基于 CogStack 利用电子健康记录实现精神病风险实时检测与预警系统

精神病的预防效果受限于我们识别高危个体的效率。本方案提出了一种新方法，可在真实世界电子健康记录系统中实施精神病风险检测与预警服务。这种基于临床的个体化风险计算器的主要优势在于，能够利用覆盖多种精神疾病的电子健康记录，大规模、实时地自动识别出精神病高风险个体。

目前用于识别精神病高风险人群的方法效率相对较低，仅能检测出5-12%的首发精神病病例。该系统可提高对高风险个体的检出率，并改善与临床医生的沟通。所开发的平台可针对精神病学中的其他风险预测建模与检测系统进行定制，有助于在临床诊疗中推进精准医疗，使患者获益。

我们希望将这一新方法推广至更广泛的群体，并与其他研究人员、临床医生、患者、护理人员及利益相关者开展合作，以推动精准医学在精神病学领域的实施。我们期望本视频能够促进这一目标的实现。尽管本研究所用的脚本以及部署该系统和方法的具体细节已在研究中进行了详细描述。

我们的研究团队将很乐意为今后可能希望在其临床环境中实施类似方法的研究人员提供帮助。首先从 GitHub 下载或克隆代码仓库。为配置用于数据摄入的 CogStack 流程，请打开 cogstack_deploy/cogstack/ 目录并修改 psychosis。

属性并根据电子健康记录数据库的设置修改 source:dbconfiguration 部分的配置，包括指定数据库服务器的 IP 地址、数据库名称、数据库用户名和密码。打开网页浏览器并访问 Kibana 用户界面。首次访问 Kibana 时，点击管理（Management）和索引模式（Index Patterns）标签，以指定感兴趣的 Elastic Search 索引，并在索引模式字段中输入 psychosis_base。

单击“下一步”，然后为时间筛选器字段名称选择 ETL_updated_dttm。接着单击“创建索引模式”，以添加 psychosis_base 索引模式到 Kibana。当 Kibana 连接到 Elastic Search 索引后，即可通过“发现”页面交互式地搜索和浏览源数据。

要访问风险计算器，请打开一个新的终端窗口，并进入 psychosis 目录。在终端中输入相应命令，以安装风险计算器所需的所有 Python 软件包，并运行精神病风险计算器。如果过程成功完成，风险计算的日志将显示在终端中，风险结果将存储在 CogStack 平台内一个名为 psychosis_risk 的新 Elastic Search 索引中。

要在 Kibana 界面中查看风险结果，请添加一个新的索引模式 psychosis_risk，以将 Kibana 与 psychosis_risk 索引连接，并通过“发现”页面浏览风险结果。为了构建可视化图表和仪表板，以获得高风险患者整体人群特征的概览，请单击“可视化”，然后单击“创建新可视化”。选择可视化类型，并选择 psychosis_risk 作为待可视化的索引。

创建各个可视化图表后，单击“仪表板”以创建仪表板，将一组相关的可视化图表集中显示。为了在患者存在精神病风险时向临床医生发出警报，请单击“管理”和“监视器”。要设置新的监视器，请单击“创建高级监视”并输入ID和名称。

要向临床医生的邮箱发送警报邮件，请删除“watch JSON”部分中的内容，并将 psychosis 目录下 watcher.json 文件中的内容复制到“watch JSON”部分中。在保存 watcher 之前，请单击“Simulate”以测试 watcher 的执行情况。

如果监视器设置成功，模拟输出将显示出来。在此代表性图示中，可根据记录的最后更新日期，按时间顺序观察到随时间推移被摄入CogStack的记录数量。通过比较数据库与Elasticsearch索引中记录的数量和内容，未发现任何缺失或不一致的数据，证实了CogStack管道及数据同步摄入的可靠性。

如这些图表所示，可对精神病风险患者的人口学特征进行可视化展示，包括患者的种族、性别、年龄以及诊断类别。此处可观察到利用 Kibana 中的 watch 组件设置风险预警服务的界面。一旦该服务成功配置，若存在一名或多名患者在未来两年内患精神病的风险高于 5%，用户便会收到电子邮件通知。为确保从本地电子健康记录系统中提取的信息准确无误，进行交叉验证至关重要。

我们可以将该风险计算器的优化版本与本方案相结合，以进一步提升对预后结果的预测准确性。此外，还可整合该风险计算器的动态版本，使其能够根据患者症状的变化实时更新预后信息，从而提供更可靠的预测，更准确地反映患者的临床病程。本方案可重新配置，以支持对其他风险预测模型的监测并发出预警提示，帮助临床医生及时做出决策，从而改善患者的诊疗效果、安全性和就医体验。