杜克大学研究人员帮助创建用于癫痫发作的机器学习记分卡,以挽救生命

发布日期:

达勒姆 –  杜克大学的研究人员帮助创建了一个简单的记分卡,用于确定哪些患者最需要接受脑电图持续监测。

杜克大学和哈佛大学的计算机科学家与马萨诸塞州总医院和威斯康星大学的医生合作开发了一种机器学习模型,可以预测哪些患者在中风或其他脑损伤后最容易发生破坏性癫痫。

他们开发的积分系统有助于确定哪些患者应该接受昂贵的连续脑电图 (cEEG) 监测。作者表示,在全国范围内实施后,他们的模型可以帮助医院监测近三倍的患者,每年挽救许多人的生命以及 $54 万人的生命。

6 月 19 日,《机器学习研究杂志》在线发表了一篇详细介绍可解释机器学习方法背后方法的论文。

辛西娅·鲁丁 (Cynthia Rudin),LSRC 科学馆计算机科学和电气与计算机工程副教授

 

当脑动脉瘤导致脑出血时,大部分损伤并不是在最初几个小时内造成的,而是随着患者癫痫发作而逐渐累积。但由于患者的病情不允许他们表现出任何外在的痛苦迹象,因此唯一能判断他们是否癫痫发作的方法是通过脑电图。然而,使用这种技术持续监测患者的费用很高,而且需要训练有素的医生来解读读数。

威斯康星大学医学与公共卫生学院神经病学助理教授 Aaron Struck 和麻省总医院重症监护脑电图监测服务主任 Brandon Westover 试图优化这些有限的资源。在重症监护脑电图监测研究联盟同事的帮助下,他们从近 5,500 名患者那里收集了数十个变量的数据并开始工作。

“我们希望通过一个积分系统来决定谁患癫痫的风险最大,”斯特鲁克说。“但当我们尝试传统方法从数据中创建一个积分系统时,我们陷入了困境。这时我们开始与鲁丁教授和乌斯顿博士合作。”

辛西娅·鲁丁杜克大学计算机科学和电气与计算机工程教授,以及她之前的博士生伯克·乌斯顿(Berk Ustun,现为哈佛大学博士后)专门研究可解释机器学习。虽然大多数机器学习模型都是“黑匣子”,过于复杂,人类无法理解,但可解释机器学习模型仅限于用简单的英语报告。

此处显示的 2HELPS2B 系统可供临床医生记住,以估计患者癫痫发作的概率

 

Rudin 和 Ustun 已经创建了一种机器学习算法,该算法可以生成简单的模型,称为评分系统,用于其他应用。您可能会在青少年杂志中看到评分系统的例子,该系统旨在确定您的暗恋对象是否回应了您的爱意。(如果他们在过去一周内给您发短信,则为 1 分;如果他们在课堂上坐在您旁边,则为 2 分。)任何加起来超过 10 分的组合都意味着您注定会大放异彩。

但鲁丁和乌斯顿的评分系统是基于一种称为“切割平面”和“分支定界”的复杂优化技术组合。

例如,假设你正在寻找碗状图的底部点。传统的切割平面方法使用切线来选择快速稳定在其底部的点,就像滑雪板运动员在半管中失去动力一样。但如果要求该方法找到也是整数的最低点(无限制答案不太可能是整数),它可能会无限期地在大量几乎可以接受的答案之间继续搜索。

为了解决这个问题,Rudin 和 Ustun 将切割平面优化与另一种称为分支定界的优化方法相结合,从而省去了很大一部分搜索工作。然后整个过程不断重复,直到得到最佳的、可解释的答案。

他们的方法已被证明可以成功创建睡眠呼吸暂停、阿尔茨海默病和成人多动症的筛查测试。Rudin 和 Ustun 只需将其重新调整到 cEEG 数据即可。

“这个机器学习工具收集了数千名患者的癫痫数据,并生成了一个名为 2HELPS2B 的模型,”Rudin 说。“这个模型的妙处在于,临床医生只要知道它的名字就能记住它。它看起来像是医生自己想出来的,但它是一个基于数据和统计数据的成熟机器学习模型。”

此处显示的 2HELPS2B 系统可供临床医生记住,以估计患者癫痫发作的概率

该模型让医生根据患者 cEEG 中发现的模式和峰值为患者打分。最高分数为 7 分,结果提供了患者在每个点间隔发生癫痫发作的概率估计,范围从不到 5% 到超过 95%。

研究人员针对一组新的 2,000 个病例测试了该模型,发现它效果很好。研究人员对其能力充满信心,随后在威斯康星大学和麻省总医院投入使用 2HELPS2B 模型,让医生只在最需要的地方使用 cEEG。

经过一年的使用,该模型使每个患者的 cEEG 监测时间减少了 63.6%,可监测的患者数量增加了近三倍,同时节省了 $610 万美元的综合成本。

目前,另有四家医院正在采用该模式。研究人员估计,如果全国所有医院都采用该模式,每年可以节省 1454 万美元。

“但除了节省成本之外,2HELPS2B 模型还帮助我们监测那些癫痫发作可能被忽视和得不到治疗的人,”韦斯托弗说。“这不仅挽救了生命,还拯救了大脑。”

来源:WRAL TechWire