AI -systemen gebruiken om de klinische uitkomst van patiënten met een beroerte te optimaliseren

Leverbaar 1: Overzicht van het gegevensverzamelingsplan. Subacute beroerte overlevenden (n = 400) worden geworven en willekeurig toegewezen aan een van de vier groepen, die alleen de gebruikelijke revalidatiezorg zullen ontvangen, en gebruikelijke zorg plus acupunctuur, robot- of neuromusculaire elektrische stimulatie (NMES) training, respectievelijk. Elk onderwerp wordt vóór (A0) geëvalueerd, na (A1) en 6 maanden na het begin van de interventie (A2). Bij A0 zullen grondige klinische, neurofysiologische (EEG-, EMG-, TMS), MRI- en bloedgebaseerde beoordelingen worden gemaakt voor het afleiden van voorspellende herstelmarkers. Bij A1 en A2 zullen alleen de klinische scores en EMG worden beoordeeld voor het karakteriseren van functionele winst na de rehab en langdurige herstel. Ook zullen in alle groepen klinische scores halverwege de interventie (A½) worden vastgelegd om de voortgang van de behandeling te volgen. Behandelingen duren ≥1 maand met ≥20 trainingssessies. Alle A0-, A1- en A2-gegevens zullen offline worden geanalyseerd met machine learning en andere methoden, en vervolgens worden gebruikt om het AI-model te trainen, Praise-HK (Precision Rehabilitation AI-systeem voor het verbeteren van herstel in Hong Kong en daarbuiten).

Leverbaar 2: Uitlegbare AI -herstelmodellen. Overzicht. Ons AI-systeem ontvangt hoog-dimensionale gegevensinvoer van verschillende modaliteiten, die elk unieke verwerkingstechnieken vereist die zijn afgestemd op de specifieke kenmerken van het gegevenstype voor analyse. Neuroimaging -gegevens, bijvoorbeeld, eisen gespecialiseerde beeldverwerkingsalgoritmen voor het afleiden van structurele en functionele maatregelen van de hersenen, terwijl tijdreeksgegevens zoals EEG en EMG eerst moeten worden geanalyseerd met signaalverwerkingstools die ingebedde patronen vastleggen over verschillende tijdelijke resoluties. De behoefte aan domeinspecifieke voorbewerking van diverse gegevenstypen zorgt voor een niveau van analytische complexiteit dat standaard deep-leertechnieken tart, die mogelijk niet de unieke uitdagingen van elke modaliteit bieden. Om bruikbare, klinisch relevante inzichten te verkrijgen, terwijl de interpreteerbaarheid en integratie van de multimodale gegevens worden gewaarborgd, zijn meer geavanceerde algoritmen die verder gaan dan standaard diep leren nodig.

Als zodanig stellen de onderzoekers de constructie voor van een geavanceerd AI-fusiemodel als de kern van Praise-HK. Fusiemodel is een benadering van machine learning die inputfuncties van meerdere gegevensmodaliteiten integreert op een manier die hun unieke bijdragen gebruikt om een ​​voorspelling nauwkeuriger en robuuster te maken dan een enkele modaliteit zou kunnen produceren. Hoewel het aantal onderwerpen hier (n = 400) voor zover wij weten, de hoogste van alle vergelijkbare studies is, zou dit aantal voor hoog-dimensionale gegevens klein genoeg zijn om nogal stringente beperkingen op te leggen aan de keuze van de analytische methoden. worden vermeden, en het model generalisatie gewaarborgd. Met deze overwegingen zullen de onderzoekers ons fusiemodel in twee fasen construeren. Fase 1 omvat extractie van voorspellers uit de individuele modaliteiten door hun onafhankelijke verwerking met domeinspecifieke AI-modellen. Deze fase is noodzakelijk omdat elke modaliteit alleen de meest waardevolle informatie kan opleveren met verschillende verwerkingspijpleidingen. Fase 2 omvat de fusie van deze verwerkte modaliteiten. De onderzoekers zullen een gespecialiseerd fusiemodel formuleren dat de relatief kleine steekproefgrootte, de hoge dimensionaliteit van de voorspellers en potentiële gevallen van ontbrekende gegevens bevatten. Het uiteindelijke model zal profiteren van de sterke punten van de domeinspecifieke fase-1-uitgangen en hun inzichten combineren voor verbeterde voorspellingsnauwkeurigheid.

