پیش‌بینی احتمال ابتلای نوزادان نارس به یک بیماری خطرناک با کمک یادگیری ماشین

به گزارش قائم آنلاین، اکنون محققان دانشکده مهندسی “دانشگاه کلمبیا” و “دانشگاه پیتسبرگ” موفق به توسعه یک سیستم اخطار زودرس حساس و خاص برای پیش بینی بیماری انتروکولیت نکروزان در نوزادان نارس شده‌اند. نمونه اولیه این سیستم با استفاده از ویژگی‌های میکروبیوم مدفوع نوزاد همراه با اطلاعات بالینی و جمعیتی بیماری مذکور را به طور دقیق و زود پیش بینی می‌کند.

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

وی افزود: اگر پزشکان بتوانند قبل از بیمار شدن نوزادان، انتروکولیت نکروزان را دقیق پیش بینی کنند، اقدامات بسیار ساده‌ای وجود دارد که می‌توانند از آن برای درمان استفاده کنند. درمان می‌تواند شامل متوقف کردن غذا خوردن، دادن مایعات از طریق تزریق وریدی و تجویز آنتی بیوتیک‌ها 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 زمانی‌که تقریبا کار از کار گذشته است، تشخیص داده می‌شود. انتروکولیت نکروزان شایع‌ترین 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 مشخص می‌شود.

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

محققان این مطالعه به همین دلیل تصور کردند که یک روش یادگیری ماشینی برای مدل سازی داده‌های بالینی، دموگرافیک و داده‌های 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 می‌تواند سبب تسریع در آغاز انجام روش‌های درمانی و کاهش عوارض جدی ناشی از این بیماری شود.

به همین منظور محققان این مطالعه از داده‌های حاصل از یک مطالعه بالینی که در سال ۲۰۱۶ در مورد نوزادان نارس که مدفوع آنها در بخش مراقبت‌های ویژه نوزادان نارس آمریکا بین سال‌های ۲۰۰۹ تا ۲۰۱۳ جمع آوری شده بود، استفاده کردند.

محققان ۲ هزار و ۸۹۵ نمونه مدفوع ۱۶۱ نوزاد نارس را که از میان آن‌ها ۴۵ نوزاد به انتروکولیت نکروزان مبتلا شده بودند را مورد آزمایش و بررسی قرار دادند. با توجه به پیچیدگی داده‌های میکروبیوم، محققان چندین مرحله عملیات پردازش داده‌ها را انجام دادند و سپس داده‌های 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 داده‌های میکروبیوم ارزیابی کردند. آنها دریافتند یکی از روش‌های 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 میکروبیوم‌های بدن انسان در معرض تغییر هستند، روش‌های یادگیری چندگانه چند وجه یک مسئله را مورد بررسی قرار می‌دهند. به عنوان مثال در ۲۰ روز اول پس از تولد یک نوزاد، میکروبیوم نوزاد دچار تغییر شدید می‌شود. بسیاری از مطالعات نشان داده‌اند که نوزادان با تنوع بیشتر میکروبیوم به طور معمول سالم‌تر هستند و عدم این موضوع می‌تواند 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.