Table of Contents

Введение

Травма спинного мозга (ИБК) - это изменяющее жизнь событие, которое часто приводит к глубокой моторной, сенсорной и вегетативной дисфункции. Неоднородность механизмов травмы, неврологических уровней и индивидуальных факторов пациента делает прогнозирование выздоровления одной из самых сложных задач в реабилитационной медицине. Точное прогнозирование результатов имеет важное значение для постановки реалистичных целей пациента, направления интенсивности терапии, распределения ресурсов здравоохранения и разработки клинических испытаний. За последнее десятилетие вычислительное моделирование стало мощным дополнением к клиническому суждению, предлагая данные, которые могут дополнять и иногда превосходить традиционные методы прогнозирования.

Эти модели используют различные источники данных, начиная от первоначальных неврологических исследований и магнитно-резонансной томографии (МРТ) до электрофизиологических записей и показателей результатов, сообщаемых пациентами, для построения индивидуализированных траекторий восстановления. Интегрируя эти входы в структурированную математическую или алгоритмическую структуру, вычислительные модели могут идентифицировать тонкие паттерны, которые могут избежать даже опытных клиницистов. Эта статья обеспечивает углубленное изучение разработки, проверки и применения вычислительных моделей для прогнозирования результатов в реабилитации травм спинного мозга. Мы исследуем основные парадигмы моделирования, обсуждаем препятствия, препятствующие их клиническому принятию, и выделяем наиболее перспективные пути для будущих исследований.

Почему вычислительные модели важны для реабилитации ТСМ

Основная цель реабилитации после ТПП заключается в максимизации функциональной независимости и качества жизни. Достижение этого требует адаптации вмешательств к уникальному потенциалу каждого человека, что трудно без надежного прогноза того, как будет развиваться их неврологический и функциональный статус. Традиционное прогнозирование исхода опиралось на клинические правила большого пальца. Например, наличие сакрального щадящего в острой фазе является положительным прогностическим признаком. Тем не менее эти эвристики грубы и не учитывают сложные взаимодействия между тяжестью травмы, возрастом, сопутствующими заболеваниями, психологическим состоянием и интенсивностью реабилитации.

Вычислительные модели устраняют этот разрыв путем синтеза нескольких переменных одновременно. Они могут генерировать вероятностные утверждения, такие как “Пациент А имеет 70% вероятность достижения самостоятельной ходьбы на 12 месяцев”, а не бинарный да/нет. Этот вероятностный вывод поддерживает совместное принятие решений между клиницистами и пациентами. Кроме того, модели могут быть обновлены по мере появления новых данных, что позволяет динамически прогнозировать, что адаптируется к развивающейся клинической картине пациента. В исследовательских контекстах вычислительные модели помогают разрабатывать клинические испытания, идентифицируя однородные подгруппы пациентов, увеличивая статистическую мощность и уменьшая требования к размеру выборки.

Систематический обзор 2022 года, опубликованный в Nature Reviews Neurology, показал, что модели машинного обучения превзошли обычную логистическую регрессию в прогнозировании восстановления двигателя после SCI, при этом значения площади под кривой (AUC) обычно превышают 0,85 (ссылка: nature.com/articles/s41582-022-00654-z).

Типы вычислительных моделей для прогнозирования результатов SCI

Для реабилитации ТСМ было применено несколько различных подходов к моделированию, каждый из которых имеет уникальные сильные и ограниченные стороны. Выбор модели зависит от характера данных, прогнозируемого результата и предполагаемого клинического случая использования.

Модели машинного обучения

Алгоритмы машинного обучения (ML) являются наиболее широко изученной категорией в исследованиях прогнозирования SCI. Эти модели изучают закономерности из исторических данных, не будучи явно запрограммированными правилами домена. Общие методы ML, используемые в SCI, включают:

  • Модели контролируемой регрессии (например, линейная регрессия, регрессия опорного вектора, случайная лесная регрессия) для непрерывных результатов, таких как оценка Независимости спинного мозга (SCIM) или скорость ходьбы.
  • Классификационные модели (например, логистическая регрессия, машины опорных векторов, деревья с градиентным повышением) для категорических результатов, таких как восстановление усвоения или нет.
  • Глубокие архитектуры обучения, включая нейронные сети, свёрточные нейронные сети (CNN) для данных визуализации и рекуррентные нейронные сети (RNN) для продольных данных.

