Forskere fra Columbia Engineering og University of Pittsburgh har udviklet et følsomt og specifikt system til tidlig varsling til at forudsige NEC hos for tidligt fødte børn, før sygdommen opstår. Prototypen forudsiger NEC præcist og tidligt, ved hjælp af afføringsmikrobiomfunktioner kombineret med klinisk og demografisk information. Pilotundersøgelsen blev præsenteret praktisk talt den 23. juli på ACM CHIL 2020.
"Det er fantastisk, hvordan vi muligvis kan bruge maskinlæring til at forhindre dette i at ske for babyer, "sagde studiens medforfatter, Ansaf Salleb-Aouissi, en lektor i disciplin fra computervidenskabsafdelingen ved Columbia Engineering og en specialist i kunstig intelligens og dens anvendelser til medicinsk informatik. "Vi kiggede på dataene og udviklede et værktøj, der virkelig kan være nyttigt, endda livreddende. "
Hvis læger præcist kunne forudsige NEC, før barnet faktisk blev syg, der er nogle meget enkle trin, de kan tage-; behandling kan omfatte standsning af foderstoffer, giver IV væsker, og start af antibiotika for at forhindre de værste resultater, såsom langvarig handicap eller død. "
Thomas Hooven, Studielederforfatter og adjunkt, University of Pittsburg
Hooven, som begyndte sit samarbejde med Salleb-Aouissi, da han var adjunkt i pædiatri i afdelingen for neonatologi-perinatologi ved Columbia University Medical Center. Han er nu adjunkt i pædiatri i Division of Newborn Medicine ved University of Pittsburgh School of Medicine.
I øjeblikket, der er intet værktøj til at forudsige, hvilke præmature babyer, der får sygdommen, og ofte genkendes NEC ikke, før det er for sent at effektivt gribe ind. NEC er den mest almindelige intestinale nødsituation blandt premature spædbørn. Det er kendetegnet ved hurtigt progressiv tarmnekrose, bakteriæmi, acidose, og høje sygeligheder og dødelighed.
Årsagerne til NEC er ikke velkendte, men flere undersøgelser har fokuseret på forskydninger i tarmmikrobiomet, bakterierne i tarmen, hvis sammensætning kan bestemmes ud fra DNA -sekventering fra små afføringsprøver.
Forskerne antog, at en machine learning -tilgang til modellering af kliniske, demografisk, og mikrobiomdata fra for tidlige patienter kan muliggøre forskelsbehandling af patienter med høj risiko for NEC længe før klinisk sygdomsdebut, hvilket ville muliggøre tidlig intervention og afbødning af alvorlige komplikationer.
Hooven, Salleb-Aouissi, og Lin brugte data fra en 2016 NIH klinisk undersøgelse af for tidligt fødte spædbørn, hvis afføring blev indsamlet i flere amerikanske neonatale ICU'er mellem 2009 og 2013. Teamet undersøgte 2, 895 afføringsprøver fra 161 for tidligt fødte børn, 45 af dem udviklede NEC.
I betragtning af kompleksiteten af mikrobiomedataene, forskerne udførte flere dataforbehandlingstrin for at reducere dens dimension, og at behandle disse data kompositionsmæssigt og hierarkisk for at udnytte dem til maskinlæring.
"NEC repræsenterer en glimrende applikation ud fra et maskinlæringsperspektiv, "sagde Salleb-Aouissi." De erfaringer, vi har lært af vores nye teknik, kan godt oversætte til andre genetiske eller proteomiske datasæt og inspirere til nye maskinlæringsalgoritmer til sundhedsdatasæt. "
Teamet evaluerede flere metoder til maskinindlæring for at bestemme den bedste strategi til forudsigelse af NEC ud fra mikrobiomedata. De fandt optimal ydeevne fra en gated-opmærksomhedsbaseret multiple instance learning (MIL) tilgang.
Da menneskelige mikrobiomer kan ændres, MIL -metoderne behandler det sekventielle aspekt af problemet. For eksempel, i de første 20 dage efter at et spædbarn er født, spædbarnets mikrobiom gennemgår en drastisk ændring. Mange undersøgelser har vist, at spædbørn med en større mangfoldighed af mikrobiomer typisk er sundere.
"Dette fik os til at tro, at ændringer i mikrobiomdiversitet kan hjælpe med at forklare, hvorfor nogle spædbørn er mere tilbøjelige til at være syge af NEC, "sagde Adam (Yun Chao) Lin, en datalogisk MS-studerende og medforfatter af undersøgelsen, hvis arbejde med dette projekt fik ham til nu at forfølge en ph.d.
I stedet for at betragte mikrobiomprøver fra et spædbarn som uafhængige, teamet repræsenterede hver patient som en samling prøver og anvendte opmærksomhedsmekanismer til at lære de komplekse forhold mellem prøverne. Maskinlæringsalgoritmen "kigger" på hver taske og forsøger at gætte ud fra dens indhold, om barnet er påvirket eller ej.
I gentagne forsøg, modellens evne til at skelne påvirket fra ikke-ramte spædbørn havde en god balance mellem følsomhed og specificitet. "Området under ROC -kurven (AUC) er omkring 0,9, som viser, hvor gode vores modeller er til at skelne mellem berørte og upåvirkede patienter, "Bemærkede Salleb-Aouissi.
"Vores er det første effektive system til en klinisk anvendelig maskinindlæringsmodel, der kombinerer mikrobiom, demografisk, og kliniske data, der kan indsamles og overvåges i realtid på en neonatal ICU. Vi er begejstrede for at udvide dets anvendelighed til et nyt område af forudsigelig overvågning inden for medicin. "
Forskerne udvikler nu en ikke -invasiv standalone testplatform til præcis identifikation af spædbørn med høj risiko for NEC før klinisk debut, for at forhindre de værste resultater. Når platformen er klar, de vil gennemføre et randomiseret klinisk forsøg for at validere deres tekniks forudsigelser i en real-time neonatal ICU-kohorte.
"For første gang kan jeg forestille mig en fremtid, hvor forældre til premature børn, og deres medicinske teams, lever ikke længere i konstant frygt for NEC, "sagde Hooven.