Verwenden von KI -Systemen zur Optimierung des klinischen Ergebnisses von Schlaganfallpatienten

Ermittlung 1: Überblick über den Datenerfassungsplan. Subakute Schlaganfallüberlebende (n = 400) werden rekrutiert und zufällig einer von vier Gruppen zugeordnet, die nur eine übliche Reha -Versorgung erhalten, sowie übliche Pflege sowie Akupunktur-, Roboter- oder neuromuskuläres elektrisches Stimulationstraining (NME). Jedes Subjekt wird vor (A0), nach (A1) und 6 Monaten nach Beginn der Intervention (A2) bewertet. Bei A0 werden gründliche klinische, neurophysiologische (EEG-, EMG-, TMS )-, MRT- und blutbasierte Bewertungen zur Ableitung von Vorhersagemarkern durchgeführt. Bei A1 und A2 werden nur die klinischen Ergebnisse und EMG für die Charakterisierung des Funktionsgewinns und der langfristigen Erholung nach dem Rehen bewertet. In allen Gruppen werden klinische Bewertungen in der Mitte der Intervention (a½) aufgezeichnet, um den Behandlungsfortschritt zu überwachen. Die Behandlungen dauern ≥ 1 Monat mit ≥ 20 Trainingseinheiten. Alle Daten von A0, A1 und A2 werden offline mit maschinellem Lernen und anderen Methoden analysiert und dann zum Training des KI-Modells Praise-HK verwendet (Präzisionsrehabilitations-AI-System zur Verbesserung der Genesung in Hongkong und darüber hinaus).

Lieferable 2: Erklärbare KI -Modelle der Wiederherstellung. Überblick. Unser KI-System erhält hochdimensionale Dateneingaben aus verschiedenen Modalitäten, von denen jede einzigartige Verarbeitungstechniken erfordert, die auf die spezifischen Merkmale des Datentyps zur Analyse zugeschnitten sind. Neuroimaging -Daten benötigen beispielsweise spezielle Bildverarbeitungsalgorithmen für die Ableitung von strukturellen und funktionellen Messungen des Gehirns, während Zeitreihendaten wie EEG und EMG zuerst mit Signalverarbeitungswerkzeugen analysiert werden müssen, die eingebettete Muster über unterschiedliche zeitliche Auflösungen hinweg erfassen. Der Bedarf an domänenspezifischem Vorverarbeitung verschiedener Datentypen erzeugt ein Maß an analytischer Komplexität, die den Standardtiefernstechniken der Standard-Deep-Lernen widerspricht, die möglicherweise nicht die einzigartigen Herausforderungen der einzelnen Modalität beinhalten. Um umsetzbare, klinisch relevante Erkenntnisse zu erhalten und gleichzeitig die Interpretierbarkeit und Integration der multimodalen Daten sicherzustellen, sind ausgefeiltere Algorithmen über das Standard -Deep -Lernen hinaus erforderlich.

Als solche schlagen die Ermittler die Konstruktion eines ausgefeilten AI-Fusionsmodells als Kern von Praise-HK vor. Das Fusionsmodell ist ein Ansatz für maschinelles Lernen, der Eingabefunktionen aus mehreren Datenmodalitäten so integriert, dass sie ihre einzigartigen Beiträge nutzen, um eine Vorhersage genauer und robuster zu gestalten, als jede einzelne Modalität erzeugen könnte. Obwohl die Anzahl der Probanden hier (n = 400) nach bestem Wissen die höchste unter allen ähnlichen Studien für hochdimensionale Daten ist, ist diese Zahl gering genug, um ziemlich strenge Einschränkungen für die Auswahl der Analysemethoden aufzuerlegen, die übereinzeigen sollten vermieden werden und die Modellverallgemeinerung sichergestellt wird. Mit diesen Überlegungen konstruieren die Ermittler unser Fusionsmodell in zwei Phasen. Phase 1 beinhaltet die Extraktion von Prädiktoren aus den einzelnen Modalitäten durch ihre unabhängige Verarbeitung mit domänenspezifischen KI-Modellen. Diese Phase ist notwendig, da jede Modalität die wertvollsten Informationen nur mit unterschiedlichen Verarbeitungspipelines liefern kann. Phase 2 beinhaltet die Fusion dieser verarbeiteten Modalitäten. Die Ermittler formulieren ein spezielles Fusionsmodell, das die relativ kleine Stichprobengröße, die hohe Dimensionalität der Prädiktoren und mögliche Fälle fehlender Daten berücksichtigt. Das endgültige Modell wird die Stärken der domänenspezifischen Phase-1-Ausgaben nutzen und ihre Erkenntnisse für eine verbesserte Vorhersagegenauigkeit kombinieren.