Одним из знаковых исследований в этой области была разработка инструмента “SCI Predict”, в котором использовались случайные лесные модели, обученные на данных Национального статистического центра травм спинного мозга (NSCISC), для прогнозирования 1-летнего восстановления двигателя. Инструмент продемонстрировал точность примерно 78% при проверке на внешней когорте (ссылка: pmc.ncbi.nlm.nih.gov/articles/PMC7543961 ). Аналогично, в исследовании 2023 года исследователи из Калифорнийского университета использовали градиентную машину для прогнозирования функциональной независимости после стационарной реабилитации, достигнув оценки F1 0,81 для полной и неполной классификации травм.

Особенности инженерии и выбора

Успех моделей ML критически зависит от качества входных признаков. В прогнозировании SCI ключевые переменные обычно включают: возраст, пол, базовые двигательные и сенсорные оценки (например, Международные стандарты неврологической классификации травм спинного мозга – ISNCSCI), длину поражения и местоположение на МРТ, наличие отека спинного мозга или кровоизлияния, время от травмы до операции и показатели сердечно-сосудистой и дыхательной функции. Новые данные свидетельствуют о том, что признаки, захватывающие физиологический резерв – такие как показатели саркопении от КТ или вариабельность сердечного ритма – могут постепенно улучшать производительность модели. Методы выбора признаков (например, рекурсивная ликвидация признаков, регуляризация LASSO) помогают избежать переобучения и определить наиболее ограниченный набор предикторов.

Нейронные сети и модели на основе подключения

Отдельный класс вычислительных моделей фокусируется на моделировании внутренней пластичности и реорганизации нейронных цепей после травмы. Эти модели часто опираются на принципы вычислительной нейронауки и представляют спинной мозг как сеть взаимосвязанных возбуждающих и тормозящих нейронов.

Например, структурные модели подключения используют диффузионную тензорную визуализацию (DTI) для отображения целостности тракторов белого вещества розтральной и каудальной к поражению. Путем количественной оценки специфичной для трактов фракционной анизотропии (FA) и средней диффузивности, эти модели могут предсказать вероятность аксонального роста или функциональной перенаправления. Функциональные модели подключения , полученные из состояния покоя fMRI или ЭЭГ, захватывают динамические взаимодействия между кортикальными и подкорковыми моторными центрами. Исследование 2021 года в Мозг продемонстрировало, что рекуррентная нейронная сеть, обученная на моделях когерентности ЭЭГ, может предсказать восстановление верхней конечности с 82% точностью, превосходя обычные клинические переменные (link: academic.oup.com/brain/article/1

Модели пластичности, зависящие от времени пика (STDP) , имитируют усиление или ослабление синапсов на основе времени до и после синаптических всплесков. Эти модели особенно актуальны для понимания стратегий реабилитации, зависящих от активности, таких как локомоторное обучение с эпидуральной стимуляцией. Настраивая параметры модели в соответствии с индивидуальными данными пациентов, исследователи могут выдвинуть гипотезу оптимальных частот стимуляции или графиков терапии.

Биомеханические модели

Реабилитация после ТПП включает переподготовку двигательной системы для выполнения скоординированных движений при измененном нейронном приводе. Биомеханические модели фиксируют физические и механические ограничения опорно-двигательного аппарата и могут имитировать влияние мышечной слабости, спастичности или суставных контрактур на ходьбу или достижение.

Анализ конечного элемента (FEA) позвоночника и спинного мозга был использован для моделирования острой механической среды в месте повреждения. Включая свойства материала нервной ткани и окружающих позвонков, FEA может предсказать степень первичного и вторичного повреждения, тем самым сообщая прогноз. Например, исследование 2020 года смоделировало влияние компрометации канала на распределение стресса спинного мозга и обнаружило сильную корреляцию между пиковым стрессом фон Мизеса и 1-летним изменением моторного балла (link: ]sciencedirect.com/science/article/pii/S0021929020301682]. Такие модели могут помочь идентифицировать пациентов, которые могут извлечь выгоду из ранней хирургической декомпрессии.

