Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Los investigadores desarrollan la herramienta del aprendizaje de máquina para predecir enterocolitis de necrotización en niños prematuros

La enterocolitis de necrotización (NEC) es una enfermedad intestinal peligrosa para la vida de la precocidad. Caracterizado por muerte intestinal súbita y progresiva de la inflamación y del tejido, afecta a hasta 11.000 niños prematuros en los Estados Unidos anualmente, y 15-30% de bebés afectados muere del NEC. De los sobrevivientes complicaciones intestinales de la cara a menudo y neurodevelopmental a largo plazo.

Los investigadores de dirigir de Columbia y la universidad de Pittsburgh han desarrollado un sistema de alerta rápida sensible y específico para predecir el NEC en niños prematuros antes de que ocurra la enfermedad. El prototipo predice el NEC exacto y temprano, usando las características del microbiome del taburete combinadas con la información clínica y demográfica. El estudio experimental fue presentado virtualmente el 23 de julio en ACM CHIL 2020.

“Es asombroso cómo podemos poder utilizar el aprendizaje de máquina parar esto del suceso a los bebés,” dijo el co-autor del estudio, Ansaf Salleb-Aouissi, un conferenciante mayor en disciplina del departamento de informática en Columbia que dirige y a un especialista en inteligencia artificial y sus usos a la informática médica. “Observábamos los datos y desarrollamos una herramienta que puede verdad ser útil, incluso salvavidas.”

Si los doctores podrían predecir exacto el NEC antes de que el bebé haga real enfermo, hay algunas medidas muy simples que podrían tomar; el tratamiento podía incluir la detención de las alimentaciones, el donante de los líquidos IV, y comenzar los antibióticos para prevenir los resultados peores tales como incapacidad a largo plazo o muerte.”

Thomas Hooven, autor importante y profesor adjunto, universidad del estudio de Pittsburg

Hooven, que comenzó su colaboración con Salleb-Aouissi cuando él era profesor adjunto de la pediatría en la división de Neonatology-Perinatology en el centro médico de la Universidad de Columbia. Él ahora es profesor adjunto de la pediatría en la división de remedio recién nacido en la universidad de la Facultad de Medicina de Pittsburgh.

Actualmente, no hay herramienta para predecir qué bebés prematuros conseguirán la enfermedad, y el NEC no se reconoce a menudo hasta que sea demasiado atrasado intervenir efectivo. El NEC es la emergencia intestinal más común entre niños prematuros. Es caracterizado por necrosis, bacteremia, acidosis, y altas tasas intestinales rápidamente progresivos de morbosidad y de mortalidad.

Las causas del NEC bien-no se entienden, pero varios estudios se han centrado en los movimientos en el microbiome intestinal, las bacterias en el intestino cuya composición puede ser resuelta de la DNA que ordena de pequeñas muestras de taburete.

Los investigadores presumieron que una aproximación del aprendizaje de máquina a los datos clínicos, demográficos, y del microbiome del modelado de pacientes prematuros pudo permitir la discriminación de pacientes en de alto riesgo para el NEC mucho antes de que el inicio clínico de la enfermedad, que permiso la intervención y la mitigación tempranas de complicaciones serias.

Hooven, Salleb-Aouissi, y Lin utilizaron datos de un estudio clínico de 2016 NIH de los niños prematuros cuyo taburete cerco en varios ICUs neonatal americano entre 2009 y 2013. Las personas examinaron 2.895 muestras de taburete a partir de 161 niños prematuros, 45 de quién desarrolló el NEC.

Dado la complejidad de los datos del microbiome, los investigadores realizaron varios pasos del proceso previo de los datos para reducir su dimensionalidad, y para dirigir compositivo y la naturaleza jerárquica de estos datos para aprovecharla al aprendizaje de máquina.

El “NEC representa un uso excelente de una perspectiva del aprendizaje de máquina,” dijo a Salleb-Aouissi. “Las lecciones que hemos aprendido de nuestra nueva técnica podrían traducir bien a otros grupos de datos genéticos o proteomic e inspirar los nuevos algoritmos de aprendizaje de máquina para los grupos de datos de la atención sanitaria.”

Las personas evaluaron varios métodos del aprendizaje de máquina para determinar la mejor estrategia para predecir el NEC de datos del microbiome. Encontraron rendimiento óptimo de un caso múltiple atención-basado bloqueado que aprendían (MIL) la aproximación.

Puesto que los microbiomes humanos están conforme a cambio, los métodos de la milipulgada dirigen el aspecto secuencial del problema. Por ejemplo, en el primer 20 días después de que un niño nace, el microbiome del niño entra a través de un cambio drástico. Muchos estudios han mostrado que los niños con una diversidad más alta del microbiome son típicamente más sanos.

“Esto nos llevó a pensar que los cambios en diversidad del microbiome pueden ayudar a explicar porqué algunos niños son más probables estar enfermos del NEC,” dijeron a Adán (YUN Chao) Lin, estudiante de informática del ms y co-autor del estudio cuyo trabajo sobre este proyecto lo incitó ahora perseguir un doctorado.

En vez de muestras del microbiome de la visión de un niño como independiente, las personas representaron a cada paciente como colección de muestras y aplicaron mecanismos de la atención a aprender los lazos complejos entre las muestras. El algoritmo de aprendizaje de máquina “mira” cada bolso e intenta conjeturar de sus contenidos independientemente de si el bebé es afectado.

En juicios relanzadas, la capacidad del modelo de distinguir afectado de niños no-afectados tenía un buen equilibrio de la sensibilidad y de la especificidad. “El área bajo la curva del ROC (AUC) es cerca de 0,9, que demuestra cómo es bueno nuestros modelos están en la distinción entre los pacientes afectados e inafectados,” Salleb-Aouissi observó.

“Los nuestros son el primer sistema efectivo para un modelo clínico aplicable del aprendizaje de máquina que combine el microbiome, demográfico, y los datos clínicos que se pueden cerco y vigilar en tiempo real en un ICU neonatal. Nos excitan sobre ampliar su aplicabilidad a una nueva área de la supervisión profética en remedio.”

Los investigadores ahora están desarrollando una plataforma independiente no invasor de la prueba para la identificación exacta de niños en de alto riesgo para el NEC antes de inicio clínico, para prevenir los resultados peores. Una vez que la plataforma está lista, conducto una juicio clínica seleccionada al azar para validar las predicciones de su técnica en una cohorte neonatal en tiempo real de ICU.

“Puedo prever por primera vez un futuro donde los padres de niños prematuros, y sus personas médicas, viven no más en el miedo constante del NEC,” dije a 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.