Vedci vyvinuli nástroj strojového učenia na predpovedanie nekrotizujúcej enterokolitídy u predčasne narodených detí

Nekrotizujúca enterokolitída (NEC) je život ohrozujúce črevné ochorenie nedonosených. Charakterizované náhlym a progresívnym črevným zápalom a odumieraním tkaniva, postihuje až 11, 000 predčasne narodených detí v USA ročne, a 15-30% postihnutých detí zomiera na NEC. Pozostalí často čelia dlhodobým črevným a neurovývojovým komplikáciám.

Vedci z Columbia Engineering a University of Pittsburgh vyvinuli citlivý a špecifický systém včasného varovania na predpovedanie NEC u predčasne narodených detí pred výskytom choroby. Prototyp predpovedá NEC presne a včas, pomocou funkcií mikrobiómu stolice v kombinácii s klinickými a demografickými informáciami. Pilotná štúdia bola predstavená prakticky 23. júla na ACM CHIL 2020.

„Je úžasné, ako dokážeme pomocou strojového učenia zabrániť tomu, aby sa to stalo deťom, “uviedol spoluautor štúdie, Ansaf Salleb-Aouissi, odborný asistent z odboru informatiky na Columbia Engineering a odborník na umelú inteligenciu a jej aplikácie v lekárskej informatike. „Pozreli sme sa na údaje a vyvinuli nástroj, ktorý môže byť skutočne užitočný, dokonca zachraňovať život. “

Ak by lekári dokázali presne predpovedať NEC skôr, ako dieťa skutočne ochorie, existuje niekoľko veľmi jednoduchých krokov, ktoré by mohli urobiť-liečba môže zahŕňať zastavenie kŕmenia, podávanie IV tekutín, a nasadenie antibiotík, aby sa zabránilo najhorším následkom, ako je dlhodobá invalidita alebo smrť. “

Thomas Hooven, Vedúci štúdie a odborný asistent, University of Pittsburg

Hooven, ktorý začal svoju spoluprácu so Sallebom-Aouissim, keď bol odborným asistentom pediatrie v Oddelení neonatológie-perinatológie na Medical Center Columbia University. Teraz je odborným asistentom pediatrie v Divízii novorodeneckej medicíny na Lekárskej fakulte University of Pittsburgh.

V súčasnej dobe neexistuje žiadny nástroj na predpovedanie toho, ktoré predčasne narodené deti ochorejú, a často NEC nie je rozpoznaný, kým nie je neskoro na účinný zásah. NEC je najčastejšou črevnou núdzovou situáciou u predčasne narodených detí. Je charakterizovaná rýchlo postupujúcou črevnou nekrózou, bakteriémia, acidóza, a vysokou mierou chorobnosti a úmrtnosti.

Príčiny NEC nie sú dobre pochopené, ale niekoľko štúdií sa zameralo na posuny v črevnom mikrobióme, baktérie v čreve, ktorých zloženie je možné určiť zo sekvenovania DNA zo vzoriek tenkej stolice.

Vedci predpokladali, že prístup strojového učenia k modelovaniu klinických, demografický, a mikrobiómové údaje od predčasne narodených pacientov by mohli umožniť diskrimináciu pacientov s vysokým rizikom NEC dlho pred nástupom klinického ochorenia, čo by umožnilo včasný zásah a zmiernenie závažných komplikácií.

Hooven, Salleb-Aouissi, a Lin použili údaje z klinickej štúdie NIH z roku 2016 o predčasne narodených deťoch, ktorých stolica bola odobratá na niekoľkých amerických neonatálnych JIS v rokoch 2009 až 2013. Tím skúmal 2, 895 vzoriek stolice od 161 predčasne narodených detí, 45 z nich vyvinulo NEC.

Vzhľadom na komplexnosť údajov o mikrobiómoch vedci vykonali niekoľko krokov predspracovania údajov, aby znížili jeho rozmernosť, a riešiť kompozičnú a hierarchickú povahu týchto údajov s cieľom využiť ich v strojovom učení.

„NEC predstavuje vynikajúcu aplikáciu z pohľadu strojového učenia, "Poučenia, ktoré sme získali z našej novej techniky, by sa mohli dobre premietnuť do iných genetických alebo proteomických súborov údajov a inšpirovať nové algoritmy strojového učenia pre súbory údajov o zdravotníctve." povedal Salleb-Aouissi.

Tím vyhodnotil niekoľko metód strojového učenia, aby určil najlepšiu stratégiu predpovedania NEC z mikrobiómových údajov. Optimálny výkon zistili pri prístupe s viacnásobnou inštanciou (MIL) založenom na pozornosti.

Pretože ľudské mikrobiómy sa môžu zmeniť, metódy MIL riešia sekvenčný aspekt problému. Napríklad, počas prvých 20 dní po narodení dieťaťa, mikrobióm dieťaťa prechádza drastickou zmenou. Mnoho štúdií ukázalo, že deti s vyššou diverzitou mikrobiómov sú spravidla zdravšie.

„To nás priviedlo k názoru, že zmeny v rozmanitosti mikrobiómov môžu pomôcť vysvetliť, prečo sú niektoré deti častejšie choré z NEC, “povedal Adam (Yun Chao) Lin, študent informatiky MS a spoluautor štúdie, ktorého práca na tomto projekte podnietila k získaniu titulu PhD.

Namiesto toho, aby ste vzorky mikrobiómov od dieťaťa pozerali ako nezávislé, tím reprezentoval každého pacienta ako zbierku vzoriek a aplikoval mechanizmy pozornosti na učenie sa komplexných vzťahov medzi vzorkami. Algoritmus strojového učenia sa „pozerá“ na každú tašku a pokúša sa z jej obsahu odhadnúť, či je dieťa ovplyvnené alebo nie.

V opakovaných skúškach schopnosť modelu rozlíšiť postihnuté a neovplyvnené deti mala dobrú rovnováhu citlivosti a špecifickosti. „Plocha pod krivkou ROC (AUC) je asi 0,9, čo ukazuje, ako dobre sú naše modely pri rozlišovaní medzi postihnutými a neovplyvnenými pacientmi, “Poznamenal Salleb-Aouissi.

„Náš je prvý účinný systém pre klinicky použiteľný model strojového učenia, ktorý kombinuje mikrobiómy, demografický, a klinické údaje, ktoré je možné zbierať a monitorovať v reálnom čase na novorodeneckej JIS. Sme nadšení z rozšírenia jeho použiteľnosti na novú oblasť prediktívneho monitorovania v medicíne. “

Vedci teraz vyvíjajú neinvazívnu samostatnú testovaciu platformu na presnú identifikáciu detí s vysokým rizikom NEC pred klinickým nástupom, aby sa predišlo najhorším výsledkom. Keď je platforma pripravená, vykonajú randomizovanú klinickú štúdiu na overenie predpovedí svojich techník v kohorte novorodencov na JIS v reálnom čase.

„Prvýkrát si môžem predstaviť budúcnosť, kde rodičia predčasne narodených detí, a ich lekárske tímy, už nežijú v neustálom strachu z NEC, “povedal Hooven.

• Výmena červeného mäsa za alternatívy rastlinného mäsa znižuje kardiovaskulárne riziko
• Štúdia zisťuje dôkazy o črevnej dysbióze u ľudí s Huntingtonovou chorobou