Implementación de un sistema de detección y alerta de riesgos de psicosis en tiempo real basado en registros médicos electrónicos utilizando CogStack

Los trastornos psicóticos son enfermedades graves de salud mental que conducen a dificultades para distinguir entre la experiencia interna de la mente y la realidad externa del medio ambiente^1,así como un riesgo superior a la media de autolesiones y suicidio^2. Bajo la atención estándar, estos trastornos resultan en un impacto importante en la salud pública con una carga económica y de salud significativa para las personas, las familias y las sociedades en todo el mundo³. Las intervenciones tempranas en la psicosis pueden mejorar los resultados de este trastorno mental⁴. En particular, la detección, la evaluación del pronóstico y el tratamiento preventivo de las personas que están en alto riesgo clínico para desarrollar psicosis (CHR-P)⁵ proporciona un potencial único para alterar el curso del trastorno, mejorando así la calidad de vida de muchas personas y sus familias^3,,6. Los individuos CHR-P son jóvenes que buscan ayuda que presentan síntomas atenuados y deterioro funcional^7:su riesgo de desarrollar psicosis es del 20% a los 2 años^8, pero es mayor en algunos subgrupos específicos^9,,10. A pesar de algunos avances sustanciales, el impacto de los enfoques preventivos en la práctica clínica de rutina está limitado por la capacidad de detectar a la mayoría de las personas que están en riesgo¹¹. Los métodos de detección actuales se basan en comportamientos de búsqueda de ayuda y referencias bajo sospecha de riesgo de psicosis; estos métodos son altamente ineficientes en el manejo de un gran número de muestras¹¹. Por lo tanto, la escalabilidad de los métodos de detección actuales a la gran mayoría de la población en riesgo es bastante limitada¹². De hecho, sólo el 5% (servicios independientes especializados de detección temprana) al 12% (servicios de salud mental juvenil) de las personas en riesgo de desarrollar un primer trastorno psicótico puede ser detectado en el momento de su etapa de riesgo por las estrategias de detección actuales⁶.

Para ampliar los beneficios clínicos de los enfoques preventivos en un mayor número de individuos en riesgo, desarrollamos una calculadora de riesgo automatizada, que incluye toda la vida (es decir, a través de todas las edades), transdiagnóstico (es decir, a través de diferentes diagnósticos)¹³, calculadora de riesgo individualizado basada en clínicas, que puede detectar individuos en riesgo de psicosis en la atención secundaria de salud mental a escala, más allá de aquellos que cumplen con los criterios¹⁴de CHR-P. Esta calculadora de riesgos utilizó un modelo de riesgo proporcional de Cox para predecir el riesgo de desarrollar un trastorno psicótico durante seis años a partir de cinco variables clínicas recogidas rutinariamente seleccionadas a priori, de acuerdo con las pautas metodológicas^15:edad, género, etnia, edad por sexo y diagnóstico de índice primario. Estas variables clínicas se seleccionaron sobre la base de conocimientos a priori obtenidos a partir de metaanálisis^16,,17, según lo recomendado por las directrices metodológicas de última generación^15. El número de predictores se limita a conservar la relación Evento por variable y minimizar los sesgos de sobreajuste; incluyendo demasiadas variables sin filtro a priori conduce a problemas de sobreajuste y precisión de pronóstico deficiente¹⁸. El método utilizado para desarrollar este modelo proporciona una precisión de pronóstico similar a los métodos de aprendizaje automático^18. Los parámetros del modelo Cox se estimaron sobre la base de una cohorte retrospectiva no identificada del South London y Maudsley National Health Service Foundation Trust (SLaM)¹⁹. SLaM es un fideicomiso de salud mental del Servicio Nacional de Salud (NHS) que proporciona atención secundaria de salud mental a una población de 1,36 millones de personas en el sur de Londres (distritos de Lambeth, Southwark, Lewisham y Croydon), y tiene una de las tasas más altas registradas de psicosis en el mundo^20. Todos los datos utilizados en el desarrollo del modelo se extrajeron de la plataforma Clinical Record Interactive Search (CRIS), un sistema digital de registro de casos, que proporciona a los investigadores acceso retrospectivo y análisis de registros clínicos anónimos^19. La información clínica en CRIS se extrae de un sistema de Registro Electrónico de Salud (EHR) a medida, en SLaM, llamado Sistema Electrónico de Viaje del Paciente (ePJS). SLaM está libre de papel y ePJS representa la plataforma de recopilación de datos estándar para la rutina clínica. Por lo tanto, la calculadora de riesgo transdiagnóstico aprovecha los EPR y tiene el potencial de examinar automáticamente los grandes EPR de los pacientes que acceden a la atención sanitaria mental secundaria, para detectar aquellos que pueden estar en riesgo de psicosis. El algoritmo de esta calculadora de riesgo transdiagnóstico se ha publicado previamente^6,,14,21. La calculadora de riesgo transdiagnóstico ha sido validada externamente en dos NHS Foundation Trusts^14,,21 y optimizado^22,demostrando su adecuado rendimiento pronóstico y generalización en diferentes poblaciones.

