Summary

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

Published: May 15, 2020
doi:

Summary

Demonstramos como implantar um sistema de alerta e cálculo de risco de psicose em tempo real baseado no CogStack, uma plataforma de recuperação e extração de informações para registros eletrônicos de saúde.

Abstract

Estudos recentes têm demonstrado que uma calculadora de risco automatizada, inclusiva, transdiagnóstico e clinicamente baseada, fornece um poderoso sistema para suportar a detecção precoce de indivíduos em risco de psicose em larga escala, aproveitando registros eletrônicos de saúde (EHRs). Esta calculadora de risco foi validada externamente duas vezes e está sendo submetida a testes de viabilidade para implementação clínica. A integração dessa calculadora de risco na rotina clínica deve ser facilitada por estudos prospectivos de viabilidade, que são necessários para enfrentar desafios pragmáticos, como a falta de dados, e a usabilidade dessa calculadora de risco em um ambiente clínico real e rotineiro. Aqui, apresentamos uma abordagem para uma implementação prospectiva de um serviço de detecção e alerta de risco de psicose em tempo real em um sistema de EHR do mundo real. Esse método aproveita a plataforma CogStack, que é um sistema de recuperação de informações e extração de texto de código aberto, leve e distribuído. A plataforma CogStack incorpora um conjunto de serviços que permitem a busca completa de dados clínicos, cálculo contínuo e em tempo real do risco de psicose, alerta de risco precoce aos médicos e monitoramento visual dos pacientes ao longo do tempo. Nosso método inclui: 1) ingestão e sincronização de dados de múltiplas fontes na plataforma CogStack, 2) implementação de uma calculadora de risco, cujo algoritmo foi previamente desenvolvido e validado, para computação oportuna do risco de psicose de um paciente, 3) criação de visualizações interativas e dashboards para monitorar o estado de saúde dos pacientes ao longo do tempo, e 4) construção de sistemas de alerta automatizados para garantir que os médicos sejam notificados de pacientes em risco , para que as ações apropriadas possam ser tomadas. Este é o primeiro estudo que desenvolveu e implementou um sistema semelhante de detecção e alerta na rotina clínica para detecção precoce de psicose.

Introduction

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 famílias3,6. 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 anos8, mas é maior em alguns subgrupos específicos9,10. 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 metaanálises16,17, 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 anteriormente6,14,21. A calculadora de risco de transdiagnóstico foi validada externamente em dois NHS Foundation Trusts14,21 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 riscomodelo 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 viabilidade6,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.

