Mašinų mokymasis kardiologijoje

Kardiologė Alma Čypienė

Dirbtinis intelektas (AI) ir mašinų mokymasis kardiologijoje yra priemonių rinkinys, skirtas padidinti ir išplėsti kardiologo darbo veiksmingumą. Tai reikalinga dėl kelių priežasčių. Klinikiškai įdiegus daug duomenų turinčias technologijas, tokias kaip viso genomo sekos nustatymas ir mobiliųjų įrenginių biometrinių duomenų srautinis perdavimas, netrukus reikės, kad kardiologas interpretuotų ir pritaikytų informaciją iš daugelio skirtingų biomedicinos sričių. Kartu didėjantis išorinis spaudimas medicinoje reikalauja didesnio gydytojų ir sveikatos priežiūros sistemų veiklos efektyvumo. Galiausiai pacientai pradeda reikalauti greitesnės ir labiau individualizuotos priežiūros. Trumpai tariant, gydytojai yra užtvindyti duomenimis, kuriems reikia sudėtingesnio aiškinimo, tačiau tikimasi, kad jie dirbs efektyviau. Sprendimas yra mašininis mokymasis, kuris gali pagerinti kiekvieną paciento priežiūros etapą – nuo tyrimų ir atradimų iki diagnozės iki gydymo pasirinkimo. Dėl to klinikinė praktika taps efektyvesnė, patogesnė ir labiau individualizuota.

Be to, ateities duomenys nebus renkami tik sveikatos priežiūros srityje. Mobiliųjų jutiklių paplitimas leis ateities gydytojams stebėti, interpretuoti ir reaguoti į papildomus biomedicininių duomenų srautus, renkamus nuotoliniu būdu. Šiame technologijų kampelyje pristatome bendrus mašininio mokymosi metodus, apžvelgiame keletą pasirinktų taikomųjų programų kardiologijoje ir prognozuojame, kaip širdies ir kraujagyslių medicina ateityje įtrauks dirbtinį intelektą.

Prižiūrimas mokymasis: klasifikavimas ir numatymas

Mašininio mokymosi strategijos gali būti iš esmės suskirstytos į neprižiūrimą arba prižiūrimą mokymąsi. Šie turi skirtingus tikslus. Neprižiūrimas mokymasis sutelkiamas į pagrindinės struktūros arba ryšių tarp duomenų rinkinio kintamųjų atradimą, o prižiūrimas mokymasis dažnai apima stebėjimo klasifikavimą į 1 ar daugiau kategorijų arba rezultatų (pvz., „Ar ši elektrokardiograma rodo sinusinį ritmą ar skilvelių virpėjimą?“). Todėl prižiūrimam mokymuisi reikalingas duomenų rinkinys su nuspėjamaisiais kintamaisiais („funkcijomis“ mašininio mokymosi kalba) ir pažymėtais rezultatais. Medicinoje nuspėjamasis modeliavimas dažnai atliekamas, kai stebėjimai turi tokias etiketes kaip „atvejai“ arba „kontrolė“, ir šie stebėjimai yra susieti su susijusiomis savybėmis, tokiomis kaip amžius, lytis ar klinikiniai kintamieji.

Funkcijos pasirinkimas

Funkcijos pasirinkimas yra būtinas nuspėjamajam modeliavimui, o mašininis mokymasis yra ypač naudingas. Apsvarstykite gydytojo pavyzdį, kuris nori numatyti, ar pacientas, sergantis staziniu širdies nepakankamumu, bus paguldytas į ligoninę per 30 dienų. Tai sudėtinga problema, kai buvo įrodyta, kad mašininio mokymosi metodai pagerina tradicinius statistinius metodus. Mūsų hipotetinis gydytojas turi didelį, bet „netvarkingą“ elektroninių sveikatos įrašų duomenų rinkinį. Paprastai jis apima kintamuosius, tokius kaip Tarptautinė ligų klasifikacija – kodai, vaistų receptai, laboratorinių tyrimų rezultatai, fiziologiniai matavimai, vaizdo tyrimai ir pastabos apie klinikinius atvejus. Sunku nuspręsti, kurie kintamieji turėtų būti įtraukti į nuspėjamąjį modelį. Iš tikrųjų algebriškai neįmanoma pritaikyti logistinės regresijos modelio, kai nepriklausomų kintamųjų yra daugiau nei stebėjimų. Dažniausiai naudojami tokie metodai, kaip vienamatė reikšmingumo patikra (t. y. nepriklausomų kintamųjų įtraukimas tik tuo atveju, jei kiekvienas yra susijęs su vienamatės analizės rezultatu) arba laipsniška regresija į priekį. Deja, šie metodai lemia modelius, kurie nėra linkę patvirtinti kituose duomenų rinkiniuose ir yra prastai apibendrinami pacientams. Be to, tarp kintamųjų dažnai yra sudėtinga sąveika. Pavyzdžiui, vienas vaistas gali reikšmingai sąveikauti su kitu vaistu tik esant kitoms sąlygoms. Tokios sąveikos kiekį ir kokybę sunku apibūdinti naudojant tradicinius metodus. Naudodamiesi mašininiu mokymusi galime užfiksuoti ir naudoti šiuos sudėtingus santykius. Į prižiūrimo mokymosi modelius dažnai įtraukiamos ir neprižiūrimo mokymosi sukurtos funkcijos. Churpekas ir kt. parodė mašininio mokymosi funkcijų pasirinkimo naudą savo darbe, lygindami klinikinio pablogėjimo palatose prognozavimo metodus. Naudodami demografinius duomenis, laboratorines vertes ir gyvybinius požymius, šie tyrėjai nustatė, kad įvairūs algoritmai kliniškai reikšmingu mastu pralenkė logistinę regresiją.

And medicinos klinikoje Vilniuje dirbanti kardiologė Alma Čypienė.