו מציגים מודל של הסיכון לזיהוי פסיכוזה והתראות על בסיס ePJS ב טריקה, מינוף פלטפורמת CogStack. בהשוואה לפלטפורמת כריס המספקת מנגנון לגישה רטרוספקטיבית לרישומי בריאות שזוהו על בסיס שבועי של19, פלטפורמת cogstack ב טריקה מאפשרת גישה ehr הניתן לזיהוי בזמן אמת, להביא את התראות קרוב יותר לנקודת הטיפול ואת חיזוי הסיכון בתכנון פוטנציאליים, למרות גם כריס ו cogstack פלטפורמות להשתמש בנתונים ממקור epjs ב טריקה. בסעיף זה להלן, אנו מספקים פרטים של שלבי המפתח בגישה שלנו, כולל הכנת נתוני המקור של ehr, בליעת נתוני המקור לתוך פלטפורמת cogstack כדי לאפשר חיפוש טקסט מלא באמצעות elasticsearch, הפעלת מחשבון הסיכון לפסיכוזה באמצעות חוט daemon של פיתון, והגדרת פריטים חזותיים אינטראקטיביים בזמן אמת ה כל חוקר שמטרתו לבנות בזמן אמת מערכת זיהוי סיכונים והתראות המבוססות על נתוני EHR יכול לעקוב אחר הגישה ואת יישום ההתייחסות שלו. כפי שאנו מפורטים להלן, השיטה המוצעת מנצלת מקור פתוח, טכניקות קל משקל עם גמישות גבוהה וניידות. הדבר מאפשר למחשבון הסיכון לפעול במיקומים שונים ומציג ישימות גבוהה לאלגוריתמים אחרים של שערוך סיכונים. יתר על כן, השיטה פועלת כגישה פשוטה כדי לשפר את זיהוי סיכונים והתראות פונקציונליות של EHR מוטבע במערכת הבריאות הכללית.