Protocol

Este estudo foi aprovado pelo East of England – Cambridgeshire and Hertfordshire Research Ethics Committee (Número de referência: 18/EE/0066). NOTA: Desenvolvemos este protocolo baseado na plataforma CogStack e na linguagem de programação Python. Este sistema requer Docker (mais especificamente, Docker Compose https://docs.docker.com/compose/),Anaconda Python(https://www.anaconda.com/distribution/)e Git(https://git-scm.com/downloads)pré-instalados em um dispositivo. Os comandos fornecidos neste protocolo são baseados no ambiente Linux. A seguir, fornecemos os detalhes da preparação de dados de origem de um banco de dados EHR, ingerindo os dados para a plataforma CogStack e configurando um sistema de cálculo de risco em tempo real e alertando para psicose com base na plataforma CogStack. Além disso, foi desenvolvida uma versão online da calculadora de risco para facilitar o cálculo numérico da probabilidade de um indivíduo desenvolver psicose em cuidados secundários de saúde mental em http://www.psychosis-risk.net. 1. Preparação de dados de origem NOTA: Na maioria dos casos de uso, o CogStack ingere dados de origem de uma exibição de banco de dados especificada que pode combinar dados de uma ou mais tabelas de banco de dados de origem, onde uma exibição é um objeto pesquisável em um banco de dados que contém o conjunto de resultados de uma consulta armazenada nos dados. A configuração da visualização de ingestão é adaptada pelos casos específicos de uso e configurações de implantação de um sistema de banco de dados de registros de saúde. Este protocolo é desenvolvido com base em uma calculadora de risco de psicose desenvolvida e validada externamente duas vezes por Fusar-Poli et al.14,21 e como parte de um estudo de viabilidade de implementação piloto6. O protocolo é baseado em um banco de dados EHR implantado com o Microsoft SQL Server 2014. Crie um objeto de exibição (chamado “vwPsychosisBase” neste protocolo) em um sistema de banco de dados EHR existente para juntar as informações necessárias dos pacientes para o cálculo e alerta de risco de psicose. Certifique-se de que esta visão inclua todos os pacientes que recebem um primeiro diagnóstico primário de transtorno mental não orgânico e não psicótico (registrado pela Classificação Estatística Internacional de Doenças e Problemas Relacionados à Saúde, Décima Revisão [CID-10]), conforme definido no modelo original14,21. Certifique-se de que cada registro na visão envolve três tipos de informações do paciente: 1) o primeiro diagnóstico primário de um paciente no sistema de EHR, incluindo o índice de diagnóstico da CID-10 (os diagnósticos foram agrupados nos dez agrupados seguintes: transtornos psicóticos agudos e transitórios, transtornos de ansiedade, transtornos de humor bipolares, transtornos de início infantil e adolescente, distúrbios do desenvolvimento, transtornos de humor não bipolares, retardo mental, transtornos de personalidade, síndromes fisiológicas, transtornos de uso de substâncias) e data de diagnóstico; 2) dados demográficos do paciente, incluindo sexo, etnia e data de nascimento; e 3) as informações de contato mais recentes da equipe de atendimento a um paciente, como detalhes da prática geral (GP), consultores e coordenadores de cuidados. Os dois primeiros tipos de informação são vitais para a calculadora de risco de psicose14,21, e o terceiro tipo de informação é para permitir alertas de risco oportunos. Certifique-se de que cada registro na exibição tenha um identificador único (por exemplo, “patient_id” usado neste protocolo). Selecione os carimbos de tempo da última atualização de todas as informações de origem relacionadas a um registro na exibição (por exemplo, os últimos tempos de atualização das informações demográficas de um paciente e as primeiras informações de diagnóstico primário do paciente), e escolha o último carimbo de data e hora da última atualização para o registro na exibição (denotado como “etl_updated_dttm” neste protocolo). A última data e hora de atualização de um registro permite que o CogStack sincronize atualizações no banco de dados, como registros novos e atualizados. 