듀크 연구진은 생명을 구하는 발작에 대한 기계 학습 스코어카드를 만드는 데 도움을 줍니다.
게시 날짜:더럼 – Duke의 연구원들은 EEG로 지속적으로 모니터링해야 하는 환자를 결정하기 위한 간단한 스코어카드를 만드는 데 도움을 주었습니다.
듀크 대학교와 하버드 대학교의 컴퓨터 과학자들은 매사추세츠 종합병원 및 위스콘신 대학교의 의사들과 협력하여 뇌졸중이나 기타 뇌 손상을 입은 후 파괴적 발작을 일으킬 위험이 가장 높은 환자를 예측할 수 있는 기계 학습 모델을 개발했습니다.
그들이 개발한 포인트 시스템은 어떤 환자가 값비싼 연속 뇌파검사(cEEG) 모니터링을 받아야 하는지 결정하는 데 도움이 됩니다. 전국적으로 구현된 이 모델은 병원이 거의 3배 많은 환자를 모니터링하여 매년 $54백만의 생명을 구하는 데 도움이 될 수 있다고 저자는 말합니다.
해석 가능한 기계 학습 접근 방식의 방법을 자세히 설명하는 논문이 6월 19일 Journal of Machine Learning Research에 온라인으로 게재되었습니다.
뇌동맥류로 인해 뇌출혈이 발생하면 대부분의 손상은 처음 몇 시간만에 끝나는 것이 아니라 환자가 발작을 경험하면서 시간이 지남에 따라 축적됩니다. 그러나 환자의 상태로 인해 외부적으로 고통의 징후를 보일 수 없기 때문에 발작이 있는지 알 수 있는 유일한 방법은 EEG를 통해서입니다. 그러나 이 기술을 사용하여 환자를 지속적으로 모니터링하려면 비용이 많이 들고 판독값을 해석하려면 고도로 훈련된 의사가 필요합니다.
위스콘신 대학교 의과대학 및 공중 보건 대학의 신경학 조교수인 Aaron Struck과 매사추세츠 종합 병원의 중환자 치료 EEG 모니터링 서비스 책임자인 Brandon Westover는 이러한 제한된 자원을 최적화하려고 노력했습니다. Critical Care EEG 모니터링 연구 컨소시엄의 동료들의 도움을 통해 그들은 약 5,500명의 환자로부터 수십 가지 변수에 대한 데이터를 수집하고 작업에 착수했습니다.
Struck은 “우리는 발작 위험이 가장 큰 사람을 결정하기 위한 포인트 시스템을 원했습니다.”라고 말했습니다. “하지만 데이터에서 하나를 생성하기 위해 전통적인 접근 방식을 시도했을 때 막혔습니다. 그때부터 우리는 Rudin 교수와 Ustun 박사와 함께 일하기 시작했습니다.”
신시아 루딘, 듀크 대학의 컴퓨터 과학 및 전기 및 컴퓨터 공학 교수와 그녀의 전 박사 과정 학생이자 현재 하버드에서 박사후 연구원으로 있는 Berk Ustun은 해석 가능한 기계 학습을 전문으로 합니다. 대부분의 기계 학습 모델은 인간이 이해하기에는 너무 복잡한 "블랙 박스"이지만, 해석 가능한 기계 학습 모델은 일반 영어로 보고하는 것으로 제한됩니다.
Rudin과 Ustun은 이미 다른 애플리케이션을 위한 채점 시스템이라는 간단한 모델을 생성하는 기계 학습 알고리즘을 만들었습니다. 당신이 좋아하는 사람이 당신의 애정에 보답하는지 여부를 판단하기 위한 점수 시스템의 예를 십대 잡지에서 볼 수 있습니다. (지난 주에 문자를 보냈다면 1점, 수업 시간에 옆에 앉았다면 2점.) 합산 점수가 10점 이상이면 불꽃놀이를 할 운명이라는 의미입니다.
Rudin과 Ustun의 채점 시스템을 제외하면 '컷팅 플레인(cutting planes)'과 '브랜치 앤 바운드(branch andbound)'라고 불리는 최적화 기술의 정교한 조합을 기반으로 합니다.
예를 들어, 그릇 모양의 그래프에서 바닥점을 찾고 있다고 가정해 보겠습니다. 전통적인 평면 절단 방법은 접선을 사용하여 하프파이프에서 추진력을 잃는 스노보더처럼 바닥에 빠르게 고정되는 점을 선택합니다. 그러나 이 방법에 정수이기도 한 가장 낮은 지점을 찾으라고 요청하는 경우(무제한 답변이 아닐 가능성이 높음) 거의 허용되는 수많은 답변 사이에서 무한정 검색을 계속할 수 있습니다.
이 문제를 해결하기 위해 Rudin과 Ustun은 절단 평면 최적화를 분기 및 경계라는 또 다른 기능과 결합하여 검색의 큰 부분을 잘라냈습니다. 그런 다음 해석 가능한 최적의 답변이 나올 때까지 전체 프로세스가 반복됩니다.
그들의 방법은 이미 수면 무호흡증, 알츠하이머병 및 성인 ADHD에 대한 선별 테스트를 성공적으로 수행한 것으로 입증되었습니다. Rudin과 Ustun은 이를 cEEG 데이터에 다시 맞춰야 했습니다.
"이 기계 학습 도구는 수천 명의 환자로부터 발작 데이터를 가져와 2HELPS2B라는 모델을 생성했습니다."라고 Rudin은 말했습니다. “그리고 이 모델의 가장 큰 장점은 임상의가 이름만 알면 기억할 수 있다는 점입니다. 의사들이 스스로 생각해 내는 것처럼 보이지만 데이터와 통계를 기반으로 한 본격적인 머신러닝 모델입니다.”
여기에 표시된 2HELPS2B 시스템은 임상의가 환자의 발작 가능성을 추정하기 위해 기억할 수 있습니다.
이 모델은 의사가 환자의 cEEG에서 발견된 패턴과 스파이크를 기반으로 환자에게 점수를 부여하도록 했습니다. 최대 7개까지 집계된 결과는 5% 미만에서 95% 이상 범위의 각 지점 간격에서 환자가 발작을 일으킬 확률 추정치를 제공합니다.
연구자들은 새로운 2,000개 사례 세트에 대해 모델을 테스트한 결과 잘 작동한다는 사실을 발견했습니다. 그 능력에 대해 확고한 확신을 갖고 있는 2HELPS2B 모델은 위스콘신 대학교와 매사추세츠 종합병원에서 서비스에 투입되어 의사들이 가장 필요한 곳에서만 cEEG를 사용할 수 있게 되었습니다.
1년 사용 후, 이 모델은 환자당 cEEG 모니터링 기간이 63.6% 단축되어 거의 3배 더 많은 환자를 모니터링할 수 있게 되었으며 총 비용 절감액은 $610만 달러에 달했습니다.
이 모델은 현재 4개 병원에서 더 사용되고 있습니다. 전국의 모든 병원이 이를 채택한다면 연구진은 매년 총 $54백만을 절약할 수 있다고 계산합니다.
"그러나 비용 절감보다 더 중요한 점은 2HELPS2B 모델이 발작을 눈치채지 못하고 치료하지 못한 사람들을 모니터링하는 데 도움이 된다는 것입니다."라고 Westover는 말했습니다. "그리고 그것은 생명을 구하고 두뇌를 구하는 것입니다."