técnica de aprendizaje profundo predice los resultados del tratamiento clínico |  Noticias del MIT

técnica de aprendizaje profundo predice los resultados del tratamiento clínico | Noticias del MIT



Cuando se trata de estrategias de tratamiento para pacientes en estado crítico, los médicos quieren poder considerar todas sus opciones y tiempos de administración, y tomar la decisión óptima para sus pacientes. Si bien la experiencia clínica y los estudios les han ayudado a tener éxito en este esfuerzo, no todos los pacientes son iguales, y las decisiones de tratamiento en este momento crucial pueden significar la diferencia entre la mejora de un paciente y un deterioro rápido. Por lo tanto, sería útil para los médicos poder tomar el estado de salud previamente conocido de un paciente y los tratamientos recibidos, y a partir de eso predecir el estado de salud de ese paciente en diferentes escenarios de tratamiento para elegir el mejor camino.

Ahora, una técnica de aprendizaje profundo llamada G-Net por investigadores del MIT e IBM proporciona una ventana a la predicción contrafactual causal, brindando a los médicos la capacidad de examinar cómo le iría a un paciente con diferentes planes de tratamiento. La base de G-Net es el algoritmo de cálculo g, un método de inferencia causal que estima el efecto de las exposiciones dinámicas en presencia de variables de confusión medidas, variables que pueden afectar tanto a los tratamientos como a los resultados. A diferencia de las implementaciones anteriores del marco G-Computation que usaban enfoques de modelado lineal, G-Net usa redes neuronales recurrentes (RNN) que tienen conexiones de nodos que les permiten modelar mejor secuencias temporales con dinámicas complejas y no lineales, como se encuentran en los datos de series temporales fisiológicas y clínicas. Esto permite a los médicos usar el historial médico para desarrollar y probar planes alternativos antes de tomar una decisión.

«Nuestro objetivo final es desarrollar una técnica de aprendizaje automático que permita a los médicos explorar diferentes escenarios hipotéticos y opciones de tratamiento», dijo Li-wei Lehman, científico investigador del MIT en el Instituto de Ingeniería y Ciencias Médicas del MIT y MIT-IBM. Líder de proyecto de laboratorio de IA de Watson. “Se ha trabajado mucho en términos de aprendizaje profundo para predicciones contrafácticas, pero [it’s] centrado en un entorno de exposición puntual” o una estrategia de tratamiento estática y variable en el tiempo que no permite el ajuste de los tratamientos a medida que cambia el historial del paciente. Sin embargo, el nuevo enfoque predictivo de su equipo ofrece flexibilidad en la planificación del tratamiento y oportunidades para que el tratamiento cambie con el tiempo a medida que cambian el historial de covariables del paciente y los tratamientos anteriores. «G-Net es el primer enfoque de aprendizaje profundo basado en computación G capaz de predecir los efectos del tratamiento tanto a nivel de población como a nivel individual bajo estrategias de tratamiento dinámicas y variables en el tiempo».

El estudio, publicado recientemente en la Procedimientos de investigación de aprendizaje automáticofue coautor de Rui Li MEng ’20, Stephanie Hu MEng ’21, ex postdoctorado del MIT Mingyu Lu MD, estudiante de doctorado Yuria Utsumi, investigador asociado de IBM Prithwish Chakraborty, director de investigación de servicios de nube híbrida de IBM Daby Sow, científico de datos de IBM, Piyush Madan, el investigador de IBM Mohamed Ghalwash y el investigador de IBM Zach Shahn.

seguimiento de la progresión de la enfermedad

Para construir, validar y probar las capacidades predictivas de G-Net, los investigadores observaron el sistema circulatorio en pacientes sépticos en la UCI. Durante la atención crítica, los médicos deben hacer concesiones y decisiones, p. B. Asegúrese de que los órganos reciban un suministro adecuado de sangre sin sobrecargar el corazón. Para ello, podrían administrar a los pacientes líquidos intravenosos para aumentar la presión arterial; sin embargo, demasiado puede causar edema. Alternativamente, los médicos pueden administrar vasopresores, que contraen los vasos sanguíneos y aumentan la presión arterial.

Para imitar esto y demostrar la prueba de concepto de G-Net, el equipo utilizó CVSim, un modelo mecánico de un sistema cardiovascular humano controlado por 28 variables de entrada que caracterizan el estado actual del sistema, como la presión arterial, la presión venosa central, volumen total de sangre y resistencia periférica total, y modificado para simular diversos procesos de enfermedad (p. ej., sepsis o pérdida de sangre) y efectos de intervenciones (p. ej., líquidos y vasopresores). Los investigadores usaron CVSim para generar datos observacionales de pacientes para entrenamiento y para comparar la verdad sobre el terreno con predicciones contrafácticas. En su arquitectura G-Net, los investigadores ejecutaron dos RNN para procesar y predecir variables que son continuas, lo que significa que pueden tomar un rango de valores, como la presión arterial, y variables categóricas que tienen valores discretos, como la presencia o ausencia de edema pulmonar. . Los investigadores simularon los historiales de salud de miles de «pacientes» que mostraron síntomas en un régimen de tratamiento, digamos A, durante 66 pasos de tiempo y los usaron para entrenar y validar su modelo.

