Computer-Wissenschaftler von der Duke University und der Harvard University haben gemeinsam mit ärzte vom Massachusetts General Hospital und der Universität von Wisconsin, eine Maschine zu entwickeln, Lern-Modell, die Vorhersagen können, welche Patienten am meisten gefährdet sind mit zerstörerischen Anfälle nach dem auftreten eines Schlaganfalls oder einer anderen Hirnverletzung.
Ein Punkt-system, das Sie entwickelt haben, hilft, zu bestimmen, welche Patienten erhalten sollten, die teure kontinuierliche Elektroenzephalografie (cEEG) überwachung. Flächendeckend umgesetzt, sagen die Autoren Ihr Modell könnte helfen, Krankenhäuser monitor fast drei mal so viele Patienten, dadurch viele Leben retten sowie $54 Millionen im Jahr.
Ein Papier detailliert die Methoden, die hinter dem interpretierbaren machine-learning Ansatz online erschienen 19. Juni in der Zeitschrift Journal of Machine Learning Research.
Wenn ein Gehirn-Aneurysma führt zu einer Gehirn-Bluten, ein Großteil der Schäden nicht in den ersten paar Stunden, es sammelt sich im Laufe der Zeit, wie der patient Anfälle. Aber weil der Zustand des Patienten nicht zulässt, dass Sie zu zeigen keine äußeren Anzeichen von distress, der einzige Weg, zu sagen, Sie sind mit Anfällen ist durch ein EEG. Jedoch, kontinuierlich die überwachung eines Patienten mit dieser Technologie ist teuer und erfordert gut ausgebildete ärzte interpretieren die Messergebnisse.
Aaron Schlug, assistant professor of neurology an der Universität von Wisconsin School of Medicine und Public Health, und Brandon Westover, Direktor des Critical Care-EEG-Monitoring-Service am Massachusetts General Hospital, gesucht, um diese zu optimieren begrenzten Ressourcen. Durch die Hilfe von Kollegen in der Intensivmedizin EEG-Monitoring Research Consortium, Sie erhobenen Daten auf Dutzenden von Variablen, die von fast 5.500 Patienten und machte sich an die Arbeit.
„Wir wollten einen Punkt-system, um zu entscheiden, wer das größte Risiko für Krampfanfälle“, sagte Struck. „Aber wenn wir versucht, die traditionellen Ansätze, um eine zu erstellen aus den Daten, wir stecken. Das ist, wenn wir fing an, mit Professor Rudin und Dr. Ustun.“
Cynthia Rudin, professor für computer science und electrical and computer engineering an der Duke, und Ihr ehemaliger Ph. D.-student, Berk Ustun, der jetzt ein postdoc an der Harvard University, spezialisiert in der Maschine interpretierbar zu lernen. Während die meisten machine-learning-Modelle sind eine „black box“ zu kompliziert für einen Menschen zu verstehen, interpretierbare machine-learning-Modelle sind beschränkt auf die Berichterstattung zurück in einfachem Englisch.
Rudin und Ustun hatte bereits ein machine-learning-Algorithmus, produziert einfache Modelle, sogenannte scoring-Systeme für andere Anwendungen. Möglicherweise sehen Sie Beispiele für scoring-Systeme in teen-Magazinen, die darauf abzielen, ob oder nicht dein Schwarm ist wieder Ihre zuneigung. (Ein Punkt, wenn Sie schrieben Sie in der vergangenen Woche zwei, wenn Sie und setzte sich neben Sie in die Klasse.) Jede Kombination, die summiert sich auf mehr als 10 Punkte bedeutet, Sie sind bestimmt für ein Feuerwerk.
Außer Rudin und Ustun die scoring-Systeme basieren auf einer ausgefeilten Kombination von Optimierungsmethoden, die als „cutting planes“ und „branch-and-bound.“
Zum Beispiel, sagen, Sie waren auf der Suche für den unteren Punkt auf einer Schüssel-förmigen Graphen. Eine traditionelle Schnittebene Methode verwendet tangential-Linien zu wählen, die Punkte, die sich schnell absetzen und im unteren Teil wie ein snowboarder den Verlust an Dynamik in einer half-pipe. Aber wenn Sie diese Methode, wird gebeten, sich an den untersten Punkt, der auch eine ganze Reihe—, die die uneingeschränkte Antwort ist nicht wahrscheinlich—es könnten auch weiterhin seine Suche zwischen der großen Anzahl von fast akzeptablen Antworten, auf unbestimmte Zeit.
Zu Rock dieses Problem, Rudin und Ustun kombiniert Schnittebene Optimierung mit anderen sogenannten branch-and-bound, die schneidet einen großen Teil der Suche. Der gesamte Prozess wiederholt sich dann, bis eine optimale, interpretierbare Antwort produziert wird.
Ihre Methode hatte sich bereits als erfolgreich erwiesen Erstellung von screening-tests für Schlafapnoe, Alzheimer-Krankheit und adult ADHD. Rudin und Ustun musste einfach überholt es die cEEG Daten.
„Das machine learning tool nahm Anfall die Daten von tausenden von Patienten, und es erzeugt ein Modell namens 2HELPS2B“, sagte Rudin. „Und das tolle an diesem Modell ist, dass die ärzte können es auswendig zu lernen nur durch das wissen, seinen Namen. Es sieht aus wie etwas, dass die ärzte würden auf Ihre eigene, aber es ist eine ausgewachsene Maschine, die Lern-Modell basiert auf Daten und Statistiken.“
Das Modell hat die ärzte geben die Punkte, um Patienten auf der Grundlage der Muster und Spitzen in Ihrer cEEGs. Mit einer maximalen Aufzeichnung von sieben, das Ergebnis stellt eine Schätzung der Wahrscheinlichkeit der Patienten mit einer Beschlagnahme-in jedem Punkt-Intervall reicht von weniger als fünf Prozent auf mehr als 95 Prozent.
Die Forscher testeten das Modell gegen ein neues set von 2.000 Fällen und fand, dass es gut funktioniert. Fest zuversichtlich in seine Fähigkeiten, die 2HELPS2B Modell wurde dann in den Dienst gestellt, an der Universität von Wisconsin und Massachusetts General Hospital, so dass die ärzte nur cEEG wo es am meisten gebraucht wird.
Nach einem Jahr der Nutzung, das Modell führte zu einer 63,6 Prozent-Reduzierung in der Dauer von cEEG-monitoring pro patient, so dass fast drei mal so viele Patienten überwacht werden, während die Erzeugung einer kombinierten Kosten-Einsparungen von $6.1 Millionen.
Das Modell wird nun um vier weitere Krankenhäuser. Wenn alle Krankenhäuser Bundesweit waren zu übernehmen, die Forscher berechnen, die Sie sparen könnten eine kollektive $54 Millionen im Jahr.