Duke-Forscher helfen bei der Erstellung einer Scorecard für maschinelles Lernen für Anfälle, die Leben rettet
Veröffentlichungsdatum:DURHAM – Forscher der Duke University haben an der Entwicklung einer einfachen Scorecard mitgewirkt, mit der sich ermitteln lässt, welche Patienten am dringendsten einer kontinuierlichen EEG-Überwachung bedürfen.
Informatiker der Duke University und der Harvard University haben sich mit Ärzten des Massachusetts General Hospital und der University of Wisconsin zusammengetan, um ein Modell für maschinelles Lernen zu entwickeln, das vorhersagen kann, bei welchen Patienten nach einem Schlaganfall oder einer anderen Hirnverletzung das größte Risiko für destruktive Anfälle besteht.
Ein von ihnen entwickeltes Punktesystem hilft dabei, zu bestimmen, welche Patienten eine teure kontinuierliche Elektroenzephalographie (cEEG)-Überwachung erhalten sollten. Die Autoren sagen, dass ihr Modell, landesweit umgesetzt, Krankenhäusern helfen könnte, fast dreimal so viele Patienten zu überwachen, was viele Leben retten und jedes Jahr $54 Millionen Menschen einsparen würde.
Ein Artikel, der die Methoden hinter dem interpretierbaren maschinellen Lernansatz detailliert beschreibt, erschien am 19. Juni online im Journal of Machine Learning Research.
Wenn ein Hirnaneurysma zu einer Hirnblutung führt, entsteht ein Großteil des Schadens nicht in den ersten Stunden, sondern häuft sich im Laufe der Zeit an, wenn der Patient Anfälle erleidet. Da der Zustand des Patienten jedoch keine äußeren Anzeichen von Leiden zulässt, ist ein EEG die einzige Möglichkeit, Anfälle festzustellen. Die kontinuierliche Überwachung eines Patienten mit dieser Technologie ist jedoch teuer und erfordert hochqualifizierte Ärzte, um die Messwerte zu interpretieren.
Aaron Struck, Assistenzprofessor für Neurologie an der University of Wisconsin School of Medicine and Public Health, und Brandon Westover, Leiter des Critical Care EEG Monitoring Service am Massachusetts General Hospital, wollten diese begrenzten Ressourcen optimal nutzen. Mit Hilfe von Kollegen des Critical Care EEG Monitoring Research Consortium sammelten sie Daten zu Dutzenden von Variablen von fast 5.500 Patienten und machten sich an die Arbeit.
„Wir wollten ein Punktesystem, um zu entscheiden, wer das größte Risiko für Anfälle hat“, sagte Struck. „Als wir jedoch versuchten, mithilfe der Daten ein solches System mit herkömmlichen Methoden zu erstellen, kamen wir nicht weiter. So begannen wir mit der Zusammenarbeit mit Professor Rudin und Dr. Ustun.“
Cynthia Rudin, Professorin für Informatik und Elektro- und Computertechnik an der Duke University, und ihr ehemaliger Doktorand Berk Ustun, der jetzt Postdoc in Harvard ist, sind auf interpretierbares maschinelles Lernen spezialisiert. Während die meisten Modelle des maschinellen Lernens eine „Black Box“ sind, die für einen Menschen zu kompliziert zu verstehen ist, sind interpretierbare Modelle des maschinellen Lernens darauf beschränkt, in einfachem Englisch zu berichten.
Rudin und Ustun hatten bereits einen Algorithmus für maschinelles Lernen entwickelt, der einfache Modelle, sogenannte Bewertungssysteme, für andere Anwendungen erstellt. Beispiele für Bewertungssysteme finden Sie vielleicht in Jugendmagazinen, die bestimmen sollen, ob Ihr Schwarm Ihre Zuneigung erwidert oder nicht. (Ein Punkt, wenn er Ihnen in der letzten Woche eine SMS geschrieben hat, zwei, wenn er im Unterricht neben Ihnen gesessen hat.) Jede Kombination, die mehr als 10 Punkte ergibt, bedeutet, dass Sie ein Feuerwerk erleben werden.