Fase 1: modaliteitsspecifieke functie-extracties. Voor de neuroimaging- en multi-omics-modaliteiten zullen de onderzoekers gebruik maken van vooraf getrainde modellen om hoogdimensionale inputs in kaart te brengen aan een verminderde set informatieve functies of inbedding. De onderzoekers zullen beginnen met het verfijnen van funderingsmodellen op basis van elke dataset en vervolgens modaliteitsspecifieke modellen ontwikkelen met behulp van de vooraf getrainde en verfijnde funderingsmodellen als functie-extractors. Voor tijdreeksgegevens zoals EMG-, EEG- en bewegingsopvanggegevens, zullen zowel standaard- als op maat afgeleide procedures worden gebruikt om ruis te filteren en geschikte voorspellers te identificeren. Uit de EMG zal niet-negatieve matrixfactorisatie en ons recent voorgestelde gecorrigeerde latente variabele model worden gebruikt om spiersynergie-indices te extraheren, die, uit onze voorlopige resultaten (zie hieronder), voorspellende informatie over de beroertevertage bevatten. Uit de EEG en EMG zal samenhang tussen deze twee signalen (cortico-spiercoherentie) en die tussen EEG- en spiersynergieactiveringen (cortico-syergy coherentie) worden berekend door spectrale analyse. Uit de gegevens van de bewegingsopvang kunnen bewegingsparameters zoals gewrichtsbewegingsbereik worden geëxtraheerd met standaardmethoden. Alle bovenstaande parameters worden gebruikt als voorspellers in fase 2.

Fase 2: AI -fusiemodel. Zodra de onderzoekers de voorspellers van elke modaliteit hebben geëxtraheerd, zullen de onderzoekers een fusiemodel ontwikkelen, een voor elke behandelingsgroep en elke klinische score, die deze A0 -voorspellende ingangen integreert voor een voorspelling van de A1- en A2 -scores. Aangezien de onderzoekers geen voorafgaande informatie hebben over de geschiktheid van de verschillende methoden die moeten worden gebruikt in fusiemodellen, zullen de onderzoekers de prestaties van verschillende modellen evalueren. Kunstmatige neurale netwerken met meta-learning zullen worden gebruikt voor hun vermogen om te leren van een rijke set van gegevensfuncties. Hun prestaties zullen worden benchmarkt tegen andere modellen zoals logistieke regressie, Bayesiaanse methoden en willekeurige bossen, methoden die voordelig zijn voor kleinere datasets zoals de onze. Voor elke behandelingsgroep zal het fusiemodel worden getraind op de fase-1-voorspellers met de gelabelde gegevens van de 100 proefpersonen als input om de scoreverbeteringen op A1 en A2 te voorspellen.

Realistisch gezien verwachten de onderzoekers dat onze laatste database af en toe ontbrekende gegevenspunten zal hebben. De onderzoekers zullen gebruik maken van wederzijdse op informatie gebaseerde imputatietechnieken om ontbrekende heterogene waarden te schatten, waardoor de beschikbare gegevens volledig worden gebruikt en vooroordelen in modeltraining voorkomen. Gevoeligheidsanalyses zullen worden uitgevoerd om de impact van de ontbrekende gegevens op modelvoorspellingen te beoordelen, waardoor de betrouwbaarheid van onze bevindingen wordt gewaarborgd.

Door het hele systeemconstructieproces zullen de onderzoekers verschillende AI-algoritmen gebruiken en vergelijken voor fase-1-functie-extracties en fase-2-fusie. De gebruikte modellen en benaderingen zullen iteratief worden verfijnd op basis van testprestaties en klinische feedback. Historische gegevens zullen worden gebruikt om de modellen te valideren door een retrospectieve beoordeling van de effectiviteit van de aanbevolen interventies in eerdere klinische scenario's.

Aanvullende fase 3: Bouwbeslissingsraamwerk. Voor elk onderwerp, door de fase-2-uitkomstvoorspellingen in de behandelingsspecifieke modellen te vergelijken, kan men al beslissen over een ideale interventie voor het onderwerp, simpelweg door de behandeling te selecteren waarvan het model de beste A2-verbetering oplevert. Maar dit selectieproces is niet transparant, omdat de fusiemodellen niet expliciet aangeven hoe de vele voorspellers interageren om de modellen ertoe te brengen collectief tot de aanbevolen behandeling te komen. Om de verklaring van het AI-systeem te vergroten, zullen de onderzoekers een fase 3 implementeren voor het construeren van een expliciet besluitvormingskader dat interventieselectie begeleidt, een analoog aan het klinisch succesvolle prep-beslissingsboomalgoritme van Stinear et al. Een classificator zal worden getraind met de fase-1-voorspellers en de fase-2-scorevoorspellingen van alle proefpersonen (n = 400) die als input dienen, en de gerangschikte interventievoorkeuren zijn afgeleid uit fase-2-uitkomstvergelijking als uitgangen. De getrainde classificator kan dienen als een beslissingsondersteuningstool die de meest spaarzame reeks evaluaties onthult die nodig zijn voor het nemen van beslissingen, en biedt transparant redeneren achter de aanbevelingen ervan, waardoor ons begrip wordt verbeterd waarom bepaalde proefpersonen aan elke behandeling worden toegewezen. Om de interpreteerbaarheid te maximaliseren, zullen de onderzoekers beslissingsboomalgoritmen zoals de willekeurige bossen implementeren, die in staat zijn om complexe, niet-lineaire relaties tussen de variabelen te onderscheiden.