Protocol

מחקר זה אושר על ידי מזרח אנגליה-קמברידג ‘ וועדת האתיקה של המחקר (מספר אסמכתא: 18/EE/0066). הערה: פיתחנו פרוטוקול זה מבוסס על פלטפורמת CogStack ואת שפת התכנות פייתון. מערכת זו דורשת Docker (יותר באופן ספציפי, Docker להלחין https://docs.docker.com/compose/), האנקונדה פיתון (https://www.anaconda.com/distribution/) ו לזוז (https://git-scm.com/downloads) מותקן מראש על המכשיר. הפקודות המופיעות בפרוטוקול זה מבוססות על סביבת לינוקס. בדוגמה הבאה, אנו מספקים את פרטי הכנת נתוני המקור ממסד נתונים של EHR, בליעת הנתונים לפלטפורמת CogStack, והגדרת חישוב סיכון בזמן אמת ומערכת התראות לפסיכוזה המבוססת על פלטפורמת CogStack. יתר על כן, גרסה מקוונת של מחשבון הסיכון פותחה כדי להקל על חישוב מספרי של ההסתברות של האדם מתפתח פסיכוזה בטיפול בריאות הנפש המשנית על http://www.psychosis-risk.net. 1. הכנת נתוני מקור הערה: ברוב מקרי השימוש, CogStack נתוני מקור הנתונים מתצוגת מסד נתונים שצוינה, היכולה לשלב נתונים מטבלה אחת או יותר של מסד נתונים של מקור, כאשר תצוגה היא אובייקט ניתן לחיפוש במסד נתונים המכיל את ערכת התוצאות של שאילתה מאוחסנת על הנתונים. הכיוונון של התצוגה הבליעת מותאם על-ידי מקרי השימוש והגדרות הפריסה הספציפיים של מערכת מסד נתונים של רשומות תקינות. פרוטוקול זה מפותח על בסיס מחשבון מחלת הפסיכוזה שפותח ואומת באופן חיצוני פעמיים על ידי fusar-Poli אל14,21 וכחלק מיישום היתכנות לימוד6. הפרוטוקול מבוסס על מסד נתונים של EHR שנפרס עם Microsoft SQL Server 2014. צור אובייקט תצוגה (הנקרא “Vwפסיכוsibase” בפרוטוקול זה) במערכת מסד נתונים קיימת של ehr כדי לצרף מידע הכרחי של חולים לחישוב סיכוני פסיכוזה והתראות. ודא כי תצוגה זו כוללת את כל המטופלים שקיבלו אבחנה ראשונית ראשונה של הפרעת נפשית שאינה אורגנית ולא פסיכוטית (נרשם על ידי הסיווג הסטטיסטי הבינלאומי של מחלות ובעיות בריאות הקשורות, המהדורה העשירית [icd-10]), כפי שהוגדר במודל המקורי14,21. ודא שכל רשומה בתצוגה כוללת שלושה סוגים של מידע אודות המטופל: 1) האבחנה הראשונית הראשונה של חולה במערכת EHR, כולל מדד האבחנה ICD-10 (אבחונים היו מקובצים יחד לעשר האשכולות הבאים: הפרעות פסיכוטיות חריפות וארעית, הפרעות חרדה, הפרעות במצב הרוח הדו, הפרעות בילדות ובגיל ההתבגרות, הפרעות התפתחותיות, הפרעות במצבי רוח דו-קוטבי, 2) הנתונים הדמוגרפיים של המטופל, כולל מין, אתניות ותאריך לידה; ו-3) מידע ההתקשרות העדכני ביותר של צוות הטיפול במטופל, כגון פרטים על תרגול כללי (GP), יועצים ומתאמי טיפול. שני סוגי המידע הראשונים הם חיוניים עבור מחשבון סיכון הפסיכוזה14,21, ואת סוג שלישי של מידע הוא לאפשר התראות סיכון מבעוד מועד. ודא שלכל רשומה בתצוגה יש מזהה ייחודי (לדוגמה, “patient_id” המשמש בפרוטוקול זה). בחר את חותמות הזמן של העדכון האחרון של כל מידע המקור הקשור לרשומה בתצוגה (לדוגמה, זמני העדכון האחרונים של המידע הדמוגרפי של המטופל ומידע האבחון הראשוני הראשון של המטופל), ובחר את החותמת העדכנית ביותר כתאריך והשעה של העדכון האחרון עבור הרשומה בתצוגהetl_updated_dttm(מ התאריך והשעה של העדכון האחרון של רשומה מאפשרים ל-CogStack לסנכרן עדכונים במסד הנתונים, כגון רשומות חדשות ומעודכנות. 2. בליעה נתונים הורד או לשכפל את מאגר הקוד מ Github (https://github.com/cogstack-slam/psychosis) או על ידי הקלדת “להוריד שיבוט https://github.com/cogstack-slam/psychosis.git” בחלון מסוף. התיקיה שהורדת מכילה את הקוד עבור חישוב סיכוני פסיכוזה וקבצי תצורה עבור פריסת מופע CogStack. עבור אל המדריך “cogstack_deploy/cogstack/” ושנה את “פסיכוזה. מאפיינים” כדי לקבוע את התצורה של צינור cogסטאק עבור בליעה נתונים. שנה את ההגדרות של מקטע “מקור: תצורות DB” בהתבסס על הגדרת מסד הנתונים ehr, כולל ציון כתובת ה-IP של שרת מסד הנתונים, שם מסד הנתונים, שם משתמש וסיסמה. שנה את שם התצוגה (כלומר “Vwpsychosisbase”) ושמות השדות (לדוגמה, “patient_id” ו-“etl_updated_dttm”) במידת הצורך. במקרה של שגיאה בהגדרת קובץ זה, בצע את ההוראות ב- https://cogstack.atlassian.net/wiki/spaces/COGDOC/pages/38043684/Quickstart. עבור אל הספריה “cogstack_deploy/common/elasticsearch/config/” ולשנות את המקטע “xpack. הודעה. דוא ל. חשבון” בקובץ “elasticsearch. yml” כדי לקבוע את התצורה של כתובת דואר אלקטרוני לשליחת התראות. הוראה מפורטת עבור תצורת דוא ל ניתן למצוא על https://www.elastic.co/guide/en/kibana/6.4/watcher-create-threshold-alert.html. עבור אל “cogstack_deploy/” הספריה והקלד “docker-להלחין” כדי להפעיל את פלטפורמת cogstack. בצע פקודה זו עם גישה לשורש. אם התהליך יושלם בהצלחה, יהיו יומני מצב מודפסים של השירותים