Ett team av forskare vid Medical University of Vienna har nyligen utvärderat effektiviteten av maskininlärningsstrategier för att identifiera bakteriemi hos patienter som drabbats av systemiskt inflammatoriskt svarssyndrom (SIRS). Deras studie, publiceras i Vetenskapliga rapporter , samlade nedslående resultat, eftersom maskininlärningsmetoder inte kunde uppnå bättre noggrannhet än nuvarande diagnostiska tekniker.

Bakteremi är ett vanligt medicinskt tillstånd som kännetecknas av närvaron av bakterier i blodet, med en dödlighet på mellan 13 procent och 21 procent. Tidigare forskning tyder på att ett antal faktorer är associerade med risken att utveckla detta tillstånd, inklusive hög ålder, urinvägs- eller kärlkateter, kemoterapi, och immunsuppressiva terapier.

Att diagnostisera bakteriemi tidigt är av avgörande betydelse för överlevnaden för drabbade patienter, eftersom de kräver snabb behandling med lämplig antibiotika. För närvarande, analys av blododling (BC) är den huvudsakliga metoden för att diagnostisera tillståndet. Dock, denna metod är långt ifrån idealisk, eftersom det ofta är svårt att avgöra vem som ska genomgå BC-analys, resultaten behöver cirka tre dagar för att bearbetas, och det kan leda till omkring 8 procent av falska positiva.

Forskare försöker därför identifiera biomarkörer eller prediktionsverktyg som bättre kan identifiera patienter som har en hög bakteriemi risk. Än så länge, prokalcitonin (PCT) har visat sig vara den bästa biomarkören för att upptäcka tillståndet, med en poolad sensitivitet på 76 procent och en poolad specificitet på 69 procent.

I deras studie, forskarna undersökte om maskininlärningsstrategier kunde förbättra den diagnostiska prestandan för PCT vid identifiering av bakteriemi, särskilt hos patienter med två eller flera symtom på SIRS som inte krävde BC-analys. De samlade in data från 466 patienter som uppfyllde kriterierna och använde en panel med 29 parametrar av kliniska data, cytokinuttrycksnivåer och standardlabbmarkörer för att träna sin prediktiva modell.

"Huvudsyftet med vår studie var att visa om förekomsten av bakterier i en patients blod efter att de har uppvisat inflammatoriska reaktioner kan förutsägas tidigt och bättre än vad som är möjligt för närvarande, använda laboratorieparametrar och maskininlärning, "Georg Dorffner, en av forskarna som genomförde studien, berättade för Tech Xplore. "I det syftet, vi genomförde en stor studie med patienter från vår universitetsklinik (AKH Wien) för att samla in nödvändig data."

Doffner och hans kollegor använde några prediktiva modeller som är populära inom området maskininlärning, utvärdera deras respektive effektivitet. De fokuserade särskilt på två modeller, den ena använder neurala nätverk och den andra kallas slumpmässig skog.

"En av modellerna vi använde kallas "neurala nätverk, ' och hittar bra kombinationer av laboratorievärden för att även göra icke-linjära (dvs icke-proportionella) förutsägelser, " Dorffner förklarade. "En annan - faktiskt den bäst presterande - kallas 'slumpmässig skog,' ' och består av ett stort antal så kallade beslutsträd, där varje träd försöker fatta en rad stegvisa beslut, var och en baserad på ett enda laboratorievärde, vad som är den bästa förutsägelsen. Dessa träd arbetar sedan alla tillsammans som en kommitté (därav, namnet 'skog')."

I deras studie, Den slumpmässiga skogsstrategin gav de bästa resultaten när det gäller att förutsäga bakteriemi. Dock, den uppnådde en diagnostisk noggrannhet lika med biomarkören PCT, vilket tyder på att populära maskininlärningstekniker inte kan förutsäga tillståndet bättre än de metoder som för närvarande används.

"Vårt mest meningsfulla fynd var att en uppsättning av flera laboratorievärden inte kunde leda till en bättre förutsägelse än det värde som alla andra använder, nämligen nivån av prokalcitonin i blodet, " Dorffner förklarade. "Så maskininlärning hjälpte inte riktigt till att främja den kliniska rutinen i det här fallet. Det var fortfarande en givande ansträngning, eftersom våra resultat säger till andra forskare att problemet inte uppenbarligen är förutsägbart, besparar dem onödigt ytterligare arbete i denna riktning."

Medan resultaten som samlades in av Dorffner och hans kollegor var något nedslående, de erbjuder värdefull insikt för framtida forskning, som beskriver svårigheterna med att använda maskininlärning för att identifiera bakteriemi hos SIRS-patienter.

"Vi fokuserar nu på andra kliniska tillämpningar där maskininlärning sannolikt är mer lovande för att främja förutsägelser eller diagnoser, " sa Dorffner. "Till exempel, Tillsammans med kardiologer utvecklar vi ett MR-bildbaserat inlärningssystem för att upptäcka den sällsynta men viktiga sjukdomen hjärtamyloidos."

© 2018 Medical Xpress