Дослідники розробляють інструмент машинного навчання для прогнозування ентероколіту
Некротизуючий ентероколіт (НЕК) є потенційно смертельним захворюванням кишечника недоношених. Характеризуючись раптовим та прогресуючим запаленням кишечника та відмиранням тканин, він щороку вражає до 11 000 недоношених дітей у Сполучених Штатах, а 15-30% дітей з НЕК помирають. Люди, що вижили, часто стикаються з довготривалими ускладненнями з боку кишечника та нейророзвитку.
Дослідники з Columbia Engineering та Університету Пітсбурга розробили чутливу та специфічну систему раннього попередження для прогнозування NEC у недоношених дітей до появи захворювання. Прототип точно прогнозує НЕК на ранній стадії, використовуючи характеристики мікробіома калу в поєднанні з клінічною та демографічною інформацією. Пілотне дослідження було представлено фактично 23 липня на виставці ACM CHIL 2020.
"Дивно, як ми можемо використовувати машинне навчання, щоб запобігти цьому немовлятам", - сказав співавтор дослідження Ансаф Саллеб-Ауіссі, старший викладач кафедри комп'ютерних наук, спеціаліст із штучного інтелекту та його застосування для медичні обчислення. «Ми розглянули дані та розробили інструмент, який дійсно може допомогти і навіть врятувати життя. "
Якщо лікарі могли точно передбачити НЕК до того, як дитина насправді захворіє, існує кілька дуже простих кроків, які вони можуть зробити; лікування може включати припинення годування, внутрішньовенне введення рідини та початок прийому антибіотиків для запобігання гіршим наслідкам, таким як тривала інвалідність або смерть. . "
Томас Гувен, провідний автор дослідження та доцент Пітсбурзького університету
Гувен, який розпочав співпрацю з Саллеб-Ауіссі, коли був доцентом кафедри педіатрії у відділі неонатології-перинатології в Медичному центрі Колумбійського університету. Зараз він є асистентом кафедри педіатрії у відділенні медицини новонароджених Медичного факультету Університету Пітсбурга.
В даний час не існує інструментів для прогнозування того, які недоношені діти захворіють на хворобу, і часто ECN не розпізнають, поки не пізно для ефективного втручання. НЕК є найпоширенішою невідкладною функцією кишечника у недоношених дітей. Характеризується швидко прогресуючим некрозом кишечника, бактеріємією, ацидозом та високими показниками захворюваності та смертності.
Причини НЕК недостатньо добре вивчені, але кілька досліджень зосереджувались на змінах мікробіому кишечника - бактерій у кишечнику, склад яких можна визначити за допомогою послідовності ДНК з невеликих зразків.
Дослідники висунули гіпотезу, що підхід до машинного навчання для моделювання клінічних, демографічних та мікробіологічних даних недоношених пацієнтів може дозволити дискримінацію пацієнтів із високим ризиком НЕК задовго до початку клінічного захворювання, що дозволить раннє втручання та пом'якшення серйозних ускладнень.
Ховен, Саллеб-Ауіссі та Лін використовували дані клінічного дослідження NIH 2016 року недоношених дітей, чий стілець був зібраний у декількох реанімаційних відділеннях для новонароджених у США в період з 2009 по 2013 рік.
Враховуючи складність даних мікробіомів, дослідники виконали кілька етапів попередньої обробки даних, щоб зменшити їх розмірність та вирішити природу складу та ієрархії цих даних для використання в машинному навчанні.
"NEC - це чудовий додаток з точки зору машинного навчання", - сказала Саллеб-Ауіссі. «Уроки, які ми винесли з нашої нової техніки, цілком можуть перетворитися на інші генетичні та протеомічні набори даних та надихнути на нові алгоритми машинного навчання для наборів даних про здоров’я. "
Команда оцінила кілька методів машинного навчання, щоб визначити найкращу стратегію прогнозування NEC за даними мікробіомів. Вони знайшли оптимальну ефективність, використовуючи підхід закритого багатостороннього навчання на основі уваги (MIL).
Оскільки мікробіоми людини можуть зазнати змін, методи MIL вирішують послідовний аспект проблеми. Наприклад, у перші 20 днів після народження немовляти мікробіом немовляти зазнає кардинальних змін. Численні дослідження показали, що немовлята з більшим різноманіттям мікробіомів, як правило, здоровіші.
"Це змусило нас думати, що зміни в різноманітності мікробіомів можуть допомогти пояснити, чому деякі немовлята частіше хворіють на НЕК", - сказав Адам (Юнь Чао) Лін, студент інформатики та співавтор дослідження, робота якого над цим питанням проект спонукав його здобути ступінь доктора.
Замість того, щоб розглядати зразки мікробіомів немовляти як незалежні, команда представляла кожного пацієнта як колекцію зразків та застосовувала механізми уваги для вивчення складних взаємозв’язків між зразками. Алгоритм машинного навчання «дивиться» на кожну сумку і намагається вгадати за її вмістом, чи постраждала дитина чи ні.
Під час неодноразових випробувань здатність моделі відрізняти постраждалих немовлят від не уражених немовлят показала хороший баланс між чутливістю та специфічністю. "Площа під кривою ROC (AUC) становить приблизно 0,9, що демонструє, наскільки добре наші моделі розрізняють постраждалих та не уражених пацієнтів", - зазначила Саллеб-Ауіссі.
«Наша система є першою ефективною системою для клінічно застосовної моделі машинного навчання, яка поєднує мікробіологічні, демографічні та клінічні дані, які можна збирати та контролювати в реальному часі у відділенні інтенсивної терапії новонароджених. Ми раді поширити його застосування на нову область прогнозуючого спостереження в медицині. "
В даний час дослідники розробляють неінвазивну самостійну платформу тестування для точної ідентифікації немовлят з високим ризиком розвитку НЕК до клінічного початку, щоб уникнути найгірших результатів. Після того, як платформа буде готова, вони проведуть рандомізоване клінічне дослідження для підтвердження прогнозів своєї техніки в когорті інтенсивної терапії новонароджених у режимі реального часу.
"Вперше я уявляю майбутнє, коли батьки недоношених дітей та їхні медичні бригади більше не живуть у постійному страху перед НЕК", - сказав Хувен.
Школа інженерних та прикладних наук Колумбійського університету