Duken tutkijat auttavat luomaan koneoppimisen tuloskortin kohtauksille, jotka pelastavat ihmishenkiä
Julkaisupäivä:DURHAM – Duken tutkijat ovat auttaneet luomaan yksinkertaisen tuloskortin, jonka avulla voidaan määrittää, mitkä potilaat tarvitsevat eniten jatkuvaa EEG-seurantaa.
Duken yliopiston ja Harvardin yliopiston tietojenkäsittelytieteilijät ovat yhdessä Massachusettsin yleissairaalan ja Wisconsinin yliopiston lääkäreiden kanssa kehittäneet koneoppimismallin, joka voi ennustaa, ketkä potilaat ovat eniten vaarassa saada tuhoisia kohtauksia aivohalvauksen tai muun aivovamman jälkeen.
Heidän kehittämänsä pistejärjestelmä auttaa määrittämään, ketkä potilaat saavat kallista jatkuvaa elektroenkefalografiaa (cEEG). Valtakunnallisesti toteutettu malli voi auttaa sairaaloita seuraamaan lähes kolme kertaa enemmän potilaita, mikä säästää monia ihmishenkiä sekä $54 miljoonaa vuodessa.
Paperi, jossa kerrotaan yksityiskohtaisesti tulkittavan koneoppimislähestymistavan takana olevat menetelmät, ilmestyi verkossa 19. kesäkuuta Journal of Machine Learning Research -lehdessä.
Kun aivojen aneurysma johtaa aivoverenvuotoon, suuri osa vaurioista ei tapahdu vain muutaman ensimmäisen tunnin aikana, vaan se kerääntyy ajan myötä, kun potilas kokee kohtauksia. Mutta koska potilaan tila ei salli hänen osoittaa mitään ulkoisia ahdistuksen merkkejä, ainoa tapa kertoa, että hänellä on kohtauksia, on EEG. Potilaan jatkuva seuranta tällä tekniikalla on kuitenkin kallista ja vaatii korkeasti koulutettuja lääkäreitä lukemien tulkitsemiseen.
Wisconsinin yliopiston lääketieteellisen ja kansanterveyskoulun neurologian apulaisprofessori Aaron Struck ja Massachusettsin yleissairaalan Critical Care EEG-valvontapalvelun johtaja Brandon Westover pyrkivät optimoimaan nämä rajalliset resurssit. Critical Care EEG Monitoring Research Consortiumin kollegoiden avulla he keräsivät tietoa kymmenistä muuttujista lähes 5 500 potilaalta ja aloittivat työnsä.
"Halusimme pistejärjestelmän päättämään, kenellä on suurin riski saada kohtauksia", Struck sanoi. "Mutta kun yritimme luoda perinteisiä lähestymistapoja datasta, jäimme jumissa. Silloin aloimme työskennellä professori Rudinin ja tohtori Ustunin kanssa.
Cynthia Rudin, Duken tietojenkäsittelytieteen sekä sähkö- ja tietokonetekniikan professori, ja hänen entinen tohtoriopiskelijansa Berk Ustun, joka on nyt Harvardin postdoc, ovat erikoistuneet tulkittavaan koneoppimiseen. Vaikka useimmat koneoppimismallit ovat "musta laatikko", joka on liian monimutkainen ihmisen ymmärtämiseksi, tulkittavissa olevat koneoppimismallit rajoittuvat raportoimaan pelkällä englannin kielellä.
Rudin ja Ustun olivat jo luoneet koneoppimisalgoritmin, joka tuottaa yksinkertaisia malleja, joita kutsutaan pisteytysjärjestelmille muille sovelluksille. Saatat nähdä teini-lehdissä esimerkkejä pisteytysjärjestelmistä, joiden tarkoituksena on määrittää, palauttaako ihastuksesi kiintymyksesi. (Yksi piste, jos he ovat lähettäneet sinulle tekstiviestin kuluneen viikon aikana, kaksi, jos he ovat istuneet vieressäsi luokassa.) Mikä tahansa yhdistelmä, jonka summa on yli 10 pistettä, tarkoittaa, että olet tarkoitettu ilotulituksiin.
