اجتماعی

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

نکروز کننده انتروکولیت (NEC) یک بیماری جدی روده است که کودکان را تحت تأثیر قرار می دهد. این بیماری در اثر تورم ناگهانی و پیشرونده روده و بافت ایجاد می شود. در ایالات متحده ، هر سال حدود 11000 کودک آلوده می شوند و 15 تا 30 درصد از کودکان آلوده می میرند و بازماندگان اغلب از مشکلات مزمن روده رنج می برند. آنها از تکامل آشفته هستند.

طبق گفته ENA محققان دانشگاه کلمبیا و دانشکده مهندسی دانشگاه پیتسبورگ سیستم جدیدی از خطر و هشدار زودرس را برای بیماری نوزادی در نوزادان ایجاد کرده اند. نمونه ای از این سیستم استفاده از پاتوژن های کودکان در رابطه با اطلاعات بالینی و جمعیت شناختی برای پیش بینی دقیق و سریع بیماری است.

انصاف صالب عزیزی ، محقق دانشگاه کلمبیا ، گفت: استفاده از فناوری یادگیری ماشینی برای جلوگیری از بروز این اتفاق در کودکان بسیار هیجان انگیز است. در این مطالعه ، ما داده ها را مرور کردیم و ابزاری برای کمک به زندگی و بسیار مفید برای کودکان تهیه کردیم.

وی افزود: اگر پزشكان قبل از بیمار شدن كودكان بتوانند بیماری پاتوژنز نیكوتین را به طور دقیق پیش بینی كنند ، اقدامات بسیار ساده ای وجود دارد كه می توانند برای درمان آن بردارند. درمان ممکن است شامل تجویز آنتی بیوتیک و خوردن غذا برای جلوگیری از عوارض جانبی مانند صدمات طولانی مدت یا مرگ ، تزریق مایعات و تجویز آنتی بیوتیک باشد.

در حال حاضر نمی توان پیش بینی کرد که کودکان در چه سنی آلوده خواهند شد و معمولاً در زمان تشخیص تاخیر و تکمیل می شود. این بیماری شایع ترین عفونت روده در کودکان خردسال است. این بیماری با بیماری مترقی روده ، وجود باکتری در خون ، آسیت و درد بیش از حد و بیماری و مرگ مشخص می شود.

علت انسداد روده به خوبی درک نشده است. با این حال ، بسیاری از مطالعات نشان داده اند که تغییرات در باکتری های روده ، باکتری های روده و نمونه های مدفوع کوچک را می توان به صورت متوالی ترکیب کرد.

بنابراین ، در این مطالعه ، محققان فکر می کنند که یک رویکرد یادگیری ماشین برای مدل سازی داده های بالینی ، جمعیتی و میکروبیولوژیکی از دوران کودکی ممکن است به آنها در پیش بینی کمک کند. تشخیص اختلالات عصبی و این می تواند در شروع درمان سرعت ببخشد و شدت بیماری را کاهش دهد.

برای این منظور ، محققان گفتند ، آسیب های جمع آوری شده در وزارت مراقبت های قبل از تولد بین سال های 2009 تا 2013 در یک مطالعه بالینی 2016 جمع آوری شد.

محققان 2 هزار و 895 نمونه از بیمارستان ها را از کودکان زیر 161 مورد بررسی کردند که 45 نفر از آنها به سل تشخیص داده شده بودند. با توجه به پیچیدگی داده های میکروبیوتا ، محققان تعدادی فرآیند پردازش داده را انجام داده و سپس نتایج را با استفاده از یک سیستم یادگیری ماشین ارزیابی کردند.

محققان تعدادی از تکنیکهای یادگیری ماشین را برای تعیین بهترین روش برای پیش بینی آنسفالیت نیکوتین میکروبیولوژیکی ارزیابی کردند. آنها روشی از یادگیری ماشینی بر اساس مطالعه تحت کنترل MIL پیدا کردند که یک روش عالی برای تشخیص زودهنگام بیماری است. مطالعه بسیاری از جنبه های یک مشکل توسط بسیاری از روشهای یادگیری قابل تغییر است که توسط بدن انسان قابل تغییر است. به عنوان مثال ، در طول 20 روز اول پس از تولد ، میکروبیولوژی کودک به طرز چشمگیری تغییر می کند. مطالعات بی شمار نشان داده اند که بسیاری از نوزادان میکروبیولوژیکی معمولاً سالم هستند و این کمبود می تواند به شناسایی کودکانی که در معرض خطر هستند کمک کند.

محققان در حال حاضر در حال ایجاد یک سایت آزمایش غیر تهاجمی برای تعیین خطر ابتلا به نوروپاتی پرخطر هستند. اگر سکو آماده باشد ، آنها یک آزمایش بالینی را برای تعیین صحت روش انجام می دهند.

این یافته ها در مجله ACM CHIL منتشر شده است.

انتهای پیام

دکمه بازگشت به بالا