Badacze z Boston Children’s Hospital dokonali znaczących postępów w poprawie opieki zdrowotnej nad noworodkami, opracowując przełomowy model uczenia maszynowego. Ten model dokładnie przewiduje ryzyko poszerzenia wstecznego wodoociągowego (VUR) u niemowląt zdiagnozowanych z hydrofrenozą, stanem, w którym mocz cofa się do nerek.
Tradycyjnie, prenatalne badania ultrasonograficzne są wykorzystywane do identyfikacji hydrofrenoz, ale mają one ograniczenia w wykrywaniu poszerzenia wstecznego VUR, głównej przyczyny tego stanu. Podczas gdy cystografia mikcyjno-moczowa (VCUG) oferuje bardziej dokładne wykrywanie, jest zarówno inwazyjna, jak i kosztowna. Zdając sobie sprawę z potrzeby lepszych metod badań przesiewowych, zespół badawczy postanowił opracować narzędzie, które efektywnie wykorzysta wyniki ultrasonograficzne do zidentyfikowania niemowląt o najwyższym ryzyku wystąpienia VUR, co pozwoli dodatkowo na badania przesiewowe za pomocą VCUG.
W ramach swoich badań zespół opracował algorytm uczenia maszynowego, wykorzystując dane z 280 niemowląt, które przeszły badania ultrasonograficzne z powodu hydrofrenoz i następnie VCUG w Boston Children’s Hospital. Poprzez zintegrowanie informacji obrazowych, szczegółów pacjenta oraz klasyfikacji poszerzenia dróg moczowych, model skutecznie przewidział ryzyko poszerzenia VUR z imponującą powierzchnią pod krzywą wynoszącą 0,81.
Zespół badawczy zidentyfikował konkretne czynniki, takie jak płeć, poszerzenie cewki moczowej, grubość miąższu, wygląd miąższu i poszerzenie centralnego kielicha jako istotne czynniki przewidujące VUR w tej kohorcie. Ponadto podkreślili oni dokładność i intuicyjność modelu, umożliwiając prostą interpretację przez lekarzy w rutynowych warunkach klinicznych.
Dr Hsin-Hsiao (Scott) Wang, główny autor badania i urolog w Boston Children’s Hospital, wyraził nadzieję na potencjalny wpływ modelu na kierowanie leczeniem pacjentów z hydrofrenozą. Celem jest dostarczenie lekarzom narzędzia, które pozwoli uniknąć zbędnych testów u dzieci.
Ten rozwój w opiece zdrowotnej nad noworodkami pokazuje rosnące wykorzystanie sztucznej inteligencji (AI) do poprawy opieki nad stanami pediatrycznymi. Badacze z University of Pittsburgh i UPMC niedawno również zaprezentowali inteligentną aplikację na smartfony wspomaganą AI, zdolną do diagnozowania ostrego zapalenia ucha (AOM), powszechnej choroby u dzieci. Aplikacja analizuje filmy błony bębenkowecej, aby pomóc lekarzom w dokładnej diagnozie AOM, zapobiegając niewłaściwemu stosowaniu antybiotyków.
Dzięki dalszemu udoskonalaniu i integrowaniu większej liczby danych pacjentów, model uczenia maszynowego dla hydrofrenozy ma na celu przewidywanie, czy stan pacjenta rozwiąże się naturalnie, czy będzie wymagał interwencji medycznej. Ten przełom ma potencjał do rewolucjonizacji opieki zdrowotnej nad noworodkami, oferując lepsze metody badań przesiewowych, ograniczając inwazyjne procedury i poprawiając kierowanie pacjentami z hydrofrenozą, co w rezultacie prowadzi do lepszych wyników zdrowotnych dla niemowląt na całym świecie.
FAQ – Model uczenia maszynowego do przewidywania ryzyka poszerzenia wstecznego wodoociągowego (VUR)
The source of the article is from the blog exofeed.nl