Použití systémů AI k optimalizaci klinického výsledku pacientů s mrtvicí

Doručit 1: Přehled plánu sběru dat. Pozůstalí subakutní mrtvice (n = 400) budou přijati a náhodně přiřazeni k jedné ze čtyř skupin, které budou dostávat pouze obvyklou péči o rehabilitaci a obvyklou péči plus akupunkturu, robotickou nebo neuromuskulární elektrickou stimulaci (NMES). Každý subjekt bude vyhodnocen před (A0), po (A1) a 6 měsících po zahájení intervence (A2). Při A0 budou provedeny důkladné klinické, neurofyziologické (EEG, EMG, TMS), MRI a hodnocení na základě krve pro odvození prediktivních regeneračních markerů. Při A1 a A2 budou hodnoceny pouze klinická skóre a EMG pro charakterizaci funkčního zisku po rekorbu a dlouhodobém zotavení. Ve všech skupinách bude také zaznamenána klinická skóre uprostřed intervence (a½) pro sledování postupu léčby. Ošetření bude trvat ≥ 1 měsíc s ≥ 20 tréninků. Všechna data A0, A1 a A2 budou analyzována offline pomocí strojového učení a jinými metodami a poté použita k trénování modelu AI, chválu-HK (přesný systém rehabilitace AI pro zvýšení zotavení v Hongkongu a dále).

Výstupní 2: Vysvětlitelné modely AI zotavení. Přehled. Náš systém AI dostává vysokorozměrné vstupy dat z různých modalit, z nichž každá vyžaduje jedinečné techniky zpracování přizpůsobené specifické charakteristice typu dat pro analýzu. Neuroimaging data například vyžadují specializované algoritmy zpracování obrazu pro odvození mozkových strukturálních a funkčních opatření, zatímco data časové řady, jako jsou EEG a EMG Potřeba předběžného zpracování různých dat specifických pro doménu vyvolává úroveň analytické složitosti, která vzdoruje standardním technikám hlubokého učení, které nemusí vyhovět jedinečným výzvám, které představuje každá modalita. Aby bylo možné získat akční, klinicky relevantní poznatky a zároveň zajistit interpretovatelnost a integraci multimodálních dat, jsou zapotřebí sofistikovanější algoritmy nad standardní hluboké učení.

Vyšetřovatelé proto navrhují konstrukci sofistikovaného modelu Fusion AI jako jádro chvály-HK. Fusion Model je přístup strojového učení, který integruje vstupní funkce z více modalit dat způsobem, který využívá jejich jedinečné příspěvky, aby byla predikce přesnější a robustnější, než by mohla jakákoli jednotlivá modalita vyvolat. Ačkoli počet subjektů zde (n = 400) je, podle našich nejlepších znalostí, nejvyšší ze všech podobných studií, pro vysokorozměrné údaje je toto číslo dostatečně malé, aby uložilo poměrně přísné omezení na výběr analytických metod by mělo nadměrně přejít být se vyhýbat a zajištěno zobecnění modelu. S těmito úvahami budou vyšetřovatelé stavět náš fúzní model ve dvou fázích. Fáze 1 zahrnuje extrakci prediktorů z jednotlivých modalit prostřednictvím jejich nezávislého zpracování s modely AI specifické pro doménu. Tato fáze je nezbytná, protože každá modalita může poskytnout nejcennější informace pouze pomocí zřetelných zpracovatelských potrubí. Fáze 2 zahrnuje fúzi těchto zpracovaných modalit. Vyšetřovatelé budou formulovat specializovaný model fúze, který vyhovuje relativně malé velikosti vzorku, vysokou dimenzialita prediktorů a potenciální případy chybějících údajů. Konečný model vydělává na silných stránkách výstupů fáze 1 specifické pro doménu a kombinuje jejich poznatky o zlepšení přesnosti predikce.

