L'entérocolite nécrosante (NEC) est une maladie intestinale potentiellement mortelle de la prématurité. Caractérisé par une inflammation intestinale soudaine et progressive et la mort tissulaire, il affecte jusqu'à 11 000 prématurés aux États-Unis chaque année, et 15 à 30% des bébés atteints meurent de NEC. Les survivants sont souvent confrontés à des complications intestinales et neurodéveloppementales à long terme.
Des chercheurs de Columbia Engineering et de l'Université de Pittsburgh ont mis au point un système d'alerte précoce sensible et spécifique pour prédire la NEC chez les prématurés avant que la maladie ne survienne. Le prototype prédit la NEC avec précision et à un stade précoce, en utilisant les caractéristiques du microbiome des selles combinées avec des informations cliniques et démographiques. L'étude pilote a été présentée virtuellement le 23 juillet à ACM CHIL 2020.
« C'est incroyable de voir comment nous pourrions être en mesure d'utiliser l'apprentissage automatique pour empêcher que cela n'arrive aux bébés », a déclaré le co-auteur de l'étude, Ansaf Salleb-Aouissi, maître de conférences en discipline du département d'informatique de Columbia Engineering et spécialiste en l'intelligence artificielle et ses applications à l'informatique médicale. « Nous avons examiné les données et développé un outil qui peut vraiment être utile, voire sauver des vies. »
Si les médecins pouvaient prédire avec précision la NEC avant que le bébé ne devienne réellement malade, il y a quelques étapes très simples qu'ils pourraient prendre; le traitement pourrait inclure l'arrêt des tétées, l'administration de liquides intraveineux et le début d'antibiotiques pour éviter les pires résultats tels que l'invalidité à long terme ou le décès. . «
Thomas Hooven, auteur principal de l'étude et professeur adjoint, Université de Pittsburg
Hooven, qui a commencé sa collaboration avec Salleb-Aouissi alors qu'il était professeur adjoint de pédiatrie à la division de néonatologie-périnatologie du Columbia University Medical Center. Il est maintenant professeur adjoint de pédiatrie à la division de médecine néonatale de la faculté de médecine de l'Université de Pittsburgh.
À l'heure actuelle, il n'existe aucun outil pour prédire quels bébés prématurés contracteront la maladie, et souvent la NEC n'est pas reconnue avant qu'il ne soit trop tard pour intervenir efficacement. La NEC est l'urgence intestinale la plus courante chez les nourrissons prématurés. Elle se caractérise par une nécrose intestinale à progression rapide, une bactériémie, une acidose et des taux élevés de morbidité et de mortalité.
Les causes de la NEC ne sont pas bien comprises, mais plusieurs études se sont concentrées sur les changements dans le microbiome intestinal, les bactéries de l'intestin dont la composition peut être déterminée à partir du séquençage de l'ADN à partir de petits échantillons de selles.
Les chercheurs ont émis l'hypothèse qu'une approche d'apprentissage automatique pour modéliser les données cliniques, démographiques et microbiologiques des patients prématurés pourrait permettre la discrimination des patients à haut risque de NEC bien avant le début de la maladie clinique, ce qui permettrait une intervention précoce et l'atténuation des complications graves.
Hooven, Salleb-Aouissi et Lin ont utilisé les données d'une étude clinique des NIH de 2016 sur des prématurés dont les selles ont été collectées dans plusieurs USI néonatales américaines entre 2009 et 2013. L'équipe a examiné 2 895 échantillons de selles provenant de 161 prématurés, dont 45 ont développé une NEC.
Compte tenu de la complexité des données sur le microbiome, les chercheurs ont effectué plusieurs étapes de prétraitement des données pour réduire leur dimensionnalité et pour aborder la nature de la composition et de la hiérarchie de ces données pour les exploiter dans l'apprentissage automatique.
«NEC représente une excellente application du point de vue de l'apprentissage automatique», a déclaré Salleb-Aouissi. « Les leçons que nous avons tirées de notre nouvelle technique pourraient bien se traduire par d'autres ensembles de données génétiques ou protéomiques et inspirer de nouveaux algorithmes d'apprentissage automatique pour les ensembles de données de santé. »
L'équipe a évalué plusieurs méthodes d'apprentissage automatique pour déterminer la meilleure stratégie de prédiction de la NEC à partir des données sur le microbiome. Ils ont trouvé des performances optimales grâce à une approche d'apprentissage d'instances multiples (MIL) basée sur l'attention fermée.
Étant donné que les microbiomes humains sont sujets à changement, les méthodes MIL abordent l'aspect séquentiel du problème. Par exemple, dans les 20 premiers jours après la naissance d'un nourrisson, le microbiome du nourrisson subit un changement radical. De nombreuses études ont montré que les nourrissons présentant une plus grande diversité de microbiomes sont généralement en meilleure santé.
« Cela nous a amenés à penser que les changements dans la diversité du microbiome peuvent aider à expliquer pourquoi certains nourrissons sont plus susceptibles d'être malades du NEC », a déclaré Adam (Yun Chao) Lin, étudiant en sciences informatiques et co-auteur de l'étude dont les travaux sur ce projet l'a incité à poursuivre un doctorat.
Au lieu de considérer les échantillons de microbiome d'un nourrisson comme indépendants, l'équipe a représenté chaque patient comme une collection d'échantillons et a appliqué des mécanismes d'attention pour apprendre les relations complexes entre les échantillons. L'algorithme d'apprentissage automatique «regarde» chaque sac et essaie de deviner à partir de son contenu si le bébé est affecté ou non.
Dans des essais répétés, la capacité du modèle à distinguer les nourrissons affectés des nourrissons non affectés présentait un bon équilibre entre sensibilité et spécificité. «La zone sous la courbe ROC (AUC) est d'environ 0,9, ce qui démontre à quel point nos modèles distinguent bien les patients affectés et non affectés», a noté Salleb-Aouissi.
«Notre système est le premier système efficace pour un modèle d'apprentissage automatique cliniquement applicable qui combine des données microbiologiques, démographiques et cliniques qui peuvent être collectées et surveillées en temps réel dans une unité de soins intensifs néonatals. Nous sommes ravis d'étendre son applicabilité à un nouveau domaine de surveillance prédictive en médecine. «
Les chercheurs développent actuellement une plate-forme de test autonome non invasive pour l'identification précise des nourrissons à haut risque de NEC avant le début clinique, afin d'éviter les pires résultats. Une fois la plateforme prête, ils mèneront un essai clinique randomisé pour valider les prévisions de leur technique dans une cohorte néonatale en soins intensifs en temps réel.
«Pour la première fois, je peux imaginer un avenir où les parents de bébés prématurés et leurs équipes médicales ne vivent plus dans la peur constante de NEC», a déclaré Hooven.
La source:
École d'ingénierie et de sciences appliquées de l'Université Columbia
Référence du journal:
Hooven, T., et al. (2020) Apprentissage d'instances multiples pour prédire l'entérocolite nécrosante chez les prématurés à l'aide de données sur le microbiome. ACM-CHIL 2020. doi.org/10.1145/3368555.3384466.
