Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Utilização biomimicry para a detecção mais rápida de manifestações da doença

Nossos sistemas imunitários são compo de biliões dos glóbulos brancos que procuraram pelos sinais das infecções e de invasores estrangeiros, prontos para levantar o alarme.

A pancadinha Finley e Drew Levin dos cientistas de computador dos laboratórios nacionais de Sandia tem trabalhado para melhorar o sistema do biosurveillance dos E.U. esse autoridades dos alertas às manifestações da doença imitando o sistema imunitário humano. Estão trabalhando com os pesquisadores na universidade de New mexico e dos centros para o controlo e prevenção de enfermidades.

O CDC coordena o programa nacional da fiscalização de Syndromic. Recolhe dados anonymized da maioria de departamentos de emergência em torno da nação e analisa indicadores da saúde pública para acelerar a resposta aos eventos e às manifestações perigosos da doença.

“Os saques nacionais do sistema do biosurveillance essencialmente a mesma finalidade que o sistema imunitário humano, apenas em uma escala maior,” disse Levin, que começou trabalhar no projecto como um aluno diplomado de UNM e foi contratado por Sandia para continuar seu trabalho depois que se graduou. “O sistema imunitário é compo de T-pilhas numerosas esses que todos se operam independente. Não há nenhum controlador centralizado no entanto nós fazemos consideravelmente bem a morte.”

O CDC usa análises estatísticas tradicionais para procurar anomalias, tais como um grande ou aumento repentino em visitas do ER, e determina a probabilidade de uma manifestação. Estes algoritmos são baseados na matemática segura, de há décadas mas geralmente somente o olhar em uma variável de cada vez, disse Levin.

Uma manifestação emergente é detectada mais rapidamente, mais as vidas salvar; contudo, as não-manifestações de embandeiramento podem desperdiçar recursos.

Finley disse que o sistema do biosurveillance tem o desafio duplo de detectar manifestações novas de doenças velhas, tais como a gripe sazonal, assim como as manifestações de doenças novas, tais como o vírus seguinte de Zika, um problema muito resistente. Contudo, é um problema que o sistema imunitário tem funcionado sobre para milhões de anos.

As T-pilhas sintéticas monitoram variáveis múltiplas para alertas ligeiramente alterados

as T-pilhas são um tipo do glóbulo branco que reconhecem e matam pilhas vírus-contaminadas e outros micróbios patogénicos estrangeiros. Reconhecem os invasores estrangeiros após ter-se submetido a um processo do “treinamento” da negativo-selecção onde cada t-cell que ataca pilhas de corpo normais seja destruído. A não ser este “treinamento inicial,” há “cérebro não central” que controla as T-pilhas.

Finley pensou aquele que imita como o trabalho das T-pilhas pôde acelerar a detecção da manifestação. Em 2015, começou a colaborar com o sistema imunitário que modela peritos em UNM como parte do programa académico de Alliance de Sandia. Alliance académico é uma parceria Sandia construiu com cinco universidades para promover a pesquisa colaboradora sobre problemas resistentes e para atrair o talento superior ao trabalho sobre estes desafios.

“O sistema imunitário adaptável nos animais vertebrados é um dos sistemas os mais complexos na biologia com os trilhões das pilhas, as dúzias da pilha dactilografam e moléculas da sinalização,” disse Melanie Moses, professor da informática e da biologia em UNM envolvido no projecto. “Com da modelagem e a simulação do computador, nós compreendemos como os trabalhos do sistema imunitário que, a longo prazo, podem conduzir às imunoterapias, aos tratamentos da alergia e às vacinas melhorados. Igualmente fornece a inspiração para o projecto de outros sistemas descentralizados para a fiscalização e a protecção.”

Trabalhando junto, a equipe criou o synthetic, “T-pilhas matemáticas” esse olhar em variáveis diferentes múltiplas ao mesmo tempo, como o número de visitas da clínica, o dia do ano e a temperatura da entrada. Então, imitando o processo de selecção negativo de célula T, Levin executou os algoritmos de célula T sintéticos contra os dados passados recolhidos pelo CDC e pelo departamento de New mexico da saúde. Comparou os algoritmos e seleccionou o mais exacto.

