Внедрение системы обнаружения и оповещения о рисках психоза в реальном времени на основе электронных медицинских записей с использованием CogStack

Психотические расстройства являются серьезными психическими расстройствами, которые приводят к трудностям в различении внутреннего опыта ума и внешней реальности окружающей среды^1,а также выше, чем средний риск причинения себе вреда и самоубийства². При стандартном уходе эти расстройства приводят к серьезным последствиям для здоровья населения со значительным бременем для здоровья и экономического бремени для отдельных лиц, семей и обществ во всем мире^3. Ранние вмешательства в психоз может улучшить результаты этого психического расстройства⁴. В частности, выявление, прогностического оценки и профилактического лечения лиц, которые находятся в клиническом высоком риске развития психоза (CHR-P)⁵ предоставляет уникальный потенциал для изменения хода расстройства, тем самым улучшая качество жизни для многих людей и их семей^3,6. CHR-P лиц помощи ищет молодых людей, представляющих с ослабленными симптомами и функциональных нарушений⁷: их риск развития психоза составляет 20% на 2-летний^8, но это выше в некоторых конкретных подгрупп^9,10. Несмотря на некоторые существенные достижения, влияние профилактических подходов в обычной клинической практике ограничено способностью обнаруживать большинство людей, которые находятся в группе риска^11. Современные методы обнаружения основаны на поведении и направлениях по подозрению в риске психоза; эти методы крайне неэффективны при обработке большого количества образцов^11. Таким образом, масштабируемость современных методов обнаружения для подавляющего большинства населения, подверженного риску, довольно^{ограничена 12.} В самом деле, только 5% (автономные специализированные услуги раннего обнаружения) до 12% (молодежные службы психического здоровья) лиц, подверженных риску развития первого психотического расстройства могут быть обнаружены во время их стадии риска в настоящее время стратегии обнаружения⁶.

Для расширения клинических преимуществ профилактических подходов в большем числе лиц из группы риска, мы разработали автоматизированный, продолжительность жизни включительно (т.е. во всех возрастных группах), трансдиагностика (т.е. по различным диагнозам)¹³, клинически-индивидуальный калькулятор риска, который может обнаружить лиц, подверженных риску психоза в вторичной психиатрической помощи в масштабе, за пределами тех, кто отвечает критериям CHR-P¹⁴. Этот калькулятор риска использовал модель пропорциональной опасности Кокса для прогнозирования риска развития психотического расстройства в течение шести лет из пяти регулярно собранных клинических переменных, выбранных априори, в соответствии с методологическими рекомендациями^15:возраст, пол, этническая принадлежность, возраст за полом и первичный индекс диагностики. Эти клинические переменные были выбраны на основе априорных знаний, полученных из мета-анализа^16,17, в соответствии с самыми современными методологическими руководящими принципами¹⁵. Количество предикторов ограничено для сохранения коэффициента Event Per Variable и минимизации переукладочных смещений; в том числе слишком много переменных без априорного фильтра приводит к переукладыванию проблем и плохой прогноститической точности¹⁸. Метод, используемый для разработки этой модели обеспечивает аналогичную прогностиковую точность для автоматических методов машинного обучения¹⁸. Параметры модели Кокса были оценены на основе ретроспективной де-идентифицированной когорты из южного Лондона и Модсли Национального фонда службы здравоохранения Фонда Trust (SLaM)¹⁹. SLaM является Национальной службы здравоохранения (NHS) психического здоровья доверия, который обеспечивает вторичное психическое здоровье населения 1,36 миллиона человек в южном Лондоне (Ламбет, Саутварк, Льюисем и Кройдон районов), и имеет один из самых высоких зарегистрированных показателей психоза в мире²⁰. Все данные, использованные в разработке модели, были извлечены из платформы Clinical Record Interactive Search (CRIS), цифровой системы регистра случаев, которая предоставляет исследователям ретроспективный доступ и анализ анонимизированных клинических записей¹⁹. Клиническая информация в CRIS извлекается из на заказ электронной системы медицинской записи (EHR) в SLaM, называемой электронной системой путешествий пациентов (ePJS). SLaM не имеет документов, а ePJS представляет собой стандартную платформу сбора данных для клинической рутины. Таким образом, трансдиагностический калькулятор риска использует EHRs и имеет потенциал для автоматического проверки больших EHRs пациентов, имеющих доступ к вторичной психической помощи, чтобы обнаружить тех, кто может быть подвержен риску психоза. Алгоритм этого трансдиагностического калькулятора⁶риска был опубликован ранее^6,14,,21. Трансдиагностический калькулятор риска был внешне проверен в двух NHS Foundation Trusts^14,,21 и оптимизирован^22,демонстрируя его адекватную прогностичную производительность и обобщаемость среди различных групп населения.

