MIT-onderzoekers hebben een model ontwikkeld dat meerdere soorten gezondheidsgegevens van een patiënt kan assimileren om artsen te helpen beslissingen te nemen met onvolledige informatie.

Het gebied van "predictive analytics" is veelbelovend voor veel toepassingen in de gezondheidszorg. Machine learning-modellen kunnen worden getraind om patronen in patiëntgegevens te zoeken om het risico van een patiënt op ziekte of overlijden op de IC te voorspellen, om te helpen bij sepsiszorg, of om veiligere chemotherapieregimes te ontwerpen.

Het proces omvat het voorspellen van interessante variabelen, zoals ziekterisico, van bekende variabelen, zoals symptomen, biometrische gegevens, laboratoriumtests, en bodyscans. Echter, dat patiëntgegevens uit verschillende bronnen kunnen komen en vaak onvolledig zijn. Bijvoorbeeld, het kan gedeeltelijke informatie bevatten uit gezondheidsonderzoeken over lichamelijk en geestelijk welzijn, gemengd met zeer complexe gegevens die metingen van de hart- of hersenfunctie omvatten.

Het gebruik van machine learning om alle beschikbare gegevens te analyseren, kan artsen helpen om patiënten beter te diagnosticeren en te behandelen. Maar de meeste modellen kunnen de zeer complexe gegevens niet aan. Anderen slagen er niet in om de volledige reikwijdte van de relaties tussen verschillende gezondheidsvariabelen te vatten, zoals hoe ademhalingspatronen helpen bij het voorspellen van slaapuren of pijnniveaus.

In een paper die volgende week wordt gepresenteerd op de AAAI-conferentie over kunstmatige intelligentie, MIT-onderzoekers beschrijven een enkel neuraal netwerk dat zowel eenvoudige als zeer complexe gegevens als invoer gebruikt. Met behulp van de bekende variabelen, het netwerk kan dan alle ontbrekende variabelen invullen. Gezien gegevens van, zeggen, een elektrocardiografie (ECG) -signaal van een patiënt, die de hartfunctie meet, en zelfgerapporteerd vermoeidheidsniveau, het model kan het pijnniveau van een patiënt voorspellen, die de patiënt zich misschien niet goed herinnert of niet correct meldt.

Getest op een echte slaaponderzoeksdataset, die gezondheidsenquêtes bevatte, en ECG en andere complexe signalen - het netwerk behaalde een nauwkeurigheid van 70 tot 80 procent bij het voorspellen van een van de acht ontbrekende variabelen, gebaseerd op de zeven andere bekende variabelen.

Het netwerk werkt door verschillende submodellen aan elkaar te naaien, elk aangepast om een ​​specifieke relatie tussen variabelen te beschrijven. De submodellen delen gegevens terwijl ze voorspellingen doen, en uiteindelijk een voorspelde doelvariabele uitvoeren. "We hebben een netwerk van modellen die met elkaar communiceren om te voorspellen wat we niet weten, met behulp van de informatie die we wel kennen van deze verschillende soorten gegevens, " zegt hoofdauteur Hao Wang, een postdoc bij het MIT Computer Science and Artificial Intelligence Laboratory (CSAIL). "Als je hebt, zeggen, acht verschillende soorten gegevens, en ik heb volledige informatie over een patiënt van zeven, de communicatie tussen de modellen zal ons helpen de ontbrekende gaten in het achtste type gegevens van de andere zeven typen op te vullen."

Toetreden tot Wang op het papier zijn Chengzhi Mao, een student aan de Tsinghua University; CSAIL Ph.D. studenten Hao He en Mingmin Zhao; Dina Katabi, de Andrew en Erna Viterbi hoogleraar elektrotechniek en computerwetenschappen aan het MIT en directeur van het MIT Center for Wireless Networks and Mobile Computing; en Tommi S. Jaakkola, de Thomas Siebel hoogleraar bij de faculteit Elektrotechniek en Informatica en het Institute for Data, systemen, en Maatschappij.

Bidirectionele voorspellingen

Het is praktisch onhaalbaar om traditionele machine learning-modellen te gebruiken om het aantal variabelen te analyseren dat het netwerk van onderzoekers aankan. omdat het aantal modellen exponentieel schaalt met het aantal variabelen.

