Некоторые очень распространенные заболевания, такие как мигрень, до сих пор не поддавались диагностике и лечению. Мы выясняем, почему машинное обучение, наконец, может стать инструментом для борьбы с мигренью, но почему это все еще не легкий путь к успешному продукту.
Мигренью страдает каждая пятая женщина, но мы мало знаем о том, что ее вызывает и как ее предотвратить. По всему ЕС стоимость мигрени (включая прямые и косвенные расходы) оценивается в 27 миллиардов евро, но ничто не может объяснить негативное влияние на качество жизни страдающих и их семей.
Сложность мигрени означает, что она долгое время ускользала от попыток помочь страдающим понять их состояние и справиться с ним. Ранние симптомы и триггеры бывает трудно обнаружить, а использование лекарств в неподходящее время может фактически усугубить мигрень. Сочетание передовых методов машинного обучения с медицинским пониманием и достижениями в области сенсорных технологий дает нам возможность, наконец, разработать продукты для лечения этого и других подобных состояний.
Разработка алгоритма, который может справиться с мигренью
Хотя мы можем не до конца понимать многие физиологические механизмы в организме, не в последнюю очередь те, которые вызывают мигрень, есть возможность упреждающе воздействовать на состояние, отслеживая соответствующие физиологические признаки, применяя современные методы машинного обучения (ML) и сопоставление собранных данных с самочувствием пациента (результаты, о которых сообщает пациент).
Чтобы понять значение ML, рассмотрим следующее: С одной стороны, было показано, что быстро меняющиеся уровни серотонина и расширение черепных кровеносных сосудов напрямую связаны с приступами мигрени. Но эти признаки сложно измерить и ненавязчиво отслеживать на постоянной основе.
С другой стороны, суррогатные данные, такие как кровяное давление и частота сердечных сокращений, легко собираются, но их физиологическая связь с приступами мигрени является косвенной. На них также более сильно влияют другие вещи, такие как физические упражнения, поэтому любые изменения должны быть устранены из-за этих причин. Следовательно, сложнее извлечь полезную информацию о надвигающихся приступах мигрени. Именно здесь машинное обучение может быть особенно полезным.
Выявление взаимосвязи между началом мигрени, артериальным давлением (АД) и частотой сердечных сокращений (ЧСС) при игнорировании изменений АД и ЧСС, вызванных другими факторами, практически невозможно с помощью обычных алгоритмов, основанных на правилах и закодированных вручную. К этому добавляется проблема индивидуальных различий. Таким образом, для лучшей производительности алгоритм должен быть настроен для каждого пациента. Это действительно возможно только при использовании подхода машинного обучения.
Человеческие данные, естественно, мультимодальны, и для мигрени мы рассматриваем такие временные ряды, как: АД, ЧСС (V), ЭКГ и движения. Современные методы машинного обучения могут обрабатывать эти данные однородно с данными, не являющимися временными рядами: изображениями с МРТ, письменным текстом в медицинских записях и анализом настроений на основе голосовых данных. Два типа данных используются для создания персонализированной модели, способной выполнять логические выводы в реальном времени на данных временных рядов в реальном времени.
Создание продукта мигрени начинается с создания макета «черновой» модели, способной получать и обучаться из соответствующих источников данных. Используя знания в области медицины и рассмотрение передового опыта в области объяснимого ИИ, мы можем усовершенствовать архитектуру, а настройка гиперпараметров обеспечивает повышение производительности. Путем сравнительного анализа мы можем судить об актуальности и влиянии точности различных источников данных, что позволяет оптимизировать как сбор, так и обработку данных. Результатом является создание обоснованного с медицинской точки зрения алгоритма. В конечном счете, стратификация когорт пациентов становится неотъемлемой чертой анализа. Прецизионная медицина с использованием многоуровневых моделей и, в конечном итоге, моделей, созданных для каждого пациента, становится нормой.
Например, мы можем использовать архитектуру, показанную ниже, чтобы использовать профиль пациента для настройки общей модели, которая затем используется для логического вывода в реальном времени.
Хотя для некоторых приложений, таких как универсальное распознавание речи, продукты с поддержкой ML стали готовым товаром («OTS»), применение ML для сложных мультимодальных медицинских приложений, таких как это, является исключительно нетривиальным. Слепая подгонка медицинских данных к моделям OTS без понимания лежащих в их основе физиологических факторов не только расточительна с точки зрения времени и стоимости разработки, но также, вероятно, столкнется с нормативными проблемами во время развертывания продукта. Вместо этого применение специальных знаний в области медицины и глубокое понимание математики, лежащей в основе машинного обучения, приводит к более эффективным и экономичным процессам разработки и, в конечном итоге, к продукту с реальными клиническими преимуществами.
Разработка успешного продукта
Крайне важно оставаться пациентоориентированным! Чтобы быть ценным, любое решение должно приносить реальную пользу пациентам. Удобство использования должно занимать центральное место в дизайне, а любые требуемые датчики должны быть ненавязчивыми. Точность (чувствительность и специфичность) алгоритма должна быть полезной, и необходимо управлять рисками ложных положительных и отрицательных результатов, особенно когда речь идет о введении лекарственного средства. С точки зрения бизнеса решение должно быть приемлемым для экономической экосистемы здравоохранения и либо вписываться в существующие пути оказания медицинской помощи, либо намеренно нарушать их.
Огромной задачей является преодоление разрыва между быстрыми инновациями и утвержденным медицинским устройством или программным обеспечением медицинского назначения. Это связано с тем, что существует риск несоответствия между ожиданиями немедицинской команды разработчиков и строго регламентированной группы разработчиков продукта. Некоторые общие пробелы, которые необходимо учитывать (если не устранять) с самого начала:
- Понимание нормативно-правовой базы и руководств
- Пользовательский опыт и интеграция в клинические рабочие процессы
- Практика и качество разработки продукта
Наш способ решения этих проблем заключается в использовании инноваций, основанных на дизайне, и тесном сотрудничестве между всеми заинтересованными сторонами.
ML дает возможность удовлетворить некоторые ранее неудовлетворенные потребности пациентов, такие как мигрень. Тем не менее, междисциплинарная экспертиза разработки должна быть задействована на всех этапах разработки алгоритмов и продуктов, чтобы быть клинически значимыми и коммерчески успешными на рынке.
Цифровое здоровье | Медицинские приборы | "Эм. Цифровая терапия при пограничном расстройстве личности» | Блоги о здоровье | Кейсы здравоохранения