Utilizzo di sistemi AI per ottimizzare l'esito clinico dei pazienti con ictus

Delively 1: panoramica del piano di raccolta dei dati. I sopravvissuti all'ictus subacuto (n = 400) saranno reclutati e assegnati in modo casuale a uno dei quattro gruppi, che riceveranno solo la consueta assistenza di riabilitazione e l'addestramento di agopuntura, robotico o neuromuscolare (NMES), rispettivamente. Ogni soggetto verrà valutato prima (A0), dopo (A1) e 6 mesi dopo l'inizio dell'intervento (A2). In A0, saranno fatte valutazioni cliniche accurate, neurofisiologiche (EEG, EMG, TMS), risonanza magnetica e a base di sangue per derivare marcatori di recupero predittivi. A A1 e A2, solo i punteggi clinici e EMG saranno valutati per caratterizzare il guadagno funzionale post-rehab e il recupero a lungo termine. Inoltre, in tutti i gruppi i punteggi clinici saranno registrati a metà dell'intervento (A½) per monitorare i progressi del trattamento. I trattamenti dureranno ≥1 mese con sessioni di allenamento ≥20. Tutti i dati A0, A1 e A2 saranno analizzati offline con l'apprendimento automatico e altri metodi, e quindi utilizzati per formare il modello AI, lode-HK (sistema di riabilitazione di precisione per migliorare il recupero a Hong Kong e oltre).

Delively 2: modelli di recupero AI spiegabili. Panoramica. Il nostro sistema AI riceve input di dati ad alta dimensione da diverse modalità, ognuna delle quali richiede tecniche di elaborazione uniche su misura per le caratteristiche specifiche del tipo di dati per l'analisi. I dati di neuroimaging, ad esempio, richiedono algoritmi di elaborazione delle immagini specializzati per derivare misure strutturali e funzionali cerebrali, mentre i dati delle serie temporali come EEG ed EMG devono prima essere analizzati con strumenti di elaborazione del segnale che catturano modelli incorporati attraverso variazioni di risoluzioni temporali variabili. La necessità di preelaborazione specifica del dominio di diversi tipi di dati genera un livello di complessità analitica che sfida le tecniche standard di apprendimento profondo, che potrebbero non soddisfare le sfide uniche presentate da ciascuna modalità. Per ottenere approfondimenti fruibili e clinicamente rilevanti garantendo al contempo l'interpretazione e l'integrazione dei dati multimodali, sono necessari algoritmi più sofisticati oltre l'apprendimento profondo standard.

In quanto tali, gli investigatori propongono la costruzione di un sofisticato modello di fusione di AI come nucleo di lode-HK. Il modello Fusion è un approccio di apprendimento automatico che integra le funzionalità di input da più modalità di dati in modo da sfruttare i loro contributi unici per rendere una previsione più accurata e robusta di quanto qualsiasi singola modalità possa produrre. Sebbene il numero di soggetti qui (n = 400) sia, per quanto ne sappia, il più alto tra tutti gli studi simili, per i dati ad alta dimensione, questo numero è abbastanza piccolo da imporre vincoli piuttosto rigorosi alla scelta dei metodi analitici dovrebbe essere eccessivo essere evitato e la generalizzazione del modello assicurata. Con queste considerazioni, gli investigatori costruiranno il nostro modello di fusione in due fasi. La fase 1 prevede l'estrazione di predittori dalle singole modalità attraverso la loro elaborazione indipendente con modelli AI specifici del dominio. Questa fase è necessaria poiché ogni modalità può produrre le informazioni più preziose solo con condutture di elaborazione distinte. La fase 2 comporta la fusione di queste modalità elaborate. Gli investigatori formuleranno un modello di fusione specializzato che ospita la dimensione del campione relativamente piccola, l'alta dimensionalità dei predittori e le potenziali istanze di dati mancanti. Il modello finale capitalizza i punti di forza delle uscite di fase-1 specifiche del dominio e combinerà le loro intuizioni per una migliore precisione di previsione.