Phase 1: Modalitätspezifische Merkmalextraktionen. Für die Modalitäten für Neuroimaging- und Multi-AMICS-Modalitäten nutzen die Forscher vorgebrachte Modelle, um hochdimensionale Eingaben zu einem reduzierten Satz informativer Merkmale oder Einbettungen abzubilden. Die Ermittler beginnen mit der basierten auf jedem Datensatz basierenden feinstimmenden Fundamentmodellen und entwickeln dann modalitätsspezifische Modelle mithilfe der vorgebliebenen und fein abgestimmten Fundamentmodelle als Feature-Extraktoren. Für Zeitreihendaten wie EMG-, EEG- und Motion-Erfassungsdaten werden sowohl Standard- als auch benutzerdefinierte Verfahren verwendet, um Rauschen zu filtern und geeignete Prädiktoren zu identifizieren. Aus dem EMG wird die nicht negative Matrixfaktorisierung und unser kürzlich vorgeschlagenes behelztes latentes Variablenmodell verwendet, um Muskel-Synergieindizes zu extrahieren, die aus unseren vorläufigen Ergebnissen (siehe unten) prädiktive Schlaganfallwiederherstellungsinformationen enthalten. Aus dem EEG und dem EMG werden die Kohärenz zwischen diesen beiden Signalen (Cortico-Muskelkohärenz) und der zwischen EEG- und Muskel-Synergieaktivierungen (Cortico-Synergy-Kohärenz) durch Spektralanalyse berechnet. Aus den Bewegungserfassungsdaten können Bewegungsparameter wie der gemeinsame Bewegungsbereich mit Standardmethoden extrahiert werden. Alle oben genannten Parameter werden in Phase 2 als Prädiktoren verwendet.

Phase 2: AI -Fusionsmodell. Sobald die Forscher die Prädiktoren aus jeder Modalität extrahiert haben, entwickeln die Forscher ein Fusionsmodell, eines für jede Behandlungsgruppe und jeden klinischen Score, der diese A0 -Prädiktoreingaben für eine Vorhersage der A1- und A2 -Ergebnisse integriert. Da die Ermittler keine vorherigen Informationen über die Eignung der verschiedenen Methoden in Fusionsmodellen haben, bewerten die Ermittler die Leistung verschiedener Modelle. Künstliche neuronale Netzwerke mit Meta-Learning werden für ihre Fähigkeit verwendet, aus einer Reihe von Datenfunktionen zu lernen. Ihre Leistung wird gegen andere Modelle wie logistische Regression, Bayes'sche Methoden und zufällige Wälder, Methoden, die für kleinere Datensätze wie unsere vorteilhaft sind, bewertet. Für jede Behandlungsgruppe wird das Fusionsmodell auf den Phase-1-Prädiktoren mit den markierten Daten der 100 Probanden als Eingaben geschult, um die Bewertungsverbesserungen bei A1 und A2 vorherzusagen.

Realistisch gesehen erwarten die Ermittler, dass unsere endgültige Datenbank gelegentlich fehlende Datenpunkte haben wird. Die Ermittler werden gegenseitige Informationsbasis-Imputationstechniken anwenden, um fehlende heterogene Werte abzuschätzen, wodurch die verfügbaren Daten voll ausgewählt werden und Verzerrungen im Modelltraining verhindern. Sensitivitätsanalysen werden durchgeführt, um die Auswirkungen der fehlenden Daten auf Modellvorhersagen zu bewerten und so die Zuverlässigkeit unserer Ergebnisse sicherzustellen.

Durch den gesamten Systemkonstruktionsprozess werden die Ermittler verschiedene AI-Algorithmen für Phase-1-Merkmalextraktionen und Phase-2-Fusion verwenden und vergleichen. Die verwendeten Modelle und Ansätze werden anhand der Testleistungskennzahlen und des klinischen Feedbacks iterativ verfeinert. Historische Daten werden verwendet, um die Modelle durch retrospektive Bewertung der Wirksamkeit der empfohlenen Interventionen in früheren klinischen Szenarien zu validieren.

Zusätzliche Phase 3: Aufbau von Entscheidungsfindung. Für jedes Subjekt kann man durch Vergleich der Phase-2-Ergebnisvorhersagen in den behandlungsspezifischen Modellen bereits eine ideale Intervention für das Subjekt entscheiden, indem sie einfach die Behandlung auswählt, deren Modell die beste A2-Verbesserung ergibt. Dieser Auswahlprozess ist jedoch nicht transparent, da die Fusionsmodelle nicht explizit angeben, wie die vielen Prädiktoren interagieren, um die Modelle zusammen zu führen, um gemeinsam zur empfohlenen Behandlung zu gelangen. Um die Erklärung des KI-Systems zu verbessern, werden die Ermittler eine Phase 3 implementieren, um einen expliziten Entscheidungsrahmen zu konstruieren, der die Interventionsauswahl führt, eine analog zum klinisch erfolgreichen PrEP-Entscheidungsbaumalgorithmus von Stinear et al. Ein Klassifizierer wird mit den Phase-1-Prädiktoren und den PROS-Vorhersagen der Phase-2-Score aller Probanden (n = 400) als Eingänge und den aus dem Phase-2-Ergebnisvergleich abgeleiteten Ranglisten-Interventionspräferenzen als Ausgaben geschult. Der ausgebildete Klassifikator kann als Entscheidungsunterstützungsinstrument dienen, das die sparsamsten Bewertungen aufweist, die für Entscheidungen erforderlich sind, und stellt für seine Empfehlungen transparente Begründung vor, wodurch unser Verständnis dafür verbessert wird, warum bestimmte Probanden jeder Behandlung zugeordnet werden. Um die Interpretierbarkeit zu maximieren, werden die Ermittler Entscheidungsbaumalgorithmen wie die zufälligen Wälder implementieren, die in der Lage sind, komplexe, nichtlineare Beziehungen zwischen den Variablen zu erkennen.