Machine Learning voor menselijke gezondheidstoepassingen: van het monitoren van fysieke activiteit en vitale parameters tot het voorspellen van overlijden

In dit proefschrift willen we het probleem van onzekerheid in de geneeskunde en de gezondheidszorg aanpakken. Dit probleem staat centraal in de klinische praktijk omdat clinici dagelijks beslissingen moeten nemen voor het welzijn van hun patiënten. Onzekerheid in de geneeskunde en de gezondheidszorg kent verschillende taxonomieën, waarvan er één de onzekerheid in drie categorieën indeelt: persoonlijke, conceptuele en technische onzekerheid. In dit proefschrift richten we ons op technische onzekerheid, die gerelateerd is aan gegevens. Daarom wordt technische onzekerheid behandeld als een data-analyse probleem waarbij analytische methoden (bijv. machine learning) kunnen worden gebruikt. Vanuit een klinisch perspectief bestaat technische onzekerheid uit drie elementen: waarschijnlijkheid, ambiguïteit en complexiteit. Het element waarschijnlijkheid weerspiegelt het risico en de onzekerheid over de toekomstige uitkomsten van een specifieke beslissing of handeling vanuit een temporele invalshoek. Meerduidigheid weerspiegelt de onnauwkeurige voorspellingen, tegenstrijdige informatie en gebrek aan bewijs. Complexiteit, ten slotte, weerspiegelt de veelheid van invloedrijke factoren.      

Een mogelijke oplossing voor de technische onzekerheid in de geneeskunde is de ontwikkeling van betrouwbare klinische beslissingsondersteunende systemen (CDSS). CDSS omvat verschillende categorieën; de meest relevante voor onze studie is het diagnostic decision support system (DDSS). De belangrijkste onderdelen van DDCS zijn medische gegevens en analysemethoden. Medische gegevens kunnen worden verzameld met behulp van conventionele of draagbare medische apparatuur. Elke optie heeft zijn voordeel; zo levert conventionele medische apparatuur nog steeds de nauwkeurigste en meest gouden standaardmetingen op. Draagbare medische apparatuur daarentegen biedt continue monitoring en is gemakkelijk te installeren. Wat de analysemethoden betreft, is er een breed spectrum van methoden die kunnen worden gebruikt in het kader van toepassingen op het gebied van de menselijke gezondheid. Onze eerste kandidaat onder deze methoden is machinaal leren, gezien de hoge rekencapaciteiten en efficiënte foutprestaties. In dit proefschrift gebruiken we eenvoudige maar krachtige machine learning benaderingen. Eén benadering is bedoeld voor online en streaming analytics met draagbare apparaten en is de gelokaliseerde leerbenadering van k nearest neighbours least squares support vector machine (kNN-LS-SVM). De andere methode is een lineaire harde marge-benadering van support vector machines die wordt gebruikt om verklaarbare kenmerken te ontwikkelen.

Het ontwikkelen van een betrouwbaar beslissingsondersteunend systeem kent vele uitdagingen; deze uitdagingen zijn gebaseerd op gegevens en op modellen. In deze dissertatie richten we ons op enkele van deze uitdagingen: klassenonevenwichtigheid, niet-uniforme gegevensverdeling, ambiguïteit (verwarring), voortdurend toenemende gegevensgrootte, modelpersonalisatie, black-box karakter, online en streaming analytics. Deze uitdagingen houden verband met de hierboven genoemde elementen van technische zekerheid. Daarom kan het aanpakken van deze uitdagingen de elementen van technische onzekerheid beteugelen.

Het hoofddoel van dit proefschrift is het onderzoeken van de mogelijkheid om de technische onzekerheid van het toepassen van machine learning benaderingen in menselijke gezondheidstoepassingen te beperken en te verminderen. Het verminderen en inperken van deze onzekerheid kan worden bereikt door het ontwikkelen van machine learning algoritmen die de betrouwbaarheid van het besluitvormingsproces van humane gezondheidstoepassingen kunnen verhogen.

Vijf menselijke gezondheidstoepassingen worden onderzocht in dit proefschrift: herkenning van menselijke activiteit, voorspelling van thermisch comfort, voorspelling van vitale functies, voorspelling van sterfte op de intensive care unit (ICU), en voorspelling van sterfte van COVID-achtige patiënten op de ICU. Deze toepassingen bestrijken de bovengenoemde uitdagingen. De toepassing van menselijke activiteitsherkenning (HAR) richt zich op het herkennen van dagelijkse levensactiviteiten en houdingen op basis van versnellingsmetergegevens. De toepassing voor het voorspellen van thermisch comfort richt zich op het ontwikkelen van een machine-learning model om het thermisch comfortniveau te voorspellen op basis van een set vitale functies die eenvoudig gemeten kunnen worden met draagbare sensoren. De toepassing voor de voorspelling van vitale functies richt zich op het schatten van de vroegtijdige waarschuwingsscore van de gecontroleerde vitale functies met een relatief hoge snelheid (elke minuut).
Bovendien ontwikkelen we in deze toepassing een machine learning voorspellingsmodel om de bewaakte vitale functies voor de komende 1, 2 en 3 uur te voorspellen. Voor deze drie toepassingen worden alle metingen verkregen met behulp van draagbare sensoren en het gebruikte machine-learning algoritme is kNN-LS-SVM voor classificatie en regressie. Bovendien hebben deze drie toepassingen betrekking op de uitdagingen van klasse-onbalans, niet-uniforme gegevensverdeling, ambiguïteit, toenemende gegevensgrootte, modelpersonalisatie, online en streaming analytics.

De vierde toepassing van ICU-sterftevoorspelling richt zich op de engineering van verklaarbare kenmerken uit de bewaakte vitale functies tijdens het ICU-verblijf van patiënten. Deze eigenschappen zijn bedoeld om klinisch inzicht te verschaffen aan medisch personeel. In deze toepassing is het gebruikte machine-learning algoritme een lineaire harde marge benadering van SVM's die gebruikt wordt om de complexiteit van het model te controleren en een lineaire scheiding van de gegevens te verzekeren.