Deep learning: Ο απώτερος στόχος είναι να αναπτυχθεί μια τεχνική μηχανικής μάθησης που θα επιτρέπει στους γιατρούς να εξερευνούν διάφορα σενάρια και επιλογές θεραπείας τι θα γινόταν.
Όταν πρόκειται για στρατηγικές θεραπείας για βαρέως πάσχοντες ασθενείς, οι κλινικοί γιατροί θέλουν να μπορούν να εξετάζουν όλες τις επιλογές και το χρόνο χορήγησης και να λαμβάνουν τη βέλτιστη απόφαση για τους ασθενείς τους. Ενώ η εμπειρία και η μελέτη των κλινικών τους βοήθησαν να είναι επιτυχείς σε αυτή την προσπάθεια, δεν είναι όλοι οι ασθενείς ίδιοι και οι αποφάσεις θεραπείας σε αυτήν την κρίσιμη στιγμή θα μπορούσαν να σημαίνουν τη διαφορά μεταξύ βελτίωσης του ασθενούς και γρήγορης επιδείνωσης. Επομένως, θα ήταν χρήσιμο για τους γιατρούς να μπορούν να λάβουν την προηγούμενη γνωστή κατάσταση υγείας ενός ασθενούς και τις θεραπείες που έλαβε και να το χρησιμοποιήσουν για να προβλέψουν την έκβαση της υγείας του ασθενούς σε διαφορετικά σενάρια θεραπείας, προκειμένου να επιλέξουν την καλύτερη διαδρομή.
Τώρα, μια τεχνική βαθιάς μάθησης, που ονομάζεται G-Net, από ερευνητές του MIT και της IBM παρέχει ένα παράθυρο στην αιτιολογική αντιγεγονότατη πρόβλεψη, δίνοντας στους γιατρούς την ευκαιρία να εξερευνήσουν πώς μπορεί να τα πάει ένας ασθενής κάτω από διαφορετικά σχέδια θεραπείας. Η βάση του G-Net είναι ο αλγόριθμος υπολογισμού g, μια μέθοδος αιτιώδους συναγωγής που εκτιμά την επίδραση των δυναμικών εκθέσεων με την παρουσία μετρούμενων συγχυτικών μεταβλητών—αυτών που μπορεί να επηρεάσουν τόσο τις θεραπείες όσο και τα αποτελέσματα. Σε αντίθεση με προηγούμενες υλοποιήσεις του πλαισίου υπολογισμού g, που χρησιμοποίησαν προσεγγίσεις γραμμικής μοντελοποίησης, το G-Net χρησιμοποιεί επαναλαμβανόμενα νευρωνικά δίκτυα (RNN), τα οποία έχουν συνδέσεις κόμβων που τους επιτρέπουν να μοντελοποιούν καλύτερα χρονικές ακολουθίες με σύνθετη και μη γραμμική δυναμική, όπως αυτές που βρίσκονται στο δεδομένα φυσιολογικών και κλινικών χρονοσειρών.
Με αυτόν τον τρόπο, οι γιατροί μπορούν να αναπτύξουν εναλλακτικά σχέδια με βάση το ιστορικό του ασθενούς και να τα δοκιμάσουν πριν λάβουν μια απόφαση. “Ο απώτερος στόχος μας είναι να αναπτύξουμε μια τεχνική μηχανικής μάθησης που θα επιτρέπει στους γιατρούς να εξερευνούν διάφορα σενάρια και επιλογές θεραπείας τι θα γινόταν”, λέει ο Li-wei Lehman, ερευνητής του MIT στο Ινστιτούτο Ιατρικής Μηχανικής και Επιστήμης του MIT και του MIT- Επικεφαλής του έργου IBM Watson AI Lab. “Έχει γίνει πολλή δουλειά από την άποψη της βαθιάς μάθησης για αντιπραγματική πρόβλεψη, αλλά [είναι] εστίαση σε μια ρύθμιση έκθεσης σημείου. Ωστόσο, η νέα προσέγγιση πρόβλεψης της ομάδας της παρέχει ευελιξία στο σχέδιο θεραπείας και πιθανότητες για αλλαγή της θεραπείας με την πάροδο του χρόνου, καθώς το ιστορικό συμμεταβλητών ασθενών και οι προηγούμενες θεραπείες αλλάζουν.”
Παρακολούθηση της εξέλιξης της νόσου
Για να δημιουργήσουν, να επικυρώσουν και να δοκιμάσουν τις προγνωστικές ικανότητες του G-Net, οι ερευνητές εξέτασαν το κυκλοφορικό σύστημα σε σηπτικούς ασθενείς στη ΜΕΘ. Κατά τη διάρκεια της εντατικής θεραπείας, οι γιατροί πρέπει να κάνουν συμβιβασμούς και κρίσεις, όπως να διασφαλίζουν ότι τα όργανα λαμβάνουν επαρκή παροχή αίματος χωρίς να καταπονούν την καρδιά. Για αυτό, θα μπορούσαν να δώσουν ενδοφλέβια υγρά σε ασθενείς για να αυξήσουν την αρτηριακή πίεση. Ωστόσο, η υπερβολική ποσότητα μπορεί να προκαλέσει οίδημα. Εναλλακτικά, οι γιατροί μπορούν να χορηγήσουν αγγειοσυσπαστικά, τα οποία δρουν για να συστέλλουν τα αιμοφόρα αγγεία και να αυξάνουν την αρτηριακή πίεση.
Προκειμένου να το μιμηθεί αυτό και να επιδείξει την απόδειξη της ιδέας του G-Net, η ομάδα χρησιμοποίησε το CVSim, ένα μηχανιστικό μοντέλο ενός ανθρώπινου καρδιαγγειακού συστήματος που διέπεται από 28 μεταβλητές εισόδου που χαρακτηρίζουν την τρέχουσα κατάσταση του συστήματος, όπως αρτηριακή πίεση, κεντρική φλεβική πίεση, τον συνολικό όγκο αίματος και την συνολική περιφερική αντίσταση, και την τροποποίησαν για να προσομοιώσουν διάφορες ασθένειες (π.χ. σήψη ή απώλεια αίματος) και επιδράσεις των παρεμβάσεων (π.χ. υγρά και αγγειοσυστολείς).
Οι ερευνητές χρησιμοποίησαν το CVSim για να δημιουργήσουν δεδομένα παρατήρησης ασθενών για εκπαίδευση και για σύγκριση «βασικής αλήθειας» έναντι αντιπραγματικής πρόβλεψης. Στην αρχιτεκτονική τους G-Net, οι ερευνητές έτρεξαν δύο RNN για να χειριστούν και να προβλέψουν μεταβλητές που είναι συνεχείς, που σημαίνει ότι μπορούν να λάβουν μια σειρά από τιμές, όπως η αρτηριακή πίεση και κατηγορικές μεταβλητές, οι οποίες έχουν διακριτές τιμές, όπως η παρουσία ή η απουσία πνευμονικό οίδημα. Οι ερευνητές προσομοίωσαν τις τροχιές υγείας χιλιάδων ασθενών, που παρουσίαζαν συμπτώματα κάτω από ένα θεραπευτικό σχήμα, για 66 χρονικά βήματα, και τα χρησιμοποίησαν για να εκπαιδεύσουν και να επικυρώσουν το μοντέλο τους.
Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον Κόσμο
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
