algoritmi

Algoritmi vakoilee sydäntäsi – varoittaa rytmihäiriöstä ennen kuin huomaat mitään

Ti, 10/24/2017 - 20:50 Toimitus

Joka vuosi yli seitsemän miljoonaa ihmistä kuolee sydämen rytmihäiriöihin. Mitä aikaisemmin rytmihäiriöt todetaan, sitä paremmin niitä voidaan hoitaa. Jatkuvasti sydäntä tarkkailevat rannekkeet, kellot ja muut laitteet auttavat rytmihäiriöiden aikaisessa tunnistamisessa, mutta ilman rytmiä analysoivaa algoritmia eivät laitteet toimi lainkaan.

Jokaisen sydämen syke on erilainen, ja myös meidän jokaisen pienet poikkeamat normaalista ovat hyvin henkilökohtaisia. 

Koneoppimisen menetelmillä voidaan kuitenkin paljastaa terveen sydämen sykkeen pohjalta erilaisia potentiaaliset poikkeamia ja siten tunnistaa rytmihäiriöt heti.

Tampereen teknillisen yliopiston signaalinkäsittelyn tutkijat ovat kehittäneet yhdessä Qatarin yliopiston ja Izmir University of Economicsin tutkijoiden kanssa menetelmän, jolla voidaan havaita jo hyvin varhaiset sydänoireet.

Rytmihäiriöitä on yritetty ennustaa ennenkin, mutta globaalit menetelmät eivät ole osoittautuneet luotettaviksi. Nyt kehitetyn, patentoidun menetelmän tunnistusvarmuus on tällä hetkellä 99,4 prosenttia.

"Terveillä ihmisillä tunnetaan vain heidän normaali sykkeensä. Mistä voidaan tietää, millainen syke on rytmihäiriössä? Tutkimuksessamme selvisi, että terveen sydämen sykkeen pohjalta on koneoppimisen menetelmillä mahdollista generoida kaikki erilaiset potentiaaliset poikkeamat", sanoo professori Serkan Kiranyaz Qatarin yliopistosta.

Hän on tehnyt tutkimusta yhdessä TTY:llä professori Moncef Gabboujin kanssa. Heidän lisäkseen ryhmään kuului myös Izmirin Talousyliopiston Turker Ince.

Tutkijat hyödynsivät työssään aiemmissa ECG-tutkimuksissaan keräämäänsä materiaalia erilaisista sykkeistä ja rytmihäiriöistä.

"Kehittämämme järjestelmä räätälöidään jokaiselle käyttäjälle henkilökohtaisesti", Kiranyaz jatkaa. "Siihen syötetään tiedot terveen ihmisen sydämen sykkeestä sekä sen pohjalta generoidut synteettiset virhelyönnit. Näin järjestelmä opetetaan seuraamaan potilaan sykettä ja havaitsemaan rytmihäiriöt heti sellaisten ilmaantuessa."

Kyse ei ole mistään pikkuasiasta, sillä sydämen rytmihäiriöt ovat yksi yleisimmistä kuolinsyistä maailmassa. Niitä aiheuttavat perinnöllisten syiden lisäksi esimerkiksi korkea verenpaine, diabetes, tupakointi, alkoholi ja stressi. Alkuun rytmihäiriöt ovat usein satunnaisia, mutta voivat muuttua hengenvaaralliseksi myöhemmin.

Professori Moncef Gabbouj TTY:n signaalinkäsittelyn laboratoriosta.

Kuluttajan saataville ehkä nopeallakin aikataululla

Uusi järjestelmä olisi mahdollista laittaa esimerkiksi nyt käytössä oleviin oman terveydentilan seurantaan käytettäviin rannekkeisiin tai mittareihin.

"Nyt käytössä olevat laitteet saattavat mitata ja seurata sykettä, mutta eivät osaa havaita poikkeamia", toteaa Kiranyaz.

"Käymme tällä hetkellä neuvotteluja eri yritysten kanssa järjestelmän kaupallistamisesta. Kun sopiva yritys on löytynyt, uskon, että järjestelmä saadaan markkinoille hyvinkin nopealla aikataululla."

Käyttäjälle menetelmän käyttö on tutkijoiden suunnitelmien mukaan hyvin yksinkertaista. Omat tiedot ladataan palvelimelle, josta tiedot mahdollisista poikkeamista sykkeessä siirretään kannettavaan laitteeseen. Rytmihäiriön ilmaantuessa käyttäjä saa välittömästi ilmoituksen.

"Tietoja on sitten mahdollista käydä läpi yhdessä lääkärin kanssa", Kiranyaz sanoo.

