Virtual patient modeling for heterogeneous intensive care unit data for the support of artificial intelligence

• Modellierung virtueller Patienten für heterogene Intensivstationsdaten zur Unterstützung der künstlichen Intelligenz

Sharafutdinov, Konstantin; Schuppert, Andreas (Thesis advisor); Mitsos, Alexander (Thesis advisor)

Aachen : RWTH Aachen University (2023)
Doktorarbeit

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023

Kurzfassung

Die Technologien der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) haben ihre Leistungsfähigkeit bereits in vielen Bereichen des Gesundheitswesens bewiesen. Dies gilt auch für die Intensivstation (ICU). Die begrenzte Generalisierung von ML-Modellen, die auf den Datensätzen eines einzigen Zentrums entwickelt wurden stellt jedoch ein erhebliches Hindernis für die breite Anwendung der ML-Ansätze in der klinischen Praxis dar. Die Datenstrukturen und Patientenkohorten unterscheiden sich erheblich von Krankenhaus zu Krankenhaus, was zu einem zusätzlichen Bias aufgrund der Herkunft der Daten führt. In unserer Studie schlagen wir zwei Frameworks vor, um die Herausforderung der schlechten Generalisierung von ML-Modellen im Gesundheitswesen anzugehen. Das erste Framework ermöglicht die quantitative Bewertung der Verzerrung von Datensätzen. Es ermöglicht eine a priori Bewertung der Generalisierbarkeit von ML-Modellen in einem neuen Datensatz auf der Grundlage der CH-Überschneidungen zwischen einem für das Modelltraining verwendeten Datensatz und dem neuen Datensatz. Erstens wird die CH-Analyse angewandt, um die mittlere CH-Abdeckung zwischen den beiden Datensätzen zu ermitteln, die auf den Überschneidungen der CH-Projektionen auf Unterräume basiert, die von allen Kombinationen von 2 Merkmalen aufgespannt werden. Zweitens werden 4 Arten von ML-Modellen trainiert zu beurteilen, ob es möglich ist, zwischen Patienten aus verschiedenen Krankenhäusern zu unterscheiden. Die Leistung der ML-Modelle wird bewertet, um festzustellen, ob sich die Datenverteilungen in den Krankenhäusern unterscheiden. Durch die Kombination der Ergebnisse dieser beiden Schritte erhält man einen vollständigen Überblick über potenzielle Generalisierungsprobleme. Der zweite Beitrag unserer Arbeit ist die Entwicklung eines Frameworks für die Modellierung virtueller Patienten (VP) für reale ICU-Daten. VP-Modelle sind rechnergestützte Modelle, die pathophysiologische Zustände modellieren. Nach der Anpassung an reale Patientendaten stellt ein VP-Modell einen bestimmten pathophysiologischen Zustand eines realen Patienten dar. Unser VP Modeling Framework nutzt ein Modell des kardiopulmonalen Systems, um relevante medizinische Informationen über einzelne Patienten anhand der modellgefilterten Daten zu extrahieren, die reale physiologische Prozesse widerspiegeln. Die Ergebnisse des VP Modeling Frameworks werden als Inputs für unüberwachte ML-Methoden verwendet, die zur Charakterisierung von Patientenkohorten auf der Grundlage ihrer mechanistischen Parametrisierung verwendet werden. Wir zeigen die Vorteile solches hybriden Modellierungs-Frameworks im Vergleich zur direkten Verwendung der ICU-Daten in ML-Algorithmen. So können modellgefilterte Daten genutzt werden, um das Bias aufgrund der Herkunft der Daten zu reduzieren und medizinisch relevante Subpopulationen zu entdecken. Alles in allem ermöglichen unsere hybriden Frameworks einen Schritt in Richtung der Nutzung von realen ICU-Daten aus heterogenen Quellen, was zahlreiche Vorteile für das Gesundheitswesen mit sich bringt.

Einrichtungen

• Lehrstuhl für Systemverfahrenstechnik [416710]
• [530000-4]