Usando sistemas de IA para otimizar o resultado clínico de pacientes com AVC

Entrega 1: Visão geral do plano de coleta de dados. Os sobreviventes de AVC subagudo (n = 400) serão recrutados e designados aleatoriamente para um dos quatro grupos, que receberão apenas atendimento de reabilitação usuais e cuidados usuais mais treinamento de acupuntura, estímulo elétrico robótico ou neuromuscular (NMES), respectivamente. Cada sujeito será avaliado antes (A0), após (A1) e 6 meses após o início da intervenção (A2). No A0, serão feitas avaliações clínicas, neurofisiológicas (EEG, EGM, TMS), ressonância magnética e baseados no sangue para derivar marcadores de recuperação preditivos. Em A1 e A2, apenas as pontuações clínicas e o EMG serão avaliadas para caracterizar o ganho funcional pós-reabilitação e a recuperação a longo prazo. Além disso, em todos os grupos, os escores clínicos serão registrados no meio da intervenção (A½) para monitorar o progresso do tratamento. Os tratamentos durarão ≥ 1 mês com ≥20 sessões de treinamento. Todos os dados A0, A1 e A2 serão analisados ​​offline com aprendizado de máquina e outros métodos e, em seguida, usados ​​para treinar o modelo de IA, elogios-hk (sistema de reabilitação de precisão para melhorar a recuperação em Hong Kong e além).

Entrega 2: modelos de recuperação explicáveis ​​de IA. Visão geral. Nosso sistema de IA recebe entradas de dados de alta dimensão de diversas modalidades, cada uma das quais requer técnicas exclusivas de processamento adaptadas às características específicas do tipo de dados para análise. Os dados de neuroimagem, por exemplo, exigem algoritmos especializados de processamento de imagens para derivar medidas estruturais e funcionais do cérebro, enquanto dados de séries temporais como EEG e EMG devem primeiro ser analisados ​​com ferramentas de processamento de sinal que capturam padrões incorporados em resoluções temporais variadas. A necessidade de pré-processamento específico do domínio de diversos tipos de dados gera um nível de complexidade analítica que desafia técnicas de aprendizado profundo padrão, que podem não acomodar os desafios exclusivos apresentados por cada modalidade. Para obter informações acionáveis ​​e clinicamente relevantes, garantindo a interpretabilidade e a integração dos dados multimodais, são necessários algoritmos mais sofisticados além do aprendizado profundo padrão.

Como tal, os pesquisadores propõem a construção de um sofisticado modelo de fusão de IA como o núcleo do louvor-hk. O Fusion Model é uma abordagem de aprendizado de máquina que integra recursos de entrada de várias modalidades de dados de uma maneira que aproveita suas contribuições exclusivas para tornar uma previsão mais precisa e robusta do que qualquer modalidade única poderia produzir. Embora o número de assuntos aqui (n = 400) seja, até onde sabemos, o mais alto entre todos os estudos semelhantes, para dados de alta dimensão, esse número é pequeno o suficiente para impor restrições bastante rigorosas à escolha de métodos analíticos devem ser ajustados demais ser evitado e a generalização do modelo garantiu. Com essas considerações, os pesquisadores construirão nosso modelo de fusão em duas fases. A fase 1 envolve a extração de preditores das modalidades individuais através de seu processamento independente com os modelos de IA específicos de domínio. Essa fase é necessária, pois cada modalidade pode produzir as informações mais valiosas apenas com pipelines de processamento distintos. A fase 2 envolve a fusão dessas modalidades processadas. Os investigadores formularão um modelo de fusão especializado que acomoda o tamanho da amostra relativamente pequeno, a alta dimensionalidade dos preditores e as possíveis instâncias de falta de dados. O modelo final capitalizará os pontos fortes das saídas de fase 1 específica do domínio e combinarão suas idéias para melhorar a precisão da previsão.

