精神病予防の影響は、危険にさらされている個人をいかに効果的に検出できるかによって制限されます。このプロトコルは、現実世界の電子健康記録システムで精神病リスク検出とアラートサービスを実装するための新しいアプローチを提示します。この臨床ベースの個別化されたリスク計算機の主な利点は、異なる精神状態間およびリアルタイムで電子健康記録を使用して大規模に精神病の危険にさらされている個人の自動検出を可能にすることです。
精神病の危険にさらされている人々を検出するための現在の方法は比較的非効率的であり、検出された第1エピソード精神病症例の5〜12%に過ぎない。このシステムは、リスクを持つ人々の改善された検出だけでなく、臨床医へのコミュニケーションを改善することができます。開発されたプラットフォームは、精神医学における他のリスク予測モデリングおよび検出システムのためにカスタマイズすることができ、これは患者の利益を得て臨床ケアにおける精密医療の実施をサポートすることができます。
私たちは、この新しい方法を広い地域社会に広め、他の研究者、臨床医、患者、介護者、利害関係者と関わり、精神医学における精密医療の実施を進めたいと考えています。このビデオがこの目標の達成を促進することを願っています。このシステムとメソッドの展開に使用されたスクリプトは、この調査で詳細に説明されています。
私たちの研究チームは、臨床現場で同様のアプローチを実装したいと思うかもしれない将来の研究者を喜んで支援します。まず、GitHub からコード リポジトリをダウンロードまたは複製します。データインジェスト用の CogStack パイプラインを設定するには、cogstack_deploy/cogstack/ディレクトリを開き、精神病を変更します。
プロパティを変更し、データベース サーバーの IP アドレス、データベース名、データベース ユーザー名、およびパスワードの指定を含む、電子正常性レコード データベースの設定に基づいて source:dbconfiguration セクションの設定を変更します。Web ブラウザーを開き、Kibana ユーザーインターフェイスにアクセスします。Kibana に初めてアクセスする場合は、[管理とインデックス パターン] タブをクリックして、対象となる柔軟な検索インデックスを指定し、psychosis_baseをインデックス パターン フィールドに入力します。
[次のステップ] をクリックし、時間フィルター フィールド名のETL_updated_dttmを選択します。次に、[インデックスパターンの作成] をクリックして、Kibana のpsychosis_baseインデックスパターンを追加します。Kibana が elastic 検索インデックスに接続されたら、検出ページを通じてソース データを対話形式で検索して参照します。
リスク計算機にアクセスするには、新しいターミナルウィンドウを開き、精神病ディレクトリを開きます。適切なコマンドをターミナルに入力して、リスク計算機で使用される必要な Python パッケージをすべてインストールし、精神病リスク計算機を実行します。プロセスが正常に完了すると、リスク計算のログが端末に出力され、リスク結果はCogStackプラットフォーム内のpsychosis_riskと呼ばれる新しい弾性検索インデックスに保存されます。
Kibana インターフェイスでリスクの結果を確認するには、新しいインデックス パターンを追加psychosis_risk、Kibana と psychosis_risk インデックスを接続し、検出ページを通じてリスク結果を調べます。ビジュアライゼーションとダッシュボードを構築して、リスクのある患者の全集団の特性の概要を取得するには、[視覚化] をクリックし、[新しい視覚化の作成] をクリックします。視覚化の種類を選択し、視覚化するインデックスとしてpsychosis_riskを選択します。
個々のビジュアリゼーションを作成したら、[ダッシュボード] をクリックして、関連する一連の視覚エフェクトをまとめて表示するダッシュボードを作成します。患者が精神病のリスクがある場合に臨床医に警告を作成するには、[管理とウォッチャー]をクリックします。新しいウォッチャーを設定するには、[高度な監視を作成] をクリックし、ID と名前を入力します。
臨床医のアドレスに警告メールを送信するには、ウォッチ JSON セクションのコンテンツを削除し、ウォッチャーのコンテンツをコピーします。ウォッチ JSON セクションにサイコシスディレクトリを持つ json ファイル。ウォッチャーを保存する前に、[シミュレート] をクリックして、ウォッチャーの実行をテストします。
ウォッチャーが正常に設定されると、シミュレーション出力が表示されます。この代表的な数値では、時間の経過に従って CogStack に取り込まれたレコードの数は、レコードの最終更新日に基づいて時系列で確認できます。エラスティック検索インデックスでデータベース内のレコードの数と内容を比較すると、不足しているデータや不一致データが検出されず、CogStack パイプラインの信頼性と同期データの取り込みが確認されました。
これらの図が示すように、患者の民族性、性別、年齢、診断のカテゴリーを含む精神病のリスクがある患者の特徴を視覚化することができる。ここで、示されているようにKibanaで監視コンポーネントを使用してリスク警告サービスを設定するインターフェイスが観察できる。このサービスが正常に構成されると、2年間で精神病のリスクが5%を超える患者が1人以上いる場合、ユーザーは電子メール通知を受け取ります。
このリスク計算機とこのプロトコルの洗練されたバージョンを統合して、結果の予測をさらに改善することができます。患者の症状が変化するにつれて結果のリアルタイム更新を可能にするこのリスク計算機の動的バージョンをさらに統合することができ、したがって、患者の臨床経路をよりよく反映するより信頼性の高い予測を与える。このプロトコルは、他のリスク予測モデルへのアラートの監視と配信を可能にするように再構成することができ、臨床医は患者のケア、安全性、および経験を向上させるためにタイムリーな意思決定を行うことができます。