Paitsi Rudinin ja Ustunin pisteytysjärjestelmät perustuvat optimointitekniikoiden hienostuneeseen yhdistelmään, jota kutsutaan "leikkaustasoiksi" ja "haaroittuneiksi ja sidottuiksi".
Oletetaan esimerkiksi, että etsit kulhon muotoisen kaavion pohjapistettä. Perinteinen leikkaustasomenetelmä käyttää tangentiaalisia linjoja valitakseen kohdat, jotka asettuvat nopeasti sen pohjalle kuin lumilautailija, joka menettää vauhtiaan puoliputkessa. Mutta jos tätä menetelmää pyydetään löytämään alin piste, joka on myös kokonaisluku – jota rajoittamaton vastaus ei todennäköisesti ole – se saattaa jatkaa hakuaan lähes hyväksyttävien vastausten suuren määrän välillä loputtomiin.
Tämän ongelman ohittamiseksi Rudin ja Ustun yhdistivät leikkaustason optimoinnin toiseen, nimeltään haara ja sidominen, mikä katkaisee suuren osan hausta. Sitten koko prosessi toistuu, kunnes saadaan optimaalinen, tulkittavissa oleva vastaus.
Heidän menetelmänsä oli jo osoittautunut menestyksekkääksi luomalla seulontatestejä uniapnean, Alzheimerin taudin ja aikuisten ADHD:n varalta. Rudinin ja Ustunin täytyi vain sovittaa se uudelleen CEEG-tietoihin.
"Tämä koneoppimistyökalu otti kohtaustiedot tuhansilta potilailta ja tuotti mallin nimeltä 2HELPS2B", Rudin sanoi. "Ja hienoa tässä mallissa on se, että lääkärit voivat muistaa sen vain tietämällä sen nimen. Se näyttää joltain, jonka lääkärit keksivät itse, mutta se on täysimittainen koneoppimismalli, joka perustuu tietoihin ja tilastoihin.
Kliinikot voivat muistaa tässä esitetyn 2HELPS2B-järjestelmän, jotta he voivat arvioida todennäköisyyden, että potilaalla on kohtaus.
Mallissa lääkärit antavat potilaille pisteitä heidän CEEG:stään löydettyjen kuvioiden ja piikkien perusteella. Kun enimmäismäärä on seitsemän, tulos antaa todennäköisyysarvion, että potilaalla on kohtaus jokaisella pistevälillä, joka vaihtelee alle viidestä prosentista yli 95 prosenttiin.
Tutkijat testasivat mallia uutta 2 000 tapausta vastaan ja havaitsivat, että se toimi hyvin. Lujasti kykyihinsä luotettu 2HELPS2B-malli otettiin sitten käyttöön Wisconsinin yliopistossa ja Massachusettsin yleissairaalassa, jolloin lääkärit saattoivat käyttää cEEG:tä vain siellä, missä sitä eniten tarvittiin.
Vuoden käytön jälkeen malli lyhensi 63,6 prosenttia potilasta kohden CEEG-monitoroinnin kestoa, mikä mahdollisti lähes kolminkertaisen määrän potilaiden seurantaa ja tuotti yhteensä $6,1 miljoonan kustannussäästöt.
Malli on nyt käytössä neljässä muussa sairaalassa. Jos kaikki sairaalat valtakunnallisesti ottaisivat sen käyttöön, tutkijat laskevat, että he voisivat säästää yhteensä $54 miljoonaa vuodessa.
"Mutta enemmän kuin kustannussäästöjä, 2HELPS2B-malli auttaa meitä seuraamaan ihmisiä, joiden kohtaukset muuten jäisivät huomaamatta ja hoitamatta", Westover sanoi. "Ja se pelastaa ihmishenkiä ja aivoja."