Använda AI -system för att optimera det kliniska resultatet av strokepatienter

Levererbar 1: Översikt över datainsamlingsplanen. Subakuta strokeöverlevande (n = 400) kommer att rekryteras och slumpmässigt tilldelas en av fyra grupper, som endast kommer att få vanlig rehabilitering, respektive vanlig vård plus akupunktur, robot eller neuromuskulär elektrisk stimulering (NME). Varje ämne kommer att utvärderas före (A0), efter (A1) och 6 månader efter interventionens början (A2). Vid A0 kommer grundläggande kliniska, neurofysiologiska (EEG, EMG, TMS), MRI och blodbaserade bedömningar att göras för att härleda prediktiva återhämtningsmarkörer. Vid A1 och A2 kommer endast de kliniska poängen och EMG att utvärderas för att karakterisera funktionell förstärkning efter rehab och långsiktig återhämtning. I alla grupper kommer kliniska poäng att registreras halvvägs genom intervention (A½) för att övervaka behandlingens framsteg. Behandlingar kommer att pågå ≥1 månad med ≥20 träningspass. Alla A0-, A1- och A2-data kommer att analyseras offline med maskininlärning och andra metoder och sedan användas för att träna AI-modellen, Praise-HK (Precision Rehabilitation AI System för att förbättra återhämtningen i Hong Kong och därefter).

Levererbar 2: Förklarbara AI -modeller för återhämtning. Översikt. Vårt AI-system får högdimensionella datainmatningar från olika sätt, som var och en kräver unika bearbetningstekniker anpassade efter de specifika egenskaperna hos datatypen för analys. Neuroimaging -data, till exempel, efterfrågar specialiserade bildbehandlingsalgoritmer för att härleda hjärnstrukturella och funktionella mått, medan tidsseriedata som EEG och EMG först måste analyseras med signalbehandlingsverktyg som fångar inbäddade mönster över olika temporala upplösningar. Behovet av domänspecifik förbehandling av olika datatyper ger en nivå av analytisk komplexitet som trotsar standarddjupinlärningstekniker, som kanske inte rymmer de unika utmaningar som presenteras av varje modalitet. För att erhålla handlingsbara, kliniskt relevanta insikter samtidigt som tolkbarhet och integration av multimodala data säkerställs behövs mer sofistikerade algoritmer utöver standard djup inlärning.

Som sådan föreslår utredarna konstruktionen av en sofistikerad AI-fusionsmodell som kärnan i Praise-HK. Fusionsmodell är en maskininlärningsstrategi som integrerar inmatningsfunktioner från flera datametoder på ett sätt som utnyttjar deras unika bidrag för att göra en förutsägelse mer exakt och robust än någon enskild modalitet kan producera. Även om antalet försökspersoner här (n = 400) är, så vitt vi vet, är det högsta bland alla liknande studier, för högdimensionella data är detta nummer tillräckligt litet för att påföra ganska stränga begränsningar för valet av analysmetoder att överanpassning bör undvikas och modellgeneralisering säkerställs. Med dessa överväganden kommer utredarna att konstruera vår fusionsmodell i två faser. Fas 1 involverar extraktion av prediktorer från de enskilda metoderna genom deras oberoende bearbetning med domänspecifika AI-modeller. Denna fas är nödvändig eftersom varje modalitet kan ge den mest värdefulla informationen endast med distinkta bearbetningsrörledningar. Fas 2 involverar sammansmältningen av dessa bearbetade modaliteter. Utredarna kommer att formulera en specialiserad fusionsmodell som rymmer den relativt lilla provstorleken, prediktors höga dimensionalitet och potentiella fall av saknade data. Den slutliga modellen kommer att dra nytta av styrkorna i de domänspecifika fas-1-utgångarna och kombinera deras insikter för förbättrad förutsägelse noggrannhet.

