Des chercheurs de Duke aident à créer un tableau de bord d'apprentissage automatique pour les crises qui sauvent des vies
Date publiée:DURHAM– Les chercheurs de Duke ont contribué à créer une carte de pointage simple permettant de déterminer quels patients ont le plus besoin d'être surveillés en permanence par un EEG.
Des informaticiens de l'Université Duke et de l'Université Harvard se sont associés à des médecins du Massachusetts General Hospital et de l'Université du Wisconsin pour développer un modèle d'apprentissage automatique capable de prédire quels patients sont les plus à risque d'avoir des crises destructrices après avoir subi un accident vasculaire cérébral ou une autre lésion cérébrale.
Un système de points qu'ils ont développé permet de déterminer quels patients doivent bénéficier d'une surveillance coûteuse par électroencéphalographie continue (cEEG). Mis en œuvre à l'échelle nationale, les auteurs affirment que leur modèle pourrait aider les hôpitaux à surveiller près de trois fois plus de patients, sauvant ainsi de nombreuses vies ainsi que $54 millions chaque année.
Un article détaillant les méthodes derrière l’approche interprétable d’apprentissage automatique a été publié en ligne le 19 juin dans le Journal of Machine Learning Research.
Lorsqu'un anévrisme cérébral entraîne une hémorragie cérébrale, la plupart des dommages ne sont pas causés au cours des premières heures seulement, ils s'accumulent au fil du temps à mesure que le patient subit des convulsions. Mais comme l'état du patient ne lui permet pas de montrer des signes extérieurs de détresse, la seule façon de savoir s'il a des convulsions est de procéder à un EEG. Cependant, la surveillance continue d'un patient avec cette technologie coûte cher et nécessite des médecins hautement qualifiés pour interpréter les lectures.
Aaron Struck, professeur adjoint de neurologie à l'École de médecine et de santé publique de l'Université du Wisconsin, et Brandon Westover, directeur du service de surveillance EEG en soins intensifs du Massachusetts General Hospital, ont cherché à optimiser ces ressources limitées. Grâce à l'aide de collègues du Critical Care EEG Monitoring Research Consortium, ils ont collecté des données sur des dizaines de variables auprès de près de 5 500 patients et se sont mis au travail.
"Nous voulions un système de points pour décider qui présente le plus grand risque de crises", a déclaré Struck. « Mais lorsque nous avons essayé des approches traditionnelles pour en créer une à partir des données, nous nous sommes retrouvés bloqués. C'est à ce moment-là que nous avons commencé à travailler avec le professeur Rudin et le Dr Ustun.
Cynthia Rudin, professeur d'informatique et de génie électrique et informatique à Duke, et son ancien doctorant, Berk Ustun, aujourd'hui postdoctorant à Harvard, se spécialisent dans l'apprentissage automatique interprétable. Alors que la plupart des modèles d’apprentissage automatique sont une « boîte noire » trop compliquée à comprendre pour un être humain, les modèles d’apprentissage automatique interprétables se limitent à produire des rapports dans un anglais simple.
Rudin et Ustun avaient déjà créé un algorithme d'apprentissage automatique qui produit des modèles simples appelés systèmes de notation pour d'autres applications. Vous verrez peut-être des exemples de systèmes de notation dans des magazines pour adolescents visant à déterminer si votre béguin vous rend ou non votre affection. (Un point s'ils vous ont envoyé un texto au cours de la semaine dernière, deux s'ils se sont assis à côté de vous en classe.) Toute combinaison qui totalise plus de 10 points signifie que vous êtes destiné à un feu d'artifice.
Sauf que les systèmes de notation de Rudin et Ustun sont basés sur une combinaison sophistiquée de techniques d'optimisation appelées « plans de coupe » et « branchement et liaison ».
Par exemple, supposons que vous recherchiez le point inférieur d’un graphique en forme de bol. Une méthode traditionnelle de plan de coupe utilise des lignes tangentielles pour choisir des points qui se déposent rapidement au fond, comme un snowboarder perdant son élan dans un half-pipe. Mais si l’on demande à cette méthode de trouver le point le plus bas qui est également un nombre entier – ce qui n’est probablement pas le cas d’une réponse sans restriction – elle pourrait poursuivre indéfiniment sa recherche parmi le grand nombre de réponses presque acceptables.
Pour contourner ce problème, Rudin et Ustun ont combiné l'optimisation du plan de coupe avec une autre appelée branch andbound, qui supprime une grande partie de la recherche. L’ensemble du processus se répète ensuite jusqu’à ce qu’une réponse optimale et interprétable soit produite.
Leur méthode s'est déjà révélée efficace en créant des tests de dépistage de l'apnée du sommeil, de la maladie d'Alzheimer et du TDAH chez l'adulte. Rudin et Ustun n'ont eu qu'à le réadapter aux données cEEG.
"Cet outil d'apprentissage automatique a pris des données sur les crises de milliers de patients et a produit un modèle appelé 2HELPS2B", a déclaré Rudin. « Et l’avantage de ce modèle est que les cliniciens peuvent le mémoriser simplement en connaissant son nom. Cela ressemble à quelque chose que les médecins pourraient imaginer eux-mêmes, mais il s'agit d'un modèle d'apprentissage automatique à part entière basé sur des données et des statistiques.
Le système 2HELPS2B présenté ici peut être mémorisé par les cliniciens pour estimer la probabilité qu'un patient ait une crise
Le modèle permet aux médecins d'attribuer des points aux patients en fonction des modèles et des pics trouvés dans leurs cEEG. Avec un total maximum de sept, le résultat fournit une estimation de la probabilité que le patient ait une crise à chaque intervalle de points allant de moins de cinq pour cent à plus de 95 pour cent.
Les chercheurs ont testé le modèle sur un nouvel ensemble de 2 000 cas et ont constaté qu’il fonctionnait bien. Solidement confiant dans ses capacités, le modèle 2HELPS2B a ensuite été mis en service à l’Université du Wisconsin et au Massachusetts General Hospital, permettant aux médecins de n’utiliser le cEEG que là où il était le plus nécessaire.
Après un an d'utilisation, le modèle a entraîné une réduction de 63,6 pour cent de la durée de surveillance cEEG par patient, permettant de surveiller près de trois fois plus de patients tout en générant des économies combinées de $6,1 millions.
Le modèle est désormais utilisé dans quatre autres hôpitaux. Si tous les hôpitaux du pays l’adoptaient, les chercheurs estiment qu’ils pourraient économiser collectivement $54 millions chaque année.
"Mais au-delà des économies de coûts, le modèle 2HELPS2B nous aide à surveiller les personnes dont les crises passeraient autrement inaperçues et non traitées", a déclaré Westover. "Et cela sauve des vies et des cerveaux."