پیشبینی احتمال ابتلای نوزادان نارس به یك بیماری خطرناك با كمك یادگیری ماشین
انتروكولیت نكروزان(NEC) یك بیماری روده خطرناك می باشد كه نوزادان را تحت تأثیر قرار می دهد. این بیماری به صورت التهاب ناگهانی و پیشرونده روده و مرگ بافت ها رخ می دهد. سالانه حدود ۱۱ هزار نوزاد نارس در ایالات متحده به این بیماری مبتلا می شود و ۱۵ تا ۳۰ درصد از نوزادان مبتلا به این بیماری جان خویش را از دست می دهند و غالبا آنهایی كه جان سالم از این بیماری به در می برند گرفتار عوارض طولانی مدت روده و اختلال عصبی تكاملی خواهند شد.
به گزارش گوپا به نقل از ایسنا، اکنون محققان دانشکده مهندسی "دانشگاه کلمبیا" و "دانشگاه پیتسبرگ" موفق به توسعه یک سیستم اخطار زودرس حساس و خاص برای پیشبینی بیماری انتروکولیت نکروزان در نوزادان نارس شده اند. نمونه اولیه این سیستم با استفاده از خصوصیت های میکروبیوم مدفوع نوزاد همراه با اطلاعات بالینی و جمعیتی بیماری مذکور را به صورت دقیق و زود پیشبینی می کند.
"انصاف سالب اویسی" (Ansaf Salleb-Aouissi) یکی از محققان این مطالعه از دانشگاه کلمبیا اظهار داشت: این مورد که ما می توانیم از فناوری یادگیری ماشین برای پیشگیری از بروز این اتفاق در نوزادان جلوگیری نماییم، بسیار هیجان انگیز است. طی این مطالعه ما داده ها را بررسی کردیم و ابزاری را ساختیم که واقعاً مفید می باشد و زندگی نوزادان را نجات می دهد.
وی ادامه داد: اگر پزشکان بتوانند پیش از بیمار شدن نوزادان، انتروکولیت نکروزان را دقیق پیشبینی 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 راه تزریق وریدی و تجویز آنتی بیوتیک ها به منظور پیشگیری از نتایج ناگوار نظیر ناتوانی بلند مدت یا مرگ باشد.
هم اکنون هیچ ابزاری برای پیشبینی اینکه کدام نوزادان نارس به این بیماری مبتلا خواهند شد، وجود ندارد و اغلب این بیماری بسیار دیر و زمانی که حدودا کار از کار گذشته است، تشخیص داده می شود. انتروکولیت نکروزان شایع ترین بیماری اورژانسی روده در میان نوزادان نارس است. این بیماری با نکروز روده پیشرونده، حضور باکتری در خون، اسیدوز و بیش از اندازه مریض شدن و ناخوش بودن و مرگ و میر مشخص 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 مشخص کرد، انجام شده است.
محققان این مطالعه بنابراین تصور کردند که یک روش یادگیری ماشینی برای مدل سازی داده های بالینی، دموگرافیک و داده های میکروبیوم از نوزادان نارس امکان دارد به آنها در پیشبینی زودتر این مورد کمک نماید تا آنها بتوانند زودتر بیمارانی که در معرض خطر مبتلا شدن 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.
بدین منظور محققان این مطالعه از داده های حاصل از یک مطالعه بالینی که در سال ۲۰۱۶ در مورد نوزادان نارس که مدفوع آنها در بخش مراقبت های ویژه نوزادان نارس آمریکا بین سال های 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 عنایت 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 پیشبینی انتروکولیت نکروزان از داده های میکروبیوم ارزیابی کردند. آنها دریافتند یکی از روش های یادگیری ماشین مبتنی بر یادگیری تحت نظارت معروف به "یادگیری چندگانه" (MIL) بهترین رویکرد برای پیشبینی زودتر این بیماری است؛ چونکه از آنجائیکه میکروبیوم های بدن انسان در معرض تغییر هستند، روش های یادگیری چندگانه چند وجه یک مساله را مورد بررسی قرار می دهند. بعنوان مثال در ۲۰ روز اول بعد از تولد یک نوزاد، میکروبیوم نوزاد گرفتار تغییر شدید می شود. خیلی از مطالعات نشان داده اند که نوزادان با تنوع بیشتر میکروبیوم به صورت معمول سالم تر هستند و عدم این مورد می تواند به آنها در شناسایی نوزادانی که در معرض خطر این بیماری هستند، کمک نماید.
محققان حالا در حال ایجاد یک پلت فرم آزمایش غیر تهاجمی برای شناسایی دقیق نوزادان در معرض خطر بالای انتروکولیت نکروزان هستند. بعد 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.
منبع: goopa.ir
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب