Utilisation des systèmes d'IA pour optimiser les résultats cliniques des patients atteints d'AVC

Livrable 1: Aperçu du plan de collecte de données. Les survivants de l'AVC subaiguë (n = 400) seront recrutés et affectés au hasard à l'un des quatre groupes, qui recevront respectivement les soins de réadaptation habituels, et la formation de stimulation électrique (NMES) habituelle, respectivement. Chaque sujet sera évalué avant (A0), après (A1) et 6 mois après le début de l'intervention (A2). À A0, des évaluations en IRM cliniques, neurophysiologiques (EEG, EMG, TMS), IRM et sanguines seront faites pour dériver des marqueurs de récupération prédictifs. À A1 et A2, seuls les scores cliniques et l'EMG seront évalués pour caractériser le gain fonctionnel post-réhab et la récupération à long terme. De plus, dans tous les groupes, les scores cliniques seront enregistrés à mi-chemin par intervention (une demi-) pour suivre les progrès du traitement. Les traitements dureront ≥ 1 mois avec ≥20 séances de formation. Toutes les données A0, A1 et A2 seront analysées hors ligne avec l'apprentissage automatique et d'autres méthodes, puis utilisées pour former le modèle d'IA, Louange-HK (Système d'IA de réadaptation de précision pour améliorer la récupération à Hong Kong et au-delà).

Livrables 2: modèles de récupération IA explicables. Aperçu. Notre système d'IA reçoit des entrées de données de grande dimension de diverses modalités, chacune nécessitant des techniques de traitement uniques adaptées aux caractéristiques spécifiques du type de données pour l'analyse. Les données de neuroimagerie, par exemple, exigent des algorithmes de traitement d'image spécialisés pour dériver des mesures structurelles et fonctionnelles cérébrales, tandis que les données de séries chronologiques telles que l'EEG et l'EMG doivent d'abord être analysées avec des outils de traitement du signal qui capturent les modèles intégrés à travers des résolutions temporelles variables. La nécessité d'un prétraitement spécifique au domaine de divers types de données engendre un niveau de complexité analytique qui défie les techniques d'apprentissage en profondeur standard, qui peuvent ne pas répondre aux défis uniques présentés par chaque modalité. Pour obtenir des idées exploitables et cliniquement pertinentes tout en garantissant l'interprétabilité et l'intégration des données multimodales, des algorithmes plus sophistiqués au-delà de l'apprentissage en profondeur standard sont nécessaires.

En tant que tels, les enquêteurs proposent la construction d'un modèle de fusion d'IA sophistiqué comme le cœur de la louange. Le modèle de fusion est une approche d'apprentissage automatique qui intègre les fonctionnalités d'entrée de plusieurs modalités de données d'une manière qui exploite leurs contributions uniques pour rendre une prédiction plus précise et robuste que toute modalité unique pourrait produire. Bien que le nombre de sujets ici (n = 400) soit, au meilleur de nos connaissances, le plus élevé de toutes les études similaires, pour les données de haute dimension, ce nombre est suffisamment petit pour imposer des contraintes assez strictes au choix des méthodes analytiques devrait sur-ajustement être évité et la généralisation du modèle assuré. Avec ces considérations, les enquêteurs construiront notre modèle de fusion en deux phases. La phase 1 implique l'extraction de prédicteurs des modalités individuelles par leur traitement indépendant avec des modèles d'IA spécifiques au domaine. Cette phase est nécessaire car chaque modalité ne peut produire les informations les plus précieuses qu'avec des pipelines de traitement distincts. La phase 2 implique la fusion de ces modalités traitées. Les enquêteurs formuleront un modèle de fusion spécialisé qui s'adapte à la taille relativement petite de l'échantillon, à la dimensionnalité élevée des prédicteurs et aux cas potentiels de données manquantes. Le modèle final capitalisera sur les forces des sorties de phase 1 spécifiques au domaine et combinera leurs idées pour une meilleure précision de prédiction.