*

Juttu perustuu Tampereen teknillisen yliopiston tiedotteeseen, jonka on kirjoittanut Sanna Kähkönen.

Heippa lääkärit ja erikoislääkäritaksat: nyt algoritmi ennustaa nivelreuman hoidon tepsivyyttä

Ma, 08/29/2016 - 14:01 Toimitus

Pätevälle lääkärille on varmasti aina tarvetta, mutta hyvinkin lähitulevaisuudessa automaattiset systeemit, älykkäät sensorit ja tekoäly pystyy tekemään tarkempia ja parempia diagnooseja kuin tavalliset, kiireiset terveyskeskuslääkärit. Ja mikä parasta: terveyttä voisi tarkkailla näin koko ajan ja hyvin edullisesti.

Yksi askel kohti automatisoituja diagnooseja on hanke, jossa etsittiin joukkoistaen näppärää algoritmia nivelreuman hoidon tehokkuutta. Yllättäen puhdas, käsitelty kliininen tieto tuotti paremman tuloksen kuin kliinisen ja geneettisen tiedon yhdistelmä.

Nivelreuma on krooninen tulehduksellinen autoimmuunisairaus, josta kärsii miljoonat ihmiset maailmassa. Sitä hoidetaan usein ns. TNF-estäjähoidolla, mutta se ei tehoa noin kolmasosaan potilaista.

Ongelmana on paitsi aluksi diagnosoida reuma hyvin epämääräisten oireiden pohjalta, niin myös todeta potilaat, joihin TNF-hoito ei tehoa.

Yksi tapa näiden potilaiden löytämiseen on matemaattinen: analysoidaan useita kliinisesti ja geneettisesti saatavia indikaattoreita erityisen algoritmin avulla. Tässä puolestaan ongelmana on kehittää tarpeeksi tehokas algoritmi, eli matemaattinen ongelmanratkaisumenetelmä, jolla voitaisiin arvioida TNF-estäjähoidon tehokkuutta.

Tätä varten keksittiin julistaa kilpailu, joka oli itse asiassa laaja joukkoistettu tutkimus. Laajan kansainvälisen tutkijajoukon toteuttama DREAM-challenge oli jo vuonna 2014, mutta sen tulokset julkistettiin nyt kilpailua sponsoroineessa Nature Communications -aikakausijulkaisussa.

Yhteensä satoja tutkijoita 73 tutkimusryhmässä eri puolilla maailmaa otti osaa avoimeen haasteeseen ja käytti kattavinta saatavissa olevaa tietoa yli 2700 potilaasta sekä myös laajaa kirjoa maailman parhaita mallinnuskeinoja.

Suomalaisittain tulos on mieltä ylentävä, koska ensimmäisen vaiheen tuloksissa kolmantena oli Aalto-yliopiston ja Helsingin yliopiston Suomen molekyylilääketieteen instituutin (FIMM) tutkijoista koostunut Team MI. Se, kuten seitsemän muuta ennusteissaan parhaiten onnistunutta joukkuetta kutsuttiin mukaan viimeiseen vaiheeseen.

"Käytimme sekä harvaa lineaarista regressiomallia että monen ytimen mallia hoitovasteen ennustamiseen geneettisen ja kliinisen tiedon perusteella", sanoo tutkijatohtori Lu Cheng Aalto-yliopiston tietotekniikan laitokselta.

Viimeisen vaiheen voittanut Team Outlier -joukkue ei käyttänyt yllättäen lainkaan geneettistä tietoa viimeisellä kierroksella.

Johtopäätöksenä on, että tällä hetkellä käytettävissä oleva geneettinen tieto ei lisännyt hoitovasteen ennusteen onnistumista merkittävästi tehokkaammin kuin kliiniset ennustavat muuttujat, kuten sukupuoli, ikä ja sairaustiedot.

"Jos rajallinen määrä geneettisiä variantteja selittäisi hoidon epäonnistumisen joillakin potilailla, tämä laajamittainen tutkimus olisi tuottanut siihen ennustusmallin", kertoo yliopistonlehtori Pekka Marttinen

"Geneettisten varianttien lukumäärä saattaa olla paljon suurempi ja niiden vaikutukset vastaavasti paljon pienempiä. Toisaalta puuttuva perinnöllisyys voi selittyä paremmin geneettisillä varianteilla, jotka eivät olleet mukana tutkimuksessa, kuten esimerkiksi harvinaisilla varianteilla."

16 viikkoa kestäneen algoritmien opettamisen aikana 73 joukkuetta jätti arvioitavaksi yhteensä 4874 ennustetta. Lisätietoa DREAM-challengesta on sen nettisivuilla.

Artikkeli pohjautuu Aalto-yliopiston tiedotteeseen.