Исследователи, которые использовали данные Fitbit для прогнозирования результатов операции, получили новый метод, позволяющий более точно оценить, как пациенты могут восстановиться после операции на позвоночнике.
Используя методы машинного обучения, разработанные в Институте искусственного интеллекта для здоровья Вашингтонского университета в Сент-Луисе, Ченьян Лу, профессор инженерной школы университета Маккелви, в сотрудничестве с Джейкобом Гринбергом, доктором медицинских наук, доцентом кафедры нейрохирургии Медицинской школы, разработал способ более точного прогнозирования выздоровления после операции на поясничном отделе позвоночника.
Результаты, опубликованные в этом месяце в журнале Proceedings of the ACM по интерактивным, мобильным, носимым и повсеместным технологиям, показывают, что их модель превосходит предыдущие модели для прогнозирования результатов операций на позвоночнике. Это важно, потому что при операциях на пояснице и многих других видах ортопедических операций результаты сильно различаются в зависимости от структурного заболевания пациента, а также от характеристик физического и психического здоровья разных пациентов.
На хирургическое восстановление влияет как физическое, так и психическое состояние перед операцией. Некоторые люди могут испытывать катастрофическое или чрезмерное беспокойство перед лицом боли, которое может усугубить боль и выздоровление. Другие люди могут страдать от физиологических проблем, которые вызывают сильную боль. Если врачи смогут заранее знать о различных подводных камнях для каждого пациента, это позволит разработать более индивидуальные планы лечения.
Прогнозируя результаты до операции, мы можем помочь установить некоторые ожидания, провести ранние вмешательства и выявить факторы высокого риска. »
Цзыци Сюй, аспирант лаборатории Лу и первый автор статьи
В предыдущих работах по прогнозированию результатов операции обычно использовались анкеты пациентов, выдаваемые один или два раза в клиниках, которые фиксируют только один статический отрезок времени.
«В нем не удалось отразить долгосрочную динамику физических и психологических особенностей пациентов», — сказал Сюй. Алгоритмы машинного обучения перед началом работы фокусируются только на одном аспекте результата операции, «но игнорируют неотъемлемую многомерную природу восстановления после операции», добавила она.
Исследователи использовали мобильные медицинские данные с устройств Fitbit для мониторинга и измерения восстановления и сравнения уровней активности с течением времени, но это исследование показало, что данные об активности плюс данные продольной оценки более точны в прогнозировании того, как пациент будет вести себя после операции, сказал Гринберг.
Текущая работа предлагает «доказательство принципа», показывающее, что с помощью мультимодального машинного обучения врачи могут видеть гораздо более точную «общую картину» всех взаимосвязанных факторов, влияющих на выздоровление. Продолжая эту работу, команда сначала разработала статистические методы и протокол, чтобы гарантировать, что они предоставляют ИИ правильный сбалансированный набор данных.
Перед текущей публикацией команда опубликовала первоначальное доказательство принципа в нейрохирургии, показывающее, что данные о пациенте и объективные измерения с помощью носимых устройств улучшают прогнозы скорейшего выздоровления по сравнению с традиционными оценками состояния пациента. Помимо Гринберга и Сюя, соавтором этой работы была Маделинн Фрумкин, аспирантка кафедры психологии и наук о мозге в лаборатории искусств и наук Томаса Родебо. Уилсон «Зак» Рэй, доктор медицинских наук, профессор нейрохирургии Генри Г. и Эдит Р. Шварц в Медицинской школе, был соавтором вместе с Родебо и Лу. Родебо сейчас работает в Университете Северной Каролины в Чапел-Хилл.
В этом исследовании они показывают, что данные Fitbit могут быть сопоставлены с многочисленными опросами, которые оценивают социальное и эмоциональное состояние человека. Они собрали эти данные с помощью «экологических мгновенных оценок» (EMA), которые используют смартфоны, чтобы выдавать пациентам частые подсказки для оценки настроения, уровня боли и поведения несколько раз в течение дня.
«Мы объединяем носимые устройства, EMA –и клинические записи, чтобы получить широкий спектр информации о пациентах, от физической активности до субъективных сообщений о боли и психическом здоровье, а также клинических характеристик», — сказал Лу.
Гринберг добавил, что современные статистические инструменты, которые помогли продвинуть Родебо и Фрумкин, такие как «Моделирование динамическими структурными уравнениями», сыграли ключевую роль в анализе сложных продольных данных EMA.
Для самого последнего исследования они учли все эти факторы и разработали новую технику машинного обучения «Мультимодальное многозадачное обучение (M3TL)», позволяющую эффективно комбинировать эти различные типы данных для прогнозирования нескольких результатов восстановления.
При таком подходе ИИ учится взвешивать взаимосвязь результатов, фиксируя их различия на основе мультимодальных данных, добавляет Лу.
По словам Сюя, этот метод использует общую информацию о взаимосвязанных задачах прогнозирования различных результатов, а затем использует общую информацию, чтобы помочь модели понять, как сделать точный прогноз.
Все это объединяется в окончательный пакет, позволяющий получить прогнозируемые изменения для каждого пациента в отношении послеоперационных болевых ощущений и показателей физических функций.
Гринберг говорит, что исследование продолжается, поскольку они продолжают дорабатывать свои модели, чтобы проводить более подробные оценки, прогнозировать результаты и, что наиболее важно, «понимать, какие типы факторов потенциально могут быть изменены для улучшения долгосрочных результатов».