2. Ingestão de dados Baixe ou clone o repositório de código do Github(https://github.com/cogstack-slam/psychosis)ou digitando “git clone https://github.com/cogstack-slam/psychosis.git”em uma janela de terminal. A pasta baixada contém o código para os arquivos de cálculo e configuração de risco de psicose para a implantação de uma instância do CogStack. Vá para o diretório “cogstack_deploy/cogstack/” e modifique “psychosis.properties” para configurar o CogStack Pipeline para ingestão de dados. Modifique as configurações da seção “SOURCE: DB CONFIGURATIONS” com base na configuração do banco de dados EHR, incluindo especificação do endereço IP do servidor de banco de dados, nome do banco de dados, nome de usuário do banco de dados e senha. Modifique o nome de exibição (ou seja, “vwPsychosisBase”) e nomes de campo (por exemplo, “patient_id” e “etl_updated_dttm”) se necessário. Em caso de erro na configuração deste arquivo, siga as instruções em https://cogstack.atlassian.net/wiki/spaces/COGDOC/pages/38043684/Quickstart. Vá para o diretório “cogstack_deploy/common/elasticsearch/config/” e modifique a seção “xpack.notification.email.account” no arquivo “elasticsearch.yml” para configurar um endereço de e-mail para enviar alertas. Uma instrução detalhada para configuração de e-mail pode ser encontrada no https://www.elastic.co/guide/en/kibana/6.4/watcher-create-threshold-alert.html. Vá para o diretório “cogstack_deploy/” e digite “docker-compor” para executar a plataforma CogStack. Execute este comando com acesso raiz. Se o processo for concluído com sucesso, haverá registros de status impressos dos serviços em execução, incluindo CogStack Pipeline, Elasticsearch e Kibana, no terminal. Como resultado, todos os dados e atualizações na exibição do banco de dados de origem serão ingeridos oportunamente para um índice elasticsearch chamado “psychosis_base” na plataforma CogStack. Abra um navegador da Web e acesse a interface do usuário kibana digitando “http://localhost:5601/” (ou substituindo “localhost” por um endereço IP específico do servidor executando a plataforma CogStack). Pela primeira vez acessando o Kibana, clique na guia Gerenciamento e padrões de índice para especificar um índice Elasticsearch que se deseja acessar com kinaba. Digite “psychosis_base” no campo “Index “e clique em Próximo passo. Selecione “etl_updated_dttm” para o nome de campo “Time Filter” e clique em Criar padrão de índice para adicionar o padrão de índice “psychosis_base” para Kinana. Uma vez que kibana está conectado ao índice Elasticsearch (ou seja, “psychosis_base”), pesquise e navegue os dados de origem interativamente através da página “Discover”. O Kibana permite que usuários não técnicos procurem metadados estruturados e texto sumário gratuito. Instruções detalhadas de uso de “Discover” estão disponíveis em https://www.elastic.co/guide/en/kibana/6.4/discover.html. 3. Cálculo de risco Abra uma nova janela de terminal e vá para o diretório “psicose /”. Instale todos os pacotes Python necessários (incluindo “elasticsearch”, “elasticsearch_dsl”, ” pandas ” e “numpy”)usadosna calculadora de risco digitando “conda install package-name” ou “pip install package-name” no terminal. Digite “python risk_calculator.py” para executar a calculadora de risco de psicose. Se o processo for concluído