Al probar la capacidad predictiva de G-Net, el equipo generó dos conjuntos de datos contrafácticos. Cada uno contenía aproximadamente 1000 historiales de salud de pacientes conocidos generados por CVSim, utilizando la misma condición de «paciente» como punto de partida en el Tratamiento A. Luego, en el paso de tiempo 33, el tratamiento se cambió al plan B o C dependiendo del conjunto de datos. Luego, el equipo ejecutó 100 trayectorias de predicción para cada uno de estos 1,000 pacientes cuyo tratamiento e historial médico se conocían hasta el paso de tiempo 33, cuando se administró un nuevo tratamiento. En estos casos, la predicción concordó bien con las observaciones de la verdad sobre el terreno para pacientes individuales y trayectorias promediadas a nivel de población.

Un corte por encima del resto

Debido a que el marco de computación g es flexible, los investigadores querían estudiar la predicción de G-Net utilizando diferentes modelos no lineales, en este caso, modelos de memoria a corto plazo (LSTM), que son un tipo de RNN que aprenden de patrones de datos anteriores. lata o secuencias, a diferencia de los modelos lineales más clásicos y un modelo perceptivo multicapa (MLP), un tipo de red neuronal que puede hacer predicciones utilizando un enfoque no lineal. Siguiendo una configuración similar a la anterior, el equipo descubrió que el error entre los casos conocidos y los predichos era menor en los modelos LSTM en comparación con los demás. Debido a que G-Net, a diferencia de un modelo lineal, y MLP, a diferencia de un modelo lineal, y MLP, puede modelar los patrones temporales de la historia de la UCI del paciente y los tratamientos anteriores, pudo predecir mejor el resultado de los pacientes. .

El equipo también comparó la predicción de G-Net en un entorno de tratamiento estático variable en el tiempo con dos enfoques de predicción contrafactual basados ​​en aprendizaje profundo de última generación, una red estructural marginal recurrente (rMSN) y una red neuronal recurrente contrafactual. (CRN). ) así como un modelo lineal y un MLP. Para hacer esto, examinaron un modelo de crecimiento tumoral sin tratamiento, radiación, quimioterapia y escenarios de radiación y quimioterapia. «Imagínese un escenario en el que hay un paciente con cáncer y un ejemplo de un régimen estático sería si solo le da una dosis fija de quimioterapia, radiación o algún tipo de medicamento y espera hasta el final de su trayectoria», comenta Lu. Para estos estudios, los investigadores generaron datos de observación simulados utilizando el volumen del tumor como el principal factor de influencia para determinar los planes de tratamiento y demostraron que G-Net superó a los otros modelos. Una posible razón podría ser que se sabe que el cálculo g es estadísticamente más eficiente que rMSN y CRN si los modelos se especifican correctamente.

Si bien G-Net funcionó bien con datos simulados, se necesita hacer más antes de que pueda aplicarse a pacientes reales. Dado que las redes neuronales pueden considerarse como «cajas negras» para los resultados de predicción, los investigadores están comenzando a examinar la incertidumbre en el modelo para garantizar la certeza. En contraste con estos enfoques, que recomiendan un plan de tratamiento «óptimo» sin la participación del médico, «creo que G-Net sería más interpretable como una herramienta para la toma de decisiones, ya que los médicos introducirían las estrategias de tratamiento por sí mismos», dice Lehman, y «G -Net les permitirá explorar diferentes hipótesis”. Además, el equipo pasó a utilizar datos reales de pacientes de la UCI con sepsis, que está un paso más cerca de la implementación en los hospitales.

«Creo que es bastante importante y emocionante para las aplicaciones del mundo real», dice Hu. «Sería útil tener una forma de predecir si un tratamiento podría funcionar o no, o qué efectos podría tener, un proceso iterativo más rápido para desarrollar esas hipótesis, que es lo que hay que probar antes de tratar de ponerlas en algunas. «años para implementar: tipo de ensayo clínico largo, potencialmente muy complicado y muy invasivo».

Esta investigación fue financiada por el MIT-IBM Watson AI Lab.

Related post

Resumen del laboratorio de aplicaciones: misterio y destrucción

Resumen del laboratorio de aplicaciones: misterio y destrucción

Cada semana echamos un vistazo a algunos de los próximos videojuegos, demostraciones y experiencias únicas que llegarán a los visores Meta…
Una nueva depuradora llevará el agua del inodoro al grifo

Una nueva depuradora llevará el agua del inodoro al…

A la mayoría de las personas no les gusta la idea de tirar de la cadena y dejar que salga la…
Detalles del informe Retrasos en el desarrollo perturbado Auriculares de Apple

Detalles del informe Retrasos en el desarrollo perturbado Auriculares…

Un informe detallado de The Information revela las decisiones detrás del aparente retraso de un año de los próximos auriculares AR/VR…

Leave a Reply

Tu dirección de correo electrónico no será publicada.