С точки зрения реабилитации, многотелоскелетное моделирование (например, OpenSim) позволяют исследователям оценивать мышечные силы, суставные моменты и метаболические затраты во время ходьбы, даже когда прямое измерение невозможно. Изменяя нейронные паттерны активации в моделировании, чтобы имитировать эффект спастичности или слабости, клиницисты могут предсказать, улучшит ли данное вспомогательное устройство (например, ортоз голеностопного сустава) эффективность походки. Эти модели могут быть персонализированы с использованием данных захвата движения и анатомии пациента от визуализации, хотя они остаются вычислительно интенсивными и требуют специализированного опыта для построения.

Проблемы разработки и проверки прогнозных моделей

Несмотря на значительный прогресс, необходимо преодолеть ряд критических проблем, прежде чем вычислительные модели станут обычными инструментами в реабилитации ТСМ.

Неоднородность и стандартизация данных

Данные о результатах SCI, как известно, являются неоднородными. Тяжесть травм варьируется от легких контузий до полных трансектий, а популяции пациентов широко различаются по возрасту, этиологии (травматические и нетравматические) и сопутствующим заболеваниям. Кроме того, протоколы реабилитации различаются в разных учреждениях, что затрудняет объединенный анализ. Отсутствие универсально принятых стандартов отчетности для переменных предикторов, показателей результатов и контрольных точек времени ограничивает сопоставимость результатов модели в исследованиях. Такие инициативы, как Международные наборы данных о травмах спинного мозга и проект SCIRE (Исследования травм спинного мозга) добились прогресса в гармонизации, но многие наборы данных по-прежнему не имеют критических полей или используют нестандартные оценки.

Недостающие данные и небольшие размеры выборки

Перспективные продольные исследования в области ТСМ являются дорогостоящими и часто страдают от истощения. Отсутствие последующих данных, особенно в более поздние моменты времени, может привести к смещению модели обучения и оценки. Традиционные подходы, такие как удаление по списку или средняя ампутация, являются неоптимальными; более сложные методы, такие как множественная ампутация или максимизация ожиданий, используются в этой области недостаточно. Кроме того, общее число пациентов с ТСМ, доступных для исследований, относительно небольшое (приблизительно 18 000 новых случаев в год в Соединенных Штатах), что ограничивает сложность моделей, которые могут быть надежно обучены. Модели глубокого обучения, в частности, требуют больших объемов данных, чтобы избежать переобучения. Методы увеличения данных, синтетическая генерация данных (например, с использованием генеративных состязательных сетей) и передача обучения от связанных неврологических популяций могут помочь облегчить это ограничение.

Модель интерпретируемости

Клиницисты, естественно, не решаются действовать на основе рекомендаций модели “black box”, особенно когда решения имеют глубокие последствия для ухода за пациентами. Многие высокоэффективные алгоритмы, такие как ансамблевые методы и глубокие нейронные сети, предлагают ограниченное понимание того, почему было сделано конкретное предсказание. Пост-хоковые методы интерпретации – в том числе SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations), и частичные схемы зависимости – могут обеспечить некоторую прозрачность. Анализ моделей прогнозирования SCI 2023 года показал, что значения SHAP последовательно идентифицируют базовый двигательный балл и определяемую МРТ длину поражения как два главных предиктора во всех моделях, усиливая клиническую интуицию. Тем не менее, остается потребность в моделях, которые являются точными и интерпретируемыми по своей сути, таких как редкие линейные модели или деревья решений ограниченной глубины.

