（文章來源：攜手健康網）

杜克大學和哈佛大學的計算機科學家與馬薩諸塞州總醫院和威斯康星大學的醫生一起開發了一種機器學習模型，該模型可以預測哪些患者在中風或其他腦損傷后最容易遭受破壞性癲癇發作的風險。

他們開發的積分系統有助于確定哪些患者應該接受昂貴的連續腦電圖(cEEG)監測。這組作者說，他們的模型可以在全國范圍內實施，可以幫助醫院監測的病人數量幾乎是原來的三倍，每年可以挽救許多生命，并節省5400萬美元。6月19日在線發表在《機器學習研究雜志》上的一篇論文詳細介紹了可解釋機器學習方法背后的方法。

當腦動脈瘤導致腦出血時，大部分損害并不會在最初的幾個小時內造成，而是隨著患者發作而逐漸累積。但是，由于患者的病情不允許他們表現出任何外在的困擾跡象，因此唯一的方法是通過腦電圖來告知他們患有癲癇發作。然而，用這種技術連續監測患者是昂貴的，并且需要訓練有素的醫生來解釋讀數。

威斯康星大學醫學院和公共衛生學院神經病學助理教授亞倫·斯特雷克(Aaron Struck)和馬薩諸塞州總醫院重癥監護腦電圖監測服務主任布蘭登·韋斯特沃(Brandon Westover)試圖優化這些有限的資源。在重癥監護EEG監測研究聯盟的同事的幫助下，他們收集了來自近5500名患者的數十個變量的數據，并開始工作。

Struck說：“我們想要一個分數系統來確定誰最有可能發生癲癇發作。” “但是，當我們嘗試使用傳統方法從數據中創建一種方法時，我們陷入了困境。那是我們開始與Rudin教授和Ustun博士合作的時候。”

杜克大學計算機科學，電氣與計算機工程教授辛西婭·魯丁(Cynthia Rudin)和她的前博士學位學生伯克·烏斯通(Berk Ustun)，現在是哈佛大學的博士后，專門研究可解釋的機器學習。盡管大多數機器學習模型都是一個“黑匣子”，人類難以理解，但可解釋的機器學習模型僅限于以純英語形式報告。

Rudin和Ustun已經創建了一種機器學習算法，該算法可以為其他應用程序生成稱為評分系統的簡單模型。您可能會在青少年雜志上看到評分系統的示例，這些評分系統旨在確定您的暗戀是否正在回報您的感情。(如果他們在過去一周內給您發短信，則扣一分，如果他們在課堂上坐在您旁邊，則扣兩分。)加起來超過10分的任何組合都意味著您注定要放煙花。

除了Rudin和Ustun的計分系統是基于優化技術(稱為“切割平面”和“分支和裝訂”)的復雜組合。臨床醫生可以記住此處所示的2HELPS2B系統，以估計患者癲癇發作的可能性。學分：杜克大學

例如，假設您正在尋找碗形圖上的最低點。傳統的切割平面方法使用切線來選擇像滑雪板在半管中失去動量一樣迅速沉降到其底部的點。但是，如果要求此方法查找也是整數的最低點(無限制的答案不太可能是整數)，則它可能會無限期地在大量幾乎可以接受的答案之間繼續進行搜索。

為了解決這個問題，Rudin和Ustun將切割平面優化與另一個稱為“分支定界”的優化相結合，從而減少了大部分搜索。然后重復整個過程，直到產生最佳的，可解釋的答案。他們的方法已被證明成功創建了針對睡眠呼吸暫停，阿爾茨海默氏病和成人多動癥的篩查測試。Rudin和Ustun只需將其調整為cEEG數據即可。

魯丁說：“這種機器學習工具從成千上萬的患者身上提取了癲癇發作的數據，并產生了一個名為2HELPS2B的模型。“這種模型的優點在于，臨床醫生只需知道它的名字就可以記住它。看起來醫生可以自己想出這種東西，但這是一個基于數據和統計數據的成熟的機器學習模型。”該模型讓醫生根據其cEEG中發現的模式和峰值向患者評分。在最大計數為7的情況下，結果提供了在每個點間隔發作的患者的概率估計值，范圍從小于5%到大于95%。

研究人員針對新的2,000個案例對模型進行了測試，發現它運行良好。2HELPS2B模型對其功能非常有信心，然后在威斯康星大學和馬薩諸塞州綜合醫院投入使用，允許醫生僅在最需要的時候使用cEEG。使用一年后，該模型使每位患者的cEEG監測持續時間減少了63.6%，可監測的患者數幾乎是其三倍，同時節省了610萬美元的成本。

該模型現已在另外四家醫院使用。如果全國所有的醫院都采用這種方法，研究人員計算得出，他們每年總共可以節省5400萬美元。Westover說：“除了節省成本外，2HELPS2B模型還幫助我們監視那些癲癇發作不被注意和未經治療的人。” “那可以挽救生命，也可以挽救大腦。”

（責任編輯：fqj）