Mokslininkai, kurie naudojo „Fitbit“ duomenis, kad padėtų numatyti chirurginius rezultatus, turi naują metodą, leidžiantį tiksliau įvertinti, kaip pacientai gali atsigauti po stuburo operacijos.
Naudodamas mašininio mokymosi metodus, sukurtus Vašingtono universiteto AI sveikatos institute Sent Luise, Chenyang Lu, universiteto McKelvey inžinerijos mokyklos Fullgraf profesorius bendradarbiavo su Jacob Greenberg, MD, Medicinos mokyklos neurochirurgijos docentu, sukurti būdą, kaip tiksliau prognozuoti pasveikimą po juosmeninės stuburo dalies operacijos.
Rezultatai paskelbti žurnale ACM byla dėl interaktyvių, mobiliųjų, nešiojamų ir visur naudojamų technologijų, rodo, kad jų modelis lenkia ankstesnius modelius, kad būtų galima numatyti stuburo operacijos rezultatus. Tai svarbu, nes atliekant apatinės nugaros dalies chirurgiją ir daugelį kitų ortopedinių operacijų rezultatai labai skiriasi priklausomai nuo paciento struktūrinės ligos, bet taip pat ir nuo skirtingų pacientų fizinės bei psichinės sveikatos savybių.
Chirurginiam atsigavimui įtakos turi tiek fizinė, tiek psichinė sveikata prieš operaciją. Kai kurie žmonės, susidūrę su skausmu, gali patirti katastrofą arba pernelyg nerimauti, o tai gali pabloginti skausmą ir pabloginti sveikimą. Kiti gali turėti fiziologinių problemų, kurios sukelia stipresnį skausmą. Jei gydytojai gali įspėti apie įvairias kiekvieno paciento problemas, tai leis geriau individualizuoti gydymo planus.
„Prognozuodami rezultatus prieš operaciją, galime padėti nustatyti tam tikrus lūkesčius ir padėti atlikti ankstyvą intervenciją bei nustatyti didelės rizikos veiksnius“, – sakė mokslų daktaras Ziqi Xu. studentas Lu laboratorijoje ir pirmasis šio straipsnio autorius.
Ankstesnis darbas numatant operacijos rezultatus paprastai naudojo pacientų klausimynus, pateiktus vieną ar du kartus klinikose, kuriose užfiksuota tik viena statinė laiko dalis.
„Tai nesugebėjo užfiksuoti ilgalaikės pacientų fizinių ir psichologinių modelių dinamikos“, – sakė Xu. Ankstesnio darbo mokymo mašinų mokymosi algoritmai sutelkia dėmesį į tik vieną operacijos rezultato aspektą, „tačiau nepaiso būdingo daugiamatiškumo operacijos atkūrimo pobūdžiui“, – pridūrė ji.
„Didelio vaizdo“ vaizdas
Tyrėjai naudojo mobiliuosius sveikatos duomenis iš „Fitbit“ įrenginių, kad stebėtų ir matuotų atsigavimą ir palygintų aktyvumo lygius laikui bėgant, tačiau šis tyrimas parodė, kad aktyvumo duomenys ir išilginio vertinimo duomenys yra tikslesni nuspėjant, kaip pacientas pasielgs po operacijos, sakė Greenbergas.
Dabartinis darbas siūlo „principo įrodymą“, rodantį, kad naudojant daugiarūšį mašininį mokymąsi gydytojai gali matyti daug tikslesnį „didelį vaizdą“ apie visus tarpusavyje susijusius veiksnius, turinčius įtakos atsigavimui. Atlikdama šį darbą, komanda pirmiausia išdėstė statistinius metodus ir protokolą, siekdama užtikrinti, kad dirbtinis intelektas būtų tiekiamas tinkamai subalansuotais duomenimis.
Prieš dabartinį leidinį komanda paskelbė pradinį principo įrodymą Neurochirurgija Tai rodo, kad pacientų pranešti objektyvūs nešiojami matavimai pagerina ankstyvo pasveikimo prognozes, palyginti su tradiciniais pacientų vertinimais.
Be Greenbergo ir Xu, mokslų daktarė Madelynn Frumkin. psichologijos ir smegenų mokslų studentas Thomo Rodebaugho menų ir mokslų laboratorijoje, buvo pirmasis šio darbo autorius. Wilsonas „Zackas” Ray, medicinos mokslų daktaras, Henry G. ir Edith R. Schwartz, medicinos mokyklos neurochirurgijos profesorius, buvo vienas iš vyresniųjų autorių, kartu su Rodebaugh ir Lu. Rodebaugh dabar yra Šiaurės Karolinos universitete Chapel Hill.
Šiame tyrime jie rodo, kad „Fitbit“ duomenys gali būti koreliuojami su keliomis apklausomis, įvertinančiomis asmens socialinę ir emocinę būklę. Jie surinko šiuos duomenis atlikdami „ekologinius momentinius vertinimus“ (EMA), kuriuose naudojami išmanieji telefonai, kad pacientai būtų dažnai raginami įvertinti nuotaiką, skausmo lygį ir elgesį kelis kartus per dieną.
„Mes deriname nešiojamus prietaisus, EMA ir klinikinius įrašus, kad gautume daug informacijos apie pacientus – nuo fizinės veiklos iki subjektyvių pranešimų apie skausmą ir psichinę sveikatą bei klinikines charakteristikas“, – sakė Lu.
Greenbergas pridūrė, kad moderniausios statistikos priemonės, kurias padėjo tobulėti Rodebaugh ir Frumkin, pavyzdžiui, „Dinaminis struktūrinių lygčių modeliavimas“, buvo labai svarbios analizuojant sudėtingus išilginius EMA duomenis.
Siekite pagerinti ilgalaikius rezultatus
Paskutiniame tyrime jie atsižvelgė į visus šiuos veiksnius ir sukūrė naują mašininio mokymosi techniką „Multi-Modal Multi-Task Learning (M3TL)“ efektyviai sujungti šiuos skirtingus duomenų tipus, kad būtų galima numatyti kelis atkūrimo rezultatus.
Taikydamas šį metodą, AI išmoksta pasverti rezultatų ryšį ir užfiksuoti jų skirtumus nuo daugiarūšių duomenų, priduria Lu.
Pasak Xu, šis metodas naudoja bendrą informaciją apie tarpusavyje susijusias užduotis, skirtas numatyti skirtingus rezultatus, o tada naudoja bendrą informaciją, kad padėtų modeliui suprasti, kaip tiksliai prognozuoti.
Visa tai sujungiama į galutinį paketą, kuriame numatomas kiekvieno paciento pooperacinio skausmo trukdžių ir fizinės funkcijos balo pokytis.
Greenbergas teigia, kad tyrimas tęsiamas, nes jie ir toliau tobulina savo modelius, kad galėtų atlikti šiuos išsamesnius vertinimus, numatyti rezultatus ir, svarbiausia, „suprasti, kokių tipų veiksnius galima modifikuoti siekiant pagerinti ilgalaikius rezultatus“.