Валидация и обобщенность

Многие опубликованные модели разрабатываются и тестируются на одном и том же наборе данных или одноцентровой когорте, что приводит к предвзятости оптимизма и плохой внешней валидности. Кросс-валидация в рамках одного набора данных не гарантирует производительность в другой популяции пациентов, реабилитационной установке или системе здравоохранения. Золотой стандарт для валидации - это многосайтовое проспективное исследование, в котором прогнозы модели сравниваются с наблюдаемыми результатами в режиме реального времени. Такие исследования дороги и логистически требовательны. Кроме того, модели должны быть перекалиброваны, если популяция пациентов или протоколы лечения меняются с течением времени, явление, известное как “сдвиг набора данных. ” Несколько внешних проверенных моделей, которые существуют (например, “Предсказывающее восстановление ходьбы ” номограмма из Европейского многоцентрового исследования о травме спинного мозга), показали падение AUC 0,05 –0,10 по сравнению с внутренней производительностью.

Интеграция в клинический рабочий процесс

Даже совершенно точная модель бесполезна, если она не может быть интегрирована в повседневные клинические процедуры. Многие современные модели требуют ручного ввода десятков переменных, что отнимает много времени у занятых клиницистов. Они также могут быть несовместимы с системами электронных медицинских записей (EHR), используемыми в реабилитационных больницах. Чтобы быть полезной, модель должна быть встроена в EHR так, чтобы входы автоматически заполнялись из структурированных полей, а выходы появляются в точке ухода. Это требует тесного сотрудничества между учеными данных, ИТ-специалистами и клиницистами с самых ранних стадий развития. Одобрение регулирующих органов (например, разрешение FDA в качестве инструмента поддержки клинических решений) добавляет еще один уровень сложности, поскольку большинство моделей не прошли строгий регуляторный обзор.

Будущие направления: к динамическому, мультимодальному и цифровому двойному подходам

Заглядывая в будущее, некоторые новые тенденции обещают значительно повысить точность, полезность и внедрение вычислительных моделей в реабилитации ТСМ.

Мультимодальная интеграция данных

Современные модели обычно используют ограниченный набор клинических и визуализирующих переменных. Будущее заключается в объединении данных из нескольких модальностей: генетики, протеомики, носимых датчиков, нейровизуализации и электронных медицинских записей. Например, секвенирование РНК одной клетки поврежденной ткани спинного мозга может идентифицировать сигнатуры экспрессии генов, связанные с регенеративным потенциалом. Исследование 2024 года в Cell показало, что специфические профили микроРНК в спинномозговой жидкости предсказывают восстановление двигателя с точностью 89% в небольшой когорте. Интеграция таких молекулярных данных с биомеханическими и связными моделями может дать беспрецедентное прогнозирующее разрешение. Однако мультимодальное слияние требует передовых статистических методов, таких как многоядерное обучение или глубокие встраивания суставов, и повышает потребность в крупномасштабных биобанках, связанных с клиническими исходами.

Цифровые близнецы для индивидуальной реабилитации

Концепция “цифрового двойника” – постоянно обновляемого виртуального представления биологического и функционального статуса пациента&rsquo– набирает обороты. В контексте SCI цифровой двойник будет включать специфическую анатомию пациента&rsquo (из МРТ), нейронную связь (из DTI/fMRI), мышечные свойства (из ультразвука или ЭМГ) и паттерны повседневной активности (из носимых акселерометров). Двойник может имитировать эффект различных схем терапии, таких как различные дозы локомоторного обучения или сроки фармакологических вмешательств, и рекомендовать оптимальный график, который максимизирует прогнозируемое восстановление при минимизации усталости и стоимости.

Ранние прототипы таких систем существуют для реабилитации инсульта, но адаптация их к SCI представляет дополнительные проблемы из-за резкого отключения нисходящих двигательных путей и сложного взаимодействия спастичности, вегетативной дисрефлексии и нейрогенной дефекации / мочевого пузыря. Тем не менее, исследователи из Швейцарского параплегического центра разрабатывают цифровую платформу двойников для повреждения спинного мозга, которая объединяет данные датчиков в реальном времени с инструментальных беговых дорожек с двигателем нейронного моделирования (ссылка: ]pubmed.ncbi.nlm.nih.gov / 37852222 ]. Первоначальные результаты показывают, что близнец может предсказать модели активации мышц в пределах 15% от измеренной ЭМГ, предполагая осуществимость.

