Columbia Engineeringin ja Pittsburghin yliopiston tutkijat ovat kehittäneet herkän ja spesifisen varhaisvaroitusjärjestelmän NEC:n ennustamiseksi ennenaikaisilla imeväisillä ennen sairauden ilmenemistä. Prototyyppi ennustaa NEC:n tarkasti ja aikaisin, käyttämällä ulosteiden mikrobiomipiirteitä yhdistettynä kliinisiin ja väestötietoihin. Pilottitutkimus esiteltiin käytännössä 23. heinäkuuta ACM CHIL 2020 -tapahtumassa.
"On hämmästyttävää, kuinka voimme ehkä käyttää koneoppimista estääksemme tämän tapahtuvan vauvoille, "sanoi tutkimuksen kirjoittaja, Ansaf Salleb-Aouissi, Columbia Engineeringin tietojenkäsittelytieteen laitoksen kurinalaisuuden vanhempi luennoitsija ja tekoälyn ja sen sovellusten lääketieteelliseen tietotekniikkaan erikoistunut asiantuntija. "Tarkastelimme tietoja ja kehitimme työkalun, joka voi todella olla hyödyllinen, jopa hengenpelastus. "
Jos lääkärit voisivat ennustaa tarkasti NEC:n ennen kuin vauva todella sairastuu, on olemassa joitakin hyvin yksinkertaisia vaiheita, joita he voisivat toteuttaa; hoito voi sisältää ruokien lopettamisen, antaa IV -nesteitä, ja antibioottien aloittaminen pahimpien seurausten, kuten pitkäaikaisen vamman tai kuoleman, estämiseksi. "
Thomas Hooven, Opinto -ohjaaja ja apulaisprofessori, Pittsburgin yliopisto
Hooven, joka aloitti yhteistyön Salleb-Aouissin kanssa ollessaan apulaisprofessori Columbian yliopiston lääketieteellisen keskuksen neonatologian ja perinatologian osastolla. Hän on nyt pediatrian apulaisprofessori Pittsburghin yliopiston lääketieteen yliopiston vastasyntyneen lääketieteen osastolla.
Tällä hetkellä, ei ole työkalua ennustaa, mitkä ennenaikaiset vauvat saavat sairauden, ja usein NEC tunnistetaan vasta, kun on liian myöhäistä puuttua tehokkaasti. NEC on yleisin suolihäiriö keskosilla. Sille on tunnusomaista nopeasti etenevä suoliston nekroosi, bakteremia, asidoosi, ja korkea sairastuvuus ja kuolleisuus.
NEC:n syitä ei ymmärretä hyvin, mutta useat tutkimukset ovat keskittyneet suoliston mikrobiomin muutoksiin, suoliston bakteerit, joiden koostumus voidaan määrittää pienten ulosteiden näytteiden DNA -sekvensoinnista.
Tutkijat olettivat, että koneoppimisen lähestymistapa kliinisen, väestörakenne, ja ennenaikaisten potilaiden mikrobiomitiedot saattavat sallia potilaiden syrjinnän, joilla on suuri NEC -riski kauan ennen kliinisen sairauden puhkeamista, mikä mahdollistaisi varhaisen puuttumisen ja vakavien komplikaatioiden lievittämisen.
Hooven, Salleb-Aouissi, ja Lin käyttivät tietoja vuoden 2016 NIH -kliinisestä tutkimuksesta ennenaikaisista imeväisistä, joiden uloste oli kerätty useista amerikkalaisista vastasyntyneiden teho -osastosta vuosina 2009--2013. 895 ulosteenäytettä 161 ennenaikaiselta lapselta, Joista 45 kehitti NEC:n.
Kun otetaan huomioon mikrobiomitietojen monimutkaisuus, tutkijat suorittivat useita tietojen esikäsittelyvaiheita sen ulottuvuuden vähentämiseksi, ja käsitellä näiden tietojen koostumuksellista ja hierarkkista luonnetta hyödyntääkseen niitä koneoppimiseen.
"NEC edustaa erinomaista sovellusta koneoppimisen näkökulmasta, "sanoi Salleb-Aouissi." Uudesta tekniikastamme saamamme oppitunnit voivat hyvinkin kääntyä muihin geneettisiin tai proteomisiin tietojoukkoihin ja innostaa uusia koneoppimisalgoritmeja terveydenhuollon tietojoukkoihin. "
Tiimi arvioi useita koneoppimismenetelmiä määrittääkseen parhaan strategian NEC:n ennustamiseksi mikrobiomitiedoista. He löysivät optimaalisen suorituskyvyn aidosta tarkkailupohjaisesta monen instanssin oppimisesta (MIL).
Koska ihmisen mikrobiomit voivat muuttua, MIL -menetelmät käsittelevät ongelman peräkkäistä osaa. Esimerkiksi, ensimmäisten 20 päivän aikana lapsen syntymän jälkeen, lapsen mikrobiomi muuttuu rajusti. Monet tutkimukset ovat osoittaneet, että pikkulapset, joilla on suurempi monimuotoisuus mikrobiomissa, ovat tyypillisesti terveempiä.
"Tämä sai meidät ajattelemaan, että muutokset mikrobiomien monimuotoisuudessa voivat auttaa selittämään, miksi jotkut lapset ovat todennäköisemmin sairaita NEC:stä, "sanoi Adam (Yun Chao) Lin, tietojenkäsittelytieteen maisteriohjelman opiskelija ja tutkimuksen toinen kirjoittaja, jonka työ tässä projektissa sai hänet jatkamaan tohtoriksi.
Sen sijaan, että lapsen mikrobiominäytteitä pidettäisiin itsenäisinä, tiimi edusti jokaista potilasta näytteiden kokoelmana ja käytti huomionmekanismeja oppiakseen näytteiden väliset monimutkaiset suhteet. Koneoppimisalgoritmi "katsoo" jokaista pussia ja yrittää arvata sen sisällöstä, vaikuttaako vauva vai ei.
Toistuvissa kokeissa mallin kyvyllä erottaa sairastuneet pikkulapsista, joilla ei ollut vaikutusta, oli hyvä herkkyyden ja spesifisyyden tasapaino. "ROC -käyrän alla oleva alue (AUC) on noin 0,9, joka osoittaa, kuinka hyvin mallimme erottavat toisistaan potilaat, joilla ei ole vaikutusta, "Salleb-Aouissi totesi.
"Meillä on ensimmäinen tehokas järjestelmä kliinisesti sovellettavaan koneoppimismalliin, joka yhdistää mikrobiomin, väestörakenne, ja kliinisiä tietoja, joita voidaan kerätä ja seurata reaaliajassa vastasyntyneen teho-osastolla. Olemme innoissamme voidessamme laajentaa sen sovellettavuutta uuteen ennustavan seurannan osaan lääketieteessä. "
Tutkijat kehittävät nyt ei -invasiivista itsenäistä testausalustaa, jolla voidaan tunnistaa tarkasti pikkulapset, joilla on suuri NEC -riski ennen kliinistä alkamista, pahimpien seurausten estämiseksi. Kun alusta on valmis, he suorittavat satunnaistetun kliinisen tutkimuksen vahvistaakseen tekniikkansa ennusteet reaaliaikaisessa vastasyntyneen ICU-kohortissa.
"Ensimmäistä kertaa voin kuvitella tulevaisuuden, jossa ennenaikaisten vauvojen vanhemmat ja heidän lääkäritiiminsä, eivät enää elä jatkuvassa NEC -pelossa, "sanoi Hooven.