I ricercatori della Duke contribuiscono a creare una scorecard di apprendimento automatico per le convulsioni che salva vite umane
Data di pubblicazione:DURHAM – I ricercatori della Duke hanno contribuito a creare una semplice scheda di valutazione per determinare quali pazienti necessitano maggiormente di essere monitorati continuamente da un EEG.
Gli informatici della Duke University e della Harvard University si sono uniti ai medici del Massachusetts General Hospital e dell'Università del Wisconsin per sviluppare un modello di apprendimento automatico in grado di prevedere quali pazienti sono maggiormente a rischio di avere convulsioni distruttive dopo aver subito un ictus o altre lesioni cerebrali.
Un sistema di punti che hanno sviluppato aiuta a determinare quali pazienti dovrebbero ricevere un costoso monitoraggio dell'elettroencefalografia continua (cEEG). Implementato a livello nazionale, gli autori affermano che il loro modello potrebbe aiutare gli ospedali a monitorare un numero di pazienti quasi tre volte superiore, salvando molte vite e $54 milioni ogni anno.
Un articolo che descrive in dettaglio i metodi alla base dell'approccio interpretabile dell'apprendimento automatico è apparso online il 19 giugno sul Journal of Machine Learning Research.
Quando un aneurisma cerebrale provoca un'emorragia cerebrale, gran parte del danno non viene risolto nelle prime ore, ma si accumula nel tempo man mano che il paziente sperimenta convulsioni. Ma poiché le condizioni del paziente non consentono loro di mostrare alcun segno esteriore di disagio, l'unico modo per capire che stanno avendo convulsioni è attraverso un EEG. Tuttavia, il monitoraggio continuo di un paziente con questa tecnologia è costoso e richiede medici altamente qualificati per interpretare le letture.
Aaron Struck, assistente professore di neurologia presso la School of Medicine and Public Health dell'Università del Wisconsin, e Brandon Westover, direttore del Critical Care EEG Monitoring Service presso il Massachusetts General Hospital, hanno cercato di ottimizzare queste risorse limitate. Attraverso l'aiuto dei colleghi del Critical Care EEG Monitoring Research Consortium, hanno raccolto dati su dozzine di variabili da quasi 5.500 pazienti e si sono messi al lavoro.
"Volevamo un sistema di punti per decidere chi ha il maggior rischio di avere convulsioni", ha detto Struck. “Ma quando abbiamo provato gli approcci tradizionali per crearne uno partendo dai dati, siamo rimasti bloccati. È stato allora che abbiamo iniziato a lavorare con il professor Rudin e il dottor Ustun.
Cinzia Rudin, professore di informatica e ingegneria elettrica e informatica alla Duke, e il suo ex studente di dottorato, Berk Ustun, che ora è un postdoc ad Harvard, sono specializzati nell'apprendimento automatico interpretabile. Mentre la maggior parte dei modelli di machine learning sono una “scatola nera” troppo complicata per essere compresa da un essere umano, i modelli interpretabili di machine learning si limitano a riportare in un inglese semplice.
Rudin e Ustun avevano già creato un algoritmo di apprendimento automatico che produce modelli semplici chiamati sistemi di punteggio per altre applicazioni. Potresti vedere esempi di sistemi di punteggio nelle riviste per adolescenti volti a determinare se la persona per cui hai una cotta ricambia o meno il tuo affetto. (Un punto se ti hanno mandato un messaggio nell'ultima settimana, due se si sono seduti accanto a te in classe.) Qualsiasi combinazione che ammonta a più di 10 punti significa che sei destinato ai fuochi d'artificio.
Tranne che i sistemi di punteggio di Rudin e Ustun si basano su una sofisticata combinazione di tecniche di ottimizzazione chiamate "piani di taglio" e "ramificazione e rilegatura".
Ad esempio, supponiamo che tu stia cercando il punto inferiore su un grafico a forma di ciotola. Un metodo tradizionale del piano di taglio utilizza linee tangenziali per scegliere punti che si depositano rapidamente sul fondo come uno snowboarder che perde slancio in un half-pipe. Ma se a questo metodo viene chiesto di trovare il punto più basso che sia anche un numero intero – cosa che probabilmente non sarà la risposta illimitata – potrebbe continuare la sua ricerca tra il vasto numero di risposte quasi accettabili all’infinito.
Per evitare questo problema, Rudin e Ustun hanno combinato l'ottimizzazione del piano di taglio con un'altra chiamata branch and bound, che elimina gran parte della ricerca. L'intero processo si ripete quindi fino a quando non viene prodotta una risposta ottimale e interpretabile.
Il loro metodo si era già dimostrato efficace creando test di screening per l'apnea notturna, il morbo di Alzheimer e l'ADHD negli adulti. Rudin e Ustun dovevano semplicemente adattarlo ai dati cEEG.
"Questo strumento di apprendimento automatico ha raccolto dati sulle crisi di migliaia di pazienti e ha prodotto un modello chiamato 2HELPS2B", ha affermato Rudin. “E la cosa bella di questo modello è che i medici possono memorizzarlo semplicemente conoscendone il nome. Sembra qualcosa che i medici inventerebbero da soli, ma è un modello di apprendimento automatico completo basato su dati e statistiche."
Il sistema 2HELPS2B qui mostrato può essere memorizzato dai medici per stimare la probabilità che un paziente abbia una crisi convulsiva
Il modello prevede che i medici attribuiscano punti ai pazienti in base ai modelli e ai picchi riscontrati nei loro cEEG. Con un conteggio massimo di sette, il risultato fornisce una stima della probabilità che il paziente abbia una crisi in ciascun intervallo di punti che varia da meno del 5% a più del 95%.
I ricercatori hanno testato il modello su una nuova serie di 2.000 casi e hanno scoperto che funzionava bene. Fermamente fiducioso nelle sue capacità, il modello 2HELPS2B è stato poi messo in servizio presso l’Università del Wisconsin e il Massachusetts General Hospital, consentendo ai medici di utilizzare il cEEG solo dove era maggiormente necessario.
Dopo un anno di utilizzo, il modello ha comportato una riduzione del 63,6% della durata del monitoraggio cEEG per paziente, consentendo di monitorare un numero di pazienti quasi tre volte superiore e generando un risparmio combinato sui costi di $6,1 milioni.
Il modello viene ora utilizzato in altri quattro ospedali. Se tutti gli ospedali a livello nazionale lo adottassero, i ricercatori calcolano che potrebbero risparmiare un totale di $54 milioni ogni anno.
“Ma più che il risparmio sui costi, il modello 2HELPS2B ci sta aiutando a monitorare le persone le cui crisi altrimenti passerebbero inosservate e non trattate”, ha affermato Westover. "E questo significa salvare vite umane e salvare cervelli."