Brug af AI -systemer til at optimere det kliniske resultat af slagtilfældepatienter

Leverbar 1: Oversigt over dataindsamlingsplan. Subakute slagtilfælde overlevende (n = 400) rekrutteres og tildeles tilfældigt til en af ​​fire grupper, som kun vil modtage sædvanlig rehabiliteringspleje og sædvanlig pleje plus akupunktur, robot eller neuromuskulær elektrisk stimulering (NMES) træning. Hvert emne evalueres før (A0), efter (A1) og 6 måneder efter interventionsstart (A2). Ved A0 foretages grundige kliniske, neurofysiologiske (EEG, EMG, TMS), MRI og blodbaserede vurderinger for at udlede forudsigelige gendannelsesmarkører. Ved A1 og A2 vurderes kun de kliniske scoringer og EMG for at karakterisere funktionel gevinst efter rehab og langvarig opsving. I alle grupper vil der også blive registreret kliniske scoringer midtvejs gennem intervention (a½) for at overvåge behandlingsfremskridt. Behandlinger varer ≥1 måneder med ≥20 træningssessioner. Alle A0-, A1- og A2-data analyseres offline med maskinlæring og andre metoder og bruges derefter til at træne AI-modellen, Raise-HK (Precision Rehabilitation AI-system til at forbedre bedring i Hong Kong og videre).

Leverbare 2: Forklarbare AI -modeller for gendannelse. Oversigt. Vores AI-system modtager højdimensionelle dataindgange fra forskellige modaliteter, som hver kræver unikke behandlingsteknikker, der er skræddersyet til de specifikke egenskaber ved datatypen til analyse. Neuroimaging -data kræver for eksempel specialiserede billedbehandlingsalgoritmer til at udlede hjerneskonstruktions- og funktionelle mål, mens tidsseriedata såsom EEG og EMG først skal analyseres med signalbehandlingsværktøjer, der fanger indlejrede mønstre på tværs af forskellige tidsmæssige opløsninger. Behovet for domænespecifik forarbejdning af forskellige datatyper skaber et niveau af analytisk kompleksitet, der trosser standard dybe læringsteknikker, som muligvis ikke kan rumme de unikke udfordringer, der er præsenteret af hver modalitet. For at opnå handlingsmæssige, klinisk relevante indsigt, mens de sikrer fortolkbarhed og integration af de multimodale data, er der behov for mere sofistikerede algoritmer ud over standard dyb læring.

Som sådan foreslår efterforskerne opførelsen af ​​en sofistikeret AI-fusionsmodel som kernen i ros-HK. Fusionsmodel er en maskinlæringsmetode, der integrerer inputfunktioner fra flere datamodaliteter på en måde, der udnytter deres unikke bidrag til at gøre en forudsigelse mere nøjagtig og robust end nogen enkelt modalitet kunne producere. Selvom antallet af emner her (n = 400) er efter vores viden, det højeste blandt alle lignende undersøgelser, for højdimensionelle data, er dette nummer lille nok til at pålægge temmelig strenge begrænsninger for valget af analytiske metoder undgås, og modellen generalisering sikrede. Med disse overvejelser vil efterforskerne konstruere vores fusionsmodel i to faser. Fase 1 involverer ekstraktion af prediktorer fra de individuelle modaliteter gennem deres uafhængige behandling med domænespecifikke AI-modeller. Denne fase er nødvendig, da hver modalitet kun kan give de mest værdifulde oplysninger med forskellige behandlingsrørledninger. Fase 2 involverer fusion af disse forarbejdede modaliteter. Undersøgere vil formulere en specialiseret fusionsmodel, der kan rumme den relativt lille prøvestørrelse, forudsigers højdimensionalitet og potentielle tilfælde af manglende data. Den endelige model vil drage fordel af styrkerne i de domænespecifikke fase-1-udgange og kombinere deres indsigt for forbedret forudsigelsesnøjagtighed.

