杜克大學研究人員幫助創建用於癲癇發作的機器學習記分卡，以挽救生命
發布日期：達勒姆 – 杜克大學的研究人員幫助創建了一個簡單的記分卡，用於確定哪些患者最需要透過腦電圖進行持續監測。
杜克大學和哈佛大學的電腦科學家與馬薩諸塞州總醫院和威斯康辛大學的醫生合作開發了一種機器學習模型，可以預測哪些患者在遭受中風或其他腦損傷後最有可能發生破壞性癲癇發作。
他們開發的積分系統有助於確定哪些患者應該接受昂貴的連續腦電圖（cEEG）監測。作者表示，在全國實施，他們的模型可以幫助醫院監測近三倍的患者，每年挽救許多人的生命，並挽救 $54 百萬人的生命。
6 月 19 日，《機器學習研究雜誌》在線發表了一篇詳細介紹可解釋機器學習方法背後的方法的論文。
當腦動脈瘤導致腦出血時，大部分損害並不是在最初幾個小時內造成的，而是隨著患者癲癇發作而隨著時間的推移而累積。但由於患者的病情不允許他們表現出任何外在的痛苦跡象，因此判斷他們是否癲癇發作的唯一方法是透過腦電圖檢查。然而，用這種技術持續監測患者的成本很高，並且需要訓練有素的醫生來解釋讀數。
威斯康辛大學醫學與公共衛生學院神經病學助理教授 Aaron Struck 和麻薩諸塞州總醫院重症監護腦電圖監測服務主任 Brandon Westover 試圖優化這些有限的資源。在重症監護腦電圖監測研究聯盟同事的幫助下，他們收集了近 5,500 名患者的數十個變數的數據並開始工作。
「我們想要一個積分系統來決定誰癲癇發作的風險最大，」斯特拉克說。 「但是當我們嘗試用傳統方法從數據中創建一個方法時，我們陷入了困境。從那時起，我們開始與 Rudin 教授和 Ustun 博士合作。”
辛西亞·魯丁杜克大學電腦科學和電機與電腦工程教授和她以前的博士生 Berk Ustun（現在是哈佛大學的博士後研究員）專門研究可解釋的機器學習。雖然大多數機器學習模型都是一個“黑盒子”，過於複雜，人類無法理解，但可解釋的機器學習模型僅限於以簡單的英語進行報告。
Rudin 和 Ustun 已經創建了一種機器學習演算法，可以為其他應用程式產生稱為評分系統的簡單模型。您可能會在青少年雜誌中看到評分系統的範例，旨在確定您的暗戀對像是否回報您的感情。 （如果他們在過去一周給你發短信，則得 1 分；如果他們在課堂上坐在你旁邊，則得 2 分。）任何加起來超過 10 分的組合都意味著你注定會迎來煙火。
除此之外，Rudin 和 Ustun 的評分系統是基於稱為「切割平面」和「分支定界」的最佳化技術的複雜組合。
例如，假設您正在尋找碗形圖表上的底部點。傳統的剖切面方法使用切線來選擇快速落在其底部的點，就像滑雪板在半管中失去動力一樣。但是，如果要求此方法找到也是整數的最低點（不受限制的答案不太可能是整數），它可能會無限期地在大量幾乎可以接受的答案之間繼續搜索。
為了解決這個問題，Rudin 和 Ustun 將切割平面優化與另一種稱為分支定界的優化相結合，從而削減了很大一部分搜尋。然後重複整個過程，直到產生最佳的、可解釋的答案。
他們的方法已經被證明可以成功地創建睡眠呼吸中止症、阿茲海默症和成人多動症的篩檢測試。 Rudin 和 Ustun 只需將其重新調整為 cEEG 數據即可。
「這個機器學習工具獲取了數千名患者的癲癇發作數據，並生成了一個名為 2HELPS2B 的模型，」Rudin 說。 「這個模型的偉大之處在於，臨床醫生只需知道它的名字就可以記住它。它看起來像是醫生自己想出的東西，但它是一個基於數據和統計的成熟機器學習模型。”
臨床醫生可以記住此處顯示的 2HELPS2B 系統來估計患者癲癇發作的機率
該模型讓醫生根據患者的 cEEG 中發現的模式和峰值給患者評分。最多計數為 7，結果提供了患者在每個點間隔發生癲癇發作的機率估計，範圍從小於 5% 到大於 95%。
研究人員針對一組新的 2,000 個案例測試了該模型，發現其效果良好。由於對其能力充滿信心，2HELPS2B 模型隨後在威斯康辛大學和馬薩諸塞州總醫院投入使用，使醫生能夠僅在最需要的地方使用 cEEG。
使用一年後，該模型使每位患者的 cEEG 監測持續時間縮短了 63.6%，監測的患者數量增加了近三倍，同時節省了 $610 萬的綜合成本。
該模型現已在另外四家醫院使用。研究人員計算，如果全國所有醫院都採用它，每年總共可以節省 $54 百萬美元。
「除了節省成本之外，2HELPS2B 模型還幫助我們監測那些癲癇發作可能被忽視和治療的患者，」Westover 說。 “這就是拯救生命和拯救大腦。”