Uso de sistemas de IA para optimizar el resultado clínico de los pacientes con accidente cerebrovascular

Entregación 1: Descripción general del plan de recopilación de datos. Los sobrevivientes de accidente cerebrovascular subagudo (n = 400) serán reclutados y asignados aleatoriamente a uno de los cuatro grupos, que recibirán solo cuidado de rehabilitación habitual, y la atención habitual más acupuntura, robótica o estimulación eléctrica neuromuscular (NMES), respectivamente. Cada sujeto se evaluará antes (A0), después (A1) y 6 meses después del inicio de la intervención (A2). En A0, se realizarán evaluaciones clínicas exhaustivas, neurofisiológicas (EEG, EMG, TMS), MRI y basadas en la sangre para derivar marcadores de recuperación predictivos. En A1 y A2, solo se evaluarán los puntajes clínicos y EMG para caracterizar la ganancia funcional posterior a la rehabilitación y la recuperación a largo plazo. Además, en todos los grupos, los puntajes clínicos se registrarán a mitad de camino a través de la intervención (A½) para monitorear el progreso del tratamiento. Los tratamientos durarán ≥1 meses con ≥20 sesiones de capacitación. Todos los datos A0, A1 y A2 se analizarán fuera de línea con aprendizaje automático y otros métodos, y luego se utilizarán para entrenar el modelo AI, Alabanza-HK (sistema de IA de rehabilitación de precisión para mejorar la recuperación en Hong Kong y más allá).

Entregable 2: Modelos de recuperación de IA explicables. Descripción general. Nuestro sistema de IA recibe entradas de datos de alta dimensión de diversas modalidades, cada una de las cuales requiere técnicas de procesamiento únicas adaptadas a las características específicas del tipo de datos para el análisis. Los datos de neuroimagen, por ejemplo, demandan algoritmos de procesamiento de imágenes especializados para derivar medidas estructurales y funcionales del cerebro, mientras que los datos de series de tiempo como EEG y EMG primero deben analizarse con herramientas de procesamiento de señales que capturan patrones integrados en resoluciones temporales variables. La necesidad de un preprocesamiento específico de dominio de diversos tipos de datos genera un nivel de complejidad analítica que desafía las técnicas estándar de aprendizaje profundo, que pueden no acomodar los desafíos únicos presentados por cada modalidad. Para obtener ideas clínicamente actionables y clínicamente relevantes al tiempo que garantiza la interpretabilidad e integración de los datos multimodales, se necesitan algoritmos más sofisticados más allá del aprendizaje profundo estándar.

Como tal, los investigadores proponen la construcción de un sofisticado modelo de fusión de IA como el núcleo de alabanza-HK. Fusion Model es un enfoque de aprendizaje automático que integra características de entrada de múltiples modalidades de datos de una manera que aprovecha sus contribuciones únicas para hacer que una predicción sea más precisa y robusta de lo que cualquier modalidad podría producir. Aunque el número de sujetos aquí (n = 400) es, hasta donde sabemos, el más alto entre todos los estudios similares, para los datos de alta dimensión, este número es lo suficientemente pequeño como para imponer restricciones bastante estrictas en la elección de métodos analíticos en caso de que el sobreajuste ser evitado y garantizar la generalización del modelo. Con estas consideraciones, los investigadores construirán nuestro modelo de fusión en dos fases. La fase 1 implica la extracción de predictores de las modalidades individuales a través de su procesamiento independiente con modelos de IA específicos de dominio. Esta fase es necesaria ya que cada modalidad puede producir la información más valiosa solo con tuberías de procesamiento distintas. La fase 2 implica la fusión de estas modalidades procesadas. Los investigadores formularán un modelo de fusión especializado que acomode el tamaño de muestra relativamente pequeño, la alta dimensionalidad de los predictores y las posibles instancias de datos faltantes. El modelo final capitalizará las fortalezas de las salidas de fase 1 específicas de dominio y combinará sus ideas para una mejor precisión de la predicción.