De acuerdo con las directrices metodológicas sobre el desarrollo de un modelo de predicción de riesgos^15,,23, el siguiente paso después del desarrollo y validación del modelo es implementar el modelo de predicción en la práctica clínica de rutina. Los estudios de implementación suelen ir precedidos de estudios piloto o de viabilidad que abordan posibles limitaciones pragmáticas asociadas con el uso de algoritmos de riesgo en la práctica clínica. Por ejemplo, es posible que los datos necesarios para ejecutar una calculadora, como la edad, el sexo y la etnia, no estén disponibles en la fecha del diagnóstico o se actualicen más adelante. Se deben considerar métodos eficaces para controlar los datos que faltan y sincronizar actualizaciones frecuentes en secuencias de datos en tiempo real para obtener los resultados de predicción más fiables en una implementación. Además, dado que el desarrollo inicial de la calculadora de riesgos se basó en datos retrospectivos de cohortes, no se sabe si se puede utilizar en un flujo de datos en tiempo real que es típico de un entorno clínico del mundo real. Otro desafío es asegurar que los médicos relevantes reciban las recomendaciones generadas por la calculadora de riesgos dentro de un plazo adecuado y dentro de una vía de comunicación compartida y aceptada.

Para superar estas limitaciones, hemos completado un estudio de implementación de viabilidad empleando la calculadora de riesgo transdiagnóstico individualizada. El estudio incluyó dos fases: una fase in vitro que se llevó a cabo utilizando datos de la EHR local, sin contactar a médicos o pacientes, y una fase in vivo, que implicó el contacto directo con los médicos. La fase in vitro tenía dos objetivos de gran fin: i) abordar las barreras de aplicación de acuerdo con el Marco Consolidado de Investigación en Implementación (CFIR)²⁷ y ii) integrar la calculadora de riesgo transdiagnóstico en el EHR local. Las barreras de implementación incluyeron la comunicación de los resultados de riesgo a los médicos. En SLaM, se invita a todos los pacientes a registrarse en Consentimiento para el Contacto (C4C), lo que indica su disposición a ser contactados para la investigación, sin afectar la calidad de la atención. Esto reduce los problemas éticos relacionados con el contacto con los pacientes. Además, los grupos de trabajo con médicos ayudaron a adaptar la forma en que se comunicó esta información. Durante la fase in vivo (14 de mayo de 2018 a 29 de abril de 2019), todos los individuos (i) mayores de 14 años (ii) que accedían a cualquier servicio DeSM (municipios de Lambeth, Southwark, Lewisham, Croydon), (iii) recibiendo un primer diagnóstico primario del índice ICD-10 de cualquier trastorno mental no orgánico y no psicótico (con la excepción de Trastornos Psicóticos Agudos y Transitorios; ATPD), o una designación CHR-P y (iv) con los datos de contacto existentes se consideraron elegibles. Durante la fase in vivo, los nuevos pacientes que acceden a SLaM cada semana fueron automáticamente examinados para su riesgo de psicosis, y aquellos con un riesgo superior a un determinado umbral fueron detectados. A continuación, el equipo de investigación se comunicara con los médicos responsables de los pacientes para discutir otras recomendaciones y, finalmente, sugerir una nueva evaluación cara a cara⁶. Si se consideraba que los evaluados cumplían los criterios CHR-P, se remitían a los servicios especializados de CHR-P, como la divulgación y el apoyo en el sur de Londres (OASIS)²⁸. Esto resultaría en una mejor detección de individuos antes de la aparición de un trastorno psicótico y proporcionar una oportunidad significativa para alterar el curso del trastorno. Fundamentalmente, este estudio de viabilidad implicó la integración completa de la calculadora en el sistema EHR local, que es el tema del artículo actual. El protocolo completo de este estudio de viabilidad, incluyendo una visión general del plan para la evaluación de la investigación propuesta, detalles sobre la gestión de la seguridad de los datos y cuestiones éticas, se ha presentado en nuestro trabajo anterior⁶. El artículo actual, como parte del estudio de viabilidad^6,se centra selectivamente en presentar la implementación técnica de un sistema de detección y alerta de riesgos de psicosis en tiempo real basado en los datos locales de EHR. Más concretamente, el objetivo de este estudio es investigar la viabilidad técnica de esta calculadora de riesgos en la detección oportuna de pacientes en riesgo tan pronto como accedan a un servicio secundario de atención mental. Los resultados completos del estudio de viabilidad, en términos de adhesión de los médicos a las recomendaciones hechas por la calculadora de riesgos, se presentarán por separado. Una evaluación exhaustiva de la eficacia de la investigación propuesta, que requiere diseños aleatorios, está fuera del alcance del programa de investigación actual. Hasta nuestro mejor conocimiento, este es el primer método que describe la implementación de una calculadora de riesgos basada en datos EHR en vivo para la detección temprana de psicosis.

