Czy sztuczna inteligencja posłuży do diagnozowania chorób układu krążenia przez badanie stolca?

Czy nauczenie maszyny czytania informacji z kału do diagnozowania chorób układu krążenia to utopia? Nie, jeśli wierzyć wynikom nowego badania. Zgodnie z nimi to oryginalne podejście miałoby być prawie tak samo skuteczne, jak obecnie stosowane badania. A przy tym jest znacznie mniej czasochłonne.

 

Choroby sercowo-naczyniowe są główną przyczyną zgonów na świecie. Prognozuje się, że do 2030 roku liczba zgonów sięgnie 23,6 mln. Obecnie ich diagnoza opiera się na zestawie czasochłonnych i kosztownych badań (testy kliniczne, elektrokardiogram, rentgen klatki piersiowej, echokardiogram). Tymczasem zmiana mikrobioty jelitowej (dysbioza) wiąże się z kilkoma z tych chorób, w szczególności z nadciśnieniem tętniczym, niewydolnością serca i miażdżycą. Dlaczego więc nie polegać na sztucznej inteligencji i nie zaprojektować testu diagnostycznego badającego skład mikrobioty?

D„Ślady” choroby układu krążenia w stolcu!

Uczenie maszynowe (ang. machine learning) to dziedzina badań sztucznej inteligencji, która polega na dostarczaniu danych do komputera, aby nauczyć go rozwiązywania problemu. Sztuczna inteligencja jest w medycynie z powodzeniem wykorzystywana do diagnozowania i przewidywania różnych chorób, takich jak rak, cukrzyca, choroby zapalne jelit. Aby sprawdzić jej zastosowanie w diagnozowaniu chorób sercowo-naczyniowych, naukowcy porównali różne modele do analizy stolca pobranego od 478 chorych i 473 zdrowych osób, aby zidentyfikować „ślady” charakterystyczne dla tych chorób. Okazało się, że liczebność 39 rodzajów bakterii jelitowych była bardzo różna w obu grupach pacjentów.

Duża zdolność diagnostyczna

Naukowcy ustanowili specyficzny algorytm ukierunkowany na 25 rodzin bakterii w mikrobiocie jelitowej, który ma umożliwić rozróżnienie obu grup osób z 70-procentową dokładnością. To wynik niewiele niższy niż uzyskany metodą konwencjonalną, w której diagnozuje się 76% pacjentów, przy czym wymaga ona wielu danych klinicznych (wiek, płeć, palenie tytoniu, ciśnienie krwi, poziom cholesterolu itp.). Dla autorów badania uczenie maszynowe dysbiozy jelitowej charakterystycznej dla chorób układu krążenia daje bardzo obiecujący potencjał w diagnostyce w ramach rutynowej oceny.

 

Źródła:

Aryal S, Alimadadi A, Manandhar I, et al. Machine Learning Strategy for Gut Microbiome-Based Diagnostic Screening of Cardiovascular Disease. Hypertension. 2020 Nov;76(5):1555-1562. doi: 10.1161/HYPERTENSIONAHA.120.15885.