הפועלים כעת, כולל קו צינור CogStack, Elasticsearch ו-Kibana, במסוף. כתוצאה מכך, כל הנתונים והעדכונים בתצוגת מסד הנתונים המהווה מקור ייאכלו בזמן לאינדקס Elasticsearch שנקרא “psychosis_base” בפלטפורמת CogStack. פתח דפדפן אינטרנט ולגשת ממשק משתמש Kibana על ידי הקלדת “http://localhost:5601/” (או החלפת “localhost” עם כתובת IP ספציפית של השרת המפעיל פלטפורמת CogStack). בפעם הראשונה שתיגש לקיבאנה, לחץ על הכרטיסיה ניהול ותבניות אינדקס כדי לציין אינדקס elasticsearch שהוא מעוניין לגשת אליו עם kinaba. הקלד “psychosis_base” בשדה “תבנית אינדקס” ולחץ על השלב הבא. בחר “etl_updated_dttm” עבור שם השדה “מסנן זמן” ולחץ על צור תבנית אינדקס כדי להוסיף את תבנית האינדקס “psychosis_base” עבור kinana. לאחר Kibana מחובר לאינדקס Elasticsearch (כלומר, “psychosis_base”), חפש ודפדף בנתוני המקור באופן אינטראקטיבי באמצעות דף “גלה”. Kibana מאפשר למשתמשים לא טכניים לחפש הן מטא-נתונים מובנים וטקסט חופשי. הוראות מפורטות של שימוש “לגלות” זמינים על https://www.elastic.co/guide/en/kibana/6.4/discover.html. 3. חישוב סיכון פתח חלון מסוף חדש ועבור לספריית “פסיכוזה/”. התקן את כל חבילות פיתון נדרש (כולל “elasticsearch”, “elasticsearch_dsl”, “פנדות” ו “numpy”) משמש מחשבון הסיכון על ידי הקלדת “conda להתקין חבילה-שם” או “פיפ התקנת חבילה-שם” בטרמינל. סוג “פיתון risk_calculator. py” כדי להפעיל את מחשבון הסיכון לפסיכוזה. אם התהליך יושלם בהצלחה, יומני חישוב הסיכון יודפסו במסוף ותוצאות הסיכון יאוחסנו באינדקס Elasticsearch חדש בשם “psychosis_risk” בתוך פלטפורמת CogStack. בדוק את תוצאות הסיכון באמצעות ממשק Kibana. בדומה לשלבים 2.5 ו-2.6, הוסף תבנית אינדקס חדשה “psychosis_risk” כדי לחבר את kinbana עם האינדקס “psychosis_risk”, ולחקור את תוצאות הסיכון דרך העמוד “לגלות”. כדי להקל על זיהוי חולים חדשים בסיכון, השתמש ב”first_primary_diagnosis_date” כשדה “מסנן הזמן” בבניית האינדקס “psychosis_risk”. בעת חקירת נתונים בעמוד “גילוי”, ודא שתבנית האינדקס “psychosis_risk” נבחרה. 4. הדמיית נתונים בנוסף חיפוש וגישה למידע ברמה האישית באמצעות דף “לגלות” ב kibana, ניתן לבנות פריטים חזותיים ולוחות מחוונים כדי לקבל סקירה של מאפיינים עבור האוכלוסייה כולה של חולים בסיכון. כדי לעשות זאת, לחץ על המחש ב הניווט הצדדי של kibana. לאחר מכן, לחץ על לחצן צור פריט חזותי חדש ובחר סוג פריט חזותי (לדוגמה, תרשימי עוגה ושורה). בחר “psychosis_risk” כאינדקס שאחד רוצה להמחיש דרך kibana. כברירת מחדל, פריטים חזותיים יכללו את כל הרשומות/המטופלים באינדקס “psychosis_risk”. הוראות מפורטות של בניית פריטים חזותיים Kibana זמינים על https://www.elastic.co/guide/en/kibana/6.4/visualize.html. כדי לבחור קבוצת משנה מסוימת של נתונים לפריט חזותי, הוסף “מסנן”. לדוגמה, בחירת מסנן שהוגש כ-“h_2_year”, בחירת אופרטור כ-“לא בין” והגדרת ערכים מ-“0.0” ל-“0.05” תכלול רק מטופלים שהסיכון לפסיכוזה ב-2 שנים הם גבוהים מ-0.05. לאחר בנויים פריטים חזותיים בודדים, לחץ על לוח המחוונים בניווט הצדדי של kibana כדי ליצור לוח מחוונים המציג קבוצה של פריטים חזותיים קשורים יחד. לחצו על ‘ צור לוח מחוונים חדש ‘ ואת הלחצן ‘ הוסף ‘ ליצירת חלונית חדשה למחוונים. לחץ על פריטים חזותיים שאחד רוצה להציג בתוך החלונית החדשה של לוח המחוונים. לחץ על שמור והקלד כותרת כדי לשמור את החלונית. הוראות על בניית לוחות מחוונים של Kibana זמינים ב https://www.elastic.co/guide/en/kibana/6.4/dashboard.html. 5. סיכון התראות לחץ על ניהול בניווט הצד של kibana ולאחר מכן לחץ על הצופה תחת elasticsearch ליצור התראות עבור מטפלים כאשר המטופלים היו בסיכון של פסיכוזה. אם לחצן הצופה אינו גלוי, לחץ על ניהול רשיונות ולחץ על התחל ניסיון או על עדכון רשיון. לחץ על צור שעון מתקדם כדי להגדיר צופה חדש. הקלד “ID” ו-“Name”. מחק את התוכן של הסעיף “שעון json” והעתק את התוכן בקובץ “הצופה. json” בספריית הפסיכוזה לסעיף “שעון json”. הצופה הזה ישלח התראות דוא ל ל “clinician@nhs.uk” (אשר ניתן להחליף עם כתובת הדוא ל שבו אחד רוצה לשלוח התראות) מ “username@nhs.uk” (אשר הוגדר בשלב 2.3) אם יש אחד או יותר חולים אשר הסיכון של פסיכוזה ב 2 שנים הם גבוהים מ 0.05 (סף סופי עבור בדיקות היתכנות) בכל 24 שעות. לפני שמירת המשקיף, לחץ על הדמיית כדי לבדוק את ההוצאה להורג של הצופה. אם הצופה מוגדר בהצלחה, אדם יראה את פלט ההדמיה המודפס. במקרה של שגיאה בהגדרות, בצע את ההוראות ב- https://www.elastic.co/guide/en/elastic-stack-overview/6.4/watcher-getting-started.html. כדי לעצור את הצופה, מחק אותו לצמיתות או בטל אותו באופן זמני מהעמוד “מצב” של הצופה.

