I ricercatori sviluppano uno strumento di apprendimento automatico per prevedere l'enterocolite necrotizzante nei neonati prematuri

L'enterocolite necrotizzante (NEC) è una malattia intestinale della prematurità pericolosa per la vita. Caratterizzato da infiammazione intestinale improvvisa e progressiva e morte dei tessuti, colpisce fino a 11, 000 neonati prematuri negli Stati Uniti ogni anno, e il 15-30% dei bambini affetti muore di NEC. I sopravvissuti spesso affrontano complicazioni intestinali e dello sviluppo neurologico a lungo termine.

I ricercatori della Columbia Engineering e dell'Università di Pittsburgh hanno sviluppato un sistema di allarme rapido sensibile e specifico per prevedere la NEC nei neonati prematuri prima che si manifesti la malattia. Il prototipo prevede NEC in modo accurato e precoce, utilizzando le caratteristiche del microbioma delle feci combinate con informazioni cliniche e demografiche. Lo studio pilota è stato presentato virtualmente il 23 luglio ad ACM CHIL 2020.

"È incredibile come potremmo essere in grado di utilizzare l'apprendimento automatico per impedire che ciò accada ai bambini, ", ha affermato il coautore dello studio, Ansaf Salleb-Aouissi, un docente senior di disciplina presso il dipartimento di informatica della Columbia Engineering e uno specialista in intelligenza artificiale e sue applicazioni all'informatica medica. "Abbiamo esaminato i dati e sviluppato uno strumento che può essere davvero utile, anche salvavita».

Se i medici potessero prevedere con precisione la NEC prima che il bambino si ammali effettivamente, ci sono alcuni passaggi molto semplici che potrebbero intraprendere:il trattamento potrebbe includere l'interruzione dei mangimi, somministrare liquidi per via endovenosa, e avviare antibiotici per prevenire i peggiori esiti come disabilità a lungo termine o morte".

Thomas Hooven, Autore principale dello studio e assistente professore, Università di Pittsburg

Zoccolo, che ha iniziato la sua collaborazione con Salleb-Aouissi quando era assistente professore di pediatria nella Divisione di Neonatologia-Perinatologia del Columbia University Medical Center. Ora è assistente professore di pediatria presso la Divisione di Medicina Neonatale presso la Facoltà di Medicina dell'Università di Pittsburgh.

Attualmente, non esiste uno strumento per prevedere quali bambini prematuri contrarranno la malattia, e spesso il NEC non viene riconosciuto finché non è troppo tardi per intervenire efficacemente. La NEC è l'emergenza intestinale più comune tra i neonati prematuri. È caratterizzato da necrosi intestinale rapidamente progressiva, batteriemia, acidosi, e alti tassi di morbilità e mortalità.

Le cause di NEC non sono ben comprese, ma diversi studi si sono concentrati sui cambiamenti nel microbioma intestinale, i batteri nell'intestino la cui composizione può essere determinata dal sequenziamento del DNA da piccoli campioni di feci.

I ricercatori hanno ipotizzato che un approccio di apprendimento automatico alla modellazione clinica, demografico, e i dati sul microbioma di pazienti prematuri potrebbero consentire la discriminazione dei pazienti ad alto rischio di NEC molto prima dell'insorgenza della malattia clinica, che consentirebbe un intervento precoce e la mitigazione di gravi complicanze.

Zoccolo, Salleb-Aouissi, e Lin hanno utilizzato i dati di uno studio clinico NIH del 2016 su neonati prematuri le cui feci sono state raccolte in diverse unità di terapia intensiva neonatale americane tra il 2009 e il 2013. Il team ha esaminato 2, 895 campioni di feci da 161 neonati prematuri, 45 dei quali hanno sviluppato NEC.

Data la complessità dei dati sul microbioma, i ricercatori hanno eseguito diverse fasi di pre-elaborazione dei dati per ridurne la dimensionalità, e per affrontare la natura compositiva e gerarchica di questi dati per sfruttarli per l'apprendimento automatico.

"NEC rappresenta un'ottima applicazione dal punto di vista dell'apprendimento automatico, " ha affermato Salleb-Aouissi. "Le lezioni che abbiamo imparato dalla nostra nuova tecnica potrebbero tradursi in altri set di dati genetici o proteomici e ispirare nuovi algoritmi di apprendimento automatico per i set di dati sanitari".

Il team ha valutato diversi metodi di apprendimento automatico per determinare la migliore strategia per prevedere il NEC dai dati del microbioma. Hanno trovato prestazioni ottimali da un approccio di apprendimento a istanze multiple (MIL) basato sull'attenzione controllata.

Poiché i microbiomi umani sono soggetti a modifiche, i metodi MIL affrontano l'aspetto sequenziale del problema. Per esempio, nei primi 20 giorni dopo la nascita di un bambino, il microbioma del bambino subisce un drastico cambiamento. Molti studi hanno dimostrato che i bambini con una maggiore diversità di microbioma in genere sono più sani.

"Questo ci ha portato a pensare che i cambiamenti nella diversità del microbioma possano aiutare a spiegare perché alcuni bambini hanno maggiori probabilità di ammalarsi di NEC, " ha detto Adam (Yun Chao) Lin, uno studente di MS informatica e coautore dello studio il cui lavoro su questo progetto lo ha spinto a perseguire un dottorato di ricerca.

Invece di considerare i campioni di microbioma di un neonato come indipendenti, il team ha rappresentato ogni paziente come una raccolta di campioni e ha applicato meccanismi di attenzione per apprendere le complesse relazioni tra i campioni. L'algoritmo di apprendimento automatico "guarda" ogni borsa e cerca di indovinare dal suo contenuto se il bambino è affetto o meno.

In prove ripetute, la capacità del modello di distinguere i neonati affetti da quelli non affetti presentava un buon equilibrio tra sensibilità e specificità. "L'area sotto la curva ROC (AUC) è di circa 0,9, che dimostra quanto siano bravi i nostri modelli a distinguere tra pazienti affetti e non affetti, " ha osservato Salleb-Aouissi.

"Il nostro è il primo sistema efficace per un modello di apprendimento automatico clinicamente applicabile che combina microbioma, demografico, e dati clinici che possono essere raccolti e monitorati in tempo reale in una terapia intensiva neonatale. Siamo entusiasti di estendere la sua applicabilità a una nuova area del monitoraggio predittivo in medicina".

I ricercatori stanno ora sviluppando una piattaforma di test indipendente non invasiva per l'identificazione accurata dei neonati ad alto rischio di NEC prima dell'insorgenza clinica, per evitare gli esiti peggiori. Una volta che la piattaforma è pronta, condurranno uno studio clinico randomizzato per convalidare le previsioni della loro tecnica in una coorte di terapia intensiva neonatale in tempo reale.

"Per la prima volta posso immaginare un futuro in cui i genitori di neonati prematuri, e le loro équipe mediche, non vivere più nella costante paura del NEC, " disse Hooven.

• Sostituire la carne rossa con alternative alla carne a base vegetale riduce il rischio cardiovascolare
• Lo studio trova prove di disbiosi intestinale nelle persone con malattia di Huntington