Uczenie maszynowe może pomóc w ustaleniu, czy potrzebne są testy genetyczne FAP | Model świadomy „czerwonych flag” choroby wykrywa osoby z mutacjami TTR
Uczenie maszynowe, forma sztucznej inteligencji, może pomóc lekarzom zidentyfikować osoby podejrzane o rodzinną polineuropatię amyloidową (FAP) i które powinny przejść test genetyczny na tę chorobę, sugeruje badanie przeprowadzone we Włoszech.
Uczenie maszynowe wykorzystuje algorytmy do analizowania danych, uczenia się na ich podstawie i prognozowania na podstawie tych informacji.
Uszkodzenie serca lub kardiomiopatia, niewyjaśniona utrata masy ciała i problemy żołądkowo-jelitowe silnie wiążą się z rozpoznaniem genetycznym [FAP]wskazując, że „objawy te mogą stanowić najbardziej wrażliwe czerwone flagi” w diagnozowaniu FAP, napisali naukowcy.
Badania, „Uczenie maszynowe do wczesnej diagnozy amyloidozy ATTRv na obszarach nieendemicznych: wieloośrodkowe badanie z Włoch”, została opublikowana w Nauki o mózgu.
W przypadku braku badań genetycznych w kierunku FAP często występują opóźnienia diagnostyczne
FAP, znany również jako dziedziczna amyloidoza transtyretynowa z polineuropatią, jest postępującą chorobą rozpoczynającą się w wieku dorosłym, spowodowaną mutacjami w TTR gen.
Powoduje to gromadzenie się toksycznych skupisk białka transtyretyny w tkankach, szczególnie w nerwach obwodowych — znajdujących się poza mózgiem i rdzeniem kręgowym — co prowadzi do uszkodzenia nerwów lub polineuropatii. Agregaty transtyretyny mogą również gromadzić się w sercu, wpływając na jego funkcję (kardiomiopatia).
FAP charakteryzuje się szerokim zakresem objawów chorobowych, które różnią się znacznie między pacjentami i są podobne do innych chorób, co sprawia, że diagnoza jest „bardzo trudna iw większości przypadków opóźniona” – napisali naukowcy. „Obecnie dostępnych jest kilka opcji leczenia; dlatego unikanie błędnej diagnozy ma kluczowe znaczenie dla rozpoczęcia terapii we wczesnych stadiach choroby”.
Wykorzystanie uczenia maszynowego „w genetycznych badaniach przesiewowych dla [FAP] może prowadzić do bardziej czułego i specyficznego podejścia diagnostycznego, przyczyniając się w ten sposób do znacznego zmniejszenia opóźnienia diagnostycznego [FAP] na obszarach nieendemicznych, a także zapewnienie wczesnego leczenia tej rzadkiej dziedzicznej choroby” – dodali.
Aby przetestować tę hipotezę, naukowcy z Włoch ocenili, czy uczenie maszynowe może pomóc w rozróżnianiu pacjentów z FAP i bez FAP, pomagając w ten sposób zidentyfikować tych, którzy powinni przejść testy genetyczne w kierunku FAP.
„Naszym celem jest opracowanie prostego przewodnika po testach genetycznych, który może być przydatny dla klinicystów” – napisali.
Przyjrzeli się informacjom obejmującym 397 dorosłych z przewlekłą polineuropatią i co najmniej jedną „czerwoną flagą”, która wzbudziła podejrzenie FAP. Wszyscy przeszli test genetyczny na tę chorobę w ośrodku nerwowo-mięśniowym w Palermo, Mesynie, Neapolu lub Rzymie.
Po wykluczeniu członków rodziny pierwszego stopnia do analizy włączono 93 pacjentów (mediana wieku 68 lat; 77% mężczyzn), u których wynik testu na obecność mutacji powodujących FAP był pozytywny, oraz 96 osób dobranych pod względem wieku i płci, u których wynik testu był ujemny.
Wśród przypadków dodatnich pod względem mutacji najczęstszymi objawami były zespół cieśni nadgarstka obu rąk i problemy z autonomicznym układem nerwowym (51% dla każdego objawu), a następnie ataksja lub utrata koordynacji (48%), niewyjaśniona utrata masy ciała (45% ) i kardiomiopatii (42%).
Autonomiczny układ nerwowy jest odpowiedzialny za kontrolę mimowolnych funkcji organizmu, takich jak częstość akcji serca, przepływ krwi oraz funkcje przewodu pokarmowego i pęcherza moczowego.
Aby zrozumieć, jak dobrze uczenie maszynowe może rozróżnić pacjentów z polineuropatią wykazujących pozytywny wynik odpowiednich mutacji genetycznych od tych, którzy byli ujemni, naukowcy przeszkolili algorytm uczenia maszynowego o nazwie XGBoost (XGB), który wykorzystuje kilka „drzew decyzyjnych” konstruowanych sekwencyjnie, aby stworzyć ostateczną Model.
Dobra czułość, specyficzność w identyfikacji pacjentów z mutacją dodatnią
Model rozróżniał pacjentów z pozytywnym i negatywnym wynikiem testu z dokładnością 70,7%, czułością 71,2% (odsetek prawdziwie dodatnich) i swoistością 70,4% (odsetek prawdziwie ujemnych).
„Wyniki sugerują zdolność modelu XGB do uczciwej identyfikacji zarówno próbek pozytywnych, jak i negatywnych” – napisali naukowcy, dodając, że model przewyższa inne standardowe modele.
Naukowcy wykorzystali następnie inny algorytm sztucznej inteligencji, aby zinterpretować wyniki modelu i zrozumieć, które czynniki są najważniejsze przy określaniu, komu należy zalecić wykonanie testu genetycznego na FAP.
Odkryli, że ataksja, niewyjaśniona utrata masy ciała, objawy żołądkowo-jelitowe i kardiomiopatia były silnie związane z pozytywnym wynikiem testu genetycznego. Z kolei choroba autoimmunologiczna, zajęcie oczu, cukrzyca, objawy nerkowe i objawy zwężenia dolnego kanału kręgowego wiązały się z wynikiem ujemnym.
Podczas gdy obustronny zespół cieśni nadgarstka i dysfunkcja autonomiczna były najczęstszymi objawami pacjentów z FAP, objawy te występowały również z podobnym odsetkiem wśród osób z wynikiem negatywnym, będąc „podobnie rozmieszczone zarówno u pacjentów z pozytywnym, jak i negatywnym wynikiem badania przesiewowego” – napisał zespół.
„Nasze dane potwierdzają użycie [AI] algorytmy w klinicznych badaniach przesiewowych, aby wzbudzić podejrzenie [FAP]przyczyniając się w ten sposób do potencjalnego zmniejszenia opóźnienia diagnostycznego na obszarach nieendemicznych” – napisali naukowcy.
FAP „należy podejrzewać, jeśli jest postępujący [polyneuropathy] obserwuje się w połączeniu z ataksją, problemami żołądkowo-jelitowymi, niewyjaśnioną utratą masy ciała i kardiomiopatią” – dodali, zalecając dalsze badania w celu „zbadania klinicznego zastosowania [a machine learning] algorytm” we wczesnej diagnozie.