Representative Results

בסעיף זה, אנו מציגים תוצאות ביצוע התמקדות במעשיות בטיפול הזרמים נתונים קליניים בשידור חי הרחיב דרך מחשבון הסיכון והקלה על המסירה מבעוד מועד של תוצאות התחזיות לרופאים. הערכות של השירות הקליני של המערכת, כגון הדבקות של רופאים להמלצות שנעשו על ידי מחשבון הסיכון, יוצגו בדו ח נפרד בעת השלמת. בליעה של נתוני מקוראנחנו לפרוס את הסיכון הפסיכוזה חישוב המערכת מבוסס על מסד נתונים העתק של ePJS ב טריקה. מסד נתונים משוכפל זה מסנכרן את הנתונים החיים מ-ePJS כל 10 דקות. תצוגת מסד נתונים המשלבת מידע של חולים לחישוב סיכוני פסיכוזה נבנתה במסד נתונים משוכפל זה, כאשר כל רשומה מכילה מידע עבור מטופל. כל הרשומות בתצוגה זו נבלע לתוך פלטפורמת CogStack בזמן אמת (כ 0.6 מיקרושניות לכל רשומה במחשב וירטואלי עם מעבד 8-core ו-16GB זיכרון RAM). עד 13 ביולי 2019 כאשר כתב יד זה היה מוכן, כל הרשומות של 202,289 חולים שקיבלו אבחון המדד הראשון של הפרעת נפשית לא אורגנית ולא פסיכוטי ב טריקה היו בלע לתוך CogStack עבור חישוב סיכון הפסיכוזה, מאוחסן “psychosis_base” elasticsearch המדד. איור 1 מציג את מספר הרשומות הנגמות לתוך מחסנית לאורך זמן, בסדר כרונולוגי בהתבסס על תאריך העדכון האחרון של רשומה. על-ידי השוואת המספרים ותוכן הרשומות במסד הנתונים והאינדקס של Elasticsearch, לא נמצאו נתונים חסרים ומצ, המאשרת את המהימנות של צינור הנפט CogStack בבליעה וסנכרון נתונים. אימות תוצאות הסיכוןכדי לאמת את יישום גלאי הסיכון לפסיכוזה בפרוטוקול זה, השוואנו מטופלים בסיכון שאותרו על-ידי CogStack (הנקרא “CogStack version”) עם אלה שזוהו על ידי מחשבון הסיכון המקורי המבוסס על כריס (המכונה “כריס הגרסה”). מכיוון שלא התפתחו סף למסך מטופל בסיכון6,14,21, השתמשנו בהסף הסופי של 5% על הסיכון לפסיכוזה בשנתיים. שימו לב כי הסף הסופי הוא רק כדי לבדוק אם המערכת יכולה לעבוד באופן משתנה בבחינה הפסיכומטרית והיא חשופה לשינויים במחקר עתידי. הסף הממשי לאיתור מיטבי של אנשים בסיכון יהיה צורך להיות מזוהה במחקרים בקנה מידה גדול בעתיד. באופן ספציפי, החזרנו לראשונה את כל המטופלים שהיה להם סיכון לפסיכוזה מעל הסף בגרסת כריס (מספר המטופלים N = 169). כל המטופלים האלה קיבלו אבחון המדד הראשון של שאינם אורגניים הפרעה נפשית שאינה פסיכוטית ב סלאם מן מאי 14 2018 עד אפריל 29 2019. על ידי סינון חולים שאובחנו באותה תקופה, לאחר מכן אוחזרו N = 170 חולים אשר הסיכון לפסיכוזה ב 2 שנים היו גבוהים מ 0.05 בגרסה CogStack. לבסוף, השוונו את ההבדל בין שתי קבוצות של חולים, שבו המספר הכולל של חולים ייחודיים בשני סטים N = 173. מצאנו כי 161 חולים (חשבונאות עבור 93% של 173 החולים) היו ציונים זהים בשתי הגירסאות. דרגת ההסכמה הגבוהה מאשרת את תוקפו של פרוטוקול זה CogStack מבוסס בהפקת תוצאות סיכון. היו 12 חולים שהיו להם עשרות סיכון שונות בשתי הגרסאות. על ידי בדיקת החולים ‘ EHRs, מצאנו כי הבדל זה היה משום נתונים עבור חולים אלה עודכנו לאחר עשרות הסיכון חושבו בגרסת כריס. באופן ספציפי, למרות שהמפרטורים המשמשים במחשבון הסיכון, כגון תאריך הלידה, המין והמוצא העצמי שהוקצה להם, היו משתנים סטטיים, לחלק מרשומות הבריאות של המטופלים היה ערך חסר או ברירת מחדל עבור משתנה (למשל, מוצא אתני לא ידוע) בשלב מוקדם יותר, ומשתנים אלה ה זה יכול להוביל לעשרות סיכון שונים בשני שלבים שונים. באופן