В соответствии с методологическими рекомендациями по разработке модели прогнозирования риска^15,,23, следующим шагом после разработки модели и проверки является внедрение модели прогнозирования в обычной клинической практике. Исследованиям по имплементности обычно предшествуют экспериментальные или технико-экономические обоснования, в которых рассматриваются потенциальные прагматические ограничения, связанные с использованием алгоритмов риска в клинической практике. Например, необходимые данные для работы калькулятора, такие как возраст, пол и этническая принадлежность, могут быть недоступны на дату постановки диагноза или обновлены позже. Следует учитывать эффективные методы обработки недостающих данных и синхронизации частых обновлений в потоках данных в режиме реального времени для получения наиболее надежных результатов прогнозирования в реализации. Кроме того, поскольку первоначальная разработка калькулятора рисков была основана на ретроспективных данных когорты, неизвестно, можно ли его использовать в реальном времени, что характерно для реальных клинических условий. Еще одна проблема заключается в обеспечении того, чтобы соответствующие врачи получали рекомендации, порожденные калькулятором риска, в соответствующие сроки и в рамках общего и общепринятого пути коммуникации.

Чтобы преодолеть эти ограничения, мы завершили исследование технико-экономического обоснования с использованием индивидуального трансдиагностического калькулятора риска. Исследование включало в себя два этапа: фазу in vitro, которая проводилась с использованием данных местного EHR, без контакта с врачами или пациентами, и фазу in vivo, которая включала прямой контакт с врачами. Этап in vitro имел две цели: i) для устранения барьеров на пути осуществления в соответствии с Сводными рамочными рамками для проведения исследований в области осуществления (CFIR)²⁷ и (ii) для интеграции калькулятора трансдиагностических рисков в местный ЕПЧ. Барьеры, препятствующие осуществлению, включали сообщение о результатах риска врачам. В SLaM, все пациенты приглашаются зарегистрироваться для согласия на контакт (C4C), что указывает на их готовность связаться для исследования, не влияя на качество медицинской помощи. Это уменьшает этические вопросы, связанные с контактом с пациентами. В дополнение к этому, рабочие группы с врачами помогли пошив того, как эта информация была передана. Во время фазы in vivo (14 мая 2018 года по 29 апреля 2019 года) все лица (i) старше 14 лет (ii), которые получали доступ к любой службе SLaM (районы Ламбет, Саутварк, Льюисхэм, Кройдон), (iii) получение первого индекса МКБ-10 первичной диагностики любых непсихотических расстройств ATPD), или chR-P обозначение и (iv) с существующими контактными данными были признаны подходящими. Во время фазы in vivo, новые пациенты, доступ к SLaM каждую неделю были автоматически проверены на риск психоза, и те, с риском больше, чем определенный порог были обнаружены. Исследовательская группа затем связался с пациентами ответственных врачей, чтобы обсудить дальнейшие рекомендации и в конечном итоге предложить дальнейшее лицом к лицу оценки⁶. Если считается, что эти оценки отвечают критериям КПЧ-П, они направляются в специализированные службы CHR-P, такие как информационно-пропагандистская и поддержка в южном Лондоне (OASIS)²⁸. Это приведет к улучшению обнаружения лиц до начала психотического расстройства и обеспечить значительную возможность для изменения хода расстройства. Важно отметить, что это технико-экономическое обоснование включало полную интеграцию калькулятора в местную систему EHR, которая является темой текущей статьи. Полный протокол этого технико-экономического обоснования, включая обзор плана оценки предлагаемых исследований, подробную информацию об управлении безопасностью данных и этические вопросы, был представлен в нашей предыдущей работе⁶. Текущая статья, как часть технико-экономического обоснования^6,выборочно фокусируется на представлении технической реализации системы обнаружения и оповещения о рисках психоза в реальном времени на основе местных данных EHR. В частности, цель этого исследования заключается в изучении технической осуществимости этого калькулятора риска в своевременном выявлении пациентов из группы риска, как только они получают доступ к вторичной психиатрической помощи. Полные результаты технико-экономического обоснования с точки зрения соблюдения врачами рекомендаций, сделанных калькулятором риска, будут представлены отдельно. Всеобъемлющая оценка эффективности предлагаемых исследований, которая требует рандомизированных конструкций, выходит за рамки текущей исследовательской программы. Насколько нам известно, это первый метод, описывающий внедрение калькулятора риска на основе живых данных EHR для раннего выявления психоза.