com sucesso, os registros do cálculo de risco serão impressos no terminal e os resultados de risco serão armazenados em um novo índice Elasticsearch chamado “psychosis_risk” dentro da plataforma CogStack. Verifique os resultados de risco usando a interface Kibana. Semelhante às Etapas 2.5 e 2.6, adicione um novo padrão de índice “psychosis_risk” para conectar Kinbana com o índice “psychosis_risk”, e explorar os resultados de risco através da página “Discover”. Para facilitar a identificação de novos pacientes em risco, use “first_primary_diagnosis_date” como o campo “Filtro de Tempo” na construção do índice “psychosis_risk”. Ao explorar dados na página “Discover”, certifique-se de que o padrão de índice “psychosis_risk” seja selecionado. 4. Visualização de dados Além de pesquisar e acessar informações de nível individual através da página “Discover” em Kibana, pode-se construir visualizações e dashboards para obter uma visão geral das características de toda a população de pacientes em risco. Para fazer isso, clique em Visualizar na navegação lateral de Kibana. Em seguida, clique no botão Criar novo visualização e escolha um tipo de visualização (por exemplo, gráficos de torta e linha). Selecione “psychosis_risk” como o índice que se quer visualizar através de Kibana. Por padrão, as visualizações incluirão todos os registros/pacientes no índice “psychosis_risk”. Instruções detalhadas sobre a construção de visualizações de Kibana estão disponíveis em https://www.elastic.co/guide/en/kibana/6.4/visualize.html. Para selecionar um subconjunto específico de dados para visualização, adicione um “filtro”. Por exemplo, selecionar um filtro arquivado como “h_2_year”, escolher um operador como “não está entre” e definir valores de “0,0” para “0,05” incluirá apenas pacientes cujo risco de psicose em 2 anos é maior que 0,05. Uma vez que as visualizações individuais são construídas, clique no Dashboard na navegação lateral do Kibana para criar um painel que exibe um conjunto de visualizações relacionadas em conjunto. Clique em Criar novo painel de instrumentos e no botão Adicionar para criar um novo painel de painel. Clique em visualizações que se deseja mostrar dentro do novo painel de painel. Clique em Salvar e digite um título para salvar o painel. Instruções sobre a construção de painéis Kibana estão disponíveis em https://www.elastic.co/guide/en/kibana/6.4/dashboard.html. 5. Alerta de risco Clique em Gestão na navegação lateral de Kibana e clique em Watcher em Elasticsearch para criar alertas para médicos quando os pacientes estavam em risco de psicose. Se o botão Watcher não estiver visível, clique em Gerenciamento de licenças e clique em Iniciar a avaliação ou a licença atualizar. Clique em Criar relógio avançado para configurar um novo Watcher. Digite um “ID” e “Name”. Exclua o conteúdo da seção “Watch JSON” e copie o conteúdo no arquivo “watcher.json” no diretório “psicose” para a seção “Watch JSON”. Este observador enviará um e-mail de alerta para “clinician@nhs.uk” (que pode ser substituído pelo endereço de e-mail onde se deseja enviar alertas) de “username@nhs.uk” (que foi definido na Etapa 2.3) se houver um ou mais pacientes cujo risco de psicose em 2 anos seja superior a 0,05 (um limite provisório para testes de viabilidade) a cada 24 horas. Antes de salvar o Observador, clique em Simular para testar a execução do Observador. Se o Observador estiver definido com sucesso, veremos a saída de simulação impressa. Em caso de erro nas configurações, siga as instruções sobre https://www.elastic.co/guide/en/elastic-stack-overview/6.4/watcher-getting-started.html. Para parar um Observador, exclua-o permanentemente ou desative-o temporariamente da página “Status” do Observador.

