用于癫痫发作的机器学习记分卡可助力医疗发展

（文章来源：携手健康网）

杜克大学和哈佛大学的计算机科学家与马萨诸塞州总医院和威斯康星大学的医生一起开发了一种机器学习模型，该模型可以预测哪些患者在中风或其他脑损伤后最容易遭受破坏性癫痫发作的风险。

他们开发的积分系统有助于确定哪些患者应该接受昂贵的连续脑电图(cEEG)监测。这组作者说，他们的模型可以在全国范围内实施，可以帮助医院监测的病人数量几乎是原来的三倍，每年可以挽救许多生命，并节省5400万美元。6月19日在线发表在《机器学习研究杂志》上的一篇论文详细介绍了可解释机器学习方法背后的方法。

当脑动脉瘤导致脑出血时，大部分损害并不会在最初的几个小时内造成，而是随着患者发作而逐渐累积。但是，由于患者的病情不允许他们表现出任何外在的困扰迹象，因此唯一的方法是通过脑电图来告知他们患有癫痫发作。然而，用这种技术连续监测患者是昂贵的，并且需要训练有素的医生来解释读数。

威斯康星大学医学院和公共卫生学院神经病学助理教授亚伦·斯特雷克(Aaron Struck)和马萨诸塞州总医院重症监护脑电图监测服务主任布兰登·韦斯特沃(Brandon Westover)试图优化这些有限的资源。在重症监护EEG监测研究联盟的同事的帮助下，他们收集了来自近5500名患者的数十个变量的数据，并开始工作。

Struck说：“我们想要一个分数系统来确定谁最有可能发生癫痫发作。” “但是，当我们尝试使用传统方法从数据中创建一种方法时，我们陷入了困境。那是我们开始与Rudin教授和Ustun博士合作的时候。”

杜克大学计算机科学，电气与计算机工程教授辛西娅·鲁丁(Cynthia Rudin)和她的前博士学位学生伯克·乌斯通(Berk Ustun)，现在是哈佛大学的博士后，专门研究可解释的机器学习。尽管大多数机器学习模型都是一个“黑匣子”，人类难以理解，但可解释的机器学习模型仅限于以纯英语形式报告。

Rudin和Ustun已经创建了一种机器学习算法，该算法可以为其他应用程序生成称为评分系统的简单模型。您可能会在青少年杂志上看到评分系统的示例，这些评分系统旨在确定您的暗恋是否正在回报您的感情。(如果他们在过去一周内给您发短信，则扣一分，如果他们在课堂上坐在您旁边，则扣两分。)加起来超过10分的任何组合都意味着您注定要放烟花。

除了Rudin和Ustun的计分系统是基于优化技术(称为“切割平面”和“分支和装订”)的复杂组合。临床医生可以记住此处所示的2HELPS2B系统，以估计患者癫痫发作的可能性。学分：杜克大学

例如，假设您正在寻找碗形图上的最低点。传统的切割平面方法使用切线来选择像滑雪板在半管中失去动量一样迅速沉降到其底部的点。但是，如果要求此方法查找也是整数的最低点(无限制的答案不太可能是整数)，则它可能会无限期地在大量几乎可以接受的答案之间继续进行搜索。

为了解决这个问题，Rudin和Ustun将切割平面优化与另一个称为“分支定界”的优化相结合，从而减少了大部分搜索。然后重复整个过程，直到产生最佳的，可解释的答案。他们的方法已被证明成功创建了针对睡眠呼吸暂停，阿尔茨海默氏病和成人多动症的筛查测试。Rudin和Ustun只需将其调整为cEEG数据即可。

鲁丁说：“这种机器学习工具从成千上万的患者身上提取了癫痫发作的数据，并产生了一个名为2HELPS2B的模型。“这种模型的优点在于，临床医生只需知道它的名字就可以记住它。看起来医生可以自己想出这种东西，但这是一个基于数据和统计数据的成熟的机器学习模型。”该模型让医生根据其cEEG中发现的模式和峰值向患者评分。在最大计数为7的情况下，结果提供了在每个点间隔发作的患者的概率估计值，范围从小于5%到大于95%。

研究人员针对新的2,000个案例对模型进行了测试，发现它运行良好。2HELPS2B模型对其功能非常有信心，然后在威斯康星大学和马萨诸塞州综合医院投入使用，允许医生仅在最需要的时候使用cEEG。使用一年后，该模型使每位患者的cEEG监测持续时间减少了63.6%，可监测的患者数几乎是其三倍，同时节省了610万美元的成本。

该模型现已在另外四家医院使用。如果全国所有的医院都采用这种方法，研究人员计算得出，他们每年总共可以节省5400万美元。Westover说：“除了节省成本外，2HELPS2B模型还帮助我们监视那些癫痫发作不被注意和未经治疗的人。” “那可以挽救生命，也可以挽救大脑。”

（责任编辑：fqj）