דומה, המדד הראשוני הראשון אבחונים של חולים מסוימים היו בתוקף לאחר ציון הסיכון הראשוני חושבה על בסיס אלה אבחנות. במקרה זה, מחשבון הסיכון תחפש את האבחנה הראשונית התקפה הבאה עבור המטופל כגון ולחשב מחדש את תוצאת הסיכון. תוצאת הסיכון המעודכנת יכולה להיות שונה גם מהראשונית. כמו מחשבון הסיכון המקורי פותחה על בסיס נתונים רטרוספקטיבי כריס לשימוש מחקר, צינורות מחשבון המקורי לא לסנכרן עדכונים אלה בנתונים EHR ולרענן את תוצאות הסיכון במועד. לעומת זאת, ציון הסיכון של החולה יחושב מחדש בגירסה של CogStack אם כל נתוני המקור של המטופל מתעדכן, אשר מאפשר מחשבון מבוסס CogStack זה כדי לספק את תוצאות הסיכון האמינות והעדכניות ביותר עבור חולים. תוצאות אלה מדגישות בחריפות את המהימנות של תוצאות הסיכון בפרוטוקול זה. הדמיית תוצאה והתראות סיכוןכדי להדגים את היכולות של CogStack בהדמיה של נתונים, בנינו לוח מחוונים למידע על מטופלים בסיכון של פסיכוזה. בשימוש לפני בדיקות היתכנות, בחרנו באלה שיש להם סיכון לפסיכוזה בשנתיים הגבוהות מ-5% מהחולים בסיכון. איור 2 מציג את הפריטים החזותיים של מאפיינים למטופלים בסיכון של פסיכוזה, כולל הגזעים האתניים של החולים, מינים, גילאים וקטגוריות של אבחנות. מלבד להמחיש תוצאות הסיכון באמצעות ממשקי אינטרנט (למשל, Kibana), פרוטוקול זה מאפשר התראות סיכון להישלח למשתמשים או מטפלים באמצעות ערוצי הודעות אחרים כגון דוא. איור 3 מציג את הממשק לקביעת שירות התראות סיכון באמצעות הרכיב Watch ב-kibana. לאחר ששירות זה מוגדר בהצלחה, משתמשים יכולים לקבל הודעת דוא ל אם היו חולים אחד או יותר שהסיכון לפסיכוזה בשנתיים הם גבוהים מ-5%. איור 4 מראה דוגמה של הודעות דוא ל אלה, אשר מדווחת על מספר המטופלים בסיכון ורובעי החולים האלה. מאז העבודה צריך יותר כדי להתאים איך הפסיכוזה החזוי הסיכון הציונים מועברים, לא שלחנו הודעות סיכון ישירות לרופאים. לבדיקת הכדאיות הטכנולוגית, כל הדיווחים במחקר זה נשלחו מחוקר טכני (T.W.) לחוקר קליני (D.O.) דרך מערכת הדוא ל של סלאם בתוך רשת מאובטחת. רק סטטיסטיקה מצטברת של מידע אודות המטופל נכללה בהודעה; לא נכלל כל מידע המאפשר זיהוי אישי. איור 1: נתוני המקור שייאכלו לתוך CogStack. קיימות 202,289 רשומות בסכום הכולל שנאספו במדד “psychosis_base” elasticsearch עד ל-13 ביולי 2019, וההיסטוגרמה מציגה את מספר הרשומות המאכלו לאורך זמן, המסודרת על-ידי זמן העדכון האחרון של הרשומה. ניתן גם לבצע שאילתה על מידע מובנה ולא מובנה ולקבל כניסות חיפוש המתאימות לשאילתה בדף זה. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה. איור 2: לוח המחוונים של מאפייני המטופלים בסיכון של פסיכוזה (כלומר, הסיכון לפסיכוזה בשנתיים הגבוהות מ-0.05). (א) התפלגות של אתניות לחולים בסיכון, שם פשטידות החיצון הם קטגוריות ממשנה של קטגוריית אתניות בפשטידות הפנימיות. (ב) התפלגות מין המטופלים, (ג) התפלגות הגילאים של חולים באבחון ו (ד) מספר מטופלים לכל קבוצת אבחון. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה. איור 3: קביעת הגדרה והדמיה. היזהרו מסכנות בסיכון אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה. איור 4: דוגמה של סיכון להתריע בפני דואר אלקטרוני. מספר המטופלים בסיכון של פסיכוזה בכל קבוצות הזמנה קלינית (CCG) מדווחים בסוגריים. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Discussion