Representative Results

Nesta seção, apresentamos resultados de implementação com foco na praticidade no manuseio de fluxos de dados clínicos ao vivo elaborados através da calculadora de risco e facilitando a entrega oportuna de resultados prognósticos aos médicos. Avaliações da utilidade clínica do sistema, como a adesão dos médicos às recomendações feitas pela calculadora de risco, serão apresentadas em relatório separado quando concluídas. Ingestão de dados de origemImplantamos o sistema de cálculo e alerta de risco de psicose com base em um banco de dados de réplicas de ePJS no SLaM. Este banco de dados de réplica sincroniza os dados ao vivo do ePJS a cada 10 minutos. Uma visão de banco de dados combinando informações dos pacientes para o cálculo do risco de psicose foi construída neste banco de dados de réplicas, onde cada registro contém informações para um paciente. Todos os registros nesta visão foram ingeridos na plataforma CogStack em tempo real (aproximadamente 0,6 microssegundos por registro em uma máquina virtual com CPU de 8 núcleos e MEMÓRIA RAM de 16 GB). Até 13 de julho de 2019, quando este manuscrito foi preparado, todos os registros de 202.289 pacientes que receberam um primeiro diagnóstico de índice de transtorno mental não orgânico e não psicótico no SLaM foram ingeridos no CogStack para cálculo de risco de psicose, armazenados no índice “psychosis_base” Elasticsearch.. A Figura 1 mostra o número de registros ingeridos no CogStack ao longo do tempo, em ordem cronológica com base na última data de atualização de um registro. Comparando-se os números e o conteúdo dos registros no banco de dados e no índice Elasticsearch, não foram encontrados dados ausentes e discrepantes, o que confirma a confiabilidade do CogStack Pipeline na ingestão e sincronização de dados. Validação de resultados de riscoPara validar a implementação do detector de risco de psicose neste protocolo, comparamos pacientes em risco detectados pelo CogStack (chamado de “versão CogStack”) com aqueles detectados pela calculadora de risco original baseada no CRIS (chamada “versão CRIS”). Como não foram desenvolvidos limiares para triagem de um paciente em risco6,14,21, aqui usamos um limiar provisório de 5% para o risco de psicose em dois anos. Note-se que este limiar provisório é apenas para testar se o sistema pode funcionar pragmaticamente no NHS e é suscetível a mudanças com pesquisas futuras. O limiar real para uma detecção ideal de indivíduos em risco precisará ser identificado em estudos futuros em larga escala. Especificamente, primeiro recuperamos todos os pacientes que tinham risco de psicose acima do limiar na versão CRIS (número de pacientes N=169). Todos esses pacientes receberam o primeiro diagnóstico de transtorno mental não orgânico e não psicótico no SLaM de 14 de maio de 2018 a 29 de abril de 2019. Ao filtrar pacientes que foram diagnosticados no mesmo período de tempo, recuperamos N=170 pacientes cujo risco de psicose em 2 anos foi superior a 0,05 na versão CogStack. Por fim, comparamos a diferença entre os dois conjuntos de pacientes, onde o número total de pacientes únicos nos dois conjuntos é de N=173. Verificou-se que 161 pacientes (representando 93% dos 173 pacientes) apresentaram os mesmos escores em ambas as versões. O alto grau de concordância confirma a validade deste protocolo baseado em CogStack na geração de pontuações de risco. Havia 12 pacientes com escores de risco diferentes nas duas versões. Ao inspecionar as EHRs dos pacientes, verificou-se que essa diferença foi porque os dados desses pacientes foram atualizados após o cálculo dos escores de risco na versão CRIS. Especificamente, embora os preditores utilizados na calculadora de risco, como data de nascimento, sexo e etnia autoatribuída, fossem variáveis estáticas, alguns registros de saúde de alguns pacientes apresentavam valor faltante ou padrão para uma variável (por exemplo, uma etnia desconhecida) em estágio inicial e essas variáveis foram inseridas ou atualizadas posteriormente. Isso pode levar a