Адаптивные и усиливающие алгоритмы обучения

Большинство существующих моделей обеспечивают одноразовое предсказание на основе статического снимка данных. В действительности восстановление является динамическим процессом, и оптимальная терапия должна адаптироваться по мере улучшения состояния пациента или плато. Усиление обучения (RL) предлагает структуру, в которой алгоритм изучает политику выбора действий (например, тип, интенсивность и график терапии) для максимизации совокупного вознаграждения (например, 1-летний функциональный выигрыш). RL успешно используется в других областях, таких как персонализированная робототехника терапия для реабилитации верхних конечностей при инсульте. Небольшое технико-экономическое обоснование, применяющее RL для корректировки сложности программы ходьбы с помощью экзоскелета у неполных пациентов с ТСМ, сообщило, что пользователи RL достигли на 22% больше шагов за сеанс, чем группа с фиксированным прогрессом.

Проблемы для RL включают определение пространства состояния (какие факторы пациента включать), обработку отложенных вознаграждений (преимущество сегодняшней терапии может быть неочевидным в течение нескольких недель) и обеспечение безопасности (алгоритм не должен выбирать действия, которые могут причинить вред). Симуляционные среды – по существу цифровые двойники – могут использоваться для обучения политике RL до их развертывания у реальных пациентов, снижая риск.

Совместные сети и обмен данными

Для преодоления небольших размеров выборки необходимы крупномасштабные совместные инициативы по обмену данными. Такие проекты, как Международная база данных о травмах спинного мозга (ISCoI), Европейское многоцентровое исследование о травмах спинного мозга (EMSCI) и Североамериканская сеть клинических испытаний (NACTN), объединили тысячи записей пациентов. Однако управление данными, правила конфиденциальности (например, HIPAA, GDPR) и институциональные барьеры часто препятствуют обмену. Федеративное обучение предлагает многообещающее решение: модели обучаются на нескольких сайтах, не оставляя необработанных данных в каждом учреждении; только обновления параметров распространяются. Доказательство концепции федеративного обучения для прогнозирования результатов SCI было опубликовано в 2023 году и достигло производительности, сопоставимой с централизованной моделью, сохраняя конфиденциальность данных (ссылка: jamanetwork.com / журналы /jamanetworkopen / fullarticle/2807850 / ). Более широкое внедрение таких рамок может быстро ускорить разработку модели.

Заключение

Вычислительное моделирование позиционируется как краеугольный камень точной реабилитации при травмах спинного мозга. Синтезируя клинические, визуализирующие и нейрофизиологические данные в сложных алгоритмических рамках, эти модели могут предоставлять индивидуализированные, вероятностные прогнозы результатов, которые позволяют клиницистам и пациентам принимать обоснованные решения. Машинное обучение, нейронная сеть и биомеханические модели каждый вносят уникальные возможности, от распознавания образов до моделирования нейронной пластичности и динамики опорно-двигательного аппарата.

Тем не менее, сохраняются существенные препятствия. Стандартизация данных, отсутствие данных, интерпретируемость и внешняя валидация требуют пристального внимания со стороны исследовательского сообщества. Путь к клиническому принятию требует не только технической доработки, но и плавной интеграции с клиническими рабочими процессами и ясности регулирования. В следующем десятилетии, вероятно, будет наблюдаться созревание мультимодальных цифровых двойников, адаптивных алгоритмов обучения с подкреплением и федеративных сетей обучения, которые позволяют моделям обучаться и обновляться по всему миру без ущерба для конфиденциальности пациентов.

Эти инструменты не заменяют суждения врача или человеческое прикосновение, которые так важны в реабилитации; скорее, они дополняют его, предлагая компас, управляемый данными, для навигации по неопределенному ландшафту восстановления после травмы спинного мозга.С постоянным сотрудничеством между инженерами, клиницистами и учеными вычислительные модели преобразуют реабилитацию SCI из искусства в научно-усовершенствованную практику, в конечном итоге улучшая функциональные результаты и качество жизни для тысяч людей во всем мире.