הדגמנו את יישום ה-EHR הראשון של המערכת לזיהוי והתראה על סיכוני הפרעה בזמן אמת, המבוססת על CogStack, איסוף מידע קוד פתוח ופלטפורמת חילוץ. בעקבות גישה זו, ניתן לשנות ולבלוע ערכה גדולה של נתונים קליניים בפורמטים שונים, כולל מידע מובנה ולא מובנה, למופע של CogStack, כדי לאפשר חיפוש טקסט מלא, ניתוחים אינטראקטיביים והדמיה של נתונים, כמו גם התראות בזמן אמת לרופאים של חולים כי הם בסיכון של פסיכוזה. למרות שמחשבון הסיכון לפסיכוזה המקורי אומת במחקרים פיילוט על פני מספר מטופלים, אם כי באמצעות רישומי החולה רטרוספקטיבי6,14,21, עיצוב ניסיוני זה מספק את בסיס הראיות הראשון כי מחשבון הסיכון הזה ניתן לשכפל ולפרוס לשימוש בזמן אמת. גישה זו מאפשרת משלוח אוטומטי של תוצאות התחזיות לרופאים דרך ערוצי הודעה קלינית קיימים, כגון דוא ל, בזמן אמת. זה מדגים בבירור את הכדאיות הטכנית לניהול משפט יעילות בקנה מידה גדול כדי להעריך את השירות הקליני האולטימטיבי של מחשבון הסיכון הזה בעולם האמיתי.

פרוטוקול זה הוא חדשני באופן אמפירי, מכיוון שאין לקיים מערכת איתור סיכונים דומה והתראה לפסיכוזה. כמו-כן, לפרוטוקול זה יש יכולת העצמה גבוהה בשימוש קליני, במיוחד בשל העוצמות הייחודיות של הגישה שלנו. מנקודת מבט תיאורטית, השתמשנו במודל חיזוי סיכונים שפותח בהתבסס על מבנה רטרוספקטיבה גדול שזוהה מתוך הבית הבטוח. סלאם מספק טיפול משני בריאות הנפש לאוכלוסייה של 1,360,000 אנשים בדרום לונדון יש אחד השיעורים המתועדת הגבוהה ביותר של הפסיכוזה בעולם. זו קבוצה גדולה, אשר יש מגוון גבוה במאפיינים הסוציוגראפיים והאבחון, מאפשר לנו לפתח מודל חיזוי הסיכון כי לא סביר להיות מוטה כלפי אוכלוסיה עם מאפיינים ספציפיים. זה נתמך על ידי ראיות כי דיוק התחזיות של מחשבון סיכון זה כבר שוכפל פעמיים בשני מסדי נתונים שונים14,21, כולל אחד מחוץ טריקה. עוד חוזק תיאורטי של מודל הסיכון הזה הוא שהמידע הדמוגרפי הבסיסי והאבחון הקליני שימשו כפרדיקים. מידע כזה נמצא בכל מקום בנתונים קליניים אלקטרוניים ולמעשה הנתונים החסרים עבור מפרטורים אלה הוכחו להיות נדירים יחסית במחקרים הקודמים שלנו14,21. הזמינות הגבוהה של מידע לבניית מכונות משנה מאפשרת להפעיל את מחשבון הסיכון על פני מספר רב של דגימות מטופלים במגזרים שונים של בריאות הנפש המשנית. בנוסף, מחשבון הסיכון הוא אלגוריתם כללי המתאים לכל אדם בסיכון לפתח פסיכוזה בטיפול בריאות הנפש המשני, ללא קשר לגילאים של אנשים. כלומר, מחשבון זה לא רק מתאים לטווח הגילאים 15-35 של הפסיכוזה השיא הסיכון16, אלא גם עבור אלה מחוץ לטווח זה, מראה רמה גבוהה של כללי.