Außer dass die Bewertungssysteme von Rudin und Ustun auf einer ausgeklügelten Kombination von Optimierungstechniken basieren, die als „Cutting Planes“ und „Branch and Bound“ bezeichnet werden.
Nehmen wir beispielsweise an, Sie suchen nach dem tiefsten Punkt eines schüsselförmigen Diagramms. Bei einer herkömmlichen Schnittebenenmethode werden Tangentiallinien verwendet, um Punkte auszuwählen, die sich schnell am tiefsten Punkt festsetzen, so wie ein Snowboarder in einer Halfpipe an Schwung verliert. Wenn diese Methode jedoch den tiefsten Punkt finden soll, der auch eine ganze Zahl ist – was bei der uneingeschränkten Antwort wahrscheinlich nicht der Fall ist –, könnte sie ihre Suche zwischen der großen Anzahl nahezu akzeptabler Antworten endlos fortsetzen.
Um dieses Problem zu umgehen, kombinierten Rudin und Ustun die Schnittebenenoptimierung mit einer anderen Methode namens Branch and Bound, die einen großen Teil der Suche ausschließt. Der gesamte Prozess wird dann wiederholt, bis eine optimale, interpretierbare Antwort vorliegt.
Ihre Methode hatte sich bereits bei der Entwicklung von Screeningtests für Schlafapnoe, Alzheimer und ADHS bei Erwachsenen als erfolgreich erwiesen. Rudin und Ustun mussten sie nur noch an die cEEG-Daten anpassen.
„Dieses maschinelle Lerntool hat Anfallsdaten von Tausenden von Patienten erfasst und ein Modell namens 2HELPS2B erstellt“, sagte Rudin. „Und das Tolle an diesem Modell ist, dass sich Ärzte es einfach merken können, wenn sie den Namen kennen. Es sieht aus wie etwas, das sich Ärzte selbst ausdenken würden, aber es ist ein vollwertiges maschinelles Lernmodell, das auf Daten und Statistiken basiert.“
Das hier gezeigte 2HELPS2B-System kann von Klinikern auswendig gelernt werden, um die Wahrscheinlichkeit eines Anfalls eines Patienten abzuschätzen.
Das Modell lässt die Ärzte den Patienten Punkte auf der Grundlage der Muster und Spitzen in ihren cEEGs geben. Bei einer maximalen Anzahl von sieben Punkten liefert das Ergebnis eine Wahrscheinlichkeitsschätzung, dass der Patient in jedem Punktintervall einen Anfall erleidet, die von weniger als fünf Prozent bis über 95 Prozent reicht.
Die Forscher testeten das Modell an einer neuen Gruppe von 2.000 Fällen und stellten fest, dass es gut funktionierte. Das 2HELPS2B-Modell war von seinen Fähigkeiten fest überzeugt und wurde dann an der University of Wisconsin und am Massachusetts General Hospital in Betrieb genommen. So konnten die Ärzte cEEG nur dort einsetzen, wo es am dringendsten benötigt wurde.
Nach einem Jahr der Nutzung führte das Modell zu einer 63,6-prozentigen Verkürzung der Dauer der cEEG-Überwachung pro Patient. Dadurch konnten fast dreimal so viele Patienten überwacht werden, während gleichzeitig eine Gesamtkostenersparnis von $6,1 Millionen erzielt wurde.
Das Modell wird derzeit in vier weiteren Krankenhäusern eingesetzt. Würden alle Krankenhäuser im ganzen Land es einführen, könnten sie nach Berechnungen der Forscher insgesamt 1454 Millionen Pfund pro Jahr einsparen.
„Aber mehr als die Kosteneinsparungen hilft uns das 2HELPS2B-Modell dabei, Menschen zu überwachen, deren Anfälle sonst unbemerkt und unbehandelt blieben“, sagte Westover. „Und das rettet Leben und Gehirne.“