Implementação de um sistema de detecção e alerta de risco de psicose em tempo real com base em registros eletrônicos de saúde usando o CogStack

Os transtornos psicóticos são doenças graves de saúde mental que levam a dificuldades na distinção entre a experiência interna da mente e a realidade externa do ambiente¹, bem como um risco maior que a média de automutilação e suicídio². Sob cuidados padrão, esses transtornos resultam em grande impacto na saúde pública, com uma carga significativa de saúde e econômica sobre indivíduos, famílias e sociedades em todo o mundo³. Intervenções precoces na psicose podem melhorar os desfechos desse transtorno mental⁴. Em particular, a detecção, a avaliação prognóstica e o tratamento preventivo de indivíduos que estão em alto risco clínico para o desenvolvimento de psicose (CHR-P)⁵ proporcionam um potencial único para alterar o curso do transtorno, melhorando assim a qualidade de vida de muitas pessoas e suas famílias^3,6. Os indivíduos chr-P são jovens em busca de ajuda apresentando sintomas atenuados e comprometimento funcional⁷: o risco de desenvolver psicose é de 20% aos 2 anos^8, mas é maior em alguns subgrupos específicos^9,10. Apesar de alguns avanços substanciais, o impacto das abordagens preventivas na prática clínica de rotina é limitado pela capacidade de detectar a maioria dos indivíduos em risco¹¹. Os métodos atuais de detecção baseiam-se em comportamentos de busca de ajuda e encaminhamentos sob suspeita de risco de psicose; esses métodos são altamente ineficientes no manuseio de um grande número de amostras¹¹. Assim, a escalabilidade dos métodos de detecção atuais para a grande maioria da população em risco é bastante limitada¹². De fato, apenas 5% (serviços especializados autônomos de detecção precoce) a 12% (serviços de saúde mental de jovens) de indivíduos em risco de desenvolver um primeiro transtorno psicótico podem ser detectados no momento de seu estágio de risco pelas estratégias de detecção atuais⁶.

Para ampliar os benefícios clínicos das abordagens preventivas em um maior número de indivíduos em risco, desenvolvemos uma vida útil inclusiva (ou seja, em todas as idades), transdiagnóstico (ou seja, em diferentes diagnósticos)¹³, calculadora de risco individualizada baseada clinicamente, que pode detectar indivíduos em risco de psicose em atenção à saúde mental secundária em escala, além daqueles que atendem aos critérios CHR-P¹⁴. Esta calculadora de risco utilizou um modelo de risco proporcional de Cox para prever o risco de desenvolver um transtorno psicótico ao longo de seis anos a partir de cinco variáveis clínicas coletadas rotineiramente selecionadas a priori, em consonância com as diretrizes metodológicas¹⁵: idade, sexo, etnia, idade por sexo e diagnóstico de índice primário. Essas variáveis clínicas foram selecionadas com base no conhecimento a priori obtido a partir de metaanálises^16,17, conforme recomendado pelas diretrizes metodológicas de última geração¹⁵. O número de preditores limita-se a preservar a razão Event Per Variable e minimizar vieses de superajuste; incluir muitas variáveis sem filtro priori leva a problemas de superação e baixa precisão prognóstica¹⁸. O método utilizado para desenvolver este modelo fornece precisão prognóstica semelhante aos métodos automáticos de aprendizagem de máquina¹⁸. Os parâmetros do modelo cox foram estimados com base em uma coorte retrospectiva desidentificada do South London e maudsley National Health Service Foundation Trust (SLaM)¹⁹. O SLaM é um fundo de saúde mental do Serviço Nacional de Saúde (NHS) que fornece cuidados secundários de saúde mental a uma população de 1,36 milhões de indivíduos no sul de Londres (lambeth, Southwark, Lewisham e Croydon), e tem uma das maiores taxas registradas de psicose no mundo²⁰. Todos os dados utilizados no desenvolvimento do modelo foram extraídos da plataforma Clinical Record Interactive Search (CRIS), um sistema de registro de casos digitais, que fornece aos pesquisadores acesso retrospectivo e análise de registros clínicos anonimizados¹⁹. As informações clínicas no CRIS são extraídas de um sistema de Registro Eletrônico de Saúde (EHR) sob medida, no SLaM, chamado sistema eletrônico de jornada do paciente (ePJS). O SLaM é livre de papel e o EPJS representa a plataforma padrão de coleta de dados para a rotina clínica. Assim, a calculadora de risco transdiagnóstico aproveita as EHRs e tem o potencial de fazer a triagem automática de grandes EHRs de pacientes que acessam cuidados mentais secundários, para detectar aqueles que podem estar em risco de psicose. O algoritmo desta calculadora de risco transdiagnóstico foi publicado anteriormente^6,14,21. A calculadora de risco de transdiagnóstico foi validada externamente em dois NHS Foundation Trusts^14,21 e otimizado²², demonstrando seu desempenho prognóstico adequado e generalizabilidade em diferentes populações.

