정신병 예방의 영향은 우리가 위험에 처한 개별을 얼마나 효과적으로 검출할 수 있는지에 의해 제한됩니다. 이 프로토콜은 실제 전자 건강 기록 시스템에서 정신병 위험 탐지 및 경고 서비스를 구현하기위한 새로운 접근 방식을 제시합니다. 이 임상 기반 의 개별화 위험 계산기의 주요 장점은 다른 정신 조건에 걸쳐 실시간으로 전자 건강 기록을 사용하여 대규모로 정신병에 대한 위험에 개인의 자동 검출을 허용한다는 것입니다.
정신병을 위한 위험한 상태에 사람들을 검출하기 위한 현재 방법은 검출된 첫번째 에피소드 정신병 케이스의 단지 5-12%로 상대적으로 비효율적입니다. 이 시스템은 위험에 처한 사람들의 향상된 탐지뿐만 아니라 임상의에게 향상된 의사 소통을 할 수 있게 합니다. 개발된 플랫폼은 정신과에서 다른 위험 예측 모델링 및 검출 시스템을 위해 사용자 정의 할 수 있으며, 이것은 환자의 이익을 가진 임상 치료에 정밀 의학의 구현을 지원할 수 있습니다.
우리는 이 새로운 방법을 더 넓은 지역 사회에 전파하고 다른 연구자, 임상의, 환자, 간병인 및 이해 관계자와 협력하여 정신과에서 정밀 의학의 구현을 진전시키고자 합니다. 이 비디오가 이 목표의 성취를 용이하게 하기를 바랍니다. 이 시스템과 메서드를 배포하는 데 사용되었던 스크립트는 스터디에 자세히 설명되어 있지만.
우리의 연구 팀은 그들의 임상 설정에 유사한 접근을 실행하려는 미래 연구원을 지원하기 위하여 행복할 것입니다. GitHub에서 코드 리포지토리를 다운로드하거나 복제하는 것으로 시작합니다. 데이터 수집을 위해 CogStack 파이프라인을 구성하려면 cogstack_deploy/cogstack/디렉터리를 열고 정신병을 수정합니다.
데이터베이스 서버의 IP 주소, 데이터베이스 이름, 데이터베이스 사용자 이름 및 암호를 지정하는 등 전자 상태 기록 데이터베이스 설정에 따라 원본:dbconfiguration 섹션 설정을 구성하고 수정합니다. 웹 브라우저를 열고 Kibana 사용자 인터페이스에 액세스합니다. Kibana에 처음 액세스하려면 관리 및 인덱스 패턴 탭을 클릭하여 관심의 탄력적 검색 인덱스를 지정하고 인덱스 패턴 필드에 psychosis_base 입력합니다.
다음 단계를 클릭하고 시간 필터 필드 이름에 대한 ETL_updated_dttm 선택합니다. 그런 다음 인덱스 패턴 만들기를 클릭하여 Kibana의 psychosis_base 인덱스 패턴을 추가합니다. Kibana가 탄력적 검색 인덱스에 연결되면 검색 페이지를 통해 소스 데이터를 대화형으로 검색하고 탐색합니다.
위험 계산기에 액세스하려면 새 터미널 창을 열고 정신병 디렉토리를 엽니다. 위험 계산기에 사용되는 필요한 파이썬 패키지를 모두 설치하고 정신병 위험 계산기를 실행하기 위해 터미널에 적절한 명령을 입력합니다. 프로세스가 성공적으로 완료되면 위험 계산의 로그가 터미널에 인쇄되고 위험 결과는 CogStack 플랫폼 내에서 psychosis_risk라는 새로운 탄성 검색 인덱스에 저장됩니다.
Kibana 인터페이스의 위험 결과를 확인하려면 psychosis_risk 새로운 인덱스 패턴을 추가하여 Kibana를 psychosis_risk 인덱스와 연결하고 검색 페이지를 통해 위험 결과를 탐색합니다. 시각화 및 대시보드를 구축하여 위험에 처한 환자의 전체 인구에 대한 특성 개요를 얻으려면 시각화를 클릭하고 새 시각화 만들기를 클릭합니다. 시각화 유형을 선택하고 시각화할 인덱스로 psychosis_risk 선택합니다.
개별 시각화가 빌드되면 대시보드를 클릭하여 관련 시각화 집합을 함께 표시하는 대시보드를 만듭니다. 환자가 정신병의 위험한 상태에 있을 때 임상의를 위한 경고를 만들려면, 관리 및 감시자 클릭합니다. 새 감시기를 설정하려면 고급 시계 만들기를 클릭하고 ID와 이름을 입력합니다.
임상의의 주소로 경고 이메일을 보내려면 시계 JSON 섹션의 내용을 삭제하고 감시자의 콘텐츠를 복사합니다. json 파일은 시계 JSON 섹션에 정신병 디렉토리와 함께. 감시자를 저장하기 전에 시뮬레이션을 클릭하여 감시자 실행을 테스트합니다.
감시자가 성공적으로 설정되면 시뮬레이션 출력이 나타납니다. 이 대표적인 그림에서는 시간이 지남에 따라 CogStack에 수집된 레코드 수를 레코드의 마지막 업데이트 날짜에 따라 연대순으로 관찰할 수 있습니다. 탄성 검색 인덱스에서 데이터베이스의 레코드의 숫자와 내용을 비교하면 누락된 데이터와 이산 데이터가 검출되어 CogStack 파이프라인의 안정성과 동기화에서 데이터 수집을 확인할 수 없습니다.
이 수치가 설명한 바와 같이, 환자 민족, 성별, 연령 및 진단의 범주를 포함하여 정신병의 위험한 상태에 환자를 위한 특성은 시각화될 수 있습니다. 여기서, 시연된 바와 같이 Kibana의 시계 구성 요소를 사용하여 위험 경고 서비스를 설정하는 인터페이스를 관찰할 수 있다. 이 서비스가 성공적으로 구성되면, 2년 동안 정신병의 위험이 5% 이상인 한 명 이상의 환자가 있는 경우, 사용자는 현지 전자 건강 기록 시스템에서 올바른 정보를 추출하는 것이 중요합니다.
우리는 결과의 예측을 더욱 향상시키기 위해이 위험 계산기와이 프로토콜의 세련된 버전을 통합 할 수 있습니다. 우리는 환자 증상이 변화함에 따라 결과를 실시간으로 업데이트 할 수있는이 위험 계산기의 동적 버전을 더 통합 할 수 있으므로 환자의 임상 경로를 더 잘 반영하는 더 신뢰할 수있는 예측을 제공합니다. 이 프로토콜은 임상의가 환자 치료, 안전 및 경험을 개선하기 위해 적시에 결정을 내릴 수 있도록 다른 위험 예측 모델에 대한 모니터링 및 전달 경고를 허용하도록 재구성 할 수 있습니다.