מנקודת מבט מעשית, הן מחשבון הסיכון והן פלטפורמת CogStack הם שירותי משקל קל וקוד פתוח שאינם כרוכים בטכניקות כבדות משאבים או בתשתית יקרה. פלטפורמה כזו בעלות נמוכה וקלה לפריסה יכול להפחית את המחסומים לאימוץ שלה בעולם האמיתי הגדרות קליניות. כמו כן, הפתרון שלנו גובר על מכשול ההטמעה העיקרי: מערכות שערוך סיכונים מספקות ערך מועט, אלא אם כן הן משמשות את הקלינאים באימון היומיומי25. באופן ספציפי, הגישה שלנו ניגש נתונים מתוך EHR, מבצע ניתוחים עצמאיים של מערכת הרשומה האלקטרונית הרפואית והוא יכול לשלוח תוצאות הניתוח בחזרה לרופאים באמצעות ערוצי הדיווחים הקיימים. שיטה זו אינה דורשת שהלוגיקה העסקית במערכות קיימות מראש תהיה שונה ויכולה לעבוד כשירות עצמאי לתמיכה ולהרחבה של מערכות תמיכת החלטות קליניות קיימות. לפיכך, לפרוטוקול יש תאימות גבוהה עם מערכות קליניות קיימות מראש וניתן לשלבם בקלות בתרגול קליני שגרתי. יתר על כן, הפרוטוקול מספק ממשקי ידידותי למשתמש עבור חיפוש, ניתוח והמחשה של נתונים קליניים, אשר להקל על הרופאים לפרש ולחקור את תוצאות הסיכון.

פרוטוקול זה כולל גם את המגבלות שלה. ראשית, האפקטיביות של פרוטוקול זה לא הוערכו בפרקטיקה קלינית שגרתית. מחקר זה התמקד בבדיקות היתכנות טכניות של יישום מערכת איתור והתראות של הפרעה בזמן אמת במערכת EHR מקומית. כדי להעריך עוד יותר את האפקטיביות של מערכת זו בפרקטיקה קלינית שגרתית, העתיד בקנה מידה גדול מבוקרת אקראי מבחנים נדרשים6. הגבלה שנייה היא כי התחזיות של עשרות סיכון בפרוטוקול זה נעשו בהתבסס על האבחנות הראשיות הראשון, שהם נתונים סטטיים שנאספו בתמונה אחת. עם זאת, הסימפטומים CHR-P הם מתפתחים מיסודה לאורך זמן. גרסה דינאמית של מחשבון הסיכון לפסיכוזה, שבה ניתן לעדכן את מודלי החיזוי באופן דינאמי כדי לשקף את השינויים, פותחה לאחרונה26. עבודה עתידית תתמקד בשילוב מחשבון דינאמי זה בפרוטוקול הנוכחי.

הצעד הקריטי ביותר בגישה זו היה זיהוי נתוני EHR ששימשו לחילוץ המפרדיקים במחשבון הסיכון. פעולה זו עשויה להיות כרוכה גם ביצירת מיפויי רכיבי נתונים, כאשר מערכת EHR השתמשה במודל נתונים שונה מזה הנמצא בשימוש בפרוטוקול זה, כגון מערכות קידוד נפרדות עבור הקבוצות האתניות של המטופלים. יש לנו מקורות פתוח כל הגדרות קוד ומיפוי באופן מקוון (https://github.com/cogstack-slam/psychosis). בהתבסס על חומרים אלה, האדם יוכל לשכפל את הפריסה או לכוונן את המחשבון בהתאם לנסיבות של האדם עצמו. שלב קריטי נוסף היה יצירת תצוגת מסד נתונים עבור בליעה של נתונים ב-CogStack. מאז פעולות צירוף יחסי (כלומר, שילוב עמודות מטבלת מסד נתונים אחת או יותר) ב-Elasticsearch עלולה להוביל לעלות חישובית גבוהה, ערכנו פעולות צירוף אלה במסד הנתונים של EHR על-ידי יצירת תצוגת מסד נתונים. תצוגה זו שילבה את כל המידע שהיה צורך לחלץ מפרדיקים במחשבון הסיכון, ושני שדות חיוניים ששימשו את קווי הצנרת של CogStack לחלוקה למחיצות נתונים בבליעה של נתונים. השדה הראשון הוא מפתח ראשי ייחודי עבור כל רשומה בתצוגה (“patient_id” השתמשו בפרוטוקול זה) והשניה היא חותמת זמן כאשר רשומה שונתה לאחרונה. אם שני שדות אלה לא הוגדרו כראוי, ייתכן כי CogStack לא יסנכרן עדכוני נתונים במסד נתונים של EHR בזמן הנכון. הוראות מפורטות לפתרון בעיות ב-CogStack נתונים בליעה זמינים על https://cogstack.atlassian.net/wiki/spaces/COGDOC/overview ו https://github.com/CogStack/CogStack-Pipeline.

