Een team van onderzoekers van de Medische Universiteit van Wenen heeft onlangs de effectiviteit geëvalueerd van strategieën voor machinaal leren om bacteriëmie te identificeren bij patiënten die lijden aan het systemische inflammatoire responssyndroom (SIRS). hun studie, gepubliceerd in Wetenschappelijke rapporten , ontmoedigende resultaten verzameld, omdat machine learning-methoden geen betere nauwkeurigheid konden bereiken dan de huidige diagnostische technieken.

Bacteriëmie is een veel voorkomende medische aandoening die wordt gekenmerkt door de aanwezigheid van bacteriën in het bloed, met een sterftecijfer tussen 13 en 21 procent. Eerder onderzoek suggereert dat een aantal factoren verband houden met het risico op het ontwikkelen van deze aandoening, inclusief hoge leeftijd, urinaire of inwonende vasculaire katheter, chemotherapie, en immunosuppressieve therapieën.

Het vroegtijdig diagnosticeren van bacteriëmie is van cruciaal belang voor de overleving van getroffen patiënten, omdat ze een snelle behandeling met geschikte antibiotica vereisen. Momenteel, de analyse van bloedkweek (BC) is de belangrijkste methode voor het diagnosticeren van de aandoening. Echter, deze methode is verre van ideaal, omdat het vaak moeilijk is om te bepalen wie BC-analyse moet ondergaan, de resultaten hebben ongeveer drie dagen nodig om te worden verwerkt, en het kan leiden tot ongeveer 8 procent van de valse positieven.

Onderzoekers proberen daarom biomarkers of voorspellingstools te identificeren die patiënten met een hoog bacteriëmierisico beter kunnen identificeren. Tot dusver, procalcitonine (PCT) is de beste biomarker gebleken voor het detecteren van de aandoening, met een gepoolde gevoeligheid van 76 procent en een gepoolde specificiteit van 69 procent.

In hun studie hebben de onderzoekers onderzochten of strategieën voor machinaal leren de diagnostische prestaties van PCT bij het identificeren van bacteriëmie zouden kunnen verbeteren, vooral bij patiënten met twee of meer symptomen van SIRS die geen BC-analyse nodig hadden. Ze verzamelden gegevens van 466 patiënten die aan de criteria voldeden en gebruikten een 29-parameterpanel met klinische gegevens, cytokine-expressieniveaus en standaard laboratoriummarkers om hun voorspellende model te trainen.

"Het belangrijkste doel van onze studie was om aan te tonen of de aanwezigheid van bacteriën in het bloed van een patiënt nadat ze ontstekingsreacties hebben vertoond, vroeg en beter kan worden voorspeld dan momenteel mogelijk is, met behulp van laboratoriumparameters en machine learning, "Georg Dorffner, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Met dat doel, we hebben een groot onderzoek gedaan met patiënten van onze universiteitskliniek (AKH Wenen) om de benodigde gegevens te verzamelen."

Doffner en zijn collega's gebruikten enkele voorspellende modellen die populair zijn op het gebied van machine learning, hun respectieve doeltreffendheid te evalueren. Ze richtten zich met name op twee modellen, de ene gebruikt neurale netwerken en de andere heet willekeurig bos.

"Een van de modellen die we gebruikten heet 'neuraal netwerk, ' en vindt goede combinaties van laboratoriumwaarden om ook niet-lineaire (d.w.z. niet-proportionele) voorspellingen te doen, " legde Dorffner uit. "Een andere - eigenlijk de best presterende - heet 'willekeurig bos, ' en bestaat uit een groot aantal zogenaamde beslisbomen, waarbij elke boom een ​​reeks stapsgewijze beslissingen probeert te nemen, elk gebaseerd op een enkele laboratoriumwaarde, wat de beste voorspelling is. Deze bomen werken dan allemaal samen als een commissie (vandaar de naam 'bos')."

In hun studie hebben de random forest-strategie behaalde de beste resultaten bij het voorspellen van bacteriëmie. Echter, het bereikte een diagnostische nauwkeurigheid gelijk aan die van de biomarker PCT, wat suggereert dat populaire machine learning-technieken de aandoening niet beter kunnen voorspellen dan momenteel gebruikte methoden.

"Onze meest betekenisvolle bevinding was dat een reeks van verschillende laboratoriumwaarden niet kon leiden tot een betere voorspelling dan de ene waarde die alle anderen gebruiken, namelijk het niveau van procalcitonine in het bloed, "Verklaarde Dorffner. "Dus machinaal leren hielp in dit geval niet echt om de klinische routine vooruit te helpen. Het was nog steeds een waardevolle poging, aangezien onze resultaten andere onderzoekers vertellen dat het probleem schijnbaar niet voorspelbaar is, hen onnodig verder werk in deze richting te besparen."

Hoewel de door Dorffner en zijn collega's verzamelde resultaten enigszins teleurstellend waren, ze bieden waardevolle inzichten voor toekomstig onderzoek, waarin de moeilijkheden worden geschetst van het gebruik van machine learning om bacteriëmie bij SIRS-patiënten te identificeren.

"We richten ons nu op andere klinische toepassingen waar machine learning waarschijnlijk veelbelovender is om voorspellingen of diagnoses te bevorderen, " zei Dorffner. "Bijvoorbeeld, samen met cardiologen ontwikkelen we een op MR-beeld gebaseerd leersysteem voor het opsporen van de zeldzame maar belangrijke ziekte van cardiale amyloïdose."

© 2018 Medical Xpress