Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Les chercheurs développent l'outil d'apprentissage automatique pour prévoir l'entérocolite de nécrosant dans les prématurés

L'entérocolite de nécrosant (NEC) est une maladie intestinale potentiellement mortelle de la prématurité. Caractérisé par l'inflammation et la mort des tissus intestinales subites et graduelles, elle affecte jusqu'à 11.000 prématurés aux Etats-Unis annuellement, et 15-30% de bébés affectés meurent de la NEC. Les survivants font face souvent à des complications intestinales et neurodevelopmental à long terme.

Les chercheurs du bureau d'études de Colombie et l'université de Pittsburgh ont développé un système de première alerte sensible et spécifique pour prévoir la NEC dans les prématurés avant que la maladie se produise. Le prototype prévoit la NEC exactement et tôt, utilisant des caractéristiques de microbiome de selles combinées avec clinique et des données démographiques. L'étude pilote a été présentée pratiquement le 23 juillet à ACM CHIL 2020.

« Elle est étonnante comment nous pouvons pouvoir employer l'apprentissage automatique pour arrêter ceci d'arriver aux bébés, » a dit le co-auteur de l'étude, Ansaf Salleb-Aouissi, un conférencier supérieur dans la discipline du département d'informatique au bureau d'études de Colombie et d'un spécialiste dans l'artificial intelligence et ses applications à l'informatique médicale. « Nous avons regardé les caractéristiques et avons développé un outil qui peut vraiment être utile, même de sauvetage. »

Si les médecins pourraient exactement prévoir la NEC avant que le bébé devienne réellement malade, il y a quelques étapes simples mêmes qu'ils pourraient prendre ; la demande de règlement a pu comprendre arrêter des alimentations, donner les liquides IV, et commencer des antibiotiques pour éviter les plus mauvais résultats tels que l'invalidité ou la mort à long terme. »

Thomas Hooven, auteur important d'étude et professeur adjoint, université de Pittsburg

Hooven, qui a commencé sa collaboration par Salleb-Aouissi quand il était un professeur adjoint de la pédiatrie dans la Division du Néonatologie-Perinatology au centre médical d'Université de Columbia. Il est maintenant un professeur adjoint de la pédiatrie dans la Division du médicament nouveau-né à l'université de l'École de Médecine de Pittsburgh.

Actuel, il n'y a aucun outil pour prévoir quels bébés avant terme obtiendront la maladie, et souvent la NEC n'est pas identifiée jusqu'à ce qu'elle soit trop tardive pour intervenir effectivement. La NEC est l'urgence intestinale la plus courante parmi les mineurs avant terme. Elle est caractérisée par nécrose, bactériémie, acidose, et hauts débits intestinaux rapidement graduels de morbidité et de mortalité.

Des causes de la NEC bien-ne sont pas comprises, mais plusieurs études se sont concentrées sur les variations dans le microbiome intestinal, les bactéries dans l'intestin dont la composition peut être déterminée de l'ADN ordonnançant de petits échantillons de selles.

Les chercheurs ont présumé qu'une approche d'apprentissage automatique aux caractéristiques de modélisation cliniques, démographiques, et de microbiome des patients avant terme pourrait permettre la discrimination des patients au haut risque pour la NEC longtemps avant le début de maladie clinique, qui permettrait l'intervention précoce et l'atténuation des complications sérieuses.

Hooven, Salleb-Aouissi, et Lin ont employé des caractéristiques d'une étude clinique de 2016 NIH des prématurés dont le tabouret a été rassemblé en plusieurs ICUs néonatal américain entre 2009 et 2013. L'équipe a examiné 2.895 échantillons de selles de 161 mineurs avant terme, 45 de qui a développé la NEC.

Vu la complexité des caractéristiques de microbiome, les chercheurs a exécuté plusieurs opérations de prétraitement de caractéristiques pour réduire sa dimensionnalité, et pour adresser compositionnellement et la nature hiérarchique de cette caractéristique pour l'armer à l'apprentissage automatique.

La « NEC représente une excellente application d'un point de vue d'apprentissage automatique, » a dit Salleb-Aouissi. « Les leçons que nous avons apprises de notre technique neuve pourraient bien traduire à d'autres ensembles de données génétiques ou proteomic et inspirer des algorithmes d'apprentissage automatique neufs pour des ensembles de données de santé. »

L'équipe a évalué plusieurs méthodes d'apprentissage automatique pour déterminer la meilleure stratégie pour prévoir la NEC des caractéristiques de microbiome. Ils ont trouvé des performances optimales d'une multiple instance basée sur attention déclenchée apprenant (MIL) l'approche.

Puisque les microbiomes humains sont sujets à la modification, les méthodes de mil abordent l'aspect séquentiel du problème. Par exemple, dans pendant 20 le premier jours après qu'un mineur est né, le microbiome du mineur passe par une modification drastique. Beaucoup d'études ont prouvé que les mineurs avec une diversité plus élevée de microbiome sont type plus sains.

« Ceci nous a aboutis à penser que les changements de la diversité de microbiome peuvent aider à expliquer pourquoi quelques mineurs sont pour être malades de la NEC, » ont dit Adam (YUN Chao) Lin, un stagiaire de l'informatique de milliseconde et co-auteur de l'étude dont le travail sur ce projet l'a incité à poursuivre maintenant un PhD.

Au lieu des échantillons de microbiome de visionnement provenant d'un mineur en tant qu'indépendant, l'équipe a représenté chaque patient comme collection d'échantillons et a appliqué des mécanismes d'attention à apprendre les relations complexes parmi les échantillons. L'algorithme d'apprentissage automatique « regarde » chaque sac et essaye d'estimer de ses teneurs si ou non le bébé est affecté.

Dans des essais répétés, la capacité du modèle de discerner affecté des mineurs non-affectés a eu un bon reste de sensibilité et de spécificité. « L'endroit sous la courbure de ROC (AUC) est environ 0,9, qui explique combien bon nos modèles sont à distinguer les patients affectés et inchangés, » Salleb-Aouissi a noté.

« Notres est le premier système efficace pour un modèle cliniquement applicable d'apprentissage automatique qui combine le microbiome, démographique, et les caractéristiques cliniques qui peuvent être rassemblées et surveillées en temps réel dans un ICU néonatal. Nous sommes excités au sujet d'étendre ses possibilités d'application à un endroit neuf de la surveillance prévisionnelle en médicament. »

Les chercheurs développent maintenant une plate-forme autonome non envahissante de contrôle pour l'identification précise des mineurs au haut risque pour la NEC avant début clinique, d'éviter les plus mauvais résultats. Une fois que la plate-forme est prête, ils conduiront un essai clinique randomisé pour valider les prévisions de leur technique dans une cohorte néonatale en temps réel d'ICU.

« Pour la première fois je peux envisager un contrat à terme où les parents des mineurs avant terme, et leurs équipes médicales, ne vivent plus dans la crainte continuelle de la NEC, » ai dit Hooven.

Source:
Journal reference:

Hooven, T., et al. (2020) Multiple instance learning for predicting necrotizing enterocolitis in premature infants using microbiome data. ACM-CHIL 2020. doi.org/10.1145/3368555.3384466.