Istraživači koji su koristili Fitbit podatke da bi pomogli u predviđanju hirurških ishoda imaju novi metod da preciznije procene kako se pacijenti mogu oporaviti od operacije kičme.
Koristeći tehnike mašinskog učenja razvijene na Institutu za veštačku inteligenciju za zdravstveni institut na Vašingtonskom univerzitetu u Sent Luisu, Cheniang Lu, Fullgraf profesor na univerzitetskoj McKelvei School of Engineering, sarađivao je sa Jacobom Greenbergom, MD, docentom neurohirurgije na Medicinskom fakultetu, da se razvije način za preciznije predviđanje oporavka od operacije lumbalne kičme.
Rezultati objavljeni u časopisu Zbornik radova ACM-a o interaktivnim, mobilnim, nosivim i sveprisutnim tehnologijama, pokazuju da njihov model nadmašuje prethodne modele u predviđanju ishoda operacije kičme. Ovo je važno jer u hirurgiji donjeg dela leđa i mnogim drugim vrstama ortopedskih operacija, ishodi uveliko variraju u zavisnosti od strukturalne bolesti pacijenta, ali i različitih karakteristika fizičkog i mentalnog zdravlja kod pacijenata.
Na hirurški oporavak utiču i preoperativno fizičko i mentalno zdravlje. Neki ljudi mogu imati katastrofu ili preteranu zabrinutost suočeni sa bolom koji može pogoršati bol i oporavak. Drugi mogu patiti od fizioloških problema koji uzrokuju jači bol. Ako lekari mogu da se informišu o različitim zamkama za svakog pacijenta, to će omogućiti bolje individualizovane planove lečenja.
„Predviđanjem ishoda pre operacije, možemo pomoći u uspostavljanju nekih očekivanja i pomoći u ranim intervencijama i identifikovanju faktora visokog rizika“, rekao je Ziki Ksu, dr. student u Luovoj laboratoriji i prvi autor na radu.
Prethodni rad u predviđanju ishoda operacije obično je koristio upitnike za pacijente koji su davani jednom ili dva puta u klinikama koje obuhvataju samo jedan statički deo vremena.
„Nije uspelo da uhvati dugoročnu dinamiku fizičkih i psiholoških obrazaca pacijenata“, rekao je Ksu. Algoritmi za mašinsko učenje prethodnog rada fokusiraju se na samo jedan aspekt ishoda operacije, „ali ignorišu inherentnu višedimenzionalnu prirodu oporavka od operacije“, dodala je ona.
Istraživači su koristili mobilne zdravstvene podatke sa Fitbit uređaja za praćenje i merenje oporavka i upoređivanje nivoa aktivnosti tokom vremena, ali ovo istraživanje je pokazalo da su podaci o aktivnostima, plus podaci longitudinalne procene, tačniji u predviđanju kako će se pacijent ponašati nakon operacije, rekao je Grinberg.
Trenutni rad nudi „dokaz principa“ koji pokazuje, sa multimodalnim mašinskim učenjem, lekari mogu da vide mnogo tačniju „širu sliku“ svih međusobno povezanih faktora koji utiču na oporavak. Nastavljajući ovaj rad, tim je prvo izložio statističke metode i protokol kako bi osigurao da AI daju pravu uravnoteženu ishranu podataka.
Pre trenutne publikacije, tim je objavio inicijalni dokaz principa u neurohirurgiji koji pokazuje da prijavljena i objektivna merenja koja se mogu nositi poboljšavaju predviđanja ranog oporavka u poređenju sa tradicionalnim procenama pacijenata.
Pored Grinberga i Ksua, Madelin Frumkin, dr. Student psihologije i nauke o mozgu u laboratoriji Tomasa Rodebaua u umetnosti i nauci, bio je ko-prvi autor tog rada. Vilson „Zack“ Rai, MD, Henri G. i Edith R. Schvartz profesor neurohirurgije na Medicinskom fakultetu, bio je ko-stariji autor, zajedno sa Rodebaughom i Lu. Rodebaugh je sada na Univerzitetu Severne Karoline u Čapel Hilu.
U tom istraživanju, oni pokazuju da Fitbit podaci mogu biti povezani sa višestrukim anketama koje procenjuju socijalno i emocionalno stanje osobe. Oni su prikupili te podatke putem „ekoloških trenutnih procena“ (EMA) koje koriste pametne telefone da pacijentima daju česte upite da procene raspoloženje, nivoe bola i ponašanje više puta tokom dana.
„Mi kombinujemo nosive uređaje, EMA – i kliničke zapise da bismo uhvatili širok spektar informacija o pacijentima, od fizičkih aktivnosti do subjektivnih izveštaja o bolu i mentalnom zdravlju, i do kliničkih karakteristika“, rekao je Lu.
Grinberg je dodao da su najsavremeniji statistički alati koje su Rodebo i Frumkin pomogli da se unaprede, kao što je „Modeliranje dinamičkih strukturnih jednačina“, bili ključni u analizi složenih, longitudinalnih EMA podataka.
Za najnoviju studiju su zatim uzeli sve te faktore i razvili novu tehniku mašinskog učenja „Multi-modal Multi-Task Learning (M 3 TL)“ kako bi efikasno kombinovali ove različite vrste podataka kako bi predvideli višestruke rezultate oporavka.
U ovom pristupu, AI uči da odmeri povezanost između ishoda dok hvata njihove razlike od multimodalnih podataka, dodaje Lu.
Ovaj metod uzima zajedničke informacije o međusobno povezanim zadacima predviđanja različitih ishoda, a zatim koristi zajedničke informacije kako bi pomogao modelu da razume kako da napravi tačno predviđanje, prema Ksu.
Sve to dolazi zajedno u konačnom paketu stvarajući predviđenu promenu za postoperativne smetnje bola svakog pacijenta i rezultat fizičke funkcije.
Grinberg kaže da je studija u toku dok nastavljaju da fino podešavaju svoje modele kako bi mogli da poduzmu ove detaljnije procene, predvide ishode i, što je najvažnije, „shvate koje vrste faktora potencijalno mogu biti modifikovane da bi se poboljšali dugoročni rezultati“.