diferentes pontuações de risco em dois estágios diferentes. Da mesma forma, os primeiros diagnósticos de índice primário de alguns pacientes foram invalidados após o cálculo do escore de risco inicial com base nesses diagnósticos. Neste caso, a calculadora de risco procurará o próximo diagnóstico primário válido para esse paciente e recalculará um escore de risco. A pontuação de risco atualizada também pode diferir da inicial. Como a calculadora de risco original foi desenvolvida com base em dados retrospectivos no CRIS para uso em pesquisa, os pipelines de calculadora originais não sincronizaram essas atualizações nos dados de EHR e atualizaram os escores de risco em tempo hábil. Em contraste, a pontuação de risco de um paciente será recalculada na versão CogStack se algum dado de origem do paciente for atualizado, o que permite que esta calculadora baseada em CogStack forneça os escores de risco mais confiáveis e atualizados para os pacientes. Esses resultados destacam fortemente a confiabilidade dos escores de risco neste protocolo. Visualização de resultados e alerta de riscoPara demonstrar as capacidades do CogStack na visualização de dados, construímos um painel para informações sobre pacientes em risco de psicose. Como usado anteriormente para testes de viabilidade, selecionamos aqueles que têm risco de psicose em dois anos superiores a 5% como pacientes de risco. A Figura 2 mostra as visualizações de características para pacientes em risco de psicose, incluindo etnias, gêneros, idades e categorias de diagnósticos. Além de visualizar os resultados de risco através de interfaces web (por exemplo, Kibana), este protocolo permite que alertas de risco sejam enviados a usuários ou médicos por meio de outros canais de notificação, como o E-mail. A Figura 3 mostra a interface para definir um serviço de alerta de risco usando o componente Relógio em Kibana. Uma vez configurado este serviço com sucesso, os usuários podem receber uma notificação por e-mail se houver um ou mais pacientes cujo risco de psicose em dois anos seja superior a 5%. A Figura 4 mostra um exemplo dessas notificações de E-mail, que relata o número de pacientes em risco e os bairros desses pacientes. Uma vez que é necessário mais trabalho para adaptar a forma como os escores de risco de psicose previstos são comunicados, não enviamos notificações de risco diretamente aos médicos. Para testar a viabilidade tecnológica, todas as notificações deste estudo foram enviadas de um pesquisador técnico (T.W.) para um pesquisador clínico (D.O.) através do sistema de e-mail do SLaM dentro de uma rede segura. Apenas uma estatística agregada de informações do paciente foi incluída em uma notificação; nenhuma informação pessoalmente identificável foi incluída. Figura 1: Dados de origem ingeridos no CogStack. Há 202.289 registros no total ingeridos no índice “psychosis_base” Elasticsearch até 13 de julho de 2019, e o histograma mostra os números de registros ingeridos ao longo do tempo, ordenados pela última atualização do tempo de dados de um registro. Também é possível consultar informações estruturadas e não estruturadas e obter resultados de pesquisa que correspondam à consulta nesta página. Clique aqui para ver uma versão maior desta figura. Figura 2: Painel de características de pacientes em risco de psicose (ou seja, o risco de psicose em 2 anos superior a 0,05). (a) Distribuição de etnias para pacientes em risco, onde as tortas externas são as subcategorias de uma categoria de etnia em tortas interiores. (b) distribuição do sexo dos pacientes,(c)distribuição das idades dos pacientes no diagnóstico e(d)número de pacientes por grupo diagnóstico. Clique aqui para ver uma versão maior desta figura. Figura 3: Ajuste e simulação Relógio para alerta de risco. Clique aqui para ver uma versão maior desta figura. Figura 4: Um exemplo de alerta de risco de e-mail. O número de pacientes em risco de psicose em cada Grupo de Comissionamento Clínico (CCG) é relatado entre parênteses. Clique aqui para ver uma versão maior desta figura.