Em 2016, os testes iniciais em um sistema do biosurveillance da piloto-escala mostraram que as T-pilhas sintéticas de Levin executaram melhor do que os métodos estatísticos tradicionais, disseram Finley. Também, porque as T-pilhas sintéticas seguem variáveis múltiplas intrìnseca, poderiam fornecer uns alertas mais ligeiramente alterados, tais como a separação de uma manifestação de uma doença nova da gripe sazonal, disse.

a aprendizagem de máquina Cérebro-inspirada melhora a queixa principal que decifra

A primeira parte de dados que o CDC recebe de cada visita das urgências é chamada a queixa principal. Esta é uma indicação concisa que descreve porque um paciente foi às urgências ou à clínica, antes que ver um doutor e forem diagnosticados. As queixas principais variam da “dor no peito” e da “febre três dias” às abreviaturas especializadas.

Estas indicações sóbrias estão completas do jargão médico e mesmo de palavras soletradas erradamente, fazendo os difíceis decifrar por buscas de palavra-chave simples ou pelo inexperiente. Também, muitas palavras descrevem os mesmos sintomas, tais como a febre, quente, a temperatura e os frios.

As empresas da tecnologia têm usado profundamente a aprendizagem para problemas similares do processamento de linguagem natural. Profundamente aprender é a aprendizagem de máquina cérebro-inspirada que prima em encontrar testes padrões sem explicitamente ser programada no que a procurar. Um tal algoritmo, chamado Word2vec, converte o contexto das palavras em vectores matemáticos.

Quando Levin executou o algoritmo de Word2vec nos dados principais anonymized da queixa recolhidos pelo departamento de New mexico da saúde, para fora-executou uma busca de palavra-chave padrão, assim como outros algoritmos de aprendizagem avançados da máquina. Contudo, ainda teve problemas com palavras e abreviaturas soletradas erradamente.

Para trabalhar em torno disto, Levin tentou dois relacionou algoritmos da rede neural: um que converte letras em vectores e outro que converte palavras em vectores aleatórios. O algoritmo que converteu palavras em aleatório, ou o inexperiente, vectores eram os mais exactos, possivelmente porque os antônimos treinados dos lugares do algoritmo de Word2vec demasiado perto junto no espaço de vector, disseram Levin.

Embora mais optimização é necessário, o algoritmo deaprendizagem da equipe para decifrar queixas principais poderia ser particularmente útil para a epidemia do opiáceo, disse Finley. Adicionou, “termos novos para drogas de rua tende a parecer muito mais rapidamente do que a comunidade da saúde pública realiza. Se nós encontramos que uma palavra estranha está estalando acima muito em uma área, poderia ser uma variedade nova de fentanyl.”

Futuro de centros distribuídos do biosurveillance

Os nós de linfa são distribuídos durante todo o corpo e actuam como os cubos do sistema imunitário, o calço completamente das T-pilhas e as B-pilhas que produzem anticorpos para lutar fora infecções.

Finley e sua equipe apenas estão começando a explorar como imitar nós de linfa pôde melhorar o sistema do biosurveillance. Finley acredita que seria particularmente útil em detectar manifestações de doenças regionais como a doença de Lyme, o praga e o Hantavirus. Também, os algoritmos distribuídos da detecção poderiam ser mais eficientes contorneando os limites que os computadores da lei de Moore estão sendo executado agora acima contra, Levin adicionado do consumo do exame e da potência.

“Nós estamos trabalhando pròxima com o CDC para testar um número nossas de aproximações de aprendizagem profundas em um subconjunto do fluxo de dados nacional,” disse Finley.

Seu objetivo é ter seu sistema biològica inspirado estabelecido daqui até outubro para permitir de lado a lado comparações com os métodos estatísticos tradicionais na escala nacional. Acredita que as aproximações diferentes terão forças diferentes, e as combinar melhorará a velocidade e a precisão da detecção da manifestação.

Esta pesquisa foi financiada pelo programa dirigido laboratório da investigação e desenvolvimento de Sandia. Os cientistas de computador Walt Beyeler e Michael de Sandia Mitchell e o companheiro pos-doctoral Tatiana Flanagan de UNM igualmente trabalharam no projecto, centrando-se sobre o algoritmo distribuído deimitação da detecção da linfa.

“Este projecto com Sandia forneceu-nos uma oportunidade de testar a aplicação prática dos conceitos que nós aprendemos de nossos modelos,” disse Moses. “Finalmente, este projecto conduzirá a uma compreensão mais completa do sistema imunitário, assim como a uma maneira prática de identificar e responder rapidamente às manifestações da doença e a outras ameaças biológicas.”