Forskere utvikler maskinlæringsverktøy for å forutsi nekrotiserende enterokolitt hos premature spedbarn

Nekrotiserende enterokolitt (NEC) er en livstruende tarmsykdom med prematuritet. Karakterisert ved plutselig og progressiv tarmbetennelse og vevsdød, det påvirker opptil 11, 000 premature spedbarn i USA årlig, og 15-30% av de berørte babyene dør av NEC. Overlevende møter ofte langsiktige tarm- og nevroutviklingskomplikasjoner.

Forskere fra Columbia Engineering og University of Pittsburgh har utviklet et sensitivt og spesifikt system for tidlig varsling for å forutsi NEC hos premature spedbarn før sykdommen oppstår. Prototypen spår NEC nøyaktig og tidlig, bruk av avføringsmikrobiomfunksjoner kombinert med klinisk og demografisk informasjon. Pilotstudien ble presentert praktisk talt 23. juli på ACM CHIL 2020.

"Det er utrolig hvordan vi kan bruke maskinlæring for å forhindre at dette skjer med babyer, "sa studiens medforfatter, Ansaf Salleb-Aouissi, en universitetslektor i disiplin fra informatikkavdelingen ved Columbia Engineering og en spesialist i kunstig intelligens og dens applikasjoner til medisinsk informatikk. "Vi så på dataene og utviklet et verktøy som virkelig kan være nyttig, til og med livreddende. "

Hvis leger kunne forutsi NEC nøyaktig før babyen faktisk blir syk, det er noen veldig enkle trinn de kan ta-; behandling kan omfatte å stoppe matinger, gir IV væsker, og starte antibiotika for å forhindre de verste resultatene som langvarig funksjonshemming eller død. "

Thomas Hooven, Studielederforfatter og assisterende professor, University of Pittsburg

Hooven, som begynte sitt samarbeid med Salleb-Aouissi da han var assisterende professor i pediatri ved avdelingen for neonatologi-perinatologi ved Columbia University Medical Center. Han er nå assisterende professor i pediatri i Division of Newborn Medicine ved University of Pittsburgh School of Medicine.

For tiden, det er ikke noe verktøy for å forutsi hvilke premature babyer som vil få sykdommen, og ofte blir NEC ikke gjenkjent før det er for sent å effektivt gripe inn. NEC er den vanligste intestinale nødsituasjonen blant premature spedbarn. Det er preget av raskt progressiv tarmnekrose, bakteriemi, acidose, og høye sykdoms- og dødelighetsgrader.

Årsakene til NEC er ikke godt forstått, men flere studier har fokusert på endringer i tarmmikrobiomet, bakteriene i tarmen hvis sammensetning kan bestemmes ut fra DNA -sekvensering fra små avføringsprøver.

Forskerne antok at en maskinlæringsmetode for modellering av klinisk, demografisk, og mikrobiomdata fra premature pasienter kan tillate diskriminering av pasienter med høy risiko for NEC lenge før klinisk sykdom begynner, som vil tillate tidlig intervensjon og demping av alvorlige komplikasjoner.

Hooven, Salleb-Aouissi, og Lin brukte data fra en 2016 NIH klinisk studie av premature spedbarn hvis avføring ble samlet på flere amerikanske nyfødte ICU mellom 2009 og 2013. Teamet undersøkte 2, 895 avføringsprøver fra 161 premature spedbarn, 45 av dem utviklet NEC.

Gitt kompleksiteten til mikrobiomedataene, forskerne utførte flere dataforbehandlingstrinn for å redusere dens dimensjonalitet, og for å ta opp sammensetningen og hierarkien til disse dataene for å utnytte den til maskinlæring.

"NEC representerer en utmerket applikasjon fra et maskinlæringsperspektiv, "sa Salleb-Aouissi." Leksjonene vi har lært av vår nye teknikk kan godt oversette til andre genetiske eller proteomiske datasett og inspirere til nye maskinlæringsalgoritmer for helsetjenester. "

Teamet evaluerte flere metoder for maskinlæring for å bestemme den beste strategien for å forutsi NEC fra mikrobiomedata. De fant optimal ytelse fra en gated attention-based multiple instance learning (MIL) tilnærming.

Siden menneskelige mikrobiomer kan endres, MIL -metodene tar for seg det sekvensielle aspektet av problemet. For eksempel, i de første 20 dagene etter at et spedbarn er født, spedbarnets mikrobiom gjennomgår en drastisk endring. Mange studier har vist at spedbarn med et større mangfold av mikrobiomer vanligvis er sunnere.

"Dette fikk oss til å tro at endringer i mikrobiomdiversitet kan bidra til å forklare hvorfor det er mer sannsynlig at noen spedbarn blir syke av NEC, "sa Adam (Yun Chao) Lin, en informatikk-MS-student og medforfatter av studien hvis arbeid med dette prosjektet fikk ham til å nå ta en doktorgrad.

I stedet for å se på mikrobiomprøver fra et spedbarn som uavhengige, teamet representerte hver pasient som en samling prøver og brukte oppmerksomhetsmekanismer for å lære de komplekse forholdene mellom prøvene. Maskinlæringsalgoritmen "ser" på hver pose og prøver å gjette ut fra innholdet om babyen er påvirket eller ikke.

I gjentatte forsøk, modellens evne til å skille påvirket fra ikke-berørte spedbarn hadde en god balanse mellom sensitivitet og spesifisitet. "Området under ROC -kurven (AUC) er omtrent 0,9, som viser hvor gode våre modeller er på å skille mellom berørte og upåvirkede pasienter, "Bemerket Salleb-Aouissi.

"Vårt er det første effektive systemet for en klinisk anvendelig maskinlæringsmodell som kombinerer mikrobiom, demografisk, og kliniske data som kan samles inn og overvåkes i sanntid på en nyfødt ICU. Vi er glade for å utvide anvendeligheten til et nytt område med prediktiv overvåking innen medisin. "

Forskerne utvikler nå en ikke -invasiv frittstående testplattform for nøyaktig identifisering av spedbarn med høy risiko for NEC før klinisk debut, for å forhindre de verste resultatene. Når plattformen er klar, de vil gjennomføre en randomisert klinisk studie for å validere teknikkens spådommer i en sanntids neonatal ICU-kohort.

"For første gang kan jeg se for meg en fremtid der foreldre til premature barn, og deres medisinske team, lever ikke lenger i konstant frykt for NEC, "sa Hooven.

• Bytte ut rødt kjøtt for plantebaserte kjøttalternativer senker kardiovaskulær risiko
• Studier finner bevis på tarmdysbiose hos mennesker med Huntingtons sykdom