Discussion

Demonstramos a primeira implementação do EHR de um sistema de detecção e alerta de risco de psicose em tempo real baseado no CogStack, uma plataforma de recuperação e extração de informações de código aberto. Seguindo essa abordagem, pode-se transformar e ingerir um grande conjunto de dados clínicos em diversos formatos, incluindo informações estruturadas e não estruturadas, em uma instância do CogStack, de modo a permitir a busca completa de texto, análises interativas e visualização de dados, bem como alertaem em tempo real para médicos de pacientes que estão em risco de psicose. Embora a calculadora de risco de psicose original tenha sido validada em estudos piloto em vários NHS Trusts, embora usando registros retrospectivos de pacientes6,14,21, este projeto experimental fornece a primeira base de evidências de que esta calculadora de risco pode ser replicada e implantada para uso em tempo real. Essa abordagem permite a entrega automática de resultados prognósticos aos médicos por meio de canais de notificação clínica existentes, como o E-mail, em tempo real. Isso demonstra claramente a viabilidade técnica para a realização de um estudo de eficácia em larga escala para avaliar a utilidade clínica final desta calculadora de risco no mundo real.

Este protocolo é empiricamente inovador, pois não existe um sistema de detecção e alerta de risco semelhante para psicose. Além disso, este protocolo tem alta generalizidade no uso clínico, particularmente devido aos pontos fortes únicos de nossa abordagem. Do ponto de vista teórico, utilizou-se um modelo de previsão de risco que foi desenvolvido com base em uma grande coorte retrospectiva desidentificada do SLaM NHS Trust. O SLaM fornece cuidados secundários de saúde mental a uma população de 1,36 milhão de indivíduos no sul de Londres e tem uma das maiores taxas registradas de psicose no mundo. Essa grande coorte, que tem alta diversidade de características sociodemográficas e diagnósticas, permite desenvolver um modelo de previsão de risco que dificilmente será tendencioso em relação a uma população com características específicas. Isso é apoiado por evidências de que a precisão prognóstica desta calculadora de risco já foi replicada duas vezes em duas bases de dados diferentes14,21, incluindo uma fora do SLaM. Outra força teórica desse modelo de risco é que as informações básicas de diagnóstico demográfico e clínico foram utilizadas como preditores. Tais informações são onipresentes em dados clínicos eletrônicos e, de fato, os dados ausentes para esses preditores têm se mostrado relativamente raros em nossos estudos anteriores14,21. A alta disponibilidade de informações para a construção de preditores permite executar a calculadora de risco sobre um grande número de amostras de pacientes em diferentes setores secundários de saúde mental. Além disso, a calculadora de risco é um algoritmo geral que é adequado para todos os indivíduos em risco de desenvolver psicose em cuidados secundários de saúde mental, independentemente da idade dos indivíduos. Ou seja, esta calculadora não é apenas adequada para a faixa etária de 15 a 35 anos de risco de psicose de pico16,mas também para aqueles fora dessa faixa, mostrando um alto grau de generalizância.

Do ponto de vista prático, tanto a calculadora de risco quanto a plataforma CogStack são serviços leves e de código aberto que não envolvem técnicas pesadas ou infra-estrutura dispendiosa. Uma plataforma de baixo custo e fácil de implantar pode reduzir as barreiras à sua adoção em ambientes clínicos reais. Além disso, nossa solução supera a principal barreira de implementação: os sistemas de estimativa de risco fornecem pouco valor, a menos que sejam usados por médicos na prática cotidiana25. Especificamente, nossa abordagem acessa dados do EHR, realiza análises independentes de um sistema de prontuário eletrônico e pode enviar os resultados da análise de volta aos médicos através dos canais de notificação existentes. Esse método não exige que a lógica de negócios em sistemas pré-existentes seja modificada e possa funcionar como um serviço autônomo para apoiar e estender os sistemas de suporte de decisão clínica existentes. Assim, o protocolo tem alta compatibilidade com sistemas clínicos pré-existentes e pode ser facilmente integrado à prática clínica de rotina. Além disso, o protocolo fornece interfaces fáceis de usar para pesquisa, análise e visualização de dados clínicos, o que facilita a interpretação e exploração dos resultados de risco pelos médicos.

Este protocolo também tem suas limitações. Em primeiro lugar, a eficácia deste protocolo não foi avaliada na prática clínica de rotina. Este estudo concentrou-se em testes de viabilidade técnica da implementação de um sistema de detecção e alerta de risco de psicose em tempo real em um EHR local. Para avaliar melhor a eficácia desse sistema na prática clínica de rotina, são necessários futuros ensaios controlados randomizados em larga escala6. Uma segunda limitação é que as previsões de escores de risco neste protocolo foram feitas com base nos primeiros diagnósticos primários, que são dados estáticos coletados em um único instantâneo. No entanto, os sintomas de Chr-P estão evoluindo intrinsecamente ao longo do tempo. Uma versão dinâmica da calculadora de risco de psicose, na qual os modelos de previsão podem ser atualizados dinamicamente para refletir as mudanças, foi desenvolvida recentemente26. O trabalho futuro se concentrará em integrar essa calculadora dinâmica no protocolo atual.

