Forscher entwickeln Werkzeug für maschinelles Lernen, um nekrotisierende Enterokolitis bei Frühgeborenen vorherzusagen

Die nekrotisierende Enterokolitis (NEC) ist eine lebensbedrohliche Darmerkrankung bei Frühgeburt. Gekennzeichnet durch plötzliche und fortschreitende Darmentzündung und Gewebetod, es betrifft bis zu 11, 000 Frühgeborene in den USA jährlich, und 15-30% der betroffenen Babys sterben an NEC. Überlebende sind oft mit langfristigen Komplikationen des Darms und der neurologischen Entwicklung konfrontiert.

Forscher von Columbia Engineering und der University of Pittsburgh haben ein sensibles und spezifisches Frühwarnsystem entwickelt, um NEC bei Frühgeborenen vorherzusagen, bevor die Krankheit auftritt. Der Prototyp sagt NEC genau und früh voraus, unter Verwendung von Stuhlmikrobiommerkmalen in Kombination mit klinischen und demografischen Informationen. Die Pilotstudie wurde am 23. Juli auf der ACM CHIL 2020 virtuell vorgestellt.

„Es ist erstaunlich, wie wir mithilfe von maschinellem Lernen verhindern können, dass Babys so etwas passieren. “ sagte der Co-Autor der Studie, Ansaf Salleb-Aouissi, ein Senior Lecturer für Disziplin aus dem Fachbereich Informatik von Columbia Engineering und ein Spezialist für künstliche Intelligenz und ihre Anwendungen in der Medizininformatik. "Wir haben uns die Daten angesehen und ein Tool entwickelt, das wirklich nützlich sein kann, sogar lebensrettend."

Wenn Ärzte NEC genau vorhersagen könnten, bevor das Baby tatsächlich krank wird, Es gibt einige sehr einfache Schritte, die sie unternehmen könnten - die Behandlung könnte das Absetzen der Nahrungsaufnahme umfassen, IV-Flüssigkeit verabreichen, und die Einnahme von Antibiotika, um die schlimmsten Folgen wie Langzeitbehinderung oder Tod zu verhindern."

Thomas Hooven, Studienleiter und Assistenzprofessor, Universität Pittsburg

Hooven, der seine Zusammenarbeit mit Salleb-Aouissi begann, als er Assistenzprofessor für Pädiatrie in der Abteilung für Neonatologie-Perinatologie am Columbia University Medical Center war. Heute ist er Assistenzprofessor für Pädiatrie in der Abteilung für Neugeborenenmedizin an der University of Pittsburgh School of Medicine.

Zur Zeit, Es gibt kein Werkzeug, um vorherzusagen, welche Frühgeborenen die Krankheit bekommen, und oft wird NEC erst erkannt, wenn es zu spät ist, um wirksam einzugreifen. NEC ist der häufigste Darmnotfall bei Frühgeborenen. Es ist gekennzeichnet durch eine schnell fortschreitende Darmnekrose, Bakteriämie, Azidose, und hohe Morbiditäts- und Mortalitätsraten.

Ursachen von NEC sind nicht gut verstanden, aber mehrere Studien haben sich auf Veränderungen im Darmmikrobiom konzentriert, die Bakterien im Darm, deren Zusammensetzung durch DNA-Sequenzierung aus kleinen Stuhlproben bestimmt werden kann.

Die Forscher stellten die Hypothese auf, dass ein Ansatz des maschinellen Lernens zur Modellierung klinischer, demographisch, und Mikrobiomdaten von Frühgeborenen könnten eine Unterscheidung von Patienten mit hohem NEC-Risiko lange vor Beginn der klinischen Erkrankung ermöglichen, Dies würde ein frühzeitiges Eingreifen und die Milderung schwerwiegender Komplikationen ermöglichen.

Hooven, Salleb-Aouissi, und Lin verwendeten Daten aus einer klinischen Studie des NIH aus dem Jahr 2016 mit Frühgeborenen, deren Stuhl zwischen 2009 und 2013 auf mehreren amerikanischen Neugeborenen-Intensivstationen gesammelt wurde. Das Team untersuchte 2, 895 Stuhlproben von 161 Frühgeborenen, 45 davon entwickelten NEC.

