Duke-forskare hjälper till att skapa styrkort för maskininlärning för anfall som räddar liv
Publiceringsdatum:DURHAM – Forskare vid Duke har hjälpt till att skapa ett enkelt styrkort för att avgöra vilka patienter som mest behöver övervakas kontinuerligt av ett EEG.
Datavetare från Duke University och Harvard University har gått samman med läkare från Massachusetts General Hospital och University of Wisconsin för att utveckla en maskininlärningsmodell som kan förutsäga vilka patienter som löper störst risk att få destruktiva anfall efter att ha drabbats av en stroke eller annan hjärnskada.
Ett poängsystem som de har utvecklat hjälper till att avgöra vilka patienter som ska få dyr kontinuerlig elektroencefalografi (cEEG) övervakning. Implementerad i hela landet, säger författarna att deras modell kan hjälpa sjukhus att övervaka nästan tre gånger så många patienter, vilket räddar många liv såväl som $54 miljoner varje år.
En artikel som beskriver metoderna bakom den tolkbara maskininlärningsmetoden dök upp online den 19 juni i Journal of Machine Learning Research.
När ett hjärnaneurysm leder till en hjärnblödning sker mycket av skadan inte bara under de första timmarna, den ackumuleras över tiden när patienten får anfall. Men eftersom patientens tillstånd inte tillåter dem att visa några yttre tecken på ångest, är det enda sättet att berätta att de har anfall genom ett EEG. Att kontinuerligt övervaka en patient med denna teknik är dock dyrt och kräver högutbildade läkare för att tolka avläsningarna.
Aaron Struck, biträdande professor i neurologi vid University of Wisconsin School of Medicine and Public Health, och Brandon Westover, chef för Critical Care EEG Monitoring Service vid Massachusetts General Hospital, försökte optimera dessa begränsade resurser. Med hjälp av kollegor i Critical Care EEG Monitoring Research Consortium samlade de in data om dussintals variabler från nästan 5 500 patienter och började jobba.
"Vi ville ha ett poängsystem för att avgöra vem som har störst risk att få anfall," sa Struck. "Men när vi provade traditionella metoder för att skapa en från data, fastnade vi. Det var då vi började arbeta med professor Rudin och doktor Ustun.”
Cynthia Rudin, professor i datavetenskap och el- och datateknik vid Duke, och hennes tidigare doktorand, Berk Ustun, som nu är postdoc vid Harvard, specialiserar sig på tolkbar maskininlärning. Medan de flesta maskininlärningsmodeller är en "svart låda" för komplicerad för en människa att förstå, är tolkbara maskininlärningsmodeller begränsade till att rapportera tillbaka på vanlig engelska.
Rudin och Ustun hade redan skapat en maskininlärningsalgoritm som producerar enkla modeller som kallas poängsystem för andra applikationer. Du kan se exempel på poängsystem i tonårstidningar som syftar till att avgöra huruvida din kärlek ger tillbaka dina känslor. (En poäng om de har sms:at dig den senaste veckan, två om de har suttit bredvid dig i klassen.) Alla kombinationer som ger mer än 10 poäng betyder att du är avsedd för fyrverkerier.
Förutom Rudin och Ustuns poängsystem är baserade på en sofistikerad kombination av optimeringstekniker som kallas "skärplan" och "gren och bunden."
Säg till exempel att du letade efter bottenpunkten på en skålformad graf. En traditionell klippplansmetod använder tangentiella linjer för att välja punkter som snabbt lägger sig i botten som en snowboardåkare som tappar fart i en halfpipe. Men om denna metod uppmanas att hitta den lägsta punkten som också är ett heltal - vilket det obegränsade svaret sannolikt inte är - kan den fortsätta sin sökning mellan det stora antalet nästan acceptabla svar på obestämd tid.
För att komma över det här problemet kombinerade Rudin och Ustun skärplansoptimering med en annan som heter branch and bound, vilket skär bort en stor del av sökningen. Hela processen upprepas sedan tills ett optimalt, tolkbart svar produceras.
Deras metod hade redan visat sig vara framgångsrik att skapa screeningtester för sömnapné, Alzheimers sjukdom och adhd för vuxna. Rudin och Ustun var bara tvungna att anpassa den till cEEG-data.
"Det här maskininlärningsverktyget tog anfallsdata från tusentals patienter och det producerade en modell som heter 2HELPS2B," sa Rudin. "Och det fantastiska med den här modellen är att läkare kan memorera den bara genom att känna till dess namn. Det ser ut som något som läkare skulle komma på på egen hand, men det är en fullskalig maskininlärningsmodell baserad på data och statistik.”
2HELPS2B-systemet som visas här kan memoreras av läkare för att uppskatta sannolikheten för att en patient ska få ett anfall
Modellen har läkare ger poäng till patienter baserat på de mönster och spikar som finns i deras cEEG. Med ett maximalt tal på sju ger resultatet en sannolikhetsuppskattning av att patienten får ett anfall vid varje punktintervall som sträcker sig från mindre än fem procent till mer än 95 procent.
Forskarna testade modellen mot en ny uppsättning av 2 000 fall och fann att den fungerade bra. 2HELPS2B-modellen var starkt säker på sin förmåga och togs sedan i bruk vid University of Wisconsin och Massachusetts General Hospital, vilket gjorde det möjligt för läkare att bara använda cEEG där det behövdes som mest.
Efter ett års användning resulterade modellen i en minskning med 63,6 procent av varaktigheten för cEEG-övervakning per patient, vilket gjorde att nästan tre gånger så många patienter kunde övervakas samtidigt som den genererade en sammanlagd kostnadsbesparing på $6,1 miljoner.
Modellen används nu på ytterligare fyra sjukhus. Om alla sjukhus i hela landet skulle anta det, beräknar forskarna att de skulle kunna spara sammanlagt $54 miljoner varje år.
"Men mer än kostnadsbesparingarna hjälper 2HELPS2B-modellen oss att övervaka människor vars anfall annars skulle förbli obemärkt och obehandlad", sa Westover. "Och det är att rädda liv och rädda hjärnor."