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.

Os pesquisadores desenvolvem a ferramenta da aprendizagem de máquina para prever a enterocolite necrotizing em infantes prematuros

A enterocolite Necrotizing (NEC) é uma doença intestinal risco de vida da prematuridade. Caracterizado pela morte intestinal repentina e progressiva da inflamação e do tecido, afecta até 11.000 infantes prematuros nos Estados Unidos anualmente, e 15-30% de bebês afetados morrem do NEC. Os sobreviventes enfrentam frequentemente complicações intestinais e neurodevelopmental a longo prazo.

Os pesquisadores da engenharia de Colômbia e a universidade de Pittsburgh desenvolveram um sistema de alerta rápida sensível e específico para prever o NEC em infantes prematuros antes que a doença ocorra. O protótipo prevê o NEC exactamente e cedo, usando as características do microbiome do tamborete combinadas com a informação clínica e demográfica. O estudo piloto foi apresentado virtualmente o 23 de julho em ACM CHIL 2020.

“É surpreendente como nós podemos poder usar a aprendizagem de máquina parar isto do acontecimento aos bebês,” disse o co-autor do estudo, Ansaf Salleb-Aouissi, um conferente superior na disciplina do departamento de informática na engenharia de Colômbia e de um especialista na inteligência artificial e nas suas aplicações à informática médica. “Nós olhamos os dados e desenvolvemos uma ferramenta que pudesse verdadeiramente ser útil, mesmo salvamento.”

Se os doutores poderiam exactamente prever o NEC antes que o bebê se torne realmente doente, há algumas etapas que muito simples poderiam tomar; o tratamento podia incluir a parada de alimentações, a doação dos líquidos IV, e começar antibióticos impedir os resultados os mais ruins tais como a inabilidade ou a morte a longo prazo.”

Thomas Hooven, autor principal do estudo e professor adjunto, universidade de Pittsburg

Hooven, que começou sua colaboração com o Salleb-Aouissi quando era um professor adjunto da pediatria na divisão do Neonatology-Perinatology no centro médico da Universidade de Columbia. É agora um professor adjunto da pediatria na divisão da medicina recém-nascida na universidade da Faculdade de Medicina de Pittsburgh.

Actualmente, não há nenhuma ferramenta para prever que bebês prematuros obterão a doença, e o NEC não é reconhecido frequentemente até que esteja demasiado atrasado intervir eficazmente. O NEC é a emergência intestinal a mais comum entre infantes prematuros. É caracterizado pela necrose intestinal ràpida progressiva, pelo bacteremia, pela acidez, e por taxas altas de morbosidade e de mortalidade.

As causas do NEC bem-não são compreendidas, mas diversos estudos centraram-se sobre as SHIFT no microbiome intestinal, as bactérias no intestino cuja a composição pode ser determinada do ADN que arranja em seqüência das amostras de tamborete pequenas.

Os pesquisadores supor que uma aproximação da aprendizagem de máquina aos dados da modelagem clínicos, demográficos, e do microbiome dos pacientes prematuros pôde permitir a discriminação dos pacientes no risco elevado para o NEC muito antes do início clínico da doença, que permitiria a intervenção e a mitigação adiantadas de complicações sérias.

Hooven, Salleb-Aouissi, e Lin usaram dados de um estudo clínico de 2016 NIH dos infantes prematuros cujo o tamborete foi recolhido nos diversos ICUs neonatal americano entre 2009 e 2013. A equipe examinou 2.895 amostras de tamborete de 161 infantes prematuros, 45 de quem desenvolveu o NEC.

Dado a complexidade dos dados do microbiome, os pesquisadores executaram diversas etapas do preprocessing dos dados para reduzir sua extensibilidade, e para endereçar compositiva e a natureza hierárquica destes dados para aproveitá-la à aprendizagem de máquina.

O “NEC representa uma aplicação excelente de uma perspectiva da aprendizagem de máquina,” disse Salleb-Aouissi. “As lições que nós aprendemos de nossa técnica nova poderiam bem traduzir a outros conjunto de dados genéticos ou proteomic e inspirar algoritmos de aprendizagem novos da máquina para conjunto de dados dos cuidados médicos.”

A equipe avaliou diversos métodos da aprendizagem de máquina para determinar a melhor estratégia para prever o NEC dos dados do microbiome. Encontraram o desempenho óptimo de um exemplo múltiplo atenção-baseado bloqueado que aprendem (MIL) a aproximação.

Desde que os microbiomes humanos são sujeitos à mudança, os métodos de mil. endereçam o aspecto seqüencial do problema. Por exemplo, no primeiro 20 dias depois que um infante é nascido, o microbiome do infante atravessa uma mudança drástica. Muitos estudos mostraram que os infantes com uma diversidade mais alta do microbiome são tipicamente mais saudáveis.

“Isto conduziu-nos pensar que as mudanças na diversidade do microbiome podem ajudar a explicar porque alguns infantes são mais prováveis ser doentes do NEC,” disseram Adam (YUN Chao) Lin, um estudante do MS da informática e co-autor do estudo cujo o trabalho neste projecto o alertou levar a cabo agora um PhD.

Em vez das amostras do microbiome da visão de um infante como o independente, a equipe representou cada paciente como uma coleção das amostras e aplicou mecanismos da atenção a aprender os relacionamentos complexos entre as amostras. O algoritmo de aprendizagem da máquina “olha” em cada saco e tenta supr de seus índices mesmo se o bebê é afetado.

Em experimentações repetidas, a capacidade do modelo para distinguir afetado dos infantes não-afetados teve um bom balanço da sensibilidade e da especificidade. “A área sob a curva do ROC (AUC) é aproximadamente 0,9, que demonstra como bom nossos modelos estão na distinção entre pacientes afetados e não afectados,” Salleb-Aouissi notou.

“Nossos são o primeiro sistema eficaz para um modelo clìnica aplicável da aprendizagem de máquina que combine o microbiome, demográfico, e os dados clínicos que podem ser recolhidos e monitorado no tempo real em um ICU neonatal. Nós somos entusiasmado sobre o alargamento de sua aplicabilidade a uma área nova da monitoração com carácter de previsão na medicina.”

Os pesquisadores estão desenvolvendo agora uma plataforma autônoma não invasora do teste para a identificação exacta dos infantes no risco elevado para o NEC antes do início clínico, impedir os resultados os mais ruins. Uma vez que a plataforma está pronta, conduzirão um ensaio clínico randomized para validar as previsões da sua técnica em uma coorte neonatal do tempo real ICU.

“Pela primeira vez eu posso prever um futuro onde os pais de infantes prematuros, e suas equipas médicas, já não vivam no medo constante do NEC,” disse 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.