Fase 1: extracciones de características específicas de modalidad. Para las modalidades de neuroimagen y múltiples múltiples, los investigadores aprovecharán los modelos previamente capacitados para asignar entradas de alta dimensión a un conjunto reducido de características informativas o incrustaciones. Los investigadores comenzarán por ajustar modelos de base basados ​​en cada conjunto de datos, y luego desarrollarán modelos específicos de modalidad utilizando los modelos de base previamente capacitados y ajustados como extractores de características. Para los datos de la serie de tiempo como EMG, EEG y datos de captura de movimiento, se utilizarán procedimientos estándar y derivados de la personalización para filtrar el ruido e identificar predictores adecuados. A partir del EMG, la factorización de la matriz no negativa y nuestro modelo de variable latente rectificado recientemente propuesto se utilizarán para extraer índices de sinergia muscular, que, de nuestros resultados preliminares (ver más abajo), contienen información predictiva de recuperación de accidente cerebrovascular. A partir del EEG y el EMG, la coherencia entre estas dos señales (coherencia cortico-muscular) y la entre las activaciones de EEG y la sinergia muscular (coherencia cortico-sinnergia) se calculará mediante análisis espectral. A partir de los datos de captura de movimiento, los parámetros de movimiento, como el rango de movimiento de la articulación, se pueden extraer con métodos estándar. Todos los parámetros anteriores se utilizarán como predictores en la fase 2.

Fase 2: modelo de fusión de IA. Una vez que los investigadores hayan extraído los predictores de cada modalidad, los investigadores desarrollarán un modelo de fusión, uno para cada grupo de tratamiento y cada puntaje clínico, que integra estas entradas predictoras A0 para una predicción de las puntuaciones A1 y A2. Dado que los investigadores no tienen información previa sobre la idoneidad de los diferentes métodos que se utilizarán en los modelos de fusión, los investigadores evaluarán el rendimiento de varios modelos. Las redes neuronales artificiales con meta-aprendizaje se utilizarán para su capacidad para aprender de un rico conjunto de características de datos. Su rendimiento se comparará con otros modelos como la regresión logística, los métodos bayesianos y los bosques aleatorios, métodos que son ventajosos para conjuntos de datos más pequeños como el nuestro. Para cada grupo de tratamiento, el modelo de fusión se capacitará en los predictores de fase 1 con los datos etiquetados de los 100 sujetos como entradas para predecir las mejoras de puntaje en A1 y A2.

Siendo realistas, los investigadores anticipan que nuestra base de datos final tendrá puntos de datos faltantes ocasionales. Los investigadores emplearán técnicas de imputación mutua basadas en la información para estimar los valores heterogéneos faltantes, haciendo un uso completo de los datos disponibles y evitando los sesgos en la capacitación modelo. Se realizarán análisis de sensibilidad para evaluar el impacto de los datos faltantes en las predicciones del modelo, asegurando así la confiabilidad de nuestros hallazgos.

A través de todo el proceso de construcción del sistema, los investigadores utilizarán y compararán diferentes algoritmos de IA para las extracciones de características de fase 1 y la fusión de fase 2. Los modelos y enfoques empleados se refinarán iterativamente en función de las métricas de rendimiento de la prueba y la retroalimentación clínica. Los datos históricos se utilizarán para validar los modelos a través de la evaluación retrospectiva de la efectividad de las intervenciones recomendadas en escenarios clínicos anteriores.

Fase adicional 3: Marco de toma de decisiones de construcción. Para cada sujeto, al comparar las predicciones de resultado de la fase 2 en los modelos específicos del tratamiento, uno ya puede decidir sobre una intervención ideal para el sujeto simplemente seleccionando el tratamiento cuyo modelo produce la mejor mejora de A2. Pero este proceso de selección no es transparente, porque los modelos de fusión no indican explícitamente cómo los muchos predictores interactúan para llevar a los modelos a llegar colectivamente al tratamiento recomendado. Para mejorar la explicación del sistema AI, los investigadores implementarán una fase 3 para construir un marco explícito de toma de decisiones que guía la selección de intervención, uno análogo al algoritmo de árbol de decisión de preparación clínicamente exitosa de Stinear et al. Un clasificador será entrenado con los predictores de fase 1 y las predicciones de puntaje de fase-2 de todos los sujetos (n = 400) que sirven como entradas, y las preferencias de intervención clasificadas inferidas de la comparación de resultados de fase 2 como salidas. El clasificador capacitado puede servir como una herramienta de soporte de decisiones que revela el conjunto de evaluaciones más parsimoniosas necesarias para llegar a decisiones, y proporciona un razonamiento transparente detrás de sus recomendaciones, mejorando así nuestra comprensión de por qué se asignan sujetos particulares a cada tratamiento. Para maximizar la interpretabilidad, los investigadores implementarán algoritmos del árbol de decisiones, como los bosques aleatorios, que son capaces de discernir relaciones complejas y no lineales entre las variables.