Fase 1: Modalitetsspecifikke funktionsekstraktioner. For de neuroimaging og multi-omics-modaliteter vil efterforskerne udnytte foruddannede modeller til at kortlægge højdimensionelle input til et reduceret sæt informative funktioner eller indlejringer. Undersøgere starter med finjustering af fundamentmodeller baseret på hvert datasæt og udvikler derefter modalitetsspecifikke modeller ved hjælp af de foruddannede og finjusterede fundamentmodeller som funktionsekstraktorer. For tidsseriedata såsom EMG, EEG og Motion Capture data, vil både standard- og specialafledte procedurer blive brugt til at filtrere støj og identificere passende prediktorer. Fra EMG vil ikke-negativ matrixfaktorisering og vores nyligt foreslåede ensrettede latente variable model blive brugt til at udtrække muskelsynergiindeks, som fra vores foreløbige resultater (se nedenfor) indeholder forudsigelige information om gendannelse af slagtilfælde. Fra EEG og EMG vil sammenhæng mellem disse to signaler (cortico-muskulær kohærens) og det mellem EEG og muskelsynergi-aktiveringer (cortico-synergy kohærens) beregnes gennem spektral analyse. Fra bevægelsesfangstdata kan bevægelsesparametre såsom fælles bevægelsesområde ekstraheres med standardmetoder. Alle parametre ovenfor vil blive brugt som prediktorer i fase 2.

Fase 2: AI -fusionsmodel. Når efterforskerne har ekstraheret prediktorerne fra hver modalitet, vil efterforskerne udvikle en fusionsmodel, en for hver behandlingsgruppe og hver klinisk score, der integrerer disse A0 -prediktorindgange til en forudsigelse af A1- og A2 -scorerne. Da efterforskerne ikke har tidligere oplysninger om egnetheden af ​​de forskellige metoder, der skal bruges i fusionsmodeller, vil efterforskerne evaluere ydeevnen for forskellige modeller. Kunstige neurale netværk med meta-learning vil blive brugt til deres kapacitet til at lære af et rigt sæt datafunktioner. Deres præstation vil blive benchmarket mod andre modeller, såsom logistisk regression, Bayesiske metoder og tilfældige skove, metoder, der er fordelagtige for mindre datasæt, såsom vores. For hver behandlingsgruppe trænes fusionsmodellen på fase-1-prediktorer med de mærkede data fra de 100 forsøgspersoner som input til at forudsige scoreforbedringerne ved A1 og A2.

Realistisk forudser efterforskerne, at vores endelige database vil have lejlighedsvis manglende datapunkter. Efterforskerne vil anvende gensidige informationsbaserede imputationsteknikker til at estimere manglende heterogene værdier og derved udnytte de tilgængelige data fuldt ud og forhindre partier i modeltræning. Følsomhedsanalyser vil blive udført for at vurdere virkningen af ​​de manglende data på modelforudsigelser og derved sikre pålideligheden af ​​vores fund.

Gennem hele systemkonstruktionsprocessen vil efterforskerne bruge og sammenligne forskellige AI-algoritmer til fase-1-funktionsekstraktioner og fase-2-fusion. De anvendte modeller og tilgange vil være iterativt raffineret baseret på testpræstationsmetrik og klinisk feedback. Historiske data vil blive brugt til at validere modellerne gennem retrospektiv vurdering af effektiviteten af ​​de anbefalede interventioner i tidligere kliniske scenarier.

Yderligere fase 3: Bygning af beslutningsrammer. For hvert emne ved at sammenligne fase-2-resultatet forudsigelser på tværs af de behandlingsspecifikke modeller, kan man muligvis allerede beslutte en ideel indgriben for emnet ved blot at vælge behandlingen, hvis model giver den bedste A2-forbedring. Men denne udvælgelsesproces er ikke gennemsigtig, fordi fusionsmodellerne ikke eksplicit indikerer, hvordan de mange prediktorer interagerer for at føre modellerne til kollektivt at nå frem til den anbefalede behandling. For at forbedre AI-systemets forklarbarhed vil efterforskerne implementere en fase 3 til konstruktion af en eksplicit beslutningsramme, der guider interventionsvalg, en analog med den klinisk succesrige Prep-beslutningstræalgoritme af Stinear et al. En klassifikator vil blive trænet med fase-1-prediktorer og fase-2-score-forudsigelser for alle forsøgspersoner (n = 400), der tjener som input, og de rangerede interventionspræferencer, der udledes af sammenligning af fase-2-resultat som output. Den uddannede klassifikator kan fungere som et beslutningsstøtteværktøj, der afslører det mest mistænkelige sæt evalueringer, der er nødvendige for at nå beslutninger, og giver gennemsigtig ræsonnement bag dens anbefalinger og derved forbedrer vores forståelse af, hvorfor bestemte emner tildeles hver behandling. For at maksimere tolkbarheden vil efterforskerne implementere beslutningstræalgoritmer såsom de tilfældige skove, der er i stand til at kræsne komplekse, ikke-lineære forhold mellem variablerne.