Phase 1: Extractions de caractéristiques spécifiques à la modalité. Pour les modalités de neuroimagerie et multi-omiques, les chercheurs exploiteront des modèles pré-formés pour cartographier les entrées de haute dimension à un ensemble réduit de caractéristiques ou d'incorporation informatives. Les enquêteurs commenceront par des modèles de fondation affinés basés sur chaque ensemble de données, puis développeront des modèles spécifiques à la modalité en utilisant les modèles de fondation pré-formés et affinés comme extracteurs de caractéristiques. Pour les données de séries chronologiques telles que les données EMG, EEG et de capture de mouvement, les procédures standard et sur mesure seront utilisées pour filtrer le bruit et identifier les prédicteurs appropriés. À partir de l'EMG, la factorisation de la matrice non négative et notre modèle de variable latente rectifiée récemment proposée seront utilisés pour extraire des indices de synergie musculaire, qui, à partir de nos résultats préliminaires (voir ci-dessous), contiennent des informations prédictives de récupération de l'AVC. De l'EEG et de l'EMG, la cohérence entre ces deux signaux (cohérence cortico-musclée) et celle entre l'EEG et les activations de la synergie musculaire (cohérence cortico-synergie) sera calculée par analyse spectrale. À partir des données de capture de mouvement, les paramètres de mouvement tels que la plage de mouvement conjoint peuvent être extraits avec des méthodes standard. Tous les paramètres ci-dessus seront utilisés comme prédicteurs dans la phase 2.

Phase 2: Modèle de fusion AI. Une fois que les enquêteurs ont extrait les prédicteurs de chaque modalité, les chercheurs développeront un modèle de fusion, un pour chaque groupe de traitement et chaque score clinique, qui intègre ces entrées prédictives A0 pour une prédiction des scores A1 et A2. Étant donné que les enquêteurs ne disposent pas d'informations préalables sur l'aptitude des différentes méthodes à utiliser dans les modèles de fusion, les enquêteurs évalueront les performances de divers modèles. Les réseaux de neurones artificiels avec méta-apprentissage seront utilisés pour leur capacité à apprendre d'un riche ensemble de caractéristiques de données. Leurs performances seront complétées contre d'autres modèles tels que la régression logistique, les méthodes bayésiennes et les forêts aléatoires, les méthodes qui sont avantageuses pour les petits ensembles de données tels que les nôtres. Pour chaque groupe de traitement, le modèle de fusion sera formé sur les prédicteurs de phase 1 avec les données étiquetées des 100 sujets comme entrées pour prédire les améliorations du score à A1 et A2.

De façon réaliste, les enquêteurs prévoient que notre base de données finale aura des points de données manquants occasionnels. Les enquêteurs utiliseront des techniques d'imputation mutuelles basées sur l'information pour estimer les valeurs hétérogènes manquantes, faisant ainsi une utilisation complète des données disponibles et prévenant les biais dans la formation des modèles. Des analyses de sensibilité seront effectuées pour évaluer l'impact des données manquantes sur les prédictions du modèle, assurant ainsi la fiabilité de nos résultats.

Pendant l'ensemble du processus de construction du système, les enquêteurs utiliseront et compareront différents algorithmes d'IA pour les extractions de caractéristiques de phase 1 et la fusion de phase-2. Les modèles et les approches utilisés seront raffinés de manière itérative en fonction des mesures de performance des tests et des commentaires cliniques. Des données historiques seront utilisées pour valider les modèles par évaluation rétrospective de l'efficacité des interventions recommandées dans les scénarios cliniques précédents.

Phase 3: Cadre de décision de construction. Pour chaque sujet, en comparant les prévisions de résultats de la phase-2 à travers les modèles spécifiques au traitement, on peut déjà décider d'une intervention idéale pour le sujet simplement en sélectionnant le traitement dont le modèle donne la meilleure amélioration A2. Mais ce processus de sélection n'est pas transparent, car les modèles de fusion n'indiquent pas explicitement comment les nombreux prédicteurs interagissent pour conduire les modèles à arriver collectivement au traitement recommandé. Pour améliorer l'explanabilité du système d'IA, les enquêteurs mettront en œuvre une phase 3 pour construire un cadre de prise de décision explicite qui guide la sélection d'intervention, un analogue à l'algorithme de la décision de préparation à succès cliniquement réussi de Stinéar et al. Un classificateur sera formé avec les prédicteurs de phase 1 et les prédictions de score de phase-2 de tous les sujets (n = 400) servant des entrées, et les préférences d'intervention classées déduites de la comparaison des résultats de la phase-2 en tant que sorties. Le classificateur qualifié peut servir d'outil d'assistance à la décision qui révèle l'ensemble d'évaluations le plus parcimonieux nécessaires à la prise de décisions et fournit un raisonnement transparent derrière ses recommandations, améliorant ainsi notre compréhension des raisons pour lesquelles des sujets particuliers sont affectés à chaque traitement. Pour maximiser l'interprétabilité, les enquêteurs mettront en œuvre des algorithmes d'arbres de décision tels que les forêts aléatoires, qui sont capables de discerner des relations complexes et non linéaires entre les variables.