Forskare utvecklar verktyg för maskininlärning för att förutsäga nekrotiserande enterokolit hos för tidigt födda barn

Nekrotiserande enterokolit (NEC) är en livshotande tarmsjukdom av prematuritet. Karakteriseras av plötslig och progressiv tarminflammation och vävnadsdöd, det påverkar upp till 11, 000 för tidigt födda barn i USA årligen, och 15-30% av drabbade barn dör av NEC. Överlevande möter ofta långsiktiga tarm- och neuroutvecklingskomplikationer.

Forskare från Columbia Engineering och University of Pittsburgh har utvecklat ett känsligt och specifikt system för tidig varning för att förutsäga NEC hos för tidigt födda barn innan sjukdomen inträffar. Prototypen förutsäger NEC exakt och tidigt, med hjälp av pallmikrobiomfunktioner i kombination med klinisk och demografisk information. Pilotstudien presenterades praktiskt taget den 23 juli på ACM CHIL 2020.

"Det är fantastiskt hur vi kan använda maskininlärning för att förhindra att detta händer med barn, "sa studiens medförfattare, Ansaf Salleb-Aouissi, en universitetslektor i disciplin från datavetenskapliga avdelningen vid Columbia Engineering och en specialist på artificiell intelligens och dess tillämpningar på medicinsk informatik. "Vi tittade på data och utvecklade ett verktyg som verkligen kan vara användbart, till och med livräddande. "

Om läkare exakt kunde förutsäga NEC innan barnet faktiskt blir sjuk, det finns några mycket enkla steg de kan vidta-; behandling kan innefatta stopp av foder, ger IV -vätskor, och starta antibiotika för att förhindra de värsta resultaten som långvarigt funktionshinder eller död. "

Thomas Hooven, Studieförfattare och biträdande professor, University of Pittsburg

Hooven, som började sitt samarbete med Salleb-Aouissi när han var biträdande professor i barnläkare vid avdelningen för neonatologi-perinatologi vid Columbia University Medical Center. Han är nu biträdande professor i pediatri vid avdelningen för nyfödd medicin vid University of Pittsburgh School of Medicine.

För närvarande, det finns inget verktyg för att förutsäga vilka prematura barn som får sjukdomen, och ofta känns NEC inte igen förrän det är för sent att effektivt ingripa. NEC är den vanligaste intestinala nödsituationen bland prematura barn. Det kännetecknas av snabbt progressiv tarmnekros, bakteriemi, acidos, och höga sjuka och dödlighet.

Orsaker till NEC är inte väl förstådda, men flera studier har fokuserat på förändringar i tarmmikrobiomet, bakterierna i tarmen vars sammansättning kan bestämmas utifrån DNA -sekvensering från små avföringsprover.

Forskarna antog att en metod för maskininlärning för modellering av kliniska, demografisk, och mikrobiomdata från prematura patienter kan möjliggöra diskriminering av patienter med hög risk för NEC långt innan klinisk sjukdom börjar, vilket skulle möjliggöra tidiga ingripanden och lindring av allvarliga komplikationer.

Hooven, Salleb-Aouissi, och Lin använde data från en 2016 NIH klinisk studie av prematura barn vars avföring samlades in på flera amerikanska neonatala ICU mellan 2009 och 2013. Teamet undersökte 2, 895 avföringsprover från 161 prematura barn, 45 av dem utvecklade NEC.

Med tanke på komplexiteten hos mikrobiomedata, forskarna utförde flera dataförbehandlingssteg för att minska dess dimension, och att ta itu med dessa data sammansatta och hierarkiska för att utnyttja dem för maskininlärning.

"NEC representerar en utmärkt applikation ur ett maskininlärningsperspektiv, "sa Salleb-Aouissi." De lärdomar vi har dragit av vår nya teknik kan mycket väl översätta till andra genetiska eller proteomiska datamängder och inspirera till nya maskininlärningsalgoritmer för vårddatauppsättningar. "

Teamet utvärderade flera metoder för maskininlärning för att bestämma den bästa strategin för att förutsäga NEC från mikrobiodata. De hittade optimal prestanda från en gated-uppmärksamhetsbaserad multipelinstansinlärning (MIL).

Eftersom mänskliga mikrobiomer kan ändras, MIL -metoderna tar upp den sekventiella aspekten av problemet. Till exempel, under de första 20 dagarna efter att ett spädbarn föddes, spädbarnets mikrobiom går igenom en drastisk förändring. Många studier har visat att spädbarn med en större mångfald av mikrobiomer vanligtvis är friskare.

"Detta fick oss att tro att förändringar i mikrobiomdiversitet kan hjälpa till att förklara varför vissa barn är mer benägna att vara sjuka av NEC, "sa Adam (Yun Chao) Lin, en datavetenskaplig MS-student och medförfattare till studien vars arbete med detta projekt fick honom att nu ta en doktorsexamen.

Istället för att betrakta mikrobiomprover från ett spädbarn som oberoende, teamet representerade varje patient som en samling prover och tillämpade uppmärksamhetsmekanismer för att lära sig de komplexa relationerna mellan proverna. Maskininlärningsalgoritmen "tittar" på varje påse och försöker gissa utifrån innehållet om barnet påverkas eller inte.

I upprepade försök, modellens förmåga att skilja drabbade från icke-drabbade spädbarn hade en bra balans mellan känslighet och specificitet. "Området under ROC -kurvan (AUC) är cirka 0,9, som visar hur bra våra modeller är på att skilja mellan drabbade och opåverkade patienter, "Noterade Salleb-Aouissi.

"Vårt är det första effektiva systemet för en kliniskt tillämpbar maskininlärningsmodell som kombinerar mikrobiom, demografisk, och kliniska data som kan samlas in och övervakas i realtid på en neonatal ICU. Vi är glada över att utvidga dess tillämplighet till ett nytt område av prediktiv övervakning inom medicin. "

Forskarna utvecklar nu en icke -invasiv fristående testplattform för noggrann identifiering av spädbarn med hög risk för NEC före klinisk början, för att förhindra de värsta resultaten. När plattformen är klar, de kommer att genomföra en randomiserad klinisk prövning för att validera deras tekniks förutsägelser i en realtids neonatal ICU-kohort.

"För första gången kan jag tänka mig en framtid där föräldrar till prematura barn, och deras medicinska team, lever inte längre i konstant rädsla för NEC, sa Hooven.

• Att byta ut rött kött mot växtbaserade köttalternativ minskar kardiovaskulär risk
• Studien hittar tecken på tarmdysbios hos personer med Huntingtons sjukdom