Fáze 1: Extrakce funkcí specifické pro modalitu. Pro modality neuroimagingu a více omilů využijí vyšetřovatelé předem vyškolené modely k mapování vysokorozměrných vstupů na sníženou sadu informativních prvků nebo vložení. Vyšetřovatelé začnou nadací modely jemně doladění založených na každém datovém souboru a poté vyvíjejí modely specifické pro modality pomocí předem vyškolených a jemně doladěných nadačních modelů jako extraktorů prvků. Pro údaje o časových řadách, jako jsou data EMG, EEG a pohyb, budou standardní i na míru odvozené postupy použity k filtrování šumu a identifikaci vhodných prediktorů. Z EMG bude k extrahování indexů svalové synergie, které z našich předběžných výsledků (viz níže) obsahují prediktivní informace o zotavení mozkové mozkové příhody. Z EEG a EMG bude koherence mezi těmito dvěma signály (kortiko-svalová koherence) a tím, že mezi aktivací EEG a svalovou synergií (koherence kortiko-synergie) bude vypočtena pomocí spektrální analýzy. Z dat zachycení pohybu lze pohybové parametry, jako je rozsah pohybu kloubu, extrahovat standardními metodami. Všechny výše uvedené parametry budou použity jako prediktory ve fázi 2.

Fáze 2: Model Fusion AI. Jakmile vyšetřovatelé extrahují prediktory z každé modality, vyšetřovatelé vyvinou fúzní model, jeden pro každou léčebnou skupinu a každé klinické skóre, který integruje tyto vstupy A0 prediktorů pro predikci skóre A1 a A2. Vzhledem k tomu, že vyšetřovatelé nemají předchozí informace o vhodnosti různých metod, které mají být použity ve fúzních modelech, vyšetřovatelé vyhodnotí výkon různých modelů. Umělé neuronové sítě s meta-učením budou použity pro jejich schopnost učit se z bohaté sady datových funkcí. Jejich výkon bude porovnáván proti jiným modelům, jako je logistická regrese, bayesovská metody a náhodné lesy, metody, které jsou výhodné pro menší datové sady, jako jsou naše. Pro každou léčebnou skupinu bude model fúze vyškolen na prediktorech fáze 1 se značenými údaji ze 100 subjektů jako vstupů k predikci vylepšení skóre na A1 a A2.

Realisticky vyšetřovatelé očekávají, že naše konečná databáze bude mít příležitostné chybějící datové body. Vyšetřovatelé budou využívat imputační techniky založené na vzájemných informacích k odhadu chybějících heterogenních hodnot, čímž plně využívají dostupná data a zabrání zkreslením při tréninku modelu. Analýzy citlivosti budou provedeny za účelem posouzení dopadu chybějících údajů na předpovědi modelu, čímž se zajistí spolehlivost našich zjištění.

Během celého procesu konstrukce systému budou vyšetřovatelé využívat a porovnat různé algoritmy AI pro extrakce fáze 1 a fúzi fáze 2. Použité modely a přístupy budou iterativně vylepšeny na základě metrik výkonu testu a klinické zpětné vazbě. Historické údaje budou použity k ověření modelů retrospektivním hodnocením účinnosti doporučených intervencí v předchozích klinických scénářích.

Další fáze 3: Rámec pro rozhodování o budování. Pro každý subjekt porovnáním předpovědí výsledku fáze 2 napříč modely specifickými pro léčbu lze již rozhodnout o ideálním zásahu pro subjekt jednoduše výběrem léčby, jehož model přináší nejlepší zlepšení A2. Tento proces výběru však není transparentní, protože modely fúze výslovně nenaznačují, jak mnoho prediktorů interaguje, aby vedlo modely k kolektivnímu dosažení doporučené léčby. Pro zvýšení vysvětlení systému AI budou vyšetřovatelé implementovat fázi 3 pro konstrukci explicitního rozhodovacího rámce, který vede výběr intervence, jeden analogický klinicky úspěšnému algoritmu rozhodovacího stromu Stinear et al. Klasifikátor bude vyškolen s prediktory fáze 1 a předpovědi skóre fáze 2 všech subjektů (n = 400) sloužící jako vstupy a hodnocené intervenční preference odvozené z porovnání výsledků 2 jako výstupů. Vyškolený klasifikátor může sloužit jako nástroj pro podporu rozhodování, který odhaluje nejvíce parsimonionující soubor hodnocení potřebných pro dosažení rozhodnutí a poskytuje transparentní zdůvodnění za jeho doporučeními, čímž posílí naše chápání toho, proč jsou konkrétním subjektům přiděleny každému ošetření. Pro maximalizaci interpretovatelnosti budou vyšetřovatelé implementovat algoritmy rozhodovacího stromu, jako jsou náhodné lesy, které jsou schopny rozeznat složité nelineární vztahy mezi proměnnými.