پیش بینی احتمال ابتلای نوزادان نارس به یک بیماری خطرناک با کمک یادگیری ماشین - کنفرانس هکا

به گزارش خبرنگاران، اکنون محققان دانشکده مهندسی دانشگاه کلمبیا و دانشگاه پیتسبرگ پیروز به توسعه یک سیستم اخطار زودرس حساس و خاص برای پیش بینی بیماری انتروکولیت نکروزان در نوزادان نارس شده اند. نمونه اولیه این سیستم با استفاده از ویژگی های میکروبیوم مدفوع نوزاد همراه با اطلاعات بالینی و جمعیتی بیماری مذکور را به طور دقیق و زود پیش بینی می کند.

انصاف سالب اویسی (Ansaf Salleb-Aouissi) یکی از محققان این مطالعه از دانشگاه کلمبیا گفت: این موضوع که ما می توانیم از فناوری یادگیری ماشین برای جلوگیری از بروز این اتفاق در نوزادان جلوگیری کنیم، بسیار هیجان انگیز است. طی این مطالعه ما داده ها را بررسی کردیم و ابزاری را ساختیم که واقعاً مفید است و زندگی نوزادان را نجات می دهد.

وی افزود: اگر پزشکان بتوانند قبل از بیمار شدن نوزادان، انتروکولیت نکروزان را دقیق پیش بینی کنند، اقدامات بسیار ساده ای وجود دارد که می توانند از آن برای درمان استفاده کنند. درمان می تواند شامل متوقف کردن غذا خوردن، دادن مایعات از طریق تزریق وریدی و تجویز آنتی بیوتیک ها به منظور جلوگیری از پیامدهای ناگوار نظیر ناتوانی درازمدت یا مرگ باشد.

در حال حاضر هیچ ابزاری برای پیش بینی اینکه کدام نوزادان نارس به این بیماری مبتلا خواهند شد، وجود ندارد و اغلب این بیماری بسیار دیر و زمانی که تقریبا کار از کار گذشته است، تشخیص داده می شود. انتروکولیت نکروزان شایع ترین بیماری اورژانسی روده در بین نوزادان نارس است. این بیماری با نکروز روده پیشرونده، حضور باکتری در خون، اسیدوز و بیش از حد مریض شدن و ناخوش بودن و مرگ و میر تعیین می شود.

علت ایجاد انتروکولیت نکروزان به خوبی درک نشده است؛ اما چندین مطالعه روی تغییر در میکروبیوم روده، باکتری های موجود در روده که ترکیب آنها را می توان از تعیین توالی دی.ان.ای از نمونه های مدفوع کوچک تعیین کرد، انجام شده است.

محققان این مطالعه به همین دلیل تصور کردند که یک روش یادگیری ماشینی برای مدل سازی داده های بالینی، دموگرافیک و داده های میکروبیوم از نوزادان نارس ممکن است به آنها در پیش بینی زودتر این موضوع کمک کند تا آنها بتوانند زودتر بیمارانی که در معرض خطر ابتلا به انتروکولیت نکروزان قرار دارند را شناسایی کنند و این امر می تواند سبب تسریع در آغاز انجام روش های درمانی و کاهش عوارض جدی ناشی از این بیماری شود.

به همین منظور محققان این مطالعه از داده های حاصل از یک مطالعه بالینی که در سال 2016 در مورد نوزادان نارس که مدفوع آنها در بخش مراقبت های ویژه نوزادان نارس آمریکا بین سال های 2009 تا 2013 جمع آوری شده بود، استفاده کردند.

محققان 2 هزار و 895 نمونه مدفوع 161 نوزاد نارس را که از میان آن ها 45 نوزاد به انتروکولیت نکروزان مبتلا شده بودند را مورد آزمایش و بررسی قرار دادند. با توجه به پیچیدگی داده های میکروبیوم، محققان چندین مرحله عملیات پردازش داده ها را انجام دادند و سپس داده های حاصل را با استفاده از سیستم یادگیری ماشین مورد تجزیه و تحلیل قرار دادند.

محققان این مطالعه چندین روش یادگیری ماشین را برای تعیین بهترین استراتژی برای پیش بینی انتروکولیت نکروزان از داده های میکروبیوم ارزیابی کردند. آنها دریافتند یکی از روش های یادگیری ماشین مبتنی بر یادگیری تحت نظارت موسوم به یادگیری چندگانه (MIL) بهترین رویکرد برای پیش بینی زودتر این بیماری است؛ زیرا از آنجا که میکروبیوم های بدن انسان در معرض تغییر هستند، روش های یادگیری چندگانه چند وجه یک مسئله را مورد بررسی قرار می دهند. به عنوان مثال در 20 روز اول پس از تولد یک نوزاد، میکروبیوم نوزاد دچار تغییر شدید می شود. بسکمک از مطالعات نشان داده اند که نوزادان با تنوع بیشتر میکروبیوم به طور معمول سالم تر هستند و عدم این موضوع می تواند به آنها در شناسایی نوزادانی که در معرض خطر این بیماری هستند، کمک کند.

محققان اکنون در حال ایجاد یک پلتفرم آزمایش غیر تهاجمی برای شناسایی دقیق نوزادان در معرض خطر بالای انتروکولیت نکروزان هستند. پس از آماده شدن این پلتفرم، آنها یک کارآزمایی بالینی را برای درک میزان صحت این روش انجام خواهند داد.

یافته های این مطالعه در مجله ACM CHIL منتشر شد.