Korzystanie z systemów AI w celu optymalizacji wyniku klinicznego u pacjentów z udarem

Dostarczalny 1: Przegląd planu gromadzenia danych. Subostte udar, które przeżyły udar (n = 400), zostaną rekrutowani i losowo przypisani do jednej z czterech grup, które otrzymają odpowiednio wyłącznie opiekę rehabilitacyjną, a także zwykłą opiekę oraz trening akupunktury, robotycznej lub nerwowo -mięśniowej stymulacji elektrycznej (NMES). Każdy pacjent zostanie oceniony przed (A0), po (A1) i 6 miesięcy po rozpoczęciu interwencji (A2). W A0 dokonane będą dokładne oceny kliniczne, neurofizjologiczne (EEG, EMG, TMS) i oceny oparte na krwi w celu uzyskania markerów odzyskiwania predykcyjnego. W A1 i A2 tylko wyniki kliniczne i EMG zostaną ocenione pod kątem charakteryzowania zysku funkcjonalnego po rehabilitacji i długoterminowego odzyskiwania. Ponadto we wszystkich grupach wyniki kliniczne będą rejestrowane w połowie interwencji (A½) w celu monitorowania postępu leczenia. Zabiegi potrwają ≥1 miesiąca z ≥20 sesjami treningowymi. Wszystkie dane A0, A1 i A2 będą analizowane offline za pomocą uczenia maszynowego i innych metod, a następnie wykorzystywane do szkolenia modelu AI, Praise-HK (system AI rehabilitacji precyzyjnej w celu zwiększenia odzyskiwania w Hongkongu i poza nią).

Dostarczalny 2: Wyjaśnione modele odzyskiwania AI. Przegląd. Nasz system AI otrzymuje wysokowywentowe dane wejściowe danych z różnych metod, z których każda wymaga unikalnych technik przetwarzania dostosowanych do określonych cech typu danych do analizy. Dane neuroobrazowania, na przykład, wymagają wyspecjalizowanych algorytmów przetwarzania obrazu w celu uzyskania miar strukturalnych i funkcjonalnych mózgu, podczas gdy dane szeregów czasowych, takie jak EEG i EMG, należy najpierw analizować za pomocą narzędzi przetwarzania sygnałów, które przechwytują osadzone wzorce w różnych rozdzielczości czasowych. Potrzeba specyficznego dla domeny wstępnego przetwarzania różnych rodzajów danych wywołuje poziom złożoności analitycznej, która przeciwstawia się standardowym technikom głębokiego uczenia się, co może nie uwzględniać unikalnych wyzwań przedstawionych przez każdą modalność. Aby uzyskać przydatne, istotne klinicznie spostrzeżenia, zapewniając jednocześnie interpretację i integrację danych multimodalnych, potrzebne są bardziej wyrafinowane algorytmy poza standardowym uczeniem się głębokim.

Jako tacy badacze proponują budowę wyrafinowanego modelu fuzji AI jako rdzeń pochwały. Model Fusion to podejście uczenia maszynowego, które integruje funkcje wejściowe z wielu modalności danych w sposób, który wykorzystuje ich unikalny wkład, aby przewidywać bardziej dokładne i solidne niż jakakolwiek pojedyncza modalność. Chociaż liczba pacjentów tutaj (n = 400) jest, zgodnie z naszą najlepszą wiedzą, najwyższy spośród wszystkich podobnych badań, dla danych o wysokim wymiarach liczby ta jest wystarczająco mała, aby narzucić raczej rygorystyczne ograniczenia na wybór metod analitycznych Unikaj i zapewniono uogólnienie modelu. Dzięki tym rozważaniom badacze skonstruują nasz model fuzji w dwóch fazach. Faza 1 obejmuje ekstrakcję predyktorów z poszczególnych metod poprzez ich niezależne przetwarzanie za pomocą modeli AI specyficznych dla domeny. Ta faza jest konieczna, ponieważ każda modalność może dostarczyć najcenniejszych informacji tylko z odrębnymi rurociągami przetwarzania. Faza 2 obejmuje połączenie tych przetworzonych metod. Badacze sformułują wyspecjalizowany model fuzji, który obejmuje stosunkowo niewielką wielkość próby, wysoką wymiarowość predyktorów i potencjalne przypadki brakujących danych. Ostateczny model wykorzysta mocne strony wyników fazy 1 specyficznych dla domeny i połączy ich spostrzeżenia w celu poprawy dokładności przewidywania.