Nuestro enfoque para la detección de riesgos de psicosis y alertas aprovecha la plataforma CogStack. La plataforma CogStack es una plataforma de extracción de texto y recuperación de información ligera, distribuida y tolerante a errores^24. Esta plataforma consta de tres componentes clave: 1) la canalización de CogStack que utiliza el marco Java Spring Batch para ingerir y sincronizar datos de un origen de datos predefinido (datos EHR estructurados y no estructurados en múltiples formatos como Word, archivos PDF e imágenes) a un receptor de datos predefinido en tiempo real; 2) Elasticsearch, un motor de búsqueda que permite el almacenamiento y la consulta del texto completo de los datos de EHR, así como proporcionar varias interfaces de programación de aplicaciones (API) para integrar análisis avanzados en el motor; y 3) Kibana, una interfaz de usuario interactiva basada en web que permite a los usuarios consultar datos en Elasticsearch, crear paneles de visualización y establecer alertas sobre anomalías u otros patrones de interés a partir de datos. Además, CogStack incorpora la capacidad de alertar a los médicos sobre posibles problemas por correo electrónico y SMS (texto), lo que permite a los médicos recibir notificaciones oportunas sobre pacientes en riesgo reportados por la calculadora de riesgos.

Presentamos un modelo de detección de riesgos de psicosis y alertas basadas en ePJS en SLaM, aprovechando la plataforma CogStack. En comparación con la plataforma CRIS que proporciona un mecanismo para el acceso retrospectivo a los registros de salud no identificados de ePJS semanalmente^19,la plataforma CogStack de SLaM permite el acceso a un EHR identificable en tiempo real, acercando las alertas al punto de atención y a la predicción de riesgos en un diseño prospectivo, aunque tanto las plataformas CRIS como CogStack utilizan datos procedentes de ePJS en SLaM. En la sección siguiente, proporcionamos detalles de los pasos clave de nuestro enfoque, incluida la preparación de datos de origen desde el EHR, la ingesta de los datos de origen en la plataforma CogStack para habilitar la búsqueda de texto completo a través de Elasticsearch, la ejecución de la calculadora de riesgo de psicosis mediante un subproceso de demonio Python y la configuración de visualizaciones interactivas y alertas de riesgo en tiempo real a través de la interfaz de usuario de Kibana. Cualquier investigador que tenga como objetivo construir un sistema de detección y alerta de riesgos en tiempo real basado en datos de EHR puede seguir el enfoque y su implementación de referencia. Como explicaremos a continuación, el método propuesto explota técnicas de código abierto y ligeras con alta flexibilidad y portabilidad. Esto permite que la calculadora de riesgos se ejecute en varias ubicaciones y muestra una alta aplicabilidad a otros algoritmos de estimación de riesgos. Además, el método funciona como un enfoque sencillo para mejorar las funcionalidades de detección y alerta de riesgos de un EHR integrado en un sistema general de salud.