חוקרי Duke עוזרים ליצור כרטיס ניקוד של למידת מכונה להתקפים שמצילים חיים

תאריך פרסום:

DURHAM –  חוקרים ב-Duke עזרו ליצור כרטיס ניקוד פשוט לקביעת המטופלים שהכי צריכים להיות במעקב רציף על ידי EEG.

מדעני מחשבים מאוניברסיטת דיוק ומאוניברסיטת הרווארד חברו לרופאים מבית החולים הכללי של מסצ'וסטס ומאוניברסיטת ויסקונסין כדי לפתח מודל למידת מכונה שיכול לחזות אילו מטופלים נמצאים בסיכון הגבוה ביותר ללקות בהתקפים הרסניים לאחר שסבלו משבץ מוחי או פגיעה מוחית אחרת.

מערכת נקודות שהם פיתחו עוזרת לקבוע אילו מטופלים צריכים לקבל ניטור אלקטרואנצפלוגרפי רציף יקר (cEEG). המחברים טוענים שהמודל שלהם מיושם בפריסה ארצית יכול לעזור לבתי חולים לנטר כמעט פי שלושה מטופלים, ולהציל חיים רבים כמו גם $54 מיליון בכל שנה.

מאמר המפרט את השיטות מאחורי גישת למידת המכונה הניתנת לפירוש הופיע באינטרנט ב-19 ביוני ב-Journal of Machine Learning Research.

סינתיה רודין, פרופסור חבר למדעי המחשב והנדסת חשמל ומחשבים בהיכל המדע של LSRC

 

כאשר מפרצת מוחית מובילה לדימום מוחי, חלק ניכר מהנזק לא נעשה רק בשעות הראשונות, הוא מצטבר עם הזמן כשהמטופל חווה התקפים. אך מכיוון שמצבו של המטופל אינו מאפשר להם להראות כל סימני מצוקה חיצוניים, הדרך היחידה לדעת שהם סובלים מהתקפים היא באמצעות EEG. עם זאת, ניטור רציף של חולה בטכנולוגיה זו הוא יקר ודורש רופאים מיומנים מאוד לפרש את הקריאות.

אהרון שטרוק, עוזר פרופסור לנוירולוגיה בבית הספר לרפואה ובריאות הציבור של אוניברסיטת ויסקונסין, וברנדון ווסטובר, מנהל שירות ניטור ה-EEG של טיפול קריטי בבית החולים הכללי של מסצ'וסטס, ביקשו לייעל את המשאבים המוגבלים הללו. בעזרת עמיתים ב-Critical Care EEG Monitoring Research Consortium, הם אספו נתונים על עשרות משתנים מכמעט 5,500 חולים והחלו לעבוד.

"רצינו מערכת נקודות שתחליט למי יש הסיכון הגדול ביותר לקבל התקפים", אמר סטרוק. "אבל כשניסינו גישות מסורתיות ליצור אחת מהנתונים, נתקענו. אז התחלנו לעבוד עם פרופסור רודין וד"ר אוסטון".

סינתיה רודין, פרופסור למדעי המחשב והנדסת חשמל ומחשבים ב-Duke, והסטודנט לשעבר שלה לדוקטורט, ברק אוסטון, שהוא כיום פוסט דוקטורט בהרווארד, מתמחים בלמידת מכונה ניתנת לפירוש. בעוד שרוב המודלים של למידת מכונה הם "קופסה שחורה" מסובכת מדי לאדם להבין, מודלים של למידת מכונה הניתנים לפירוש מוגבלים לדיווח חזרה באנגלית פשוטה.

ניתן לשנן את מערכת 2HELPS2B המוצגת כאן על ידי רופאים כדי להעריך את ההסתברות של חולה ללקות בהתקף

 

רודין ואוסטון כבר יצרו אלגוריתם למידת מכונה שמייצר מודלים פשוטים הנקראים מערכות ניקוד עבור יישומים אחרים. אולי תראה דוגמאות למערכות ניקוד במגזינים לנוער שמטרתן לקבוע אם המאהב שלך מחזיר לך את החיבה או לא. (נקודה אחת אם שלחו לך הודעה בשבוע האחרון, שתיים אם ישבו לידך בכיתה.) כל שילוב שמצטבר ליותר מ-10 נקודות אומר שאתה מיועד לזיקוקים.

