利用機器學習為架構的模型預後急性中風後的恢復

人工智慧(AI)的其中一個分支是機器學習(Machine Learning, ML),目前應用的領域十分廣泛,此技術由於在現代硬體條件的升級後變為更加可行,且定將會改變人類現行的行為模式。透過機器學習技術可以優化許多流程,利於商業內部決策或效率提升皆具備顯著成效,因此世界各國無不積極發展AI導入企業機構,試圖強化運作效能與進步轉型,當然,除此之外,另一個備受關注且極度看好未來前景的應用就是醫療端產業,利用ML演算法可以輔佐醫療疾病的篩檢辨別、預測病情的發展狀況等,勢必會對當今的臨床環境和醫療服務作業帶來極大顛覆性的改變。

但究竟ML如何整合應用到醫療情境之中呢?以評估中風後的恢復狀況為例,根據科學性的文獻指出利用合適的ML演算法能夠達到預測急性中風後中長期(3month)的恢復水平。簡要的來說,此研究利用大量過去的紀錄資料,數量約2604位個案,挑選眾多相關的預測變數,如缺血性中風病患的基本資料、NIHSS(中風神經學評估量表)、病發後至到院時間,依據檢傷分類的中風亞型、病史、藥物和生化數據等多達38個變數來決定三個月後的失能程度,也就是量測mRS的分數,結果顯示經過ML演算法分析比對一開始輸入的38個相關變數因子後,能夠準確的推估得到急性中風患者三個月後對應的mRS分數,即預後的失能程度指標。再者,因為此研究其實共使用了三套不同的演算法進行預測,發現其中deep neural network的準確度最佳,其準確度甚至高於現行的標準預測模型(Acute Stroke Registry and Analysis of Lausanne score)

如以下圖所示
ROC curve

根據ROC曲線作圖顯示,藍色標記:deep neural network曲線下的面積最大,顯示其預測的精準度優於其他演算法。

因此,我們不難想像,當一個病人在一開始因為急性中風住院,在例行的檢測之下,產生出各式各樣的評估數據,這時,只要輕易的把這些已經評估好的指標輸入進ML預測模型,就可在彈指之間得知病人在3個月後的失能情況,如得到mRS分數為1,代表良好的預後(mRS共分為6級,0-2代表無障礙或輕度障礙,2-5代表中度障礙以上),如此有利於掌握病患接下來的恢復狀況,並依據此推估結果給予對應的處置計畫和擬定最佳的醫療決策。畢竟,傳統醫師是無法這麼精準且迅速背出所有指標對應的預後結果,也難以將所有的變化因子周全考量進去,這是人力的極限,但對ML而言,只要資料庫數據夠龐大,預測結果就愈加精準,可信度也愈高,無疑讓醫師降低誤判或彌補邏輯漏洞的最佳解方!

參考資料:

Heo J, Yoon JG, Park H, Kim YD, Nam HS, Heo JH. Machine Learning-Based Model for Prediction of Outcomes in Acute Stroke. Stroke. 2019;50(5):1263-5.

廣告

發表迴響

在下方填入你的資料或按右方圖示以社群網站登入:

WordPress.com 標誌

您的留言將使用 WordPress.com 帳號。 登出 /  變更 )

Google photo

您的留言將使用 Google 帳號。 登出 /  變更 )

Twitter picture

您的留言將使用 Twitter 帳號。 登出 /  變更 )

Facebook照片

您的留言將使用 Facebook 帳號。 登出 /  變更 )

連結到 %s