Faza 1: Ekstrakcje funkcji specyficzne dla modalności. W przypadku metod neuroobrazowania i multi-nomics badacze wykorzystują wstępnie wyszkolone modele, aby mapować dane wejściowe o zmniejszonym zestawie funkcji lub osadzonych. Badacze rozpoczną od dostrajania modeli fundamentów opartych na każdym zbiorze danych, a następnie opracują modele specyficzne dla modalności przy użyciu wstępnie wyszkolonych i dopracowanych modeli fundamentów jako ekstraktorów funkcji. W przypadku danych serii czasowych, takich jak dane EMG, EEG i przechwytywanie ruchu, zarówno procedury standardowe, jak i niestandardowe, zostaną użyte do filtrowania szumu i identyfikacji odpowiednich predyktorów. Z EMG, nieujemna czynnik macierzy i nasz niedawno zaproponowany model utajonej zmiennej zostaną wykorzystane do wydobycia wskaźników synergii mięśni, które z naszych wstępnych wyników (patrz poniżej) zawierają informacje o odzyskiwaniu udaru predykcyjnego. Z EEG i EMG koherencja między tymi dwoma sygnałami (spójność korowo-mięśniowa) oraz między aktywacjami EEG i synergii mięśniowej (koherencja Cortico-Synergy) zostanie obliczona za pomocą analizy spektralnej. Z danych przechwytywania ruchu parametry ruchu, takie jak wspólny zakres ruchu, można wyodrębnić standardowymi metodami. Wszystkie powyższe parametry będą używane jako predyktory w fazie 2.

Faza 2: Model fuzji AI. Gdy badacze wyodrębną predyktory z każdej modalności, badacze opracują model fuzji, po jednym dla każdej grupy leczonej i każdy wynik kliniczny, który integruje te wejścia predykcyjne A0 do przewidywania wyników A1 i A2. Ponieważ badacze nie mają wcześniejszych informacji na temat przydatności różnych metod stosowanych w modelach fuzji, badacze ocenią wydajność różnych modeli. Sztuczne sieci neuronowe z meta-learning zostaną wykorzystane do ich zdolności do uczenia się z bogatego zestawu funkcji danych. Ich wydajność zostaną porównywane w stosunku do innych modeli, takich jak regresja logistyczna, metody bayesowskie i losowe lasy, metody korzystne dla mniejszych zestawów danych, takich jak nasze. Dla każdej grupy terapeutycznej model fuzji zostanie przeszkolony w predyktorach fazy 1 z oznaczonymi danymi od 100 osób jako wejściowe do przewidywania poprawy wyników w A1 i A2.

Realistycznie śledczy przewidują, że nasza ostatnia baza danych będzie od czasu do czasu brakuje punktów danych. Badacze zastosują wzajemne techniki imputacji oparte na informacji do oszacowania brakujących wartości heterogenicznych, tym samym w pełnym wykorzystaniu dostępnych danych i zapobiegając uprzedzeniom w szkoleniu modelu. Analizy wrażliwości zostaną przeprowadzone w celu oceny wpływu brakujących danych na prognozy modelu, zapewniając w ten sposób niezawodność naszych ustaleń.

Poprzez cały proces budowy systemu badacze wykorzystają i porównują różne algorytmy AI dla ekstrakcji cech fazy 1 i fuzji fazy-2. Zastosowane modele i podejścia zostaną iteracyjnie udoskonalane na podstawie wskaźników wydajności testowej i informacji zwrotnych klinicznych. Dane historyczne zostaną wykorzystane do potwierdzenia modeli poprzez retrospektywną ocenę skuteczności zalecanych interwencji w poprzednich scenariuszach klinicznych.

Dodatkowa faza 3: Budowanie ram decyzyjnych. Dla każdego pacjenta, porównując prognozy wyników fazy-2 w modelach specyficznych dla leczenia, można już zdecydować o idealnej interwencji dla pacjenta, po prostu wybierając leczenie, którego model daje najlepszą poprawę A2. Ale ten proces selekcji nie jest przejrzysty, ponieważ modele fuzyjne nie wskazują wyraźnie, w jaki sposób wiele predyktorów oddziałuje, aby poprowadzić modele do wspólnego osiągnięcia zalecanego leczenia. Aby zwiększyć eksplorację systemu AI, badacze wdroży fazę 3 do konstruowania wyraźnych ram decyzyjnych, które kierują selekcją interwencji, jeden analogiczny do klinicznie skutecznego algorytmu decyzyjnego drzewa decyzyjnego Stinear i in. Klasyfikator zostanie przeszkolony z predyktorami fazy 1 i prognozami wyniku fazy 2 dla wszystkich osób (n = 400) służących jako dane wejściowe, a preferencje interwencyjne rankingowe wywodzące się z porównania wyników fazy-2 jako wyniki. Wyszkolony klasyfikator może służyć jako narzędzie wsparcia decyzji, które ujawnia najbardziej oszczędny zestaw ocen potrzebnych do podejmowania decyzji, i zapewnia przejrzyste rozumowanie za jego zalecenia, zwiększając w ten sposób nasze zrozumienie, dlaczego poszczególne podmioty są przypisywane do każdego leczenia. Aby zmaksymalizować interpretację, badacze wdroży algorytmy drzewa decyzyjnego, takie jak losowe lasy, które są zdolne do rozróżniania złożonych, nieliniowych związków między zmiennymi.