Des chercheurs développent un outil d'apprentissage automatique pour prédire l'entérocolite nécrosante chez les prématurés

L'entérocolite nécrosante (ENC) est une maladie intestinale potentiellement mortelle de la prématurité. Caractérisé par une inflammation intestinale soudaine et progressive et la mort des tissus, il affecte jusqu'à 11, 000 prématurés aux États-Unis chaque année, et 15 à 30 % des bébés touchés meurent de NEC. Les survivants sont souvent confrontés à des complications intestinales et neurodéveloppementales à long terme.

Des chercheurs de Columbia Engineering et de l'Université de Pittsburgh ont développé un système d'alerte précoce sensible et spécifique pour prédire la NEC chez les prématurés avant que la maladie ne survienne. Le prototype prédit NEC de manière précise et précoce, en utilisant les caractéristiques du microbiome des selles combinées à des informations cliniques et démographiques. L'étude pilote a été présentée virtuellement le 23 juillet à l'ACM CHIL 2020.

"C'est incroyable de voir comment nous pouvons utiliser l'apprentissage automatique pour empêcher que cela n'arrive aux bébés, " a déclaré le co-auteur de l'étude, Ansaf Salleb-Aouissi, maître de conférences en discipline du département d'informatique de Columbia Engineering et spécialiste de l'intelligence artificielle et de ses applications à l'informatique médicale. "Nous avons regardé les données et développé un outil qui peut vraiment être utile, même salvateur."

Si les médecins pouvaient prédire avec précision la NEC avant que le bébé ne tombe réellement malade, il y a des mesures très simples qu'ils pourraient prendre ; le traitement pourrait inclure l'arrêt des tétées, donner des fluides IV, et commencer des antibiotiques pour prévenir les pires résultats tels que l'invalidité à long terme ou la mort."

Thomas Hooven, Auteur principal de l'étude et professeur adjoint, Université de Pittsbourg

Hoven, qui a commencé sa collaboration avec Salleb-Aouissi lorsqu'il était professeur adjoint de pédiatrie dans la division de néonatologie-périnatologie du Columbia University Medical Center. Il est maintenant professeur adjoint de pédiatrie à la division de médecine néonatale de la faculté de médecine de l'Université de Pittsburgh.

Actuellement, il n'y a pas d'outil pour prédire quels bébés prématurés contracteront la maladie, et souvent NEC n'est reconnu que lorsqu'il est trop tard pour intervenir efficacement. La NEC est l'urgence intestinale la plus fréquente chez les nouveau-nés prématurés. Elle se caractérise par une nécrose intestinale d'évolution rapide, bactériémie, acidose, et des taux élevés de morbidité et de mortalité.

Les causes de NEC ne sont pas bien comprises, mais plusieurs études se sont concentrées sur les changements dans le microbiome intestinal, les bactéries de l'intestin dont la composition peut être déterminée à partir du séquençage de l'ADN à partir de petits échantillons de selles.

Les chercheurs ont émis l'hypothèse qu'une approche d'apprentissage automatique pour la modélisation clinique, démographique, et les données sur le microbiome des patients prématurés pourraient permettre de discriminer les patients à haut risque de NEC bien avant l'apparition de la maladie clinique, qui permettrait une intervention précoce et une atténuation des complications graves.

Hoven, Salleb-Aouissi, et Lin ont utilisé les données d'une étude clinique du NIH menée en 2016 sur des nourrissons prématurés dont les selles ont été recueillies dans plusieurs USI néonatales américaines entre 2009 et 2013. L'équipe a examiné 2, 895 échantillons de selles de 161 nouveau-nés prématurés, 45 d'entre eux ont développé NEC.

Compte tenu de la complexité des données du microbiome, les chercheurs ont effectué plusieurs étapes de prétraitement des données pour réduire leur dimensionnalité, et d'aborder la nature compositionnelle et hiérarchique de ces données pour les exploiter à l'apprentissage automatique.

"NEC représente une excellente application du point de vue de l'apprentissage automatique, " a déclaré Salleb-Aouissi. " Les leçons que nous avons tirées de notre nouvelle technique pourraient bien se traduire par d'autres ensembles de données génétiques ou protéomiques et inspirer de nouveaux algorithmes d'apprentissage automatique pour les ensembles de données de santé. "

L'équipe a évalué plusieurs méthodes d'apprentissage automatique pour déterminer la meilleure stratégie pour prédire la NEC à partir des données du microbiome. Ils ont trouvé des performances optimales grâce à une approche d'apprentissage à plusieurs instances (MIL) basée sur l'attention.

Étant donné que les microbiomes humains sont sujets à changement, les méthodes MIL abordent l'aspect séquentiel du problème. Par exemple, dans les 20 premiers jours après la naissance d'un nourrisson, le microbiome du nourrisson subit un changement radical. De nombreuses études ont montré que les nourrissons avec une plus grande diversité de microbiome sont généralement en meilleure santé.

"Cela nous a amenés à penser que les changements dans la diversité du microbiome peuvent aider à expliquer pourquoi certains nourrissons sont plus susceptibles d'être malades de NEC, " a déclaré Adam (Yun Chao) Lin, un étudiant à la maîtrise en informatique et co-auteur de l'étude dont les travaux sur ce projet l'ont incité à poursuivre maintenant un doctorat.

Au lieu de considérer les échantillons de microbiome d'un nourrisson comme indépendants, l'équipe a représenté chaque patient comme une collection d'échantillons et a appliqué des mécanismes d'attention pour apprendre les relations complexes entre les échantillons. L'algorithme d'apprentissage automatique "regarde" chaque sac et essaie de deviner à partir de son contenu si le bébé est affecté ou non.

Lors d'essais répétés, la capacité du modèle à distinguer les nourrissons affectés des nourrissons non affectés présentait un bon équilibre entre sensibilité et spécificité. "L'aire sous la courbe ROC (AUC) est d'environ 0,9, ce qui démontre à quel point nos modèles distinguent bien les patients atteints et non atteints, " a noté Salleb-Aouissi.

« Le nôtre est le premier système efficace pour un modèle d'apprentissage automatique applicable en clinique qui combine le microbiome, démographique, et des données cliniques qui peuvent être collectées et surveillées en temps réel dans une unité de soins intensifs néonatals. Nous sommes ravis d'étendre son applicabilité à un nouveau domaine de la surveillance prédictive en médecine."

Les chercheurs développent actuellement une plate-forme de test autonome non invasive pour l'identification précise des nourrissons à haut risque de NEC avant le début clinique, pour éviter les pires conséquences. Une fois la plate-forme prête, ils mèneront un essai clinique randomisé pour valider les prédictions de leur technique dans une cohorte de soins intensifs néonatals en temps réel.

« Pour la première fois, je peux imaginer un avenir où les parents d'enfants prématurés, et leurs équipes médicales, ne plus vivre dans la peur constante de NEC, " dit Hooven.

• Échanger la viande rouge contre des substituts de viande à base de plantes réduit le risque cardiovasculaire
• Une étude révèle des preuves de dysbiose intestinale chez les personnes atteintes de la maladie de Huntington