Applications of machine learning algorithms in quality of life

Abstract

According to World Health Organization, a recent analysis showed that 1.71 billion people globally have musculoskeletal conditions. The societal impact in terms of direct healthcare costs and indirect (i.e., productivity loss) costs is enormous. Hence, it is vital to understand the pathophysiology of musculoskeletal diseases using artificial intelligence analytics tools with ultimate objective to develop techniques for their interpretation, diagnosis, prediction and rehabilitation. The aim of this thesis is to extend the current understanding of the contribution of the risk factors in the development of Knee Osteoarthritis and to uncover the rationale behind the biomechanical parameters from the anterior cruciate ligament post-surgery rehabilitation in order to avoid the outset of KOA. To achieve these goals, first of all we conducted a review about the machine learning techniques in knee osteoarthritis. Subsequently, we employed data from the osteoarthritis initiative (OAI) database (available on https://nda.nih.gov/oai/) and collected numerous biomechanical data from individuals who suffered from anterior cruciate ligament injury or not. This work led to five studies which are presented as different chapters of the current thesis. The review guided us to understand the literature gap and to develop machine learning techniques related to the prognosis and diagnosis of knee osteoarthritis as well as the interpretation of these models. In the second work, we used data from OAI and we worked on the prediction of KOA through the identification of risk factors that are relevant with KL progression. One of the main objectives of this work was to explore three different options with respect to the time period within which data should be considered in order to reliably predict KOA progression. The findings of this work were the input for the third work. So, the next step in the prediction task was to apply an evolutionary genetic algorithm (GA)-based wrapper technique, which leads to selected features that consistently work well at any possible data sample and, thus, have increased generalization capacity with respect to KOA progression. The impact of the selected risk factors on the prediction output was further investigated using SHapley Additive exPlanations (SHAP). The fourth work focused on the diagnosis task and interpretation of the model output. The objective of the present study was to provide a robust feature selection methodology based on fuzzy logic that could: (i) handle the multidimensional nature of the available datasets (OAI) and (ii) alleviate the defectiveness of existing feature selection techniques towards the identification of important risk factors which contribute to KOA diagnosis and interpretation. The fifth work has the aim to investigate the modification of the biomechanical parameters after an ACL injury, which is a risk factor for the onset of KOA. For this aim, a state-of-the-art explainability analysis based on SHAP and conventional statistical analysis attempted to uncover the rationale behind the decision-making mechanism of the best trained model and provide a holistic approach of quantifying the contribution of the input gait biomechanical parameters in the tasks of ACL injury diagnosis. The proposed AI methodologies may contribute to the development of new, efficient risk stratification strategies and identification of risk phenotypes of each KOA patient to enable appropriate interventions. Furthermore, features, that would have been neglected by the traditional statistical analysis, were identified as contributing parameters having significant impact on the ML model’s output for prediction of KOA progression, KOA diagnosis, ACL injury diagnosis during gait.

Σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας, μια πρόσφατη μελέτη έδειξε ότι 1,71 δισεκατομμύρια άνθρωποι παγκοσμίως πάσχουν από μυοσκελετικές παθήσεις. Ο κοινωνικός αντίκτυπος όσον αφορά το άμεσο κόστος υγειονομικής περίθαλψης αλλά και το έμμεσο (δηλ. απώλεια παραγωγικότητας) είναι τεράστιος. Ως εκ τούτου, είναι ζωτικής σημασίας η κατανόηση της παθοφυσιολογίας των μυοσκελετικών παθήσεων, έτσι ώστε με τη χρήση αναλυτικών εργαλείων τεχνητής νοημοσύνης να αναπτυχθούν τεχνικές για την ερμηνεία, τη διάγνωση, την πρόβλεψη και την αποκατάστασή τους. Σκοπός της παρούσας διδακτορικής διατριβής είναι να διευρύνει την τρέχουσα κατανόηση της συμβολής των παραγόντων κινδύνου στην ανάπτυξη της οστεοαρθρίτιδας γόνατος και να αποκαλύψει την επίδραση των εμβιομηχανικών παραμέτρων στη μετεγχειρητική αποκατάσταση του πρόσθιου χιαστού συνδέσμου, προκειμένου να αποφευχθεί η εμφάνιση οστεοαρθρίτιδας γόνατος. Για την επίτευξη των παραπάνω στόχων, αρχικά πραγματοποιήσαμε μια βιβλιογραφική ανασκόπηση σχετικά με τις τεχνικές μηχανικής μάθησης στην οστεοαρθρίτιδα γόνατος. Στη συνέχεια, χρησιμοποιήσαμε δεδομένα από τη βάση δεδομένων της πρωτοβουλίας για την οστεοαρθρίτιδα (OAI) (διαθέσιμα στη διεύθυνση https://nda.nih.gov/oai/) και συλλέξαμε επίσης πληθώρα εμβιομηχανικών δεδομένων από άτομα που υπέφεραν ή όχι από τραυματισμό πρόσθιου χιαστού συνδέσμου. Η προεργασία αυτή οδήγησε σε πέντε μελέτες, οι οποίες παρουσιάζονται ως διαφορετικά κεφάλαια της τρέχουσας διατριβής. Η βιβλιογραφική ανασκόπηση μας οδήγησε στο να κατανοήσουμε το κενό στη βιβλιογραφία και να αναπτύξουμε μια σειρά τεχνικών μηχανικής μάθησης που σχετίζονται με την πρόγνωση και τη διάγνωση της οστεοαρθρίτιδας γόνατος καθώς και την ερμηνεία των μοντέλων αυτών. Στη συνέχεια, στην δεύτερη μελέτη χρησιμοποιήσαμε δεδομένα από την βάση ΟΑΙ και δουλέψαμε πάνω στην πρόβλεψη της οστεοαρθρίτιδας γόνατος, μέσω του εντοπισμού παραγόντων κινδύνου που σχετίζονται με την εξέλιξη του βαθμού KL. Στη συνέχεια, ο κύριος στόχος αυτής της εργασίας ήταν να διερευνηθούν τρεις διαφορετικές επιλογές όσον αφορά τη χρονική περίοδο εντός της οποίας θα πρέπει να ληφθούν υπόψη τα δεδομένα προκειμένου να προβλεφθεί αξιόπιστα η εξέλιξη της οστεοαρθρίτιδας γόνατος. Τα ευρήματα αυτής της εργασίας αποτέλεσαν τη πηγή δεδομένων για τη τρίτη μελέτη. Έτσι, το επόμενο βήμα για την πρόβλεψη της οστεοαρθρίτιδας γόνατος ήταν η εφαρμογή μιας εξελικτικής τεχνικής περιτύλιξης με βάση τον γενετικό αλγόριθμο, η οποία οδηγεί σε επιλεγμένα χαρακτηριστικά που λειτουργούν αξιόπιστα και αποδοτικά σε οποιοδήποτε πιθανό δείγμα δεδομένων και, συνεπώς, έχουν αυξημένη ικανότητα γενίκευσης σε σχέση με την πρόβλεψη της οστεοαρθρίτιδας γόνατος. Ο αντίκτυπος των επιλεγμένων παραγόντων κινδύνου στην διαμόρφωση της εξόδου του μοντέλου πρόβλεψης, διερευνήθηκε περαιτέρω χρησιμοποιώντας το εργαλείο ερμηνείας SHAP. Η τέταρτη μελέτη επικεντρώθηκε στην διάγνωση της οστεοαρθρίτιδας γόνατος. Ο στόχος της παρούσας μελέτης ήταν να παράσχει μια ισχυρή μεθοδολογία επιλογής χαρακτηριστικών (FS) που θα μπορούσε: (i) να χειριστεί την πολυδιάστατη φύση των διαθέσιμων συνόλων δεδομένων (OAI) και (ii) να αντιμετωπίσει τα μειονεκτήματα των υφιστάμενων τεχνικών επιλογής χαρακτηριστικών για τον εντοπισμό σημαντικών παραγόντων κινδύνου που συμβάλλουν στη διάγνωση της οστεοαρθρίτιδας γόνατος αλλά και την ερμηνεία της. Η πέμπτη μελέτη έχει ως στόχο να διερευνήσει την προσαρμογή των εμβιομηχανικών παραμέτρων μετά από τραυματισμό του πρόσθιου χιαστού συνδέσμου, ο οποίος αποτελεί παράγοντα κινδύνου για την εμφάνιση οστεοαρθρίτιδας γόνατος. Για το σκοπό αυτό, μια καινοτόμος ανάλυση επεξηγήσεων βασισμένη στο εργαλείο SHAP και τη συμβατική στατιστική ανάλυση προσπάθησε να αποκαλύψει το σκεπτικό πίσω από τον μηχανισμό λήψης αποφάσεων του καλύτερα εκπαιδευμένου μοντέλου διάγνωσης και να παράσχει μια ολιστική προσέγγιση ποσοτικοποίησης της συμβολής των εμβιομηχανικών παραμέτρων βάδισης στις διεργασίες της διάγνωσης πρόσθιου χιαστού συνδέσμου και της μετεγχειρητικής αποκατάστασης αυτού. Οι προτεινόμενες μεθοδολογίες τεχνητής νοημοσύνης μπορούν να συμβάλουν στην ανάπτυξη νέων, αποτελεσματικών στρατηγικών διαστρωμάτωσης του κινδύνου και στον εντοπισμό παραγόντων κινδύνου εξατομικευμένα σε κάθε πάσχοντα από οστεοαρθρίτιδα γόνατος, ώστε να αναπτυχθούν εξατομικευμένες παρεμβάσεις. Επιπλέον, παράμετροι που δε θα είχαν αναδειχθεί από την παραδοσιακή στατιστική ανάλυση, προσδιορίστηκαν ως παράμετροι που έχουν σημαντικό αντίκτυπο στην έξοδο του μοντέλου μηχανικής μάθησης, τόσο για την πρόβλεψη της εξέλιξης της οστεοαρθρίτιδας γόνατος, όσο και για τη διάγνωση της οστεοαρθρίτιδας γόνατος, τη διάγνωση της ρήξης πρόσθιου χιαστού και τη μετεγχειρητική αποκατάσταση αυτού.