Fas 1: Modalitetsspecifika funktionsekstraktioner. För de neuroimaging och multi-omics-metoderna kommer utredarna att utnyttja förutbildade modeller för att kartlägga högdimensionella ingångar till en reducerad uppsättning informativa funktioner eller inbäddningar. Utredarna kommer att börja med att finjustera grundmodeller baserade på varje datasätt och sedan utveckla modalitetsspecifika modeller med hjälp av de förutbildade och finjusterade grundmodellerna som funktionsekstraktorer. För tidsseriedata som EMG, EEG och rörelsedata kommer både standard- och anpassade härledda procedurer att användas för att filtrera brus och identifiera lämpliga prediktorer. Från EMG kommer icke-negativ matrisfaktorisering och vår nyligen föreslagna rektifierade latenta variabla modell att användas för att extrahera muskelsynergi-index, som, från våra preliminära resultat (se nedan), innehåller förutsägbar återhämtningsinformation. Från EEG och EMG kommer sammanhållning mellan dessa två signaler (kortik- muskelkoherens) och att mellan EEG och muskelsynergiaktiveringar (kortikosynergi-koherens) att beräknas genom spektral analys. Från rörelsedata kan rörelseparametrar såsom gemensam rörelseområde extraheras med standardmetoder. Alla parametrar ovan kommer att användas som prediktorer i fas 2.

Fas 2: AI Fusion Model. När utredarna har extraherat prediktorerna från varje modalitet kommer utredarna att utveckla en fusionsmodell, en för varje behandlingsgrupp och varje klinisk poäng, som integrerar dessa A0 -prediktoringångar för en förutsägelse av A1- och A2 -poängen. Eftersom utredarna inte har tidigare information om lämpligheten för de olika metoderna som ska användas i fusionsmodeller kommer utredarna att utvärdera prestandan för olika modeller. Konstgjorda neurala nätverk med metainlärning kommer att användas för deras kapacitet att lära av en rik uppsättning datafunktioner. Deras prestanda kommer att jämföras mot andra modeller som logistisk regression, Bayesiska metoder och slumpmässiga skogar, metoder som är fördelaktiga för mindre datasätt som våra. För varje behandlingsgrupp kommer fusionsmodellen att tränas på fas-1-prediktorerna med de märkta data från de 100 försökspersonerna som ingångar för att förutsäga poängförbättringarna vid A1 och A2.

Realistiskt sett förväntar sig utredarna att vår slutliga databas kommer att ha tillfälliga saknade datapunkter. Utredarna kommer att använda ömsesidiga informationsbaserade imputationstekniker för att uppskatta saknade heterogena värden och därmed utnyttja tillgängliga data och förhindra fördomar i modellträning. Känslighetsanalyser kommer att genomföras för att bedöma effekterna av de saknade uppgifterna på modellprognoser och därmed säkerställa tillförlitligheten i våra resultat.

Genom hela systemkonstruktionsprocessen kommer utredarna att använda och jämföra olika AI-algoritmer för fas-1-extraktioner och fas-2-fusion. Modellerna och tillvägagångssätten är iterativt förfinade baserat på testprestanda och klinisk feedback. Historiska data kommer att användas för att validera modellerna genom retrospektiv bedömning av effektiviteten hos de rekommenderade interventionerna i tidigare kliniska scenarier.

Ytterligare fas 3: Byggande beslutsram. För varje ämne, genom att jämföra fas-2-utfallsförutsägelser över de behandlingsspecifika modellerna, kan man redan besluta om en idealisk intervention för ämnet helt enkelt genom att välja den behandling vars modell ger den bästa A2-förbättringen. Men denna urvalsprocess är inte transparent, eftersom fusionsmodellerna inte uttryckligen indikerar hur de många prediktorerna interagerar för att leda modellerna för att kollektivt komma fram till den rekommenderade behandlingen. För att förbättra AI-systemets förklarbarhet kommer utredarna att implementera en fas 3 för att konstruera ett uttryckligt beslutsram som styr interventionsval, ett analogt med den kliniskt framgångsrika PREP-beslutsträdalgoritmen för Stinear et al. En klassificerare kommer att tränas med fas-1-prediktorerna och fas-2-poängprognoserna för alla försökspersoner (n = 400) som fungerar som ingångar, och de rankade interventionens preferenser som härleds från fas-2-resultatjämförelse som utgångar. Den utbildade klassificeraren kan fungera som ett beslutsstödverktyg som avslöjar den mest parsimoniska uppsättningen av utvärderingar som behövs för att fatta beslut och ger transparent resonemang bakom sina rekommendationer och därmed förbättrar vår förståelse för varför vissa försökspersoner tilldelas varje behandling. För att maximera tolkbarheten kommer utredarna att implementera beslutsträdalgoritmer som de slumpmässiga skogarna, som kan urskilja komplexa, olinjära förhållanden mellan variablerna.