Шейная спондилотическая миелопатия (ШСМ) — это компрессия спинного мозга вследствие артрита в шейном отделе позвоночника, являющаяся основной причиной дисфункции спинного мозга у пожилых людей. ШСМ — это хроническое прогрессирующее заболевание, которое может вызывать боль в шее, мышечную слабость, затруднения при ходьбе и другие изнуряющие симптомы. Хотя диагноз иногда бывает очевиден, часто его постановка занимает годы, поскольку симптомы распознаются только на поздних стадиях, и к тому времени возможности лечения ограничены.

Многопрофильная группа хирургов-ученых, специалистов по информатике и исследователей из Вашингтонского университета разработала подход на основе искусственного интеллекта (ИИ), который может помочь врачам выявлять и диагностировать шейную миелопатию на 30 месяцев раньше, открывая новые возможности для более раннего лечения. Результаты исследования опубликованы в журнале npj Digital Medicine .

Салим Якдан, доктор медицинских наук, научный сотрудник постдокторантуры в отделении нейрохирургии имени семьи Тейлор в Медицинском центре Вашингтонского университета, и Бен Уорнер, аспирант в области компьютерных наук и инженерии в Инженерной школе Маккелви, соавторы исследования, использовали семь различных моделей искусственного интеллекта для анализа больших наборов данных, содержащих электронные медицинские карты более 2 миллионов человек с хронической миелопатией и без нее. Модели изучали закономерности взаимодействия с системой здравоохранения, такие как анализы и диагнозы, зафиксированные в электронных медицинских картах, чтобы выявлять пациентов, чья медицинская история напоминает историю болезни тех, у кого уже диагностирована хроническая миелопатия, помогая определить лиц, которые могут находиться в группе повышенного риска.

Джейкоб Гринберг, доктор медицинских наук, доцент нейрохирургии и нейрохирург-вертебролог на кафедре нейрохирургии в медицинском центре Вашингтонского университета, сказал, что CSM трудно предсказать.

«Мы хотели выяснить, можем ли мы использовать информацию из электронных медицинских карт, чтобы попытаться выявить этих пациентов достаточно рано и в клинически значимый период, когда мы потенциально могли бы вмешаться на более ранней стадии, чтобы добиться лучших результатов», — сказал Гринберг, один из ведущих авторов исследования.

Используя как большой внешний набор данных, так и меньший набор данных из системы здравоохранения Сент-Луиса, команда обучила модели для прогнозирования риска развития церебральной миелопатии за 30 месяцев до клинического диагноза, — сказал Уорнер, работающий в лаборатории Ченяна Лу, профессора Фуллграфа и директора Института искусственного интеллекта для здравоохранения, а также соавтора исследования.

Команда провела оценку как крупных базовых моделей, или «готовых» систем, предварительно обученных на обширных клинических наборах данных, так и более мелких специализированных моделей, которые учитывают клинические данные и фокусируются только на наиболее важных переменных.

Как отметил Якдан, базовые модели продемонстрировали превосходные результаты во время внутренней валидации на большом, гетерогенном наборе данных, в то время как меньшая, клинически разработанная модель, обученная с нуля, показала лучшую обобщаемость и более стабильную работу во внешних системах здравоохранения. В отличие от них, две модели среднего масштаба показали худшие результаты по всем оцененным временным горизонтам.

«Нам удалось добиться как минимум сопоставимых, если не превосходящих, результатов с помощью гораздо более простой модели, сосредоточившись на существующих клинических знаниях, но при этом используя модель глубокого обучения», — сказал Гринберг.

«У искусственного интеллекта, безусловно, открываются новые возможности в медицине, но мы часто сосредотачиваемся только на тех областях, где преуспевают решения, основанные исключительно на данных. Клинические знания по-прежнему играют важную роль, и это будет справедливо для многих приложений в здравоохранении».

Лу подчеркнул мощь и эффективность моделей искусственного интеллекта, которые учитывают клинические знания.

«Одна из самых больших проблем для моделей прогнозирования на основе ИИ в клинической медицине — это обобщаемость», — сказал он. «Модель может хорошо работать в одной больничной системе, но потерпеть неудачу в других. Для сложных заболеваний, таких как церебральная миелопатия, мы обнаружили, что большие модели, обученные на миллионах пациентов, не так хорошо обобщаются, как меньшие, специально разработанные для клинической практики модели. Это подчеркивает важность внедрения клинических знаний в решения на основе ИИ для здравоохранения. Клинические знания остаются необходимыми для разработки надежных и заслуживающих доверия инструментов ИИ».

Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.