O passo mais crítico nessa abordagem foi identificar dados de EHR utilizados para preditores de extratona na calculadora de risco. Isso também pode envolver a criação de mapeamentos de elementos de dados, quando um sistema DeHR usou um modelo de dados diferente do usado neste protocolo, como sistemas de codificação distintos para grupos étnicos dos pacientes. Temos código aberto todas as definições de código e mapeamento on-line(https://github.com/cogstack-slam/psychosis). Com base nesses materiais, seria capaz de replicar a implantação ou ajustar a calculadora dependendo da própria circunstância. Outro passo crítico foi a criação de uma visualização de banco de dados para ingestão de dados no CogStack. Uma vez que as operações de adesão relacional (ou seja, combinando colunas de uma ou mais tabelas de banco de dados) no Elasticsearch podem levar a um alto custo computacional, realizamos essas operações de adesão no banco de dados eHR, criando uma visualização de banco de dados. Essa visão combinou todas as informações necessárias para extrair preditores na calculadora de risco, e dois campos vitais que foram usados pelos gasodutos CogStack para particionamento de dados na ingestão de dados. O primeiro campo é uma chave primária única para cada registro na exibição (“patient_id” usou este protocolo) e o segundo é um carimbo de tempo quando um registro foi modificado mais recentemente. Se esses dois campos não foram definidos corretamente, o CogStack pode não sincronizar as atualizações de dados em um banco de dados EHR oportunamente. Instruções detalhadas para solucionar problemas na ingestão de dados do CogStack estão disponíveis em https://cogstack.atlassian.net/wiki/spaces/COGDOC/overview e https://github.com/CogStack/CogStack-Pipeline.

Este protocolo é altamente transportável e pode ser facilmente implantado no NHS Trusts que tem uma plataforma CRIS ou CogStack. Até agora, a plataforma CRIS, incluindo os procedimentos de consentimento, foi totalmente descrita em outros lugares e está em expansão em 12 NHS Trusts no Reino Unido, aproveitando mais de 2 milhões de registros de pacientes desidentificados(https://crisnetwork.co/). Da mesma forma, a plataforma CogStack foi implantada não apenas no SLaM, mas também em outros NHS Trusts em todo o Reino Unido, como University College London Hospitals (UCLH), King’s College Hospital (KCH), Guy’s and St Thomas’ (GSTT) e Mersey Care NHS Trusts. Esses Trusts sem tal plataforma podem usar uma versão on-line da calculadora de risco(http://psychosis-risk.net),ou construir este protocolo do zero com base neste manuscrito e em nossos documentos on-line. Embora este protocolo seja desenvolvido para detecção de risco de psicose, o projeto arquitetônico deste protocolo não está vinculado a este caso de uso específico. O protocolo é flexível o suficiente para permitir a reconfiguração e a redefinição dos componentes de monitoramento e alerta em tempo real para outras áreas de medição de risco, como reações adversas a medicamentos, permitindo assim que os médicos tomem medidas oportunas para melhorar o cuidado, a segurança e a experiência do paciente.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este estudo é financiado por e é uma saída direta do prêmio King’s College London Confidence in Concept do Medical Research Council (MRC) (MC_PC_16048) para o PFP. RD e AR foram apoiados por: (a) a Caridade Maudsley; (b) o National Institute for Health Research (NIHR) Biomedical Research Centre no sul de Londres e maudsley NHS Foundation Trust e King’s College London; (c) Health Data Research UK, que é financiado pelo Uk Medical Research Council, Engineering and Physical Sciences Research Council, Economic and Social Research Council, Department of Health and Social Care (Inglaterra), Chief Scientist Office of the Scottish Government Health and Social Care Directorates, Health and Social Care Research and Development Division (Governo galês), Public Health Agency (Irlanda do Norte), British Heart Foundation e Wellcome Trust; d O Consórcio BigData@Heart, financiado pela Iniciativa de Medicamentos Inovadores-2 Joint Undertaking sob o contrato de concessão nº 116074. Este Compromisso Conjunto recebe apoio do programa de pesquisa e inovação Horizon 2020 da União Europeia e da EFPIA; é presidida, por DE Grobbee e SD Anker, em parceria com 20 parceiros acadêmicos e industriais e ESC; e (e) O National Institute for Health Research University College London Hospitals Biomedical Research Centre. Esses órgãos financiadores não tiveram papel na concepção do estudo, coleta e análise. As opiniões expressas são as do autor(s) e não necessariamente as do NHS, do NIHR ou do Departamento de Saúde.

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

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).

Play Video

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).

View Video