Artigo
Danusa Calixto · Out. 27 6min de leitura

O Servidor FHIR alimenta o Project Vulcan na HL7 FHIR Connectathon

imagem

Coloquei o Servidor FHIR da InterSystems para trabalhar na HL7 FHIR Connectathon em Baltimore no último final de semana, postando pacotes, usando recursos Rest e interrogando o Guia de Implementação Vulcan. Nós montamos os projetos Real World Data (RWD) e Schedule of Activity (SoA) para o pessoal do Vulcan IG, indo em frente e conectando pesquisa clínica e dados de saúde. Empregamos uma abordagem bastante decente para atender aos requisitos,

Com os colegas da InterSystems (Huy, Russell, Regilo), estávamos responsáveis por dar suporte ao Servidor FHIR e à apropriação de dados para o evento. Se você já foi encarregado de digitar Pacotes FHIR para um caso de uso específico, acho que pode apreciar como a dificuldade pode ser enganosa.

Provemos alguns Servidores FHIR da InterSystems do tamanho de um aparelho de som, 16 núcleos/128 GB, um para cada projeto, e começamos a trabalhar para cada equipe. As equipes vieram preparadas com seus notebooks Python contra nossos endpoints, com a expectativa de escrever uma História FHIR para a SCA, com um script de teste processual validando as chamadas retornadas com os resultados esperados.

A meta da coorte para o RWD era bastante simples nas consultas de exemplo da Síndrome coronária aguda para mim:

Não é?

/Patient?birthdate=le2002-09-01&gender=male,female
/Encounter?reason-code:below=I20,I21,I22,I23,I24,I25&date=ge2020-09-01&date=le2021-09-31&status=finished&dischargeDisposition:not=exp
/MedicationAdministration?status=completed&effective-time=ge[Encounter-Start-Date]&
code=http://www.nlm.nih.gov/research/umls/rxnorm|1116632,http://www.nlm.nih.gov/research/umls/rxnorm|613391,http://www.nlm.nih.gov/research/umls/rxnorm|32968,http://www.nlm.nih.gov/research/umls/rxnorm|687667,http://www.nlm.nih.gov/research/umls/rxnorm|153658

Claro...

Fracassos Falha do Pacote de Submódulo Synthea De maneira esperançosa, nossa primeira ave-maria foi para gerar 2 milhões de recursos e milhares de Pacotes Synthea (usando este adorável repositório da InterSystems) para o endpoint de transação e o recurso de upload do Gerenciamento de Dados, incluindo vários submódulos centrados no coração e comutadores sofisticados...

docker run --rm -v $PWD/output:/output -v $PWD/modules:/modules --name synthea-docker intersystemsdc/irisdemo-base-synthea:version-$VERSION --exporter.practitioner.fhir.export true --exporter.hospital.fhir.export true --exporter.fhir.use_us_core_ig true -p 500 -s 21 -d /modules

Não alcançamos isso, o que não é surpreendente, eu acho, mas eu meio que esperava pelo menos chegar perto. Não chegamos.

Vitórias O Processo de Geração de Dados Então, o Geoff Low nos deu uma pista sobre seu processo, nos separamos e prosperamos... é assim que o processo acontece.

  1. Pegue um pacote de ponto de partida, em especial um que seja relevante para a Pesquisa e que tenha um mínimo de pacientes e encontros e use o pacote SDTM no sourceforge:

  2. Agora, implemente uma etapa de patching, para colocar o pacote no lugar, certifique-se de que ele seja carregado com sucesso no Servidor FHIR, carregue ou poste o pacote.

  3. Depois de um novo ponto de partida, aumente os encontros com os códigos de motivos previstos ( I20,I21,I22,I23,I24,I25 ).

  reasons = ["I21","I22","I23","I24","I25"]```
  1. Adicione medicamentos aos encontros, incluindo todos os medicamentos esperados para o encontro para a Pesquisa da SCA.
        medchoices = [
            {
                "code": "1116632",
                "display": "ticagrelor"
            },
            {
                "code": "613391",
                "display": "prasurgrel"
            },
            {
                "code": "32968",
                "display": "clopidogrel"
            }
        ]
        medchoice = random.choice(medchoices)
        medconcept = CodeableConcept(
                    coding=[
                        Coding(
                            code=medchoice["code"],
                            display=medchoice["display"],
                            system="http://www.nlm.nih.gov/research/umls/rxnorm",
                        )
                    ]
                )
IMPORTANTE!   Verifique se os medicamentos estão dentro das datas/horários do encontro.
  1. Em seguida, confira se os Encontros realmente são internações e inclua todos os tipos aplicáveis.

statuses = ["in-progress","finished"] dischargeCodes = { "code": "home", "display": "Home" }, { "code": "hosp", "display": "Hospice" }, { "code": "exp", "display": "Expired" }, { "code": "long", "display": "Long-term care" }, { "code": "alt-home", "display": "Alternative home" }, ]

Outra vitória Implementando o Parâmetro de Pesquisa do GI O Guia de Implementação Vulcan inclui um parâmetro de pesquisa que é necessário para retornar encontros por disposição de alta. Abordamos isso de duas maneiras:

a. Carregar todo o GI b. Carregar o Parâmetro de Pesquisa

Carregar só o Parâmetro de Pesquisa era o caminho mais curto e estávamos em uma situação complicada por tempo suficiente, então aqui está como foi esse processo.

Criada a pasta /tmp/mypackage, adicione o parâmetro de pesquisa do GI e seu próprio arquivo do pacote.

[irisdeploy@ip-192-168-0-37 tmp]$ tree /tmp/mypackage
/tmp/mypackage
├── package.json
└── parameter.json

O arquivo do pacote pode parecer assim:

{
  "name":"ron.sweeney.r4",
  "version":"0.0.1",
  "dependencies": {
    "hl7.fhir.r4.core":"4.0.1"
  }
}

Em seguida, carregue isso no IRIS, desta maneira:

TL4:IRIS:FHIRDB>do ##class(HS.FHIRMeta.Load.NpmLoader).importPackages($lb("/tmp/mypackage"))
Saving ron.sweeney.r4@0.0.1
Load Resources: ron.sweeney.r4@0.0.1

A próxima etapa é associar o pacote ao endpoint: imagem

Em seguida, indexe novamente os encontros no repositório: imagem

Agora, você já deve ter o parâmetro de pesquisa/pacote carregado no endpoint: imagem

Com o parâmetro de pesquisa carregado, podemos agora usá-lo assim!

curl https://fhir.ggyxlz8lbozu.workload-prod-fhiraas.isccloud.io/Encounter?dischargeDisposition=hosp

Enfim, o processo funcionou para nós, e considerar a geração de pacotes pela visão do Python foi uma abordagem muito melhor do que o Synthea às vezes é para conjuntos de dados minuciosos.

O conjunto de dados resultante com que saímos no Domingo está aqui.

Só queria compartilhar a experiência e agradecer às equipes dos projetos por tornarem o que pensei que seria um pesadelo em uma experiência divertida e educativa!

1
0 11
Discussão (0)2
Entre ou crie uma conta para continuar