Onderzoekers ontwikkelen machine learning-tool om necrotiserende enterocolitis bij premature baby's te voorspellen

Als artsen NEC nauwkeurig konden voorspellen voordat de baby daadwerkelijk ziek wordt, er zijn enkele zeer eenvoudige stappen die ze kunnen nemen - de behandeling kan het stoppen van feeds omvatten, IV-vloeistoffen geven, en het starten van antibiotica om de ergste gevolgen zoals langdurige invaliditeit of overlijden te voorkomen."

Thomas Hoeven, Studieleider auteur en universitair docent, Universiteit van Pittsburg

Hoeven, die zijn samenwerking met Salleb-Aouissi begon toen hij assistent-professor kindergeneeskunde was in de afdeling Neonatologie-Perinatologie van het Columbia University Medical Center. Hij is nu een assistent-professor kindergeneeskunde in de afdeling Newborn Medicine aan de University of Pittsburgh School of Medicine.

Momenteel, er is geen hulpmiddel om te voorspellen welke premature baby's de ziekte zullen krijgen, en vaak wordt NEC pas erkend als het te laat is om effectief in te grijpen. NEC is de meest voorkomende intestinale noodsituatie bij premature baby's. Het wordt gekenmerkt door snel progressieve intestinale necrose, bacteriëmie, acidose, en hoge morbiditeit en mortaliteit.

Oorzaken van NEC zijn niet goed begrepen, maar verschillende onderzoeken hebben zich gericht op verschuivingen in het darmmicrobioom, de bacteriën in de darm waarvan de samenstelling kan worden bepaald aan de hand van DNA-sequencing van kleine ontlastingsmonsters.

De onderzoekers veronderstelden dat een machine learning-benadering voor het modelleren van klinische, demografisch, en microbioomgegevens van te vroeg geboren patiënten kunnen discriminatie mogelijk maken van patiënten met een hoog risico op NEC lang voordat de klinische ziekte begint, die vroegtijdige interventie en beperking van ernstige complicaties mogelijk zouden maken.

Hoeven, Salleb-Aouissi, en Lin gebruikten gegevens van een NIH-klinisch onderzoek uit 2016 van premature baby's wiens ontlasting tussen 2009 en 2013 op verschillende Amerikaanse neonatale ICU's werd verzameld. Het team onderzocht 2, 895 ontlastingsmonsters van 161 premature baby's, 45 van hen ontwikkelden NEC.

Gezien de complexiteit van de microbioomgegevens, de onderzoekers voerden verschillende stappen voor gegevensvoorbewerking uit om de dimensionaliteit te verminderen, en om de compositorische en hiërarchische aard van deze gegevens aan te pakken om ze te benutten voor machine learning.

"NEC vertegenwoordigt een uitstekende toepassing vanuit het perspectief van machine learning, " zei Salleb-Aouissi. "De lessen die we van onze nieuwe techniek hebben geleerd, kunnen heel goed worden vertaald naar andere genetische of proteomische datasets en inspireren tot nieuwe algoritmen voor machinaal leren voor datasets in de gezondheidszorg."

Het team evalueerde verschillende machine learning-methoden om de beste strategie te bepalen voor het voorspellen van NEC uit microbioomgegevens. Ze vonden optimale prestaties van een gated attention-based multiple instance learning (MIL)-aanpak.

Aangezien menselijke microbiomen aan verandering onderhevig zijn, de MIL-methoden pakken het sequentiële aspect van het probleem aan. Bijvoorbeeld, in de eerste 20 dagen nadat een baby is geboren, het microbioom van de baby ondergaat een drastische verandering. Veel onderzoeken hebben aangetoond dat zuigelingen met een hogere diversiteit aan microbioom doorgaans gezonder zijn.

"Dit bracht ons ertoe te denken dat veranderingen in de diversiteit van het microbioom kunnen helpen verklaren waarom sommige baby's meer kans hebben om ziek te worden van NEC, " zei Adam (Yun Chao) Lin, een MS-student in computerwetenschappen en co-auteur van de studie wiens werk aan dit project hem ertoe bracht nu een doctoraat te behalen.

In plaats van microbioommonsters van een baby als onafhankelijk te beschouwen, het team vertegenwoordigde elke patiënt als een verzameling monsters en paste aandachtsmechanismen toe om de complexe relaties tussen de monsters te leren. Het machine learning-algoritme "kijkt" naar elke tas en probeert aan de hand van de inhoud te raden of de baby al dan niet getroffen is.

Bij herhaalde proeven, het vermogen van het model om aangedane van niet-aangedane zuigelingen te onderscheiden, had een goede balans tussen sensitiviteit en specificiteit. "Het gebied onder de ROC-curve (AUC) is ongeveer 0,9, wat aantoont hoe goed onze modellen zijn in het onderscheiden van aangedane en niet-aangetaste patiënten, ' merkte Salleb-Aouissi op.

"Ons systeem is het eerste effectieve systeem voor een klinisch toepasbaar machine learning-model dat microbioom, demografisch, en klinische gegevens die in realtime kunnen worden verzameld en gecontroleerd op een neonatale ICU. We zijn verheugd over de uitbreiding van de toepasbaarheid naar een nieuw gebied van voorspellende monitoring in de geneeskunde."

De onderzoekers ontwikkelen nu een niet-invasief stand-alone testplatform voor nauwkeurige identificatie van zuigelingen met een hoog risico op NEC vóór klinische aanvang, om de slechtste resultaten te voorkomen. Als het platform klaar is, ze zullen een gerandomiseerde klinische studie uitvoeren om de voorspellingen van hun techniek te valideren in een realtime neonatale ICU-cohort.

"Voor het eerst kan ik me een toekomst voorstellen waarin ouders van premature baby's, en hun medische teams, niet langer in constante angst voor NEC leven, ' zei Hoeven.

• Rood vlees verwisselen voor plantaardige vleesalternatieven verlaagt het cardiovasculaire risico
• Studie vindt bewijs van darmdysbiose bij mensen met de ziekte van Huntington