Angesichts der Komplexität der Mikrobiomdaten die Forscher führten mehrere Schritte zur Datenvorverarbeitung durch, um ihre Dimensionalität zu reduzieren, und die kompositorische und hierarchische Natur dieser Daten anzugehen, um sie für maschinelles Lernen nutzbar zu machen.

"NEC stellt aus Sicht des maschinellen Lernens eine hervorragende Anwendung dar, ", sagte Salleb-Aouissi. "Die Lektionen, die wir aus unserer neuen Technik gelernt haben, könnten sich gut auf andere genetische oder proteomische Datensätze übertragen und neue Algorithmen für maschinelles Lernen für Gesundheitsdatensätze inspirieren."

Das Team evaluierte mehrere Methoden des maschinellen Lernens, um die beste Strategie zur Vorhersage von NEC aus Mikrobiomdaten zu bestimmen. Sie fanden die optimale Leistung bei einem Ansatz des Gated Attention-based Multiple Instance Learning (MIL).

Da menschliche Mikrobiome Veränderungen unterliegen, die MIL-Methoden adressieren den sequentiellen Aspekt des Problems. Zum Beispiel, in den ersten 20 Tagen nach der Geburt eines Kindes, Das Mikrobiom des Säuglings durchläuft eine drastische Veränderung. Viele Studien haben gezeigt, dass Säuglinge mit einer höheren Diversität des Mikrobioms typischerweise gesünder sind.

„Dies führte uns zu der Annahme, dass Veränderungen in der Mikrobiom-Diversität dazu beitragen können, zu erklären, warum manche Säuglinge eher an NEC erkranken. " sagte Adam (Yun Chao) Lin, ein Informatik-MS-Student und Co-Autor der Studie, dessen Arbeit an diesem Projekt ihn veranlasste, jetzt zu promovieren.

Anstatt Mikrobiomproben eines Säuglings als unabhängig zu betrachten, das Team stellte jeden Patienten als eine Sammlung von Proben dar und wandte Aufmerksamkeitsmechanismen an, um die komplexen Beziehungen zwischen den Proben zu lernen. Der maschinelle Lernalgorithmus „schaut“ sich jede Tasche an und versucht anhand ihres Inhalts zu erraten, ob das Baby betroffen ist oder nicht.

In wiederholten Versuchen, die Fähigkeit des Modells, betroffene von nicht betroffenen Säuglingen zu unterscheiden, hatte ein gutes Gleichgewicht zwischen Sensitivität und Spezifität. "Die Fläche unter der ROC-Kurve (AUC) beträgt etwa 0,9, was zeigt, wie gut unsere Modelle zwischen betroffenen und nicht betroffenen Patienten unterscheiden können, “ bemerkte Salleb-Aouissi.

„Unser ist das erste effektive System für ein klinisch anwendbares Modell des maschinellen Lernens, das Mikrobiom, demographisch, und klinische Daten, die in Echtzeit auf einer Neugeborenen-Intensivstation gesammelt und überwacht werden können. Wir freuen uns, seine Anwendbarkeit auf einen neuen Bereich des prädiktiven Monitorings in der Medizin auszudehnen."

Die Forscher entwickeln jetzt eine nichtinvasive eigenständige Testplattform zur genauen Identifizierung von Säuglingen mit hohem NEC-Risiko vor dem klinischen Einsetzen. um die schlimmsten Folgen zu vermeiden. Sobald die Plattform fertig ist, Sie werden eine randomisierte klinische Studie durchführen, um die Vorhersagen ihrer Technik in einer Echtzeit-Kohorte auf der Intensivstation für Neugeborene zu validieren.

"Zum ersten Mal kann ich mir eine Zukunft vorstellen, in der Eltern von Frühgeborenen, und ihre medizinischen Teams, nicht mehr in ständiger Angst vor NEC leben, “ sagte Hooven.

• Der Austausch von rotem Fleisch durch pflanzliche Fleischalternativen senkt das Herz-Kreislauf-Risiko
• Studie findet Hinweise auf Darmdysbiose bei Menschen mit Huntington-Krankheit