Raziskovalci razvijajo orodje strojnega učenja za napovedovanje nekrotizirajočega enterokolitisa pri nedonošenčkih

Nekrotizirajoči enterokolitis (NEC) je smrtno nevarna črevesna bolezen nedonošenčkov. Zanj je značilno nenadno in progresivno črevesno vnetje in smrt tkiva, vpliva na do 11, 000 nedonošenčkov v Združenih državah letno, in 15-30% prizadetih dojenčkov umre zaradi NEC. Preživeli se pogosto soočajo z dolgotrajnimi črevesnimi in nevrorazvojnimi zapleti.

Raziskovalci s Columbia Engineering in Univerze v Pittsburghu so razvili občutljiv in specifičen sistem zgodnjega opozarjanja za napovedovanje NEC pri nedonošenčkih pred pojavom bolezni. Prototip natančno in zgodaj napoveduje NEC, uporaba značilnosti mikrobioma blata v kombinaciji s kliničnimi in demografskimi podatki. Pilotna študija je bila skoraj 23. julija predstavljena na ACM CHIL 2020.

"Neverjetno je, kako lahko s strojnim učenjem preprečimo, da bi se to zgodilo dojenčkom, "je dejal soavtor študije, Ansaf Salleb-Aouissi, višji predavatelj discipline na oddelku za računalništvo pri Columbia Engineering in specialist za umetno inteligenco in njene aplikacije v medicinski informatiki. "Pregledali smo podatke in razvili orodje, ki je lahko resnično koristno, celo rešuje življenje. "

Če bi zdravniki lahko natančno napovedali NEC, preden otrok dejansko zboli, lahko naredijo nekaj zelo preprostih korakov-zdravljenje bi lahko vključevalo prekinitev krmljenja, dajanje IV tekočin, in uvedbo antibiotikov za preprečevanje najhujših izidov, kot sta dolgotrajna invalidnost ali smrt. "

Thomas Hooven, Vodilni avtor študije in docent, Univerza v Pittsburgu

Hooven, ki je sodeloval s Salleb-Aouissi, ko je bil docent za pediatrijo na oddelku za neonatologijo-perinatologijo na Medicinskem centru Univerze Columbia. Zdaj je docent za pediatrijo na oddelku za medicino novorojenčkov na Medicinski fakulteti Univerze v Pittsburghu.

Trenutno, ni orodja za napovedovanje, kateri nedonošenčki bodo zboleli, in pogosto NEC ni priznan, dokler ni prepozno za učinkovito posredovanje. NEC je najpogostejša črevesna urgenca pri nedonošenčkih. Zanj je značilna hitro progresivna črevesna nekroza, bakteriemija, acidoza, ter visoke stopnje obolevnosti in umrljivosti.

Vzroki NEC niso dobro razumljeni, vendar se je več študij osredotočilo na premike črevesnega mikrobioma, bakterije v črevesju, katerih sestavo je mogoče določiti z zaporedjem DNA iz majhnih vzorcev blata.

Raziskovalci so domnevali, da pristop strojnega učenja k modeliranju kliničnih, demografski, in podatki o mikrobiomih pri nedonošenčkih bi lahko omogočili diskriminacijo bolnikov z visokim tveganjem za NEC že dolgo pred nastopom klinične bolezni, kar bi omogočilo zgodnje posredovanje in ublažitev resnih zapletov.

Hooven, Salleb-Aouissi, in Lin sta uporabila podatke iz klinične študije NIH iz leta 2016 o nedonošenčkih, katerih blato je bilo zbrano v več ameriških neonatalnih oddelkih za intenzivno nego med letoma 2009 in 2013. Skupina je pregledala 2, 895 vzorcev blata pri 161 nedonošenčkih, 45 jih je razvilo NEC.

Glede na kompleksnost podatkov o mikrobiomih, raziskovalci so izvedli več korakov predhodne obdelave podatkov, da bi zmanjšali njegovo dimenzionalnost, ter obravnavati kompozicijsko in hierarhično naravo teh podatkov, da bi jih uporabili za strojno učenje.

"NEC predstavlja odlično aplikacijo z vidika strojnega učenja, "je dejal Salleb-Aouissi." Lekcije, ki smo se jih naučili iz naše nove tehnike, bi se lahko prenesle v druge genetske ali proteomske nabore podatkov in navdihnile nove algoritme strojnega učenja za nabore podatkov v zdravstvu. "

Ekipa je ocenila več metod strojnega učenja, da bi določila najboljšo strategijo za napovedovanje NEC iz podatkov mikrobiomov. Ugotovili so optimalno uspešnost s pristopom z večkratnim učenjem, ki temelji na pozornosti (MIL).

Ker se človeški mikrobiomi lahko spreminjajo, metode MIL obravnavajo zaporedni vidik problema. Na primer, v prvih 20 dneh po rojstvu dojenčka, mikrobiom dojenčka se drastično spremeni. Številne študije so pokazale, da so dojenčki z večjo raznolikostjo mikrobiomov običajno bolj zdravi.

"To nas je pripeljalo do misli, da lahko spremembe v raznolikosti mikrobiomov pomagajo razložiti, zakaj je pri nekaterih otrocih verjetneje, da bodo zboleli zaradi NEC, "je rekel Adam (Yun Chao) Lin, študent računalniških znanosti in soavtor študije, katerega delo na tem projektu ga je spodbudilo, da je zdaj doktoriral.

Namesto da bi vzorce mikrobiomov pri dojenčku gledali kot neodvisne, ekipa je vsakega pacienta predstavila kot zbirko vzorcev in uporabila mehanizme pozornosti za učenje kompleksnih odnosov med vzorci. Algoritem strojnega učenja "pogleda" vsako vrečko in poskuša iz njene vsebine uganiti, ali je otrok prizadet ali ne.

V ponavljajočih se preskušanjih je sposobnost modela, da razlikuje prizadete dojenčke od neozdravljenih, je imela dobro ravnovesje občutljivosti in specifičnosti. "Površina pod krivuljo ROC (AUC) je približno 0,9, ki dokazuje, kako dobri so naši modeli pri razlikovanju med prizadetimi in neprizadetimi bolniki, "Je opozoril Salleb-Aouissi.

"Naš prvi učinkovit sistem za klinično uporaben model strojnega učenja, ki združuje mikrobiome, demografski, in klinične podatke, ki jih je mogoče zbrati in spremljati v realnem času v oddelku za novorojenčke. Navdušeni smo nad razširitvijo njegove uporabe na novo področje napovednega spremljanja v medicini. "

Raziskovalci zdaj razvijajo neinvazivno samostojno preskusno platformo za natančno identifikacijo dojenčkov z visokim tveganjem za NEC pred kliničnim začetkom, da bi preprečili najhujše posledice. Ko je platforma pripravljena, izvedli bodo randomizirano klinično preskušanje, da bi potrdili napovedi svoje tehnike v kohorti neonatalne intenzivne nege v realnem času.

"Prvič si lahko predstavljam prihodnost, v kateri bodo starši nedonošenčkov, in njihove zdravniške ekipe, ne živite več v stalnem strahu pred NEC, "je rekel Hooven.

• Zamenjava rdečega mesa za mesne alternative rastlinskega izvora zmanjšuje tveganje za srčno-žilne bolezni
• Študija najde dokaze o črevesni disbiozi pri ljudeh s Huntingtonovo boleznijo