Наш подход к выявлению и предупреждению о рисках психоза использует преимущества платформы CogStack. Платформа CogStack представляет собой легкую, распределенную и терпимую к ошибкам платформу поиска информации и извлечения текста^24. Эта платформа состоит из трех ключевых компонентов: 1) конвейер CogStack, который использует платформу Java Spring Batch для глотания и синхронизации данных из заранее определенного источника данных (как структурированных, так и неструктурированных EHR-данных в нескольких форматах, таких как Word, PDF-файлы и изображения) для заранее определенного поглотителя данных в режиме реального времени; 2) Elasticsearch, поисковая система, позволяющая хранить и запросить полный текст данных EHR, а также предоставлять различные интерфейсы программирования приложений (AA) для встраивания расширенной аналитики в движок; и 3) Kibana, интерактивный веб-интерфейс пользователя, который позволяет пользователям задавивать данные в Elasticsearch, создавать панели визуализации и устанавливать оповещения об аномалиях или других закономерностях, представляющих интерес для данных. Кроме того, CogStack включает в себя возможность оповещения врачей о потенциальных проблемах по электронной почте и SMS (текст), что позволяет врачам получать своевременное уведомление о пациентах из группы риска, о которых сообщает калькулятор риска.

Мы представляем модель обнаружения риска психоза и оповещения на основе ePJS в SLaM, используя платформу CogStack. По сравнению с платформой CRIS, которая обеспечивает механизм ретроспективного доступа к деидентифицированным медицинским записям от ePJS на еженедельной основе¹⁹, платформа CogStack в SLaM позволяет получить доступ к идентифицируемому EHR в режиме реального времени, приближая оповещение к точке обслуживания и прогнозированию рисков в перспективном дизайне, хотя платформы CRIS и CogStack используют данные, полученные от ePJS. В следующем разделе мы предоставляем подробную информацию о ключевых шагах нашего подхода, включая подготовку исходных данных из EHR, попастание исходных данных в платформу CogStack для включения полнотекстовых поисков через Elasticsearch, запуск калькулятора риска психоза с помощью потока Python daemon и оповещения о рисках в реальном времени с помощью пользовательского интерфейса Kibana. Любой исследователь, который стремится создать систему обнаружения и оповещения о рисках в режиме реального времени на основе данных EHR, может следовать этому подходу и его эталонной реализации. Как мы уточним ниже, предлагаемый метод использует с открытым исходным кодом, легкие методы с высокой гибкостью и портативностью. Это позволяет работать в различных местах калькулятору риска и показывает высокую применимость к другим алгоритмам оценки рисков. Кроме того, метод работает как простой подход для повышения обнаружения рисков и оповещения функциональных возможностей EHR, встроенных в общую систему здравоохранения.