Нейросетевая модель, разработанная в Массачусетском технологическом институте, обрабатывает различные типы данных о состоянии здоровья пациента, тем самым помогая врачу принимать решения о дальнейшем лечении в условиях неполной информации.

В сфере здравоохранения все чаще используется прогнозная аналитика. Применение алгоритмов машинного обу-чения для анализа данных о состоянии здоровья пациента облегчает врачу задачу диагностики и лечения заболеваний. Однако многие современные модели не справляются с анализом данных высокой сложности, не позволяя выявить все существующие зависимости между переменными (например, по характеру дыхания определить продолжительность сна или уровень боли).

Данные о состоянии пациента, как правило, поступают из нескольких источников: опросы пациента о его физическом и психическом здоровье, результаты лабораторной и инструментальной диагностики. Наборы данных могут обладать высокой сложностью (например, результаты измерений сердечной и мозговой активности). Зачастую данные неполны (бывают случаи, когда пациенты после операции испытывают сильную боль, которая нарушает их сон, но затем забывают об этом и не сообщают эту информацию врачу) или неточны (самоощущения пациента субъективны и могут быть переданы врачу неверно).

Модели на основе алгоритмов машинного обучения обучаются выявлять характерные признаки в данных пациента для определения риска заболевания или выбора необходимого режима лечения. Интересующие переменные (например, риск заболевания) определяются через известные переменные (симптомы, биометрические данные, результаты лабораторных и инструментальных исследований).

Единая нейросетевая модель, разработанная в Массачусетском технологическом институте, принимает в качестве исходных данных и простые, и сложные наборы. По известным переменным сеть способна восстановить пропущенные.

Испытание модели проводилось на наборе данных о характере сна настоящих пациентов, включавшем результаты опроса пациента (эмоциональное состояние, уровень социального взаимодействия, уровень усталости, которые оценивались по шкале от 0 до 100), результаты ЭКГ и ЭЭГ, данные о характере дыхания и другие сложные данные (всего восемь типов переменных). По известным семи переменным модель предсказывала пропущенную восьмую с точностью 70–80% вне зависимости от типа пропущенной переменной.

Так, на основе данных о сердечной активности, полученных с помощью ЭКГ, а также результатов опроса пациента об уровне усталости модель способна самостоятельно определить уровень боли, испытываемой пациентом. Использование нейросетевой модели для оценки данных о характере сна позволяет врачу получить более достоверную информацию по сравнению с опросом пациента. В процессе обучения нейросетевая модель изучила возможные взаимосвязи между переменными – ​например, длительная задержка дыхания может сигнализировать о наличии болевого синдрома.

Предложенная модель представляет собой сеть взаимосвязанных узлов, каждый из которых выполняет достаточно простые вычисления, и только потом результаты этих вычислений объединяются для выполнения прогноза. При этом каждый узел – ​независимая сеть, которая при необходимости способна выполнять и более сложные вычисления. Эффективность модели может варьироваться в зависимости от конкретного применения.

Таким образом, модель состоит из субмоделей, каждая из которых описывает связь между определенными переменными (вероятностная субмодель была создана для каждого типа выдаваемых моделью переменных). В процессе прогнозирования субмодели обмениваются между собой данными и выдают искомую переменную. Это позволяет преодолеть серьезное ограничение, связанное с применением традиционных подходов к моделированию средствами машинного обучения: при необходимости увеличить количество анализируемых переменных количество моделей увеличивается по экспоненте.

В основе предложенного метода взаимодействия субмоделей между собой в процессе прогнозирования лежит принцип сети двусторонних логических умозаключений, эффективно применяющей технику обратного распространения. Такая техника обычно не используется в тестировании, особенно когда речь идет о наличии сложных зависимостей между переменными. Как правило, в тестировании данные передаются от одного узла к другому только в одном направлении – ​до тех пор, пока последний узел не выдаст финальный результат.

В работе нейросетевой модели, разработанной в Массачусетском технологическом институте, сочетаются и традиционная техника тестирования, и техника обратного распространения. Последняя позволяет по полученной на выходе переменной предсказывать исходную переменную, посылая ее значение обратно на предыдущий узел. Таким образом, в сети все субмодели активно взаимодействуют и созависимы между собой, что позволяет достигнуть целевой вероятности прогноза.

Созданную модель планируется внедрить в качестве программного компонента в ранее разработанное учеными Массачусетского технологического института устройство – ​EQ Radio, которое способно определять настроение пациента, а также отслеживать характер дыхания и сердечной деятельности с помощью беспроводной связи. Нейросетевая модель позволит устройству регулярно обновлять прогнозы о состоянии здоровья пациента на основе пассивно получаемых данных, даже в случае их неполноты. Предполагается, что EQ Radio будет востребовано в домах престарелых и инвалидов, где врачам требуется изо дня в день отслеживать эмоциональное и физическое состояние подопечных.

Matheson Rob. Filling the Gaps in a Patient’s Medical Data. MIT News, January 25, 2019: http://news.mit.edu/2019/machine-learning-incomplete-patient-data