A Columbia Engineering és a Pittsburgh -i Egyetem kutatói érzékeny és specifikus korai figyelmeztető rendszert fejlesztettek ki a korai csecsemők NEC -jének előrejelzésére a betegség bekövetkezése előtt. A prototípus előre és előre megjósolja a NEC -t, a széklet mikrobiom tulajdonságait kombinálva klinikai és demográfiai információkkal. A kísérleti tanulmány gyakorlatilag július 23 -án került bemutatásra az ACM CHIL 2020 rendezvényen.
"Elképesztő, hogy miként használhatjuk a gépi tanulást, hogy megakadályozzuk, hogy ez megtörténjen a csecsemőkkel, -mondta a tanulmány társszerzője, Ansaf Salleb-Aouissi, a Columbia Engineering számítástechnikai tanszékének fegyelmi oktatója, a mesterséges intelligencia és alkalmazásai az orvosi informatika területén. "Megnéztük az adatokat, és kifejlesztettünk egy eszközt, amely valóban hasznos lehet, még életmentő is. "
Ha az orvosok pontosan meg tudnák jósolni a NEC -t, mielőtt a baba ténylegesen megbetegszik, van néhány nagyon egyszerű lépés, amelyet megtehetnek-a kezelés magában foglalhatja a takarmányok leállítását, IV folyadék beadása, és antibiotikumok elkezdése a legrosszabb kimenetel, például a hosszú távú fogyatékosság vagy halál megelőzésére. "
Thomas Hooven, Tanulmányvezető szerző és adjunktus, Pittsburgi Egyetem
Hooven, aki akkor kezdte meg együttműködését Salleb-Aouissival, amikor a Columbia Egyetem Orvosi Központ Neonatológiai-Perinatológiai Tanszékének gyermekgyógyászati adjunktusa volt. Jelenleg a Pittsburgh -i Egyetem Orvostudományi Egyetemének újszülött orvostudományi osztályán a gyermekgyógyászat adjunktusa.
Jelenleg, nincs olyan eszköz, amely megjósolná, hogy melyik koraszülött kapja meg a betegséget, és gyakran az NEC -t nem ismerik fel, amíg nem késő hatékonyan beavatkozni. A NEC a leggyakoribb bélrendszeri vészhelyzet a koraszülöttek körében. Gyorsan progresszív bélnekrózis jellemzi, bakterémia, acidózis, valamint a magas morbiditási és halálozási arány.
A NEC okai nem jól érthetők, de számos tanulmány a bél mikrobióma eltolódására összpontosított, a bélben lévő baktériumok, amelyek összetételét a kis székletminták DNS -szekvenálásával lehet meghatározni.
A kutatók feltételezték, hogy a gépi tanulás megközelítése a klinikai modellezéshez demográfiai, és a koraszülött betegek mikrobiológiai adatai lehetővé tehetik a magas NEC -kockázatú betegek megkülönböztetését jóval a klinikai betegség megjelenése előtt, amely lehetővé tenné a korai beavatkozást és a súlyos szövődmények enyhítését.
Hooven, Salleb-Aouissi, és Lin egy 2016 -os NIH klinikai vizsgálat adatait használta fel koraszülöttekről, akiknek székletét több amerikai újszülött intenzív osztályon gyűjtötték össze 2009 és 2013 között. 895 székletminta 161 koraszülötttől, Akik közül 45 fejlesztette ki az NEC -t.
Tekintettel a mikrobiomák összetettségére, a kutatók számos adatfeldolgozási lépést hajtottak végre annak méretének csökkentése érdekében, és ezen adatok összetételének és hierarchikus jellegének kezelése a gépi tanulás érdekében.
"A NEC gépi tanulás szempontjából kiváló alkalmazás, "-mondta Salleb-Aouissi." Az új technikánkból levont tanulságok jól lefordíthatók más genetikai vagy proteomikus adatkészletekre, és új gépi tanulási algoritmusokat inspirálhatnak az egészségügyi adatkészletekhez. "
A csapat több gépi tanulási módszert értékelt, hogy meghatározza a legjobb stratégiát a NEC előrejelzésére a mikrobiomák adataiból. Optimális teljesítményt találtak a figyelmükön alapuló többpéldányos tanulás (MIL) megközelítéséből.
Mivel az emberi mikrobiomák változhatnak, a MIL módszerek a probléma szekvenciális aspektusával foglalkoznak. Például, a csecsemő születése utáni első 20 napban, a csecsemő mikrobiomája drasztikus változáson megy keresztül. Számos tanulmány kimutatta, hogy a nagyobb mikrobiómájú csecsemők jellemzően egészségesebbek.
"Ez arra késztetett bennünket, hogy azt gondoljuk, hogy a mikrobióma sokféleségében bekövetkezett változások segíthetnek megmagyarázni, hogy egyes csecsemők miért nagyobb valószínűséggel betegek a NEC -től, - mondta Adam (Yun Chao) Lin, egy informatikus MS hallgató és a tanulmány társszerzője, akinek a projekten végzett munkája arra ösztönözte, hogy most doktori fokozatot szerezzen.
Ahelyett, hogy a csecsemőből származó mikrobiómamintákat függetlennek tekintené, a csapat mintagyűjteményként képviselte az egyes betegeket, és figyelemfelkeltő mechanizmusokat alkalmazott a minták közötti összetett kapcsolatok megismerésére. A gépi tanulási algoritmus minden táskát "megvizsgál", és a tartalmából megpróbálja kitalálni, hogy a baba érintett -e vagy sem.
Ismételt kísérletekben, a modell azon képessége, hogy megkülönböztesse az érintetteket a nem érintett csecsemőktől, jó egyensúlyt mutatott az érzékenység és a specifitás között. "A ROC görbe alatti terület (AUC) körülbelül 0,9, amely bemutatja, hogy modelljeink mennyire képesek megkülönböztetni az érintett és a nem érintett betegeket, -jegyezte meg Salleb-Aouissi.
"A miénk az első hatékony rendszer egy klinikailag alkalmazható gépi tanulási modellhez, amely egyesíti a mikrobiomot, demográfiai, és klinikai adatok, amelyek valós időben összegyűjthetők és nyomon követhetők egy újszülött intenzív osztályon. Izgatottak vagyunk, hogy alkalmazhatóságát kiterjeszthetjük az orvostudomány prediktív megfigyelésének új területére. "
A kutatók most kifejlesztenek egy nem invazív önálló tesztelési platformot a nagy kockázatú csecsemők pontos azonosítására a klinikai megjelenés előtt, hogy megakadályozzák a legrosszabb eredményeket. Amint a platform készen áll, randomizált klinikai vizsgálatot végeznek, hogy validálják technikájuk előrejelzéseit egy valós idejű újszülött intenzív osztályon.
"Először tudok elképzelni egy olyan jövőt, ahol a koraszülöttek szülei és orvosi csapataik, már nem élnek állandó félelemben a NEC -től, - mondta Hooven.