デューク大学の研究者が、命を救う発作の機械学習スコアカードの作成に協力
発行日:ダーラム – デューク大学の研究者らは、どの患者がEEGによる継続的なモニタリングを最も必要としているかを判断するためのシンプルなスコアカードの作成に協力した。
デューク大学とハーバード大学のコンピューター科学者は、マサチューセッツ総合病院とウィスコンシン大学の医師と協力し、脳卒中やその他の脳損傷を負った後に破壊性発作を起こすリスクが最も高い患者を予測できる機械学習モデルを開発した。
彼らが開発したポイントシステムは、どの患者が高価な持続脳波（cEEG）モニタリングを受けるべきかを判断するのに役立つ。全国的に導入されれば、このモデルによって病院はほぼ3倍の患者をモニタリングできるようになり、多くの命が救われ、毎年1億4,400万ドルが節約できると著者らは述べている。
解釈可能な機械学習アプローチの背後にある方法を詳述した論文が、6月19日にJournal of Machine Learning Researchにオンラインで掲載されました。
脳動脈瘤が脳出血を引き起こすと、その損傷の多くは最初の数時間で起こるのではなく、患者が発作を起こすにつれて時間とともに蓄積されます。しかし、患者の状態は苦痛の兆候を外に表すことができないため、発作が起きていることを知る唯一の方法は脳波検査です。しかし、この技術で患者を継続的に監視するには費用がかかり、測定値を解釈するには高度な訓練を受けた医師が必要です。
ウィスコンシン大学医学部および公衆衛生学部の神経学助教授アーロン・ストラック氏と、マサチューセッツ総合病院の集中治療 EEG モニタリング サービスのディレクターであるブランドン・ウェストオーバー氏は、これらの限られたリソースを最適化しようとしました。集中治療 EEG モニタリング研究コンソーシアムの同僚の協力を得て、彼らは約 5,500 人の患者から数十の変数に関するデータを収集し、作業に取り掛かりました。
「私たちは、発作を起こすリスクが最も高い人を判断するためのポイントシステムを望んでいました」とストラック氏は語った。「しかし、データからポイントシステムを作成する従来の方法を試みたとき、行き詰まってしまいました。そこで、ルディン教授とウストゥン博士と協力し始めたのです。」
シンシア・ルーディンデューク大学のコンピューターサイエンスと電気・コンピューター工学の教授である、バーク・ウステン氏と、彼女の元博士課程の学生で現在はハーバード大学のポスドクであるバーク・ウステン氏は、解釈可能な機械学習を専門としています。ほとんどの機械学習モデルは人間が理解するには複雑すぎる「ブラックボックス」ですが、解釈可能な機械学習モデルは、平易な英語でレポートを返すことに限られています。
ルディン氏とウストゥン氏はすでに、他のアプリケーション向けにスコアリング システムと呼ばれるシンプルなモデルを生成する機械学習アルゴリズムを開発していた。ティーン雑誌で、好きな人が自分の好意に応えているかどうかを判断することを目的としたスコアリング システムの例を目にすることがあるだろう (過去 1 週間にテキスト メッセージを送信した場合は 1 ポイント、クラスで隣に座った場合は 2 ポイント)。合計が 10 ポイントを超える組み合わせは、花火が打ち上がる運命にあることを意味する。
ただし、Rudin と Ustun のスコアリング システムは、「切断平面」と「分枝限定法」と呼ばれる最適化手法の高度な組み合わせに基づいています。
たとえば、ボウル型のグラフの底点を探しているとします。従来の切断面法では、ハーフパイプで勢いを失ったスノーボーダーのように、接線を使用して底に素早く落ち着く点を選択します。しかし、この方法で、最小の点かつ整数を見つけるように求められた場合 (制限のない答えは整数にはならない可能性が高い)、ほぼ受け入れられる答えの膨大な数の間を無期限に検索し続ける可能性があります。
この問題を回避するために、ルディン氏とウストゥン氏は、切断面の最適化と、検索の大部分を省略する分岐限定法と呼ばれる別の方法を組み合わせました。その後、最適で解釈可能な答えが生成されるまで、プロセス全体が繰り返されます。
彼らの方法は、睡眠時無呼吸、アルツハイマー病、成人のADHDのスクリーニング検査の作成においてすでに成功していることが証明されていた。ルディン氏とウストゥン氏は、それをcEEGデータに再適合させるだけでよかった。
「この機械学習ツールは何千人もの患者から発作データを取得し、2HELPS2B というモデルを作成しました」とルディン氏は言います。「このモデルの素晴らしい点は、臨床医が名前を知るだけで覚えられることです。医師が独自に考え出したもののように見えますが、データと統計に基づいた本格的な機械学習モデルです。」
ここで示す2HELPS2Bシステムは、臨床医が記憶して、患者が発作を起こす確率を推定することができる。
このモデルでは、医師が患者の cEEG で見つかったパターンとスパイクに基づいてポイントを付与します。最大 7 点を加算すると、各ポイント間隔で患者が発作を起こす確率が 5% 未満から 95% 以上まで推定されます。
研究者らは、このモデルを新たな 2,000 件の症例でテストし、うまく機能することを発見しました。その能力に確固たる自信を得た 2HELPS2B モデルは、ウィスコンシン大学とマサチューセッツ総合病院で運用され、医師は最も必要とされる場合にのみ cEEG を使用できるようになりました。
このモデルを1年間使用した結果、患者1人あたりのcEEGモニタリング期間が63.6%短縮され、モニタリングできる患者数がほぼ3倍になり、合計で$610万のコスト削減が実現しました。
このモデルは現在、さらに 4 つの病院で使用されています。研究者らは、全国のすべての病院がこのモデルを採用した場合、毎年合計 $5400 万ドルを節約できると計算しています。
「しかし、2HELPS2B モデルは、コスト削減以上に、発作が気づかれず、治療もされないままになっている人々を監視するのに役立っています」とウェストオーバー氏は言う。「そして、それが命を救い、脳を救うのです。」