Klinische-beslissingsondersteuning: interpreteerbaarheid en toepassingen voor patiëntopvolging

De huidige medische praktijk maakt steeds meer gebruik van technologie bij het nemen van beslissingen. Zo is er bijvoorbeeld een sterke opkomst van beslissingsondersteuningssystemen gebaseerd op automatisch leren, een onderdeel van kunstmatige intelligentie. Dit heeft ondermeer te maken met wat men informatieovervloed noemt, namelijk dat de arts de hoeveelheid beschikbare informatie niet meer kan overzien. Deze evolutie heeft als nadeel dat de gebruikte systemen vaak niet interpreteerbaar zijn. Dat is nochtans vaak een belangrijke factor bij medische beslissingen omwille van vertrouwen en mogelijke aansprakelijkheid. Daar staat tegenover dat andere domeinen nauwelijks gebruik maken van technologie, maar in plaats daarvan volledig steunen op observatie en subjectieve patiëntgerapporteerde vragenlijsten. Dit geldt bijvoorbeeld voor het inschatten van de functionele capaciteit bij patiënten die lijden aan chronische musculoskeletaire aandoeningen. De komst van draagbare sensors laat toe om hier een objectieve complementaire techniek voor te ontwikkelen. Zo’n aanpak vereist automatische herkenning en beoordeling van de uitdagende maar zeer informatieve overgangsactiviteiten, bij voorkeur in de thuisomgeving.

Vertrekkend van deze situatie focust dit onderzoek op deze twee thema’s: interpreteerbare beslissings-ondersteuning en patiëntopvolging met behulp van draagbare sensors. Ze verbindt die ook door het ontwerp van interpreteerbare systemen voor activiteitsbeoordeling. Een eerste deel van het manuscript handelt daarom over interpreteerbare classificatiesystemen. Het tweede deel richt zich op de ontwikkeling van automatische activiteitsherkennings- en beoordelingssystemen.

Het eerste deel ontwerpt en verbetert twee algoritmes om medische scoresystemen voor binaire classificatie te trainen uit beschikbare data. Gezamenlijk vallen ze binnen het raamwerk van Interval-geCodeerde Systemen (ICS). ICS-modellen zijn stuksgewijs constant over het bereik van de geselecteerde datavariabelen. Een gebruiker kan op verschillende punten in het trainingsproces tussenkomen om expertkennis toe te voegen of een afweging te maken tussen de eenvoud en prestatie van een model. Het eerste algoritme is lpICS. Het bestaande raamwerk wordt uitgebreid met ondersteuning voor interacties tussen variabelen. De aanpak is gebaseerd op Support Vector Machines, maar past die aan met regularizatie van de totale variantie en verkrijgt de oplossing via Lineaire Programmering. De tijdscomplexiteit en uniciteit kunnen echter nog verbeterd worden. Daarom wordt preselectie aangebracht als een manier om de dimensionaliteit van het probleem te verlagen. Daarnaast ontwikkelt dit werk een tweede ICS-methode, enICS, geïnspireerd op een elastisch-netprobleem dat wordt opgelost als de duale formulering van een Support Vector Machine. Daardoor is de complexiteit van het probleem onafhankelijk van de dimensionaliteit wat tot een grote verbetering in uitvoeringssnelheid leidt. Daar staat tegenover dat interacties niet ondersteund worden. Beide ICS-algoritmes worden geëvalueerd op publieke biomedische datasets. De vergelijking bewijst dat de interpreteerbaarheid geen nadelige gevolgen heeft voor de kwaliteit van de voorspelling. ICS is geïmplementeerd in een Matlabpakket met een interactieve interface voor probleemformulering, training, risicobepaling en visualisatie.

Het tweede deel ontwerpt en implementeert twee patroongebaseerde methodes voor activiteitsherkenning gebruik makend van data van een enkele versnellingssensor op de bovenarm. Beide vertrekken van de hypothese dat patroonherkenning verkiesbaar is voor de herkenning van overgangsactiviteiten. Dit contrasteert met repetitieve activiteiten die in de literatuur vaak via glijdende vensters en statistische kenmerken herkend worden. Een eerste techniek verbetert de standaardmethode voor patroonherkenning door dynamische tijdsvervorming te combineren met de gebruikelijke statistische kenmerken. Eerst dient de data automatisch gesegmenteerd te worden, waarna een meerlaags raamwerk met een random forest verkeerdelijk gedetecteerde activiteiten verwerpt en de rest tracht in te delen in de juiste klasse. De tweede techniek maakt gebruik van de multilineaire structuur van de data als extra informatie. Het toepassen van Hogere-Orde-Discriminantanalyse op patroonvervormde data maakt het mogelijk om activiteits-onderscheidende kenmerken te verkrijgen. Validatie van beide methodes in een protocolsituatie toont aan dat ze significant betere voorspellingen leveren dan alternatieven die enkel eenvoudiger patroonherkenning of statistische kenmerken aanwenden. Bovendien is deze protocolstructuur perfect verplaatsbaar naar de thuisomgeving.
Verder bestudeert het tweede deel van het manuscript ook de beoordeling van activiteiten. Daarvoor worden eerst twee verzamelingen van informatieve parameters ontwikkeld. Daarnaast worden ook drie verschillende manieren onderzocht om een objectief alternatief of complement te genereren voor de BASFI-vragenlijst. Dit kan zowel via classificatie met ICS als via regressie. Bovendien wordt ICS ook toegepast voor het aanmaken van een scoresysteem ter vergelijking met de huidige standaard voor de evaluatie van ziekteactiviteit.