Fase 1: estrazioni di caratteristiche specifiche della modalità. Per le modalità di neuroimaging e multi-omica, gli investigatori sfrutteranno i modelli pre-addestrati per mappare gli input ad alta dimensione a un set ridotto di caratteristiche o incorporamenti informativi. Gli investigatori inizieranno mediante modelli di fondazione di messa a punto in base a ciascun set di dati e quindi sviluppano modelli specifici per modalità utilizzando i modelli di fondazione pre-addestrati e messi a punto come estrattori di funzionalità. Per i dati delle serie temporali come EMG, EEG e dati di acquisizione di movimento, verranno utilizzate procedure standard e di derivazione personalizzata per filtrare il rumore e identificare i predittori adeguati. Dall'EMG, la fattorizzazione della matrice non negativa e il nostro modello variabile latente rettificato recentemente verranno utilizzati per estrarre gli indici di sinergia muscolare, che, dai nostri risultati preliminari (vedi sotto), contengono informazioni predittive sul recupero dell'ictus. Dall'eeg e EMG, la coerenza tra questi due segnali (coerenza cortico-muscolare) e quella tra le attivazioni della sinergia EEG e muscolare (coerenza cortico-synergy) sarà calcolata attraverso l'analisi spettrale. Dai dati di acquisizione del movimento, i parametri di movimento come la gamma di movimento articolare possono essere estratti con metodi standard. Tutti i parametri di cui sopra verranno utilizzati come predittori nella fase 2.

Fase 2: modello di fusione AI. Una volta che gli investigatori hanno estratto i predittori di ciascuna modalità, gli investigatori svilupperanno un modello di fusione, uno per ciascun gruppo di trattamento e ciascun punteggio clinico, che integra questi input predittili A0 per una previsione dei punteggi A1 e A2. Poiché gli investigatori non hanno informazioni precedenti sull'idoneità dei diversi metodi da utilizzare nei modelli di fusione, gli investigatori valuteranno le prestazioni di vari modelli. Le reti neurali artificiali con meta-apprendimento saranno utilizzate per la loro capacità di imparare da una ricca set di funzionalità di dati. Le loro prestazioni saranno confrontate con altri modelli come la regressione logistica, i metodi bayesiani e le foreste casuali, metodi che sono vantaggiosi per set di dati più piccoli come il nostro. Per ciascun gruppo di trattamento, il modello di fusione verrà addestrato sui predittori di fase 1 con i dati etichettati dei 100 soggetti come input per prevedere i miglioramenti del punteggio a A1 e A2.

Realisticamente, gli investigatori prevedono che il nostro database finale avrà occasionali punti dati mancanti. Gli investigatori impiegheranno reciproche tecniche di imputazione basate sull'informazione per stimare i valori eterogeni mancanti, sfruttando così il pieno dei dati disponibili e prevenendo i pregiudizi nella formazione del modello. Verranno condotte analisi di sensibilità per valutare l'impatto dei dati mancanti sulle previsioni del modello, garantendo così l'affidabilità dei nostri risultati.

Attraverso l'intero processo di costruzione del sistema, gli investigatori utilizzeranno e confronteranno diversi algoritmi di AI per estrazioni di caratteristiche di fase-1 e fusione di fase-2. I modelli e gli approcci impiegati saranno perfettamente perfezionati in base alle metriche delle prestazioni dei test e al feedback clinico. Verranno utilizzati dati storici per convalidare i modelli attraverso la valutazione retrospettiva dell'efficacia degli interventi raccomandati in precedenti scenari clinici.

Fase 3 aggiuntiva: costruzione del quadro decisionale. Per ogni soggetto, confrontando le previsioni sui risultati di Fase-2 tra i modelli specifici del trattamento, si può già decidere su un intervento ideale per il soggetto semplicemente selezionando il trattamento il cui modello fornisce il miglior miglioramento A2. Ma questo processo di selezione non è trasparente, perché i modelli di fusione non indicano esplicitamente come i molti predittori interagiscono per guidare i modelli ad arrivare collettivamente al trattamento raccomandato. Per migliorare la spiegabilità del sistema di intelligenza artificiale, gli investigatori implementeranno una fase 3 per la costruzione di un quadro decisionale esplicito che guida la selezione di interventi, un analogo all'algoritmo di prato di preparazione clinicamente di successo di Stinear et al. Un classificatore sarà addestrato con i predittori di fase 1 e le previsioni del punteggio di fase 2 di tutti i soggetti (n = 400) che fungono da input e le preferenze di intervento classificate dedotte dal confronto di esito di fase-2 come output. Il classificatore addestrato può fungere da strumento di supporto alle decisioni che rivela la serie più parsimoniosa necessaria per raggiungere le decisioni e fornisce ragionamenti trasparenti dietro le sue raccomandazioni, migliorando così la nostra comprensione del perché particolari argomenti sono assegnati a ciascun trattamento. Per massimizzare l'interpretazione, gli investigatori implementeranno algoritmi degli alberi decisionali come le foreste casuali, che sono in grado di discernere relazioni complesse e non lineari tra le variabili.