RapiD_AI als een nieuwe tool voor paraatheid bij ziekten en epidemieën

In een recente studie gepubliceerd in medRxiv* Prepress-server, onderzoekers evalueren het RapiD_AI-raamwerk voor inzetbare kunstmatige intelligentie (AI) om de paraatheid voor pandemie te verbeteren.

achtergrond

De pandemie van het coronavirus 2019 (COVID-19) zal waarschijnlijk niet de laatste pandemie zijn waarmee de mensheid te maken krijgt. Onderzoek naar historische epidemieën van de 17e eeuw tot heden heeft aangetoond dat het risico op een COVID-19-achtige pandemie een kans heeft van 2,63% per jaar en 38% tijdens het leven. Hoewel het moeilijk is om dergelijke epidemieën in de toekomst te voorkomen, is het binnen onze controle om met een goede voorbereiding op de negatieve effecten ervan voorbereid te zijn.

over studeren

In deze studie ontwikkelden onderzoekers een raamwerk met de naam RapiD_AI dat het gebruik van vooraf getrainde neurale netwerkmodellen zou kunnen begeleiden als hulpmiddel om de paraatheid voor pandemieën te verbeteren.

De studie omvatte drie datasets verkregen uit dezelfde populatie: (1) d_h – Algemeen intramuraal cohort uit een pre-epidemische dataset verzameld tussen januari 2016 en december 2019, (2) d_W1– COVID-19-patiënten werden geregistreerd vanaf de eerste golf van de epidemie tussen maart en juli 2020, en (3) d_W2– COVID-19-patiënten werden geregistreerd van de tweede golf van de epidemie tussen augustus 2020 en juni 2021.

Waarnemingen die overeenkomen met elke patiënt werden gelabeld volgens een 77-dimensionale eigenschapsvector samen met een label dat een respiratoire verslechtering binnen 24 uur vertoonde. Kenmerken bestonden uit algemeen beoordeelde laboratoriumparameters, vitale functies en variatie in de tijd.

Het experimentele proces gebruikte twee taakdefinities die taken omvatten voor het voorspellen van de achteruitgang van een patiënt. De eerste taak was het voorspellen van respiratoire verslechtering T ._{onderzoek en ontwikkeling} Die was gebaseerd op de toename van het niveau van zuurstofondersteuning dat nodig was van niveau nul of niveau één naar niveau twee of drie of ongeplande opname op de intensive care (ICU). De tweede taak was de taak om de algehele achteruitgang T . te voorspellen_JD Het wordt gedefinieerd als het resultaat van een samengesteld overlijden of IC-opname.

De experimentele opstelling was gebaseerd op drie scenario’s: A, B en C. In scenario A demonstreerde het team de waarde van het gebruik van historische gegevens tijdens pre-training op RapiD_AI-modellen met de achtergrond van een pandemie veroorzaakt door een nieuwe ziekte. dr_h Het werd gebruikt om vooraf deep learning-modellen te trainen, d_W1 Het werd gebruikt om modulaire neurale netwerken of XGBoost-modellen te trainen of om eerder getrainde netwerken af ​​te stemmen, en D_W2 Het werd gebruikt als een in behandeling zijnde testgegevensset om de prestaties van het model te evalueren.

Scenario B ging ervan uit dat het kiezen van de meest relevante pre-trainingsmodellen superieure prestaties zou kunnen vergemakkelijken in vergelijking met het opnieuw trainen van alle historische gegevens. Dit zou ook de computationele vereisten van het pre-trainingsproces verminderen. Het team keek naar historische voorbeelden die significante overeenkomsten vertoonden met de COVID-19-gegevens.

Pre-trainingsmonsters werden geselecteerd op basis van menselijke ervaring bij het identificeren van vijf verschillende ziektegroepen met verschillende mate van gelijkenis met het klinische patroon waargenomen voor COVID-19 en met behulp van een computationele benadering met behulp van tSNE om alle historische gegevens te bundelen met COVID-19-monsters die aan het begin werden verkregen van drie weken vanaf de pandemie. Bovendien repliceerde scenario C het scenario van een gezondheidszorgsysteem dat werd geconfronteerd met een epidemie en in staat was om machine learning-modellen in te zetten.

gevolgen

De resultaten van het onderzoek toonden aan dat eerder geteste deep neural network (DNN)-modellen uit scenario A hun prestaties tijdens de eerste 20 weken van de COVID-19-pandemie verbeterden. Pre-training op deze DNN-modellen verbeterde de prestaties met relatieve 110,87%, 41,71% absolute AUC in de eerste week en 3,86% gemiddelde absolute AUC in de 19 weken na de epidemie.

Bovendien presteerde RapiD_AI beter dan het XGBoost-basismodel in de eerste vier weken van de epidemie met een relatieve 4,37%, 3,58% absolute AUC en een algemeen gemiddelde van 4,92% relatieve en 4,21% absolute AUC. Deze prestatieverbeteringen kunnen worden vertaald in duidelijke operationele en klinische voordelen in de context van een wereldwijde pandemie. De gemiddelde winst van 4,21% in het AUC-algoritme omvatte een toename van maximaal 1.399 extra wekelijkse nauwkeurige classificaties in het VK, wat zou kunnen leiden tot verbeterde medische interventies voor patiënten.

Scenario B identificeerde dat de 10 meest voorkomende ICD10 (ICD10)-codes van 10% van de meest vergelijkbare groepen I10, Z922, Z864, Z501, I489, N179, Z867, Z921, E119, N390 waren. Het team benadrukte echter dat codefrequentie in de algemene bevolking de vorming van ICD10-codes kan beïnvloeden die het vaakst voorkomen bij geselecteerde trainingssets en dat de meerdere ICD10-codes die voor elke patiënt worden waargenomen, het moeilijk maken om de initiële diagnose vast te stellen.

Scenario C resulteerde in een relatieve verbetering van 11,93% en een absolute verbetering in AUC van 9,32% tijdens de eerste 2 weken van de pandemie in vergelijking met het trainen van de XGBoost-dataset op alleen wekelijkse informatie. De prestatieverbeteringen waren consistent gedurende de eerste 20 weken, met gemiddelde relatieve en absolute AUC-verhogingen van respectievelijk 7,57% en 6,42%.

conclusie

Over het algemeen benadrukte de studie het functioneren van het RapiD_AI-raamwerk als een hulpmiddel voor paraatheid bij epidemieën, samen met het nut van machine learning tijdens een pandemie.

*Belangrijke notitie

medRxiv publiceert voorlopige wetenschappelijke rapporten die niet door vakgenoten zijn beoordeeld en daarom niet als afdoend mogen worden beschouwd, die de klinische praktijk/gezondheidsgerelateerd gedrag niet mogen leiden, of als gevestigde informatie moeten worden behandeld.