Los investigadores desarrollan una herramienta de aprendizaje automático para predecir la enterocolitis necrotizante en bebés prematuros

La enterocolitis necrotizante (ECN) es una enfermedad intestinal del prematuro potencialmente mortal. Caracterizado por inflamación intestinal repentina y progresiva y muerte tisular, afecta hasta 11,000 bebés prematuros en los Estados Unidos anualmente, y el 15-30% de los bebés afectados mueren de NEC. Los sobrevivientes a menudo enfrentan complicaciones intestinales y del neurodesarrollo a largo plazo.
Investigadores de Columbia Engineering y la Universidad de Pittsburgh han desarrollado un sistema de alerta temprana sensible y específico para predecir NEC en bebés prematuros antes de que ocurra la enfermedad. El prototipo predice NEC de manera precisa y temprana, utilizando características del microbioma de las heces combinadas con información clínica y demográfica. El estudio piloto se presentó virtualmente el 23 de julio en ACM CHIL 2020.
"Es asombroso cómo podemos usar el aprendizaje automático para evitar que esto les suceda a los bebés", dijo el coautor del estudio, Ansaf Salleb-Aouissi, profesor principal de disciplina del departamento de informática de Columbia Engineering y especialista en inteligencia artificial y sus aplicaciones a la informática médica. "Analizamos los datos y desarrollamos una herramienta que puede ser realmente útil, incluso para salvar vidas". Si los médicos pudieran predecir con precisión la ECN antes de que el bebé realmente se enferme, hay algunos pasos muy simples que podrían tomar; el tratamiento podría incluir suspender la alimentación, administrar líquidos por vía intravenosa y comenzar a tomar antibióticos para prevenir los peores resultados, como una discapacidad a largo plazo o la muerte .
" Thomas Hooven, autor principal del estudio y profesor asistente, Universidad de Pittsburg Hooven, quien comenzó su colaboración con Salleb-Aouissi cuando era profesor asistente de pediatría en la División de Neonatología-Perinatología del Centro Médico de la Universidad de Columbia. Ahora es profesor asistente de pediatría en la División de Medicina del Recién Nacido de la Facultad de Medicina de la Universidad de Pittsburgh. Actualmente, no existe una herramienta para predecir qué bebés prematuros contraerán la enfermedad y, a menudo, la ECN no se reconoce hasta que es demasiado tarde para intervenir de manera eficaz.
La ECN es la emergencia intestinal más común entre los bebés prematuros. Se caracteriza por necrosis intestinal rápidamente progresiva, bacteriemia, acidosis y altas tasas de morbilidad y mortalidad. Las causas de la ECN no se conocen bien, pero varios estudios se han centrado en los cambios en el microbioma intestinal, la bacteria en el intestino cuya composición se puede determinar a partir de la secuenciación del ADN de muestras de heces pequeñas.
Los investigadores plantearon la hipótesis de que un enfoque de aprendizaje automático para modelar datos clínicos, demográficos y de microbioma de pacientes prematuros podría permitir la discriminación de pacientes con alto riesgo de ECN mucho antes del inicio de la enfermedad clínica, lo que permitiría una intervención temprana y la mitigación de complicaciones graves. Hooven, Salleb-Aouissi y Lin utilizaron datos de un estudio clínico de los NIH de 2016 sobre bebés prematuros cuyas heces se recolectaron en varias UCI neonatales estadounidenses entre 2009 y 2013. El equipo examinó 2.895 muestras de heces de 161 bebés prematuros, 45 de los cuales desarrollaron ECN.
Dada la complejidad de los datos del microbioma, los investigadores realizaron varios pasos de preprocesamiento de datos para reducir su dimensionalidad y abordar la naturaleza composicional y jerárquica de estos datos para aprovecharlos para el aprendizaje automático. "NEC representa una aplicación excelente desde una perspectiva de aprendizaje automático", dijo Salleb-Aouissi. "Las lecciones que hemos aprendido de nuestra nueva técnica podrían traducirse en otros conjuntos de datos genéticos o proteómicos e inspirar nuevos algoritmos de aprendizaje automático para conjuntos de datos de atención médica". El equipo evaluó varios métodos de aprendizaje automático para determinar la mejor estrategia para predecir NEC a partir de datos del microbioma. Encontraron un rendimiento óptimo a partir de un enfoque de aprendizaje de instancias múltiples (MIL) basado en la atención. Dado que los microbiomas humanos están sujetos a cambios, los métodos MIL abordan el aspecto secuencial del problema.
Por ejemplo, en los primeros 20 días después del nacimiento de un bebé, el microbioma del bebé sufre un cambio drástico. Muchos estudios han demostrado que los bebés con una mayor diversidad de microbiomas suelen ser más saludables. "Esto nos llevó a pensar que los cambios en la diversidad del microbioma pueden ayudar a explicar por qué algunos bebés tienen más probabilidades de enfermarse a causa de la ECN", dijo Adam (Yun Chao) Lin, estudiante de ciencias de la computación y coautor del estudio cuyo trabajo en este proyecto lo impulsó a realizar ahora un doctorado.
En lugar de ver las muestras de microbioma de un bebé como independientes, el equipo representó a cada paciente como una colección de muestras y aplicó mecanismos de atención para aprender las complejas relaciones entre las muestras. El algoritmo de aprendizaje automático "mira" cada bolsa e intenta adivinar a partir de su contenido si el bebé está afectado o no. En ensayos repetidos, la capacidad del modelo para distinguir a los bebés afectados de los no afectados tuvo un buen equilibrio entre sensibilidad y especificidad.
"El área bajo la curva ROC (AUC) es de aproximadamente 0,9, lo que demuestra lo buenos que son nuestros modelos para distinguir entre pacientes afectados y no afectados ", anotó Salleb-Aouissi. "El nuestro es el primer sistema eficaz para un modelo de aprendizaje automático clínicamente aplicable que combina datos microbiológicos, demográficos y clínicos que se pueden recopilar y monitorear en tiempo real en una UCI neonatal.
Estamos entusiasmados por extender su aplicabilidad a un nueva área de monitorización predictiva en medicina ". Los investigadores ahora están desarrollando una plataforma de prueba independiente no invasiva para la identificación precisa de bebés con alto riesgo de ECN antes del inicio clínico, para prevenir los peores resultados. Una vez que la plataforma esté lista, realizarán un ensayo clínico aleatorizado para validar las predicciones de su técnica en una cohorte de UCI neonatal en tiempo real.
"Por primera vez puedo imaginar un futuro en el que los padres de bebés prematuros y sus equipos médicos ya no vivan con el miedo constante a la ECN", dijo Hooven ..