De acordo com as diretrizes metodológicas sobre o desenvolvimento de um modelo de previsão de risco^{modelo 15,23}, o próximo passo após o desenvolvimento e validação do modelo é implementar o modelo de predição na prática clínica de rotina. Os estudos de implementação são geralmente precedidos por estudos piloto ou de viabilidade que abordam potenciais limitações pragmáticas associadas ao uso de algoritmos de risco na prática clínica. Por exemplo, os dados necessários para a execução de uma calculadora, como idade, sexo e etnia, podem não estar disponíveis na data do diagnóstico ou atualizados posteriormente. Métodos eficazes para lidar com dados ausentes e sincronizar atualizações freqüentes em fluxos de dados em tempo real devem ser considerados para obter os resultados de previsão mais confiáveis em uma implementação. Além disso, uma vez que o desenvolvimento inicial da calculadora de risco foi baseado em dados retrospectivos de coorte, não se sabe se ele pode ser usado em um fluxo de dados em tempo real que é típico de um cenário clínico do mundo real. Outro desafio é garantir que os médicos relevantes recebam as recomendações geradas pela calculadora de risco dentro de um prazo adequado e dentro de um caminho de comunicação compartilhado e aceito.

Para superar essas limitações, concluímos um estudo de implementação de viabilidade utilizando a calculadora de risco transdiagnóstico individualizada. O estudo incluiu duas fases: uma fase in vitro que foi realizada utilizando dados do EHR local, sem contato com médicos ou pacientes, e uma fase in vivo, que envolveu contato direto com os médicos. A fase in vitro teve dois objetivos múltiplos: (i) abordar barreiras de implementação de acordo com o Quadro Consolidado de Pesquisa de Implementação (CFIR)²⁷ e (ii) integrar a calculadora de risco transdiagnóstico no EHR local. As barreiras de implementação incluíam a comunicação dos resultados de risco aos médicos. No SLaM, todos os pacientes são convidados a se inscrever no Consent for Contact (C4C), o que indica sua vontade de ser contatado para pesquisa, sem afetar a qualidade do atendimento. Isso reduz as questões éticas relacionadas ao contato com os pacientes. Além disso, grupos de trabalho com médicos auxiliaram na adequação de como essas informações foram comunicadas. Durante a fase in vivo (14 de maio de 2018 a 29 de abril de 2019), todos os indivíduos (i) maiores de 14 anos (i) que estavam acessando qualquer serviço SLaM (bairros de Lambeth, Southwark, Lewisham, Croydon), (iii) receberam um primeiro diagnóstico primário de índice icd-10 de qualquer transtorno mental não orgânico e não psicótico (com exceção de Transtornos Psicóticos Agudos e Transitórios; ATPD), ou uma designação CHR-P e (iv) com os detalhes de contato existentes foram considerados elegíveis. Durante a fase in vivo, novos pacientes que acessam SLaM a cada semana foram automaticamente examinados para o risco de psicose, e aqueles com risco maior que um certo limiar foram detectados. A equipe de pesquisa então entrou em contato com os médicos responsáveis dos pacientes para discutir novas recomendações e, eventualmente, sugerir uma nova avaliação presencial⁶. Se os avaliados foram considerados para atender aos critérios chr-P, foram encaminhados para serviços especializados de CHR-P, como OAsIS²⁸. Isso resultaria em uma melhor detecção de indivíduos antes do início de um transtorno psicótico e proporcionaria uma oportunidade significativa para alterar o curso do transtorno. Crucialmente, este estudo de viabilidade envolveu a integração total da calculadora ao sistema de EHR local, que é o tema do artigo atual. O protocolo completo deste estudo de viabilidade, incluindo uma visão geral do plano de avaliação da pesquisa proposta, detalhes sobre o gerenciamento da segurança dos dados e questões éticas, foi apresentado em nosso trabalho anterior⁶. O artigo atual, como parte do estudo de viabilidade^6,foca seletivamente em apresentar a implementação técnica de um sistema de detecção e alerta de risco de psicose em tempo real com base nos dados locais de EHR. Mais especificamente, o objetivo deste estudo é investigar a viabilidade técnica dessa calculadora de risco na detecção oportuna de pacientes em risco assim que acessarem um serviço de saúde mental secundário. Os resultados completos do estudo de viabilidade, em termos de adesão dos médicos às recomendações feitas pela calculadora de risco, serão apresentados separadamente. Uma avaliação abrangente da eficácia da pesquisa proposta, que requer desenhos randomizados, está fora do escopo do programa de pesquisa atual. Até onde sabemos, este é o primeiro método que descreve a implementação de uma calculadora de risco baseada em dados de EHR ao vivo para detecção precoce de psicose.