Fase 1: Extrações de recursos específicas da modalidade. Para as modalidades de neuroimagem e multi -ômica, os pesquisadores aproveitarão os modelos pré-treinados para mapear entradas de alta dimensão para um conjunto reduzido de características ou incorporações informativas. Os investigadores começarão por modelos de fundação de ajuste fino com base em cada conjunto de dados e, em seguida, desenvolverão modelos específicos de modalidade usando os modelos de fundação pré-treinados e ajustados como extratores de características. Para dados de séries temporais, como dados EMG, EEG e Motion Capture, procedimentos padrão e personalizados serão usados ​​para filtrar o ruído e identificar preditores adequados. A partir do EMG, a fatorização da matriz não negativa e nosso modelo variável latente retificado recentemente proposto serão usados ​​para extrair índices de sinergia muscular, que, de nossos resultados preliminares (veja abaixo), contêm informações de recuperação de AVC preditivas. A partir do EEG e EMG, a coerência entre esses dois sinais (coerência cortico-muscular) e que entre o EEG e as ativações de sinergia muscular (coerência cortico-snergia) serão calculadas através da análise espectral. A partir dos dados de captura de movimento, os parâmetros de movimento, como a faixa de movimento da junta, podem ser extraídos com métodos padrão. Todos os parâmetros acima serão usados ​​como preditores na Fase 2.

Fase 2: Modelo de fusão da AI. Depois que os investigadores extrairam os preditores de cada modalidade, os investigadores desenvolverão um modelo de fusão, um para cada grupo de tratamento e cada pontuação clínica, que integra essas entradas preditores do A0 para uma previsão dos escores A1 e A2. Como os pesquisadores não possuem informações anteriores sobre a adequação dos diferentes métodos a serem usados ​​nos modelos de fusão, os investigadores avaliarão o desempenho de vários modelos. Redes neurais artificiais com meta-aprendizagem serão usadas para sua capacidade de aprender com um rico conjunto de recursos de dados. Seu desempenho será comparado a outros modelos, como regressão logística, métodos bayesianos e florestas aleatórias, métodos que são vantajosos para conjuntos de dados menores, como os nossos. Para cada grupo de tratamento, o modelo de fusão será treinado nos preditores de fase 1 com os dados rotulados dos 100 indivíduos como entradas para prever as melhorias na pontuação em A1 e A2.

Realisticamente, os pesquisadores prevêem que nosso banco de dados final terá pontos de dados ausentes ocasionais. Os investigadores empregarão técnicas de imputação baseadas em informações mútuas para estimar valores heterogênicos ausentes, fazendo pleno uso dos dados disponíveis e impedindo vieses no treinamento de modelos. As análises de sensibilidade serão realizadas para avaliar o impacto dos dados ausentes nas previsões do modelo, garantindo assim a confiabilidade de nossas descobertas.

Durante todo o processo de construção do sistema, os pesquisadores utilizarão e compararão diferentes algoritmos de IA para extrações de recursos de fase 1 e fusão de fase-2. Os modelos e abordagens empregados serão refinados iterativamente com base nas métricas de desempenho do teste e no feedback clínico. Os dados históricos serão utilizados para validar os modelos por meio da avaliação retrospectiva da eficácia das intervenções recomendadas em cenários clínicos anteriores.

Fase 3 adicional: Construindo a estrutura de tomada de decisão. Para todos os assuntos, comparando as previsões dos resultados da fase-2 nos modelos específicos do tratamento, já se pode decidir sobre uma intervenção ideal para o assunto simplesmente selecionando o tratamento cujo modelo produz a melhor melhoria de A2. Mas esse processo de seleção não é transparente, porque os modelos de fusão não indicam explicitamente como os muitos preditores interagem para liderar os modelos para chegar coletivamente ao tratamento recomendado. Para aprimorar a explicação do sistema de IA, os pesquisadores implementarão uma fase 3 para a construção de uma estrutura explícita de tomada de decisão que orienta a seleção de intervenção, uma análoga ao algoritmo de árvore de decisão de preparação clinicamente bem-sucedida de Stinear et al. Um classificador será treinado com os preditores de fase 1 e as previsões de pontuação da fase-2 de todos os indivíduos (n = 400) que servem como entradas, e as preferências de intervenção classificadas inferidas na comparação dos resultados da fase-2 como saídas. O classificador treinado pode servir como uma ferramenta de suporte à decisão que revela o conjunto mais parcimonioso de avaliações necessárias para a tomada de decisões e fornece raciocínio transparente por trás de suas recomendações, aumentando assim nossa compreensão de por que assuntos específicos são atribuídos a cada tratamento. Para maximizar a interpretabilidade, os pesquisadores implementarão algoritmos de árvore de decisão, como as florestas aleatórias, capazes de discernir relações complexas e não lineares entre as variáveis.