"We vroegen, 'Is het mogelijk om één model te ontwerpen dat al deze groepen data kan gebruiken, ondanks het feit dat we in elke groep andere informatie hebben?'", zegt Wang.

De belangrijkste innovatie was het opsplitsen van het netwerk in afzonderlijke submodellen die elk zijn afgestemd op een ander type invoergegevens. Een neuraal netwerk is een onderling verbonden netwerk van knooppunten die samenwerken om complexe gegevens te verwerken. Het ene knooppunt voert relatief eenvoudige berekeningen uit voordat de uitvoer naar het volgende knooppunt wordt verzonden. In netwerken met submodellen, echter, elk knooppunt kan functioneren als een afzonderlijk netwerk dat complexere berekeningen aankan. Submodellen kunnen veel efficiënter zijn, afhankelijk van de toepassing.

In hun werk, de onderzoekers creëerden één probabilistisch submodel voor elke variabele output. Ze ontwikkelden ook een techniek om de submodellen met elkaar te laten communiceren terwijl ze voorspellingen doen, zogenaamde bidirectionele inferentienetwerken (BIN). Deze techniek maakt gebruik van een neurale netwerktrainingstechniek die bekend staat als backpropagation. In opleiding, backpropagation stuurt computerfouten terug via de knooppunten om de parameterwaarden van het netwerk bij te werken. Maar deze techniek wordt nooit gebruikt bij het testen, vooral wanneer er complexe voorwaardelijke afhankelijkheden bij betrokken zijn. In plaats daarvan, bij traditionele testen, ingevoerde gegevens worden in één richting van knooppunt naar knooppunt verwerkt, totdat een laatste knoop aan het einde van de reeks een voorspelling uitvoert.

De onderzoekers programmeerden hun netwerk om zowel de traditionele methode als backpropagation te gebruiken tijdens het testen. In deze context, backpropagation neemt in feite een variabele output, dan voorspellen van een input van die output, en het terugsturen van de invoerwaarde naar een vorig knooppunt. Hierdoor ontstaat een netwerk waarin alle submodellen samenwerken en mede afhankelijk van elkaar zijn, om een ​​doelkans uit te voeren.

Vul de lege plekken in

De onderzoekers trainden hun netwerk op de real-world Sleep Heart Health Study 2 (SHHS2) dataset. De gegevens omvatten elektro-encefalografie (EEG) metingen, die de hersenfunctie meten; ECG; en ademhalingspatroonsignalen. Het bevat ook informatie uit een gezondheidsonderzoek om acht gezondheidsvariabelen te meten, waaronder emotioneel welzijn, sociaal functioneren, en energie/vermoeidheid—gerangschikt op een schaal van 0 tot 100.

In opleiding, het netwerk leert patronen voor hoe elke variabele een andere kan beïnvloeden. Bijvoorbeeld, als iemand zijn adem lang inhoudt, ze kunnen gespannen zijn, die kunnen wijzen op lichamelijke pijn. Bij het testen, het netwerk is in staat om de relaties te analyseren om een ​​van de acht variabelen te voorspellen, op basis van andere informatie, met een nauwkeurigheid van 70 tot 80 procent.

Het netwerk kan helpen bij het kwantificeren van soms dubbelzinnige gezondheidsvariabelen voor patiënten en artsen, zoals pijn en vermoeidheidsniveaus. Wanneer patiënten slapen na de operatie, bijvoorbeeld, ze kunnen midden in de nacht wakker worden met pijn, maar kan zich de volgende dag misschien niet het juiste pijnniveau herinneren.

Volgende, de onderzoekers hopen het netwerk te implementeren als softwarecomponent voor een apparaat dat ze hebben gebouwd, genaamd de EQ-radio, die iemands ademhaling en hartslag kan volgen met alleen draadloze signalen. Momenteel, het apparaat analyseert die informatie om af te leiden of iemand gelukkig is, boos, of verdrietig. Met het netwerk, het apparaat kan mogelijk continu bijgewerkte voorspellingen doen over de gezondheid van een patiënt, passief, slechts gedeeltelijke informatie gegeven. "Dit zou zo nuttig kunnen zijn in assistentiewoningen, waar artsen de hele dag zowel emotionele als fysieke aspecten van de gezondheid van een patiënt kunnen volgen, elke dag, "zegt Wang.

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.