Naukowcy z Duke pomagają stworzyć kartę wyników uczenia maszynowego dla napadów, które ratują życie
Data opublikowania:DUHAM – Naukowcy z Duke pomogli w stworzeniu prostej karty wyników umożliwiającej określenie, którzy pacjenci najbardziej wymagają ciągłego monitorowania za pomocą EEG.
Informatycy z Duke University i Harvard University połączyli siły z lekarzami z Massachusetts General Hospital i University of Wisconsin, aby opracować model uczenia maszynowego, który będzie w stanie przewidzieć, którzy pacjenci są najbardziej narażeni na wystąpienie niszczycielskich napadów padaczkowych po udarze lub innym uszkodzeniu mózgu.
Opracowany przez nich system punktowy pomaga określić, którzy pacjenci powinni być poddawani kosztownemu ciągłemu monitorowaniu elektroencefalografii (cEEG). Autorzy twierdzą, że ich model, wdrożony w całym kraju, mógłby pomóc szpitalom monitorować prawie trzykrotnie większą liczbę pacjentów, ratując wiele istnień ludzkich, a także $54 milionów rocznie.
Artykuł szczegółowo opisujący metody leżące u podstaw interpretowalnego podejścia do uczenia maszynowego ukazał się w Internecie 19 czerwca w czasopiśmie Journal of Machine Learning Research.
Kiedy tętniak mózgu prowadzi do krwawienia do mózgu, większość uszkodzeń nie następuje w ciągu pierwszych kilku godzin, lecz kumuluje się z czasem, gdy u pacjenta występują drgawki. Ponieważ jednak stan pacjenta nie pozwala na okazywanie jakichkolwiek zewnętrznych oznak niepokoju, jedynym sposobem na stwierdzenie, że ma napady, jest badanie EEG. Jednakże ciągłe monitorowanie pacjenta za pomocą tej technologii jest kosztowne i wymaga wysoko wykwalifikowanych lekarzy do interpretacji odczytów.
Aaron Struck, adiunkt neurologii w Szkole Medycyny i Zdrowia Publicznego Uniwersytetu Wisconsin oraz Brandon Westover, dyrektor usługi monitorowania EEG na oddziałach intensywnej terapii w szpitalu Massachusetts General Hospital, starali się zoptymalizować te ograniczone zasoby. Dzięki pomocy kolegów z konsorcjum badawczego Critical Care EEG Monitoring Research Consortium zebrali dane dotyczące kilkudziesięciu zmiennych od prawie 5500 pacjentów i zabrali się do pracy.
„Chcieliśmy, aby system punktowy decydował, kto jest obarczony największym ryzykiem wystąpienia napadów padaczkowych” – powiedział Struck. „Ale kiedy próbowaliśmy tradycyjnego podejścia do tworzenia takiego narzędzia na podstawie danych, utknęliśmy. Wtedy rozpoczęliśmy współpracę z profesorem Rudinem i doktorem Ustunem.”
Cynthia Rudin, profesor informatyki oraz inżynierii elektrycznej i komputerowej na uniwersytecie Duke, oraz jej były doktorant Berk Ustun, obecnie postdoktorat na Harvardzie, specjalizują się w interpretowalnym uczeniu maszynowym. Podczas gdy większość modeli uczenia maszynowego to „czarna skrzynka” zbyt skomplikowana, aby człowiek mógł ją zrozumieć, interpretowalne modele uczenia maszynowego ograniczają się do raportowania w prostym języku angielskim.
Rudin i Ustun stworzyli już algorytm uczenia maszynowego, który tworzy proste modele zwane systemami scoringowymi do innych zastosowań. Możesz zobaczyć przykłady systemów punktacji w magazynach dla nastolatków, których celem jest określenie, czy twoja sympatia odwzajemnia twoje uczucia, czy nie. (Jeden punkt, jeśli napisali do Ciebie SMS-a w zeszłym tygodniu, dwa, jeśli siedzieli obok Ciebie na zajęciach). Każda kombinacja, która w sumie daje więcej niż 10 punktów, oznacza, że jesteś skazany na fajerwerki.
Z wyjątkiem tego, że systemy punktacji Rudina i Ustuna opierają się na wyrafinowanej kombinacji technik optymalizacyjnych zwanych „płaszczyznami cięcia” i „rozgałęzieniami”.
Załóżmy na przykład, że szukasz dolnego punktu na wykresie w kształcie misy. Tradycyjna metoda płaszczyzny cięcia wykorzystuje styczne linie do wybierania punktów, które szybko osiadają na dnie, niczym snowboardzista tracący pęd na half-pipe. Jeśli jednak metoda ta zostanie poproszona o znalezienie najniższego punktu, który jest jednocześnie liczbą całkowitą – a odpowiedź nieograniczona prawdopodobnie nie będzie – może kontynuować wyszukiwanie wśród ogromnej liczby prawie akceptowalnych odpowiedzi w nieskończoność.
Aby ominąć ten problem, Rudin i Ustun połączyli optymalizację płaszczyzny cięcia z inną, zwaną rozgałęzieniem i wiązaniem, co odcina dużą część wyszukiwania. Cały proces jest następnie powtarzany, aż do uzyskania optymalnej, dającej się zinterpretować odpowiedzi.
Ich metoda okazała się już skuteczna, tworząc testy przesiewowe pod kątem bezdechu sennego, choroby Alzheimera i ADHD u dorosłych. Rudin i Ustun musieli go tylko dopasować do danych cEEG.
„To narzędzie do uczenia maszynowego zebrało dane o napadach od tysięcy pacjentów i stworzyło model o nazwie 2HELPS2B” – powiedział Rudin. „Wspaniałą rzeczą w tym modelu jest to, że lekarze mogą go zapamiętać, znając tylko jego nazwę. Wygląda na coś, co lekarze wymyśliliby sami, ale jest to w pełni rozwinięty model uczenia maszynowego oparty na danych i statystykach”.
Pokazany tutaj system 2HELPS2B może zostać zapamiętany przez lekarzy w celu oszacowania prawdopodobieństwa wystąpienia napadu u pacjenta
W modelu lekarze przyznają punkty pacjentom na podstawie wzorców i skoków wykrywanych w ich cEEG. Przy maksymalnej liczbie siedmiu punktów wynik pozwala oszacować prawdopodobieństwo wystąpienia napadu u pacjenta w każdym przedziale punktowym w zakresie od mniej niż pięciu procent do ponad 95 procent.
Naukowcy przetestowali model na nowym zestawie 2000 przypadków i stwierdzili, że działa on dobrze. Mając całkowitą pewność swoich możliwości, model 2HELPS2B wprowadzono do użytku na Uniwersytecie Wisconsin i w Massachusetts General Hospital, umożliwiając lekarzom stosowanie cEEG tylko tam, gdzie jest to najbardziej potrzebne.
Po roku użytkowania model spowodował skrócenie czasu trwania monitorowania cEEG na pacjenta o 63,6%, umożliwiając monitorowanie prawie trzykrotnie większej liczby pacjentów, generując jednocześnie łączne oszczędności w wysokości $6,1 miliona.
Model ten jest obecnie stosowany w czterech kolejnych szpitalach. Naukowcy obliczyli, że gdyby zastosowały to wszystkie szpitale w całym kraju, mogłyby zaoszczędzić łącznie $54 mln rocznie.
„Ale nie tylko oszczędności, model 2HELPS2B pomaga nam monitorować osoby, których napady w przeciwnym razie pozostałyby niezauważone i nieleczone” – powiedział Westover. „A to ratuje życie i ratuje mózgi”.