Целевой уровень бессознательности и наблюдаемый уровень бессознательности для моделирования наилучшего, среднего и наихудшего тестирования.
В последние годы исследователи разрабатывают алгоритмы машинного обучения для все более широкого круга целей. Сюда входят алгоритмы, которые можно применять в медицинских учреждениях, например, помогая клиницистам диагностировать конкретные заболевания или нервно-психические расстройства или контролировать состояние здоровья пациентов с течением времени.
Исследователи из Массачусетского технологического института (MIT) и Массачусетской больницы общего профиля недавно провели исследование, в котором изучали возможность использования глубокого обучения с подкреплением для контроля уровня бессознательного состояния пациентов, которым требуется анестезия для медицинской процедуры. Их доклад, который должен быть опубликован в сборнике материалов Международной конференции по искусственному интеллекту в медицине 2020 года , был признан лучшим докладом, представленным на конференции.
«Наша лаборатория добилась значительного прогресса в понимании того, как анестетики влияют на нейронную активность, и теперь в ней работает многопрофильная команда, изучающая, как точно определять дозы анестетиков по нейронным записям», — сказал TechXplore Габриэль Шамберг, один из исследователей, проводивших исследование. «В нашем недавнем исследовании мы обучили нейронную сеть, используя метод кросс-энтропии, неоднократно позволяя ей работать на моделируемых пациентов и поощряя действия, которые привели к хорошим результатам».
По сути, Шамберг и его коллеги разработали глубокую нейронную сеть и обучили ее контролировать дозирование анестетика, используя обучение с подкреплением в моделируемой среде. Они специально сосредоточились на дозировке пропофола, лекарства, которое снижает уровень сознания людей и обычно используется для выполнения общей анестезии или седативных средств у пациентов, которые проходят медицинские процедуры.
Исследователи обучили разработанную ими нейронную сеть на смоделированных данных о пациентах, которые были созданы на основе фармакокинетических / фармакодинамических моделей с рандомизированными параметрами. В конечном итоге это позволило им учитывать множество пациентов с различными характеристиками и особенностями.
Блок-схема представления предлагаемой парадигмы. Агент наблюдает за уровнем бессознательности и с помощью нейронной сети выбирает подходящую дозировку лекарства. Окружающая среда представляет собой смоделированного пациента. Предоставлено: Schamberg, Badgeley & Brown.
Они провели серию тренировочных испытаний, используя так называемый метод перекрестной энтропии. Во время этих испытаний нейронная сеть постепенно научилась сопоставлять наблюдаемое состояние анестетика с вероятностью введения фиксированной дозы пропофола.
При оценке эффективности своей модели исследователи применили детерминированную политику, которая преобразует вероятность введения фиксированной дозы пропофола в постоянную скорость инфузии. В целом, их нейронная сеть достигла замечательных результатов, превзойдя контроллер пропорционально-интегрально-производной (ПИД), который ранее использовался для определения идеальных доз анестезии.
«Двумя основными преимуществами нашего подхода являются его способность масштабировать клинические переменные, включенные в наблюдение, и постоянная связь глубокой сети между входными переменными и рекомендуемой дозировкой», — сказал Шамберг. «Глубокие нейронные сети позволяют нам создавать модели с множеством непрерывных входных данных, поэтому наш метод генерирует более последовательные политики управления, чем предыдущие политики на основе таблиц».
В будущем модель на основе глубокой нейронной сети, разработанная этой группой исследователей, могла бы помочь анестезиологам определить идеальную дозировку пропофола для отдельных пациентов и достичь различных уровней бессознательного состояния. Тем не менее, модель пока тестировалась только в симуляциях, поэтому, прежде чем ее можно будет применить в реальных условиях, необходимо будет пройти серию клинических испытаний с реальными пациентами.
«До сих пор наш подход превосходил широко используемый пропорционально-интегрально-производный контроллер и был устойчивым к множеству вариаций метаболизма и эффекта лекарств у пациентов», — сказал Шамберг. «Теперь мы хотели бы протестировать предложенную парадигму на людях в контролируемых клинических условиях».
Источник: Ингрид Фаделли, Tech Xplore
Фото: Schamberg, Badgeley & Brown.