Voir la traduction automatique
Ceci est une traduction automatique. Pour voir le texte original en anglais cliquez ici
#Actualités du secteur
{{{sourceTextContent.title}}}
L'intelligence artificielle se montre pour identifier prometteur NASH Undiagnosed
{{{sourceTextContent.subTitle}}}
Un algorithme d'intelligence artificielle peut s'avérer utile pour détecter des cas manqués de steatohepatitis sans alcool, chercheurs ont trouvé.
{{{sourceTextContent.description}}}
L'algorithme utilise les principes « profondément de l'étude » pour identifier des caractéristiques cliniques communes aux patients avec NASH. Les résultats préliminaires encouragent, mais on s'attend à ce que le logiciel devienne de plus en plus futé, améliorant la spécificité et la sensibilité, pendant qu'elle incorpore le MOIS au sujet des données, a indiqué Kathryn Starzyk, MSC, directeur supérieur des preuves réelles chez OM1 Inc., l'entreprise basée sur Boston qui développe le système.
L'étalon or pour un diagnostic de NASH est une biopsie de foie, mais Mme Starzyk a décrit des limitations pratiques à cette approche à la semaine de la maladie 2018 digestive (résumé 356).
La « biopsie de foie comporte le risque, et elle est contre-indiquée pour quelques patients, » Mme Starzyk a dit. En raison de la prédominance élevée et croissante du NASH-plus que doublant au cours des 20 dernières années aux Etats-Unis (AM J Gastroenterol 2017 ; 112 [4] : 581-587) — le coût de biopsier chaque cas suspecté peut également saper des ressources de soins de santé.
Le nouvel outil comporte « une combinaison des algorithmes sophistiqués d'AI conçus pour apprendre automatiquement les caractéristiques des cas confirmés de NASH, » Mme Starzyk a dit. Une fois appliqué à un ensemble de étude de patients avec ou sans NASH, le récepteur actionnant la méthode caractéristique-un mesurant la capacité d'un classificateur binaire de discerner vrai de faux cas-prouvée pour être « très puissant, » elle a ajouté.
Les études de validation dans les populations dans lesquelles la prédominance de NASH est connue pour être haute, comme les personnes obèses ou ceux avec du diabète, également avaient encouragé. Quand l'outil d'AI a été appliqué à une base de données avec plus de 40 millions de personnes des États-Unis, le nombre de patients considérés avoir une probabilité élevée de NASH était dans les centaines de milliers, Mme Starzyk a rapporté.
L'algorithme d'AI pourrait être adapté pour d'autres maladies, en particulier ceux qui sont également généralement données sur ou mal codées, elle a dit. Si les thérapies s'améliorent pour NASH, en particulier les interventions qui arrêtent la progression à une partie, le besoin des stratégies d'identifier les patients asymptomatiques seront aiguës.
D'autres groupes poursuivent également une approche de étude profonde à la détection de l'affection hépatique sans biopsie. Une équipe multinationale d'investigateurs a mené par Jasjit S. Suri, doctorat, des technologies biomédicales globales dans Roseville, la Californie, évalue des images d'ultrason avec un réseau neurologique artificiel.
Une variation sur l'apprentissage automatique, les réseaux neurologiques artificiels ont été comparées à un cerveau biologique tel que lequel peut traiter des sources d'information disparates d'une mode non linéaire pour réaliser un résultat, si un balayage de CT est positif ou négatif pour l'affection hépatique. Au lieu de l'programmation pour identifier des caractéristiques, ordinateurs utilisant l'apprentissage automatique pour établir leur propre connaissance. Dans le cas des balayages de CT de foie, des balayages de CT de labels d'apprentissage automatique comme négatifs ou positifs après l'évaluation des centaines ou des milliers d'exemples pour recueillir des informations complexes des causes déterminantes multiples.
Dans une étude qui a comparé un système d'étude profond qui a utilisé un réseau neurologique posé et un apprentissage automatique conventionnel dans 63 patients avec ou sans l'affection hépatique, la stratification de risque était 100% pour le réseau neurologique contre 82% pour un protocole conventionnel d'apprentissage automatique, selon une étude sur lequel Dr. Suri était l'auteur supérieur (programmes Biomed 2018 de méthodes de Comput ; 155:165-177).
« Les systèmes d'étude profonds [utilisant les réseaux neurologiques] montrent une représentation supérieure pour la détection d'affection hépatique et la stratification de risque comparées aux systèmes d'apprentissage automatique conventionnels, » Dr. Suri a rapporté en son article édité. Bien que des résultats aient été tirés d'une petite étude, il a dit que l'approche a le potentiel principal pour la détection de l'affection hépatique de stéatose hépatique et de la stratification non envahissante de risque.