Mokslininkai iš Kolumbijos inžinerijos ir Pitsburgo universiteto sukūrė jautrią ir specifinę išankstinio įspėjimo sistemą, skirtą NEC numatyti neišnešiotiems kūdikiams iki ligos atsiradimo. Prototipas tiksliai ir anksti numato NEC, naudojant išmatų mikrobiomos savybes kartu su klinikine ir demografine informacija. Bandomasis tyrimas buvo pristatytas praktiškai liepos 23 dieną „ACM CHIL 2020“.
„Nuostabu, kaip mes galime panaudoti mašininį mokymąsi, kad tai nenutiktų kūdikiams, “,-sakė tyrimo bendraautorius, Ansafas Sallebas-Aouissi, vyresnysis disciplinos dėstytojas iš Kolumbijos inžinerijos informatikos katedros ir dirbtinio intelekto bei jo taikymo medicinos informatikoje specialistas. „Mes peržiūrėjome duomenis ir sukūrėme įrankį, kuris tikrai gali būti naudingas, netgi išgelbėti gyvybę “.
Jei gydytojai galėtų tiksliai numatyti NEC dar prieš kūdikiui susirgus, yra keletas labai paprastų žingsnių, kurių jie galėtų imtis; gydymas gali apimti maitinimo nutraukimą, duoti IV skysčių, ir pradėti antibiotikus, kad būtų išvengta blogiausių rezultatų, tokių kaip ilgalaikė negalia ar mirtis “.
Tomas Hoovenas, Studijų vadovas ir profesorius asistentas, Pitsburgo universitetas
Hoovenas, kuris pradėjo bendradarbiauti su Salleb-Aouissi, būdamas Kolumbijos universiteto medicinos centro Neonatologijos-perinatologijos skyriaus pediatrijos docentas. Dabar jis yra pediatrijos docentas Pitsburgo universiteto Medicinos mokyklos Naujagimių medicinos skyriuje.
Šiuo metu, nėra priemonės, leidžiančios numatyti, kurie neišnešioti kūdikiai susirgs šia liga, ir dažnai NEC nėra atpažįstamas, kol nevėlu veiksmingai įsikišti. NEC yra labiausiai paplitusi žarnyno avarija tarp neišnešiotų naujagimių. Jam būdinga greitai progresuojanti žarnyno nekrozė, bakteremija, acidozė, ir didelis sergamumo ir mirtingumo rodiklis.
NEC priežastys nėra gerai suprantamos, tačiau keli tyrimai buvo skirti žarnyno mikrobiomos pokyčiams, bakterijos žarnyne, kurių sudėtį galima nustatyti pagal DNR seką iš mažų išmatų mėginių.
Mokslininkai iškėlė hipotezę, kad mašininio mokymosi metodas klinikiniam modeliavimui, Demografija, ir neišnešiotų pacientų mikrobiomų duomenys gali leisti diskriminuoti pacientus, kuriems yra didelė NEC rizika, dar prieš klinikinės ligos pradžią, kuri leistų anksti įsikišti ir sumažinti sunkias komplikacijas.
Hoovenas, Salleb-Aouissi, ir Linas naudojo 2016 m. NIH klinikinio tyrimo duomenis apie neišnešiotus kūdikius, kurių išmatos buvo surinktos keliuose Amerikos naujagimių ICU nuo 2009 iki 2013 m. Komanda ištyrė 2, 895 išmatų mėginiai iš 161 neišnešiotų kūdikių, 45 iš jų sukūrė NEC.
Atsižvelgiant į mikrobiomų duomenų sudėtingumą, tyrėjai atliko kelis išankstinio duomenų apdorojimo veiksmus, kad sumažintų jų matmenis, ir spręsti šių duomenų sudėties ir hierarchijos pobūdį, kad jie būtų panaudoti mašininiam mokymuisi.
„NEC yra puiki programa mašinų mokymosi požiūriu, -sakė Sallebas-Aouissi.-Pamokos, kurias išmokome iš savo naujos technikos, galėtų būti panaudotos kitiems genetiniams ar proteominiams duomenų rinkiniams ir įkvėpti naujų mašinų mokymosi algoritmų sveikatos priežiūros duomenų rinkiniams.
Komanda įvertino kelis mašinų mokymosi metodus, kad nustatytų geriausią strategiją NEC prognozavimui iš mikrobiomų duomenų. Jie nustatė optimalų našumą taikydami sutelktu dėmesiu pagrįstą kelių egzempliorių mokymosi (MIL) metodą.
Kadangi žmogaus mikrobiomos gali keistis, MIL metodai sprendžia nuoseklų problemos aspektą. Pavyzdžiui, per pirmąsias 20 dienų po kūdikio gimimo, kūdikio mikrobiomas labai pasikeičia. Daugelis tyrimų parodė, kad kūdikiai, turintys didesnę mikrobiomų įvairovę, paprastai yra sveikesni.
"Tai paskatino mus galvoti, kad mikrobiomų įvairovės pokyčiai gali padėti paaiškinti, kodėl kai kurie kūdikiai dažniau serga NEC, “ - sakė Adomas (Yun Chao) Linas, informatikos MS studentas ir tyrimo bendraautoris, kurio darbas įgyvendinant šį projektą paskatino jį dabar siekti doktorantūros.
Užuot žiūrėję į kūdikio mikrobiomų mėginius kaip nepriklausomus, komanda atstovavo kiekvienam pacientui kaip pavyzdžių rinkinys ir pritaikė dėmesio mechanizmus, kad sužinotų sudėtingus pavyzdžių santykius. Mašinų mokymosi algoritmas „žiūri“ į kiekvieną maišelį ir iš jo turinio bando atspėti, ar kūdikis yra paveiktas, ar ne.
Pakartotiniuose bandymuose, modelio gebėjimas atskirti paveiktus kūdikius nuo nepažeistų kūdikių turėjo gerą jautrumo ir specifiškumo pusiausvyrą. „Plotas po ROC kreive (AUC) yra apie 0,9, kuris parodo, kaip gerai mūsų modeliai gali atskirti paveiktus ir nepaveiktus pacientus, -pažymėjo Sallebas-Aouissi.
„Mūsų yra pirmoji veiksminga kliniškai pritaikomo mašinų mokymosi modelio sistema, apimanti mikrobiomą, Demografija, ir klinikiniai duomenys, kuriuos galima rinkti ir stebėti realiu laiku naujagimių ICU. Džiaugiamės galėdami išplėsti jo taikymą naujai nuspėjamojo stebėjimo sričiai medicinoje “.
Mokslininkai dabar kuria neinvazinę atskirą bandymų platformą, kad būtų galima tiksliai nustatyti kūdikius, kuriems yra didelė NEC rizika prieš klinikinį pradžią, kad būtų išvengta blogiausių pasekmių. Kai platforma bus paruošta, jie atliks atsitiktinių imčių klinikinį tyrimą, kad patvirtintų savo technikos prognozes realaus laiko naujagimių ICU grupėje.
„Pirmą kartą galiu įsivaizduoti ateitį, kurioje neišnešiotų kūdikių tėvai, ir jų medicinos komandos, nebegyvena nuolatinėje NEC baimėje, “, - sakė Hoovenas.