מלבד מערכות הניקוד של רודין ואוסטון מבוססות על שילוב מתוחכם של טכניקות אופטימיזציה הנקראות 'מטוסים חיתוך' ו'ענף וכרוך'.

לדוגמה, נניח שחיפשת את הנקודה התחתונה בגרף בצורת קערה. שיטת מטוס חיתוך מסורתית משתמשת בקווים משיקים כדי לבחור נקודות שמתייצבות במהירות בתחתית שלה כמו גולש סנובורד שמאבד מומנטום בחצי פייפ. אבל אם שיטה זו תתבקש למצוא את הנקודה הנמוכה ביותר שהיא גם מספר שלם - מה שהתשובה הבלתי מוגבלת צפויה להיות - היא עשויה להמשיך בחיפושיה בין המספר העצום של תשובות כמעט מקובלות ללא הגבלת זמן.

כדי לעקוף את הנושא הזה, רודין ואוסטון שילבו אופטימיזציה של מטוס חיתוך עם אופטימיזציה אחרת שנקראת branch and bound, מה שמנתק חלק גדול מהחיפוש. לאחר מכן כל התהליך חוזר על עצמו עד שנוצרת תשובה אופטימלית ניתנת לפירוש.

השיטה שלהם כבר הוכיחה את עצמה כמוצלחת ביצירת בדיקות סקר לדום נשימה בשינה, מחלת אלצהיימר והפרעות קשב וריכוז למבוגרים. רודין ואוסטון רק היו צריכים להתאים אותו לנתוני ה-cEEG.

"כלי למידת מכונה זה לקח נתוני התקפים מאלפי חולים והוא ייצר מודל בשם 2HELPS2B", אמר רודין. "והדבר הגדול במודל הזה הוא שרופאים יכולים לשנן אותו רק על ידי ידיעת השם שלו. זה נראה כמו משהו שרופאים יגלו בעצמם, אבל זה מודל למידת מכונה מלאה המבוסס על נתונים וסטטיסטיקות".

ניתן לשנן את מערכת 2HELPS2B המוצגת כאן על ידי רופאים כדי להעריך את ההסתברות של חולה ללקות בהתקף

המודל מעניק לרופאים נקודות למטופלים על סמך הדפוסים והקוצים שנמצאו ב-cEEG שלהם. עם ספירה מקסימלית של שבעה, התוצאה מספקת אומדן הסתברות של המטופל ללקות בהתקף בכל מרווח נקודתי הנעים בין פחות מחמישה אחוזים ליותר מ-95 אחוזים.

החוקרים בדקו את המודל מול קבוצה חדשה של 2,000 מקרים ומצאו שהוא עובד היטב. מודל 2HELPS2B, בטוח ביכולותיו, הוכנס אז לשירות בבית החולים הכללי של אוניברסיטת ויסקונסין ומסצ'וסטס, מה שאיפשר לרופאים להשתמש ב-cEEG רק במקום בו היה צורך ביותר.

לאחר שנה של שימוש, המודל הביא להפחתה של 63.6 אחוזים במשך ניטור ה-cEEG לכל מטופל, מה שאיפשר ניטור של כמעט פי שלושה מטופלים תוך יצירת חיסכון משותף בעלויות של $6.1 מיליון.

המודל נמצא כעת בשימוש בארבעה בתי חולים נוספים. אם כל בתי החולים ברחבי הארץ יאמצו את זה, החוקרים מעריכים שהם יכולים לחסוך $54 מיליון מדי שנה.

"אבל יותר מהחיסכון בעלויות, מודל 2HELPS2B עוזר לנו לעקוב אחר אנשים שאחרת ההתקפים שלהם לא היו מורגשים ולא מטופלים", אמר ווסטובר. "וזה הצלת חיים והצלת מוחות."

מקור: WRAL TechWire