Duke-onderzoekers helpen bij het creëren van een machine learning-scorekaart voor aanvallen die levens redden
Datum gepubliceerd:DURHAM – Onderzoekers van Duke hebben geholpen bij het creëren van een eenvoudige scorekaart om te bepalen welke patiënten het meest continu moeten worden gevolgd door een EEG.
Computerwetenschappers van Duke University en Harvard University hebben samen met artsen van het Massachusetts General Hospital en de University of Wisconsin een machinaal leermodel ontwikkeld dat kan voorspellen welke patiënten het grootste risico lopen op destructieve aanvallen na een beroerte of ander hersenletsel.
Een puntensysteem dat ze hebben ontwikkeld, helpt bij het bepalen welke patiënten dure continue elektro-encefalografie (cEEG) monitoring moeten krijgen. De auteurs zeggen dat hun model, landelijk geïmplementeerd, ziekenhuizen zou kunnen helpen bijna drie keer zoveel patiënten te monitoren, waardoor jaarlijks vele levens en $54 miljoen worden gered.
Een paper waarin de methoden achter de interpreteerbare machine learning-aanpak werden beschreven, verscheen op 19 juni online in de Journal of Machine Learning Research.
Wanneer een hersenaneurysma tot een hersenbloeding leidt, wordt een groot deel van de schade niet alleen in de eerste paar uur aangericht, maar stapelt deze zich in de loop van de tijd op naarmate de patiënt epileptische aanvallen krijgt. Maar omdat de toestand van de patiënt niet toestaat dat hij uiterlijke tekenen van angst vertoont, is de enige manier om vast te stellen dat hij een aanval heeft, een EEG. Het continu monitoren van een patiënt met deze technologie is echter duur en vereist hoogopgeleide artsen om de metingen te interpreteren.
Aaron Struck, assistent-professor neurologie aan de University of Wisconsin School of Medicine and Public Health, en Brandon Westover, directeur van de Critical Care EEG Monitoring Service in het Massachusetts General Hospital, probeerden deze beperkte middelen te optimaliseren. Met de hulp van collega's van het Critical Care EEG Monitoring Research Consortium verzamelden ze gegevens over tientallen variabelen van bijna 5.500 patiënten en gingen ze aan de slag.
“We wilden een puntensysteem om te beslissen wie het grootste risico loopt op aanvallen”, zegt Struck. “Maar toen we traditionele benaderingen probeerden om op basis van de gegevens een oplossing te creëren, liepen we vast. Toen zijn we gaan samenwerken met Professor Rudin en Dr. Ustun.”
Cynthia Rudin, hoogleraar computerwetenschappen en elektrotechniek en computertechniek bij Duke, en haar voormalige promovendus Berk Ustun, die nu postdoc is aan Harvard, zijn gespecialiseerd in interpreteerbaar machinaal leren. Hoewel de meeste machine learning-modellen een ‘black box’ zijn die te ingewikkeld is voor een mens om te begrijpen, zijn interpreteerbare machine learning-modellen beperkt tot het rapporteren in gewoon Engels.
Rudin en Ustun hadden al een machine learning-algoritme gemaakt dat eenvoudige modellen produceert, scoresystemen genaamd, voor andere toepassingen. Mogelijk ziet u voorbeelden van scoresystemen in tienertijdschriften die bedoeld zijn om te bepalen of uw geliefde al dan niet uw genegenheid beantwoordt. (Eén punt als ze je de afgelopen week een sms hebben gestuurd, twee als ze naast je in de klas hebben gezeten.) Elke combinatie die meer dan 10 punten oplevert, betekent dat je voorbestemd bent voor vuurwerk.
Alleen zijn de scoresystemen van Rudin en Ustun gebaseerd op een geavanceerde combinatie van optimalisatietechnieken, genaamd 'cutting planes' en 'branch and bound'.
Stel dat u bijvoorbeeld op zoek bent naar het onderste punt van een komvormige grafiek. Een traditionele snijvlakmethode maakt gebruik van tangentiële lijnen om punten te kiezen die zich snel op de bodem nestelen, zoals een snowboarder momentum verliest in een halfpipe. Maar als deze methode wordt gevraagd het laagste punt te vinden dat ook een geheel getal is – wat het onbeperkte antwoord waarschijnlijk niet zal zijn – zou ze haar zoektocht tussen het enorme aantal bijna aanvaardbare antwoorden voor onbepaalde tijd kunnen voortzetten.
Om dit probleem te omzeilen, combineerden Rudin en Ustun de optimalisatie van het snijvlak met een ander systeem genaamd branch and bound, waardoor een groot deel van het zoeken overbodig werd. Het hele proces herhaalt zich vervolgens totdat een optimaal, interpreteerbaar antwoord ontstaat.
Hun methode was al succesvol gebleken bij het creëren van screeningtests voor slaapapneu, de ziekte van Alzheimer en ADHD bij volwassenen. Rudin en Ustun hoefden het alleen maar aan te passen aan de cEEG-gegevens.
“Deze machine learning-tool verzamelde aanvalsgegevens van duizenden patiënten en produceerde een model met de naam 2HELPS2B”, aldus Rudin. “En het mooie van dit model is dat artsen het kunnen onthouden door alleen maar de naam te kennen. Het lijkt op iets dat artsen zelf zouden bedenken, maar het is een volwaardig machine learning-model, gebaseerd op data en statistieken.”
Het hier getoonde 2HELPS2B-systeem kan door artsen worden onthouden om de waarschijnlijkheid in te schatten dat een patiënt een aanval krijgt
Het model laat artsen punten geven aan patiënten op basis van de patronen en pieken in hun cEEG's. Met een maximum van zeven geeft het resultaat een schatting van de waarschijnlijkheid dat de patiënt een aanval krijgt op elk puntinterval, variërend van minder dan vijf procent tot meer dan 95 procent.
De onderzoekers testten het model tegen een nieuwe reeks van 2.000 gevallen en ontdekten dat het goed werkte. Met veel vertrouwen in zijn capaciteiten werd het 2HELPS2B-model vervolgens in gebruik genomen aan de Universiteit van Wisconsin en het Massachusetts General Hospital, waardoor artsen cEEG alleen konden gebruiken waar dit het meest nodig was.
Na een jaar gebruik resulteerde het model in een vermindering van 63,6 procent in de duur van cEEG-monitoring per patiënt, waardoor bijna drie keer zoveel patiënten konden worden gemonitord, terwijl een gecombineerde kostenbesparing van $6,1 miljoen werd gegenereerd.
Het model wordt nu bij nog vier ziekenhuizen gebruikt. Als alle ziekenhuizen in het hele land het zouden adopteren, berekenen de onderzoekers dat ze jaarlijks gezamenlijk $54 miljoen kunnen besparen.
“Maar meer nog dan de kostenbesparingen helpt het 2HELPS2B-model ons bij het monitoren van mensen wier aanvallen anders onopgemerkt en onbehandeld zouden blijven”, aldus Westover. “En dat is het redden van levens en het redden van hersenen.”