Mit Maschine lernen zu schätzen, das Risiko von Herz-Kreislauf-Tod
Menschen sind von Natur aus risikoscheu: Wir verbringen unsere Tage der Berechnung von Routen und Routinen, vorbeugenden Maßnahmen, um Krankheiten zu vermeiden, die Gefahren und die Verzweiflung.
Noch immer werden Maßnahmen, die für die Steuerung der inneren Abläufe unserer Biologie können ein wenig mehr widerspenstig.
Mit dem im Verstand, ein team von MIT ‚ s Computer Science and Artificial Intelligence Laboratory (CSAIL) kam mit einem neuen system für eine bessere Vorhersage der gesundheitlichen Ergebnisse: ein machine-learning-Modell, das abschätzen kann, von der elektrischen Aktivität Ihres Herzens, eine Patienten das Risiko von Herz-Kreislauf-Tod.
Das system, genannt „RiskCardio,“ konzentriert sich auf Patienten, die überlebt haben, einem akuten Koronarsyndrom (ACS), die sich auf eine Reihe von Bedingungen, wo es eine Reduktion oder Blockade des Blutes zum Herzen. Nur die ersten 15 Minuten eines Patienten raw-Elektrokardiogramm (EKG) – signal, das tool erzeugt eine Punktzahl, die Orte, die Patienten in verschiedene Risiko-Kategorien.
RiskCardio high-risk-Patienten—Patienten in den top-Quartil—waren fast sieben mal häufiger zu sterben, von Herz-Kreislauf-Tod, wenn im Vergleich zu der niedrig-Risiko-Gruppe im unteren Viertel. Durch den Vergleich, die Patienten identifiziert, die als hohes Risiko durch die häufigsten vorhandene Risiko-Metriken, die wurden nur drei mal häufiger erleiden ein unerwünschtes Ereignis im Vergleich zu Ihren mit geringem Risiko Kollegen.
„Wir suchen bei der Daten-problem, wie wir integrieren können, sehr langen Zeitreihen in die Risiko-scores und der klinischen problem, wie können wir helfen, ärzte identifizieren Patienten mit einem hohen Risiko, nach einem akuten koronaren Ereignis“, sagt Divya Shanmugam, Blei-Autor auf dem neuen Papier über RiskCardio. „Die Schnittmenge von machine-learning-und Gesundheitswesen ist vollgestopft mit Kombinationen wie diese—eine überzeugende informatik-problem mit dem potential der realen Welt Auswirkungen haben.“
Riskantes Geschäft
Vorherige machine-learning-Modelle haben versucht in den Griff zu bekommen Risiko entweder durch die Nutzung von externen Patienten-Informationen, wie Alter oder Gewicht, oder mit wissen und know-how spezifisch für das system—allgemein bekannt als Domänen-spezifisches wissen—zu helfen, Ihr Modell wählen Sie andere Funktionen.
RiskCardio, verwendet jedoch nur die Patienten, die‘ roh-EKG-Signals, mit keine zusätzlichen Informationen.
Sagen Sie einem Patienten Kontrollen, die in der Klinik nach einem ACS. Nach der Einnahme, einem Arzt würde ersten Schätzung, die das Risiko von Herz-Kreislauf-Tod oder Herzinfarkt mit medizinischen Daten und langwierigen tests, und dann wählen Sie einen Kurs der Behandlung.
RiskCardio zielt auf die Verbesserung, dass der erste Schritt der Risikoabschätzung. Um dies zu tun, trennt das system eine Patienten-signal in Gruppen von aufeinander folgenden Schlägen, mit der Idee, dass die Variabilität zwischen benachbarten Schlägen erzählt der downstream-Risiko. Das system trainiert wurde, mithilfe von Daten aus einer Studie, die in der Vergangenheit Patienten.
Um das Modell laufen, die Mannschaft, die zuerst getrennt jeder patient ist ein signal in eine Sammlung von benachbarten Herz schlägt. Sie dann eine Bezeichnung zugewiesen, d.h., ob oder ob nicht der patient starb an Herz-Kreislauf-Tod—zu jedem Satz von benachbarten Herzschlägen. Die Forscher trainierten das Modell zu klassifizieren, die jedem paar von benachbarten Herzschlägen, um seine Patienten-outcome: die Herztöne von Patienten, die gestorben sind, waren mit der Bezeichnung „riskant“, während die Herztöne von Patienten, die überlebten, wurden mit der Bezeichnung „normal.“
Eine neue Patientin, die das team erstellt eine Risiko-Punktzahl durch Mitteln der patient Vorhersage von jeder Satz von benachbarten Herzschlägen.
Innerhalb der ersten 15 Minuten ein patient erlebt eine ACS gab es genug Informationen, um abzuschätzen, ob oder nicht, Sie würden leiden unter Herz-Kreislauf-Tod innerhalb von 30, 60, 90 oder 365 Tage.
Dennoch, die Berechnung eines Risiko-score aus, nur das EKG-signal ist keine einfache Aufgabe. Die Signale sind sehr lang, und da die Zahl der Eingänge um ein Modell zu erhöhen, wird es schwieriger, zu lernen, die Beziehung zwischen diesen Eingängen.
Das team testete das Modell durch die Produktion von Risiko-scores für eine Reihe von Patienten. Dann Maßen Sie, wie viel wahrscheinlicher ein patient würde leiden unter Herz-Kreislauf-Tod als high-risk-Patienten im Vergleich zu einer Gruppe von low-risk-Patienten. Sie fanden heraus, dass in etwa 1,250 post-ACS-Patienten, 28 würde sterben an Herz-Kreislauf-Tod innerhalb eines Jahres. Mit den vorgeschlagenen Risikobewertung, 19 von denen 28 Patienten wurden klassifiziert als “ high-risk.
In Zukunft hofft das team, um das dataset mehr-inclusive-Konto für verschiedene Altersstufen, Ethnien und Geschlechter. Sie planen auch zu prüfen, medizinische Szenarien, wo es eine Menge von schlecht beschrifteten oder unbeschrifteten Daten, und bewerten, wie Sie Ihre system-Prozesse und Griffe, die Informationen zum Konto für mehr zweideutigen Fällen.