Nossa abordagem para detecção e alerta de risco de psicose aproveita a plataforma CogStack. A plataforma CogStack é uma plataforma de recuperação de informações leve, distribuída e tolerante a falhas e plataforma de extração de texto²⁴. Esta plataforma consiste em três componentes-chave: 1) o CogStack Pipeline que usa a estrutura Java Spring Batch para ingerir e sincronizar dados de uma fonte de dados pré-definida (dados EHR estruturados e não estruturados em vários formatos, como Arquivos Word, PDF e imagens) para um dissipador de dados predefinido em tempo real; 2) Elasticsearch, um mecanismo de pesquisa que permite o armazenamento e consulta do texto completo dos dados de EHR, além de fornecer várias interfaces de programação de aplicativos (APIs) para incorporar análises avançadas no motor; e 3) Kibana, uma interface de usuário interativa e baseada na Web que permite aos usuários consultar dados no Elasticsearch, construir dashboards de visualização e definir alertas sobre anomalias ou outros padrões de interesse a partir de dados. Além disso, o CogStack incorpora a capacidade de alertar os médicos sobre possíveis problemas por e-mail e SMS (texto), permitindo que os médicos recebam notificações oportunas sobre pacientes em risco relatados pela calculadora de risco.

Apresentamos um modelo de detecção e alerta de risco de psicose com base no ePJS no SLaM, aproveitando a plataforma CogStack. Em comparação com a plataforma CRIS que fornece um mecanismo de acesso retrospectivo aos registros de saúde desidentificados do ePJS semanalmente¹⁹, a plataforma CogStack no SLaM permite o acesso a um EHR identificável em tempo real, aproximando o alerta do ponto de atendimento e da previsão de risco em um projeto prospectivo, embora ambas as plataformas CRIS e CogStack usem dados provenientes de ePJS no SLaM. Na seção a seguir, fornecemos detalhes dos principais passos em nossa abordagem, incluindo a preparação de dados de origem do EHR, a ingestão dos dados de origem na plataforma CogStack para permitir a pesquisa de texto completo via Elasticsearch, a execução da calculadora de risco de psicose usando um thread daemon Python e a definição de visualizações interativas e alertas de risco em tempo real através da interface do usuário Kibana. Qualquer pesquisador que pretende construir um sistema de detecção e alerta de risco em tempo real com base em dados de EHR pode acompanhar a abordagem e sua implementação de referência. Como vamos elaborar abaixo, o método proposto explora técnicas de código aberto e leves com alta flexibilidade e portabilidade. Isso permite que a calculadora de risco seja executada em vários locais e mostra uma alta aplicabilidade para outros algoritmos de estimativa de risco. Além disso, o método funciona como uma abordagem simples para melhorar a detecção de riscos e alertar funcionalidades de um EHR incorporado em um sistema geral de saúde.