Duke-forskere hjælper med at skabe maskinlæringsresultatkort for anfald, der redder liv
Udgivelsesdato:DURHAM – Forskere ved Duke har hjulpet med at skabe et simpelt scorecard til at bestemme, hvilke patienter der har mest behov for at blive overvåget kontinuerligt af et EEG.
Dataloger fra Duke University og Harvard University er gået sammen med læger fra Massachusetts General Hospital og University of Wisconsin for at udvikle en maskinlæringsmodel, der kan forudsige, hvilke patienter der har størst risiko for at få destruktive anfald efter at have fået et slagtilfælde eller anden hjerneskade.
Et pointsystem, de har udviklet, hjælper med at bestemme, hvilke patienter der skal modtage dyr kontinuerlig elektroencefalografi (cEEG) overvågning. Implementeret på landsplan, siger forfatterne, at deres model kan hjælpe hospitaler med at overvåge næsten tre gange så mange patienter, hvilket sparer mange liv såvel som $54 millioner hvert år.
Et papir, der beskriver metoderne bag den fortolkbare maskinlæringstilgang, udkom online den 19. juni i Journal of Machine Learning Research.
Når en hjerneaneurisme fører til en hjerneblødning, sker meget af skaden ikke i løbet af de første par timer, den akkumuleres over tid, efterhånden som patienten oplever anfald. Men fordi patientens tilstand ikke tillader dem at vise nogen ydre tegn på angst, er den eneste måde at fortælle, at de har anfald på, gennem et EEG. Kontinuerlig overvågning af en patient med denne teknologi er imidlertid dyrt og kræver højtuddannede læger til at fortolke aflæsningerne.
Aaron Struck, assisterende professor i neurologi ved University of Wisconsin School of Medicine and Public Health, og Brandon Westover, direktør for Critical Care EEG Monitoring Service på Massachusetts General Hospital, forsøgte at optimere disse begrænsede ressourcer. Ved hjælp af kolleger i Critical Care EEG Monitoring Research Consortium indsamlede de data om snesevis af variabler fra næsten 5.500 patienter og gik i gang.
"Vi ønskede et pointsystem til at afgøre, hvem der har størst risiko for at få anfald," sagde Struck. "Men da vi prøvede traditionelle tilgange til at skabe en ud fra dataene, gik vi i stå. Det var da, vi begyndte at arbejde med professor Rudin og Dr. Ustun.”
Cynthia Rudin, professor i datalogi og elektro- og computerteknik ved Duke, og hendes tidligere ph.d.-studerende, Berk Ustun, som nu er postdoc ved Harvard, har specialiseret sig i fortolkelig maskinlæring. Mens de fleste maskinlæringsmodeller er en "sort boks" for kompliceret for et menneske at forstå, er fortolkbare maskinlæringsmodeller begrænset til at rapportere tilbage på almindeligt engelsk.
Rudin og Ustun havde allerede skabt en maskinlæringsalgoritme, der producerer simple modeller kaldet scoringssystemer til andre applikationer. Du kan måske se eksempler på scoringssystemer i teenagemagasiner, der har til formål at afgøre, om din forelskelse vender tilbage til dine følelser. (Et point, hvis de har sendt en sms til dig inden for den seneste uge, to, hvis de har siddet ved siden af dig i klassen.) Enhver kombination, der giver op til mere end 10 point, betyder, at du er bestemt til fyrværkeri.
Bortset fra Rudin og Ustuns scoringssystemer er baseret på en sofistikeret kombination af optimeringsteknikker kaldet 'cutting planes' og 'branch and bound'.
Sig for eksempel, at du ledte efter bundpunktet på en skålformet graf. En traditionel skæreplanmetode bruger tangentielle linjer til at vælge punkter, der hurtigt sætter sig i bunden som en snowboarder, der mister momentum i en half-pipe. Men hvis denne metode bliver bedt om at finde det laveste punkt, der også er et helt tal - hvilket det ubegrænsede svar sandsynligvis ikke er - kan den fortsætte sin søgning mellem det store antal næsten acceptable svar på ubestemt tid.
For at omgå dette problem kombinerede Rudin og Ustun optimering af skæreplan med en anden kaldet branch and bound, som skærer en stor del af søgningen ud. Hele processen gentages derefter, indtil et optimalt, fortolkbart svar er produceret.
Deres metode havde allerede vist sig at være vellykket at skabe screeningstests for søvnapnø, Alzheimers sygdom og voksne ADHD. Rudin og Ustun skulle bare tilpasse det til cEEG-dataene.
"Dette maskinlæringsværktøj tog anfaldsdata fra tusindvis af patienter, og det producerede en model kaldet 2HELPS2B," sagde Rudin. "Og det fantastiske ved denne model er, at klinikere kan huske den blot ved at kende dens navn. Det ligner noget, læger ville finde på på egen hånd, men det er en komplet maskinlæringsmodel baseret på data og statistik."
2HELPS2B-systemet vist her kan huskes af klinikere for at estimere sandsynligheden for, at en patient får et anfald
Modellen har læger til at give point til patienter baseret på de mønstre og spidser, der findes i deres cEEG'er. Med et maksimalt tal på syv giver resultatet et sandsynlighedsestimat for, at patienten får et anfald ved hvert punktinterval, der spænder fra mindre end fem procent til mere end 95 procent.
Forskerne testede modellen mod et nyt sæt på 2.000 tilfælde og fandt ud af, at den fungerede godt. 2HELPS2B-modellen, der var fast sikker på sine evner, blev derefter taget i brug på University of Wisconsin og Massachusetts General Hospital, hvilket gjorde det muligt for læger kun at bruge cEEG, hvor det var mest nødvendigt.
Efter et års brug resulterede modellen i en reduktion på 63,6 procent i varigheden af cEEG-monitorering pr. patient, hvilket tillod næsten tre gange så mange patienter at blive overvåget, samtidig med at den genererede en kombineret omkostningsbesparelse på $6,1 mio.
Modellen bliver nu brugt på yderligere fire hospitaler. Hvis alle sygehuse på landsplan skulle vedtage det, beregner forskerne, at de tilsammen kunne spare $54 millioner hvert år.
"Men mere end omkostningsbesparelserne hjælper 2HELPS2B-modellen os med at overvåge mennesker, hvis anfald ellers ville forblive ubemærket og ubehandlet," sagde Westover. "Og det er at redde liv og redde hjerner."