פרוטוקול זה הוא התחבורה הגבוהה ביותר וניתן לפרוס בקלות בבית הנאמנות כי יש פלטפורמת כריס או CogStack. עד כה, פלטפורמת כריס-כולל הליכי ההסכמה-תוארה באופן מלא במקום אחר והיא נמצאת תחת התרחבות של 12 מטופלים בבריטניה, רתימת הנתונים על 2,000,000 מזוהה (https://crisnetwork.co/). באופן דומה, פלטפורמת CogStack נפרסה לא רק ב סלאם, אלא גם אחרים בעלי נאמנויות ברחבי בריטניה כגון אוניברסיטת קולג ‘ בלונדון בתי חולים (UCLH), המלך של המכללה לבית החולים (KCH), גיא ו-St תומאס ‘ (GSTT), ואת Mersey טיפול הבריאות. בעלי האמון האלה ללא הפלטפורמה יכולים להשתמש בגירסה מקוונת של מחשבון הסיכון (http://psychosis-risk.net), או לבנות פרוטוקול זה מההתחלה על סמך כתב היד הזה והמסמכים המקוונים שלנו. למרות שפרוטוקול זה מפותח לאיתור סיכוני פסיכוזה, העיצוב האדריכלי של פרוטוקול זה אינו קשור למקרה שימוש ספציפי זה. הפרוטוקול הוא גמיש מספיק כדי לאפשר תצורה מחדש ולשחזר של ניטור בזמן אמת והתראות רכיבים עבור אזורי מדידה אחרים בסיכון, כגון תגובות תרופות לוואי, ובכך לאפשר לרופאים לנקוט בזמן פעולה כדי לשפר את הטיפול בחולים, בטיחות וניסיון.

Disclosures

The authors have nothing to disclose.

Acknowledgements

מחקר זה ממומן על ידי והוא פלט ישיר של המלך קולג ‘ של לונדון ביטחון בפרס המושג מן המועצה למחקר רפואי (MRC) (MC_PC_16048) ל-PFP. RD ו AR תמכו על ידי: (א) צדקה מאונסלי; (ב) המכון הלאומי לחקר בריאות (NIHR) מרכז המחקר הביו-רפואי בדרום לונדון ומנדנסלי מכללת המלך בלונדון; (ג) מחקר מידע בריאות בריטניה, אשר ממומן על ידי מועצת המחקר הרפואי בריטניה, הנדסה ומדעי המחקר פיסי, המועצה הכלכלית חברתית מחקר, המחלקה לבריאות וטיפול חברתי (אנגליה), המדען הראשי של הממשלה הסקוטית בריאות וטיפול חברתי המנהל, בריאות ומחקר חברתי המחקר חטיבת הבריאות, הסוכנות לבריאות הציבור (צפון אירלנד (ד) הBigData@Heart Consortium, ממומן על ידי יוזמת תרופות חדשניות-2 התחייבות משותפת תחת הסכם מענק מס ‘ 116074. זו התחייבות משותפת מקבל תמיכה מתוך אופק של האיחוד האירופי 2020 מחקר וחדשנות תוכנית EFPIA; הוא מראש, על ידי מכללת דה גרובי ו SD, שותפות עם 20 שותפים אקדמיים ותעשייתיים ו-ESC; ו-(ה) המכון הלאומי לחקר הבריאות באוניברסיטת מכללת לונדון בתי חולים ביו מרכז המחקר. לגופים מימון אלה לא היה כל תפקיד בתכנון המחקר, הגבייה והניתוח. ההשקפות המובעות הן אלה של המחברים ולא בהכרח של משרד הבריאות, ה-NIHR או מחלקת בריאות.

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

References

  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
Cite This Article
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).
Download Citation
Reprints and Permissions

View Video

✖

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

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image