人类与AI协作的临床康复评估决策方法

文献标题

A Human-AI Collaborative Approach for Clinical Decision Making on Rehabilitation Assessment

文献信息

• 主题领域: 人工智能与健康护理，专家决策支持系统，康复评估
• 关键词: 人机交互/协作, 决策支持系统, 可解释与交互式机器学习, 个性化, 中风康复评估

研究背景与问题

• 发现的问题或挑战:

  • 当前康复治疗师在评估患者的康复状态时往往依赖临床测试，这涉及直接且视觉化的观察，过程耗时且频率较低。
  • 由于治疗师的时间有限，他们缺乏有关患者表现和康复进展的定量数据，导致难以做出信息充分的决策。
  • 现有基于传感器和机器学习算法的康复监测系统虽然在实验室环境中实现了可行性，但难以实际采用，原因包括设计缺乏用户中心性以及算法的“黑箱”性质。

• 问题的重要性:

  • 提高康复评估的质量对于设计适当干预措施以及改善患者康复状态至关重要。
  • 将人工智能与专家协作结合，可为临床决策带来更多定量洞察，从而提升治疗师的评估一致性。

• 研究动机与相关工作:

  • 过往研究发现，透明性、可解释性以及在人机协作中最终用户的参与是改善临床决策支持系统采用的重要因素。
  • 人机协作已在其他领域展示潜力，但在康复评估领域的研究较少。

解决方案

• 方法或解决方案:

  • 作者提出了一种交互式人工智能系统，该系统将机器学习模型与治疗师提供的规则基模型结合，用于中风康复评估。
  • 该系统不仅能够自动选择评估的显著运动特征，还能通过可视化界面展示患者特定的分析（例如“运动质量”预测以及显著特征比较）。
  • 通过治疗师反馈，进一步优化模型，支持个性化评估。

• 创新之处:

  • 集成了机器学习模型和基于规则的模型，形成了混合式模型以提升预测能力和系统的透明性。
  • 动态特征选择通过强化学习实现，支持根据患者个性化数据优化特征选取。
  • 设计了一种交互式患者特定分析界面，以增强治疗师理解能力并接收反馈调优系统。

• 实施步骤与关键技术:

  1. 动态特征选择:
     • 使用强化学习的马尔可夫决策过程选择显著运动特征。
     • 方法实现包括Q网络、经验回放及目标网络软更新。
  2. 机器学习模型:
     • 通过多种机器学习算法（如决策树、线性回归、支持向量机和神经网络）训练评估模型。
  3. 基于规则的模型:
     • 通过与治疗师的半结构化访谈，明确和提取与康复评估相关的if-then规则。
     • 模型实时更新以实现个性化评估。
  4. 混合模型:
     • 通过加权平均将机器学习模型与规则模型结合。
  5. 可视化界面设计:
     • 提供患者运动视频、视觉特征和详细轨迹趋势比较。
     • 支持治疗师提供基于特征的反馈。

研究成果

• 具体成果:

  • 与传统系统相比，该系统显著提高了治疗师在评估任务中的一致性（传统系统平均F1分数为0.66，新系统为0.71，p < 0.05）。
  • 随着治疗师的反馈调优，该系统性能进一步改善（从初始平均F1分数0.8377提升到0.9116，p < 0.01）。

• 优势:

  • 提高了治疗师评估的一致性和效率。
  • 系统解释性使治疗师更易接受，并能对系统进行调优以支持个性化决策。
  • 混合模型的灵活性能够根据人机协作优化性能。

• 实验或评估结果:

  1. 用户评价表明治疗师认为系统显著减少了工作负担（努力分项评分从传统3.93降低到2.66，p < 0.10）。
  2. 在交互实验中，治疗师平均提供了9条反馈用于优化系统，其中添加特征占比最高（7.26）。
  3. 调优后的混合模型（HM10）性能超越了单独的机器学习模型（ML-NN）以及治疗师间的一致性水平。

• 局限性与未来方向:

  • 局限性:
    • 本研究关注单领域（中风康复评估），未针对更多临床场景进行横向验证。
    • 没有长期系统部署的数据，难以评估系统在真实干预中的稳定性。
  • 未来方向:
    • 探索该交互式人工智能系统在其他医疗决策支持领域的应用。
    • 设计更普适的反馈机制以支持不同类型的专家与系统协作。
    • 对系统进行长期、跨领域测试以评估其对临床实践的影响。

这篇论文在改善医疗领域的人机协作方面提供了新颖思路，特别是通过可解释性与交互设计提升了人工智能在康复评估中的实用性。