microsoft
活动+
 

多伦多大学研究团队藉机器学习算法避免关节炎患儿的过度治疗

机器学习算法能于医生更好地定制关节炎患儿治疗方案,避免过度治疗的情况。法新社

多伦多大学(University of Toronto)研究团队开发的机器学习算法能根据身体疼痛关节的位置,将关节炎患儿分为7类以预测疾病结果。这将有助于医生更好地定制治疗方案,让病情不至于恶化的患者避免使用会产生严重副作用的药物。

根据Science Daily报导,该算法能根据体内肿胀或疼痛关节的模式将患者分为7类。此外,它还准确地预测哪里些儿童将更快地进入缓解期,哪里些儿童将发展为更严重的疾病。

研究人员一开始先对患有关节炎,但尚未接受药物治疗的儿童进行分类。他们分析了2005~2010年间收集的640名儿童的临床数据。所有儿童都接受了详细的身体检查,包括记录其身体疼痛关节的位置。

所得数据显示关节活动的七大模式,包括骨盆关节、手指、手腕、脚趾、膝盖、脚踝和不确定的类型。大多数儿童虽属于单一类别,但约3分之1的患者同时有多个关节疼痛。这些患者通常需要更长的时间才能进入缓解期。

尽管医生能辨识出独特的关节发病模式,但目前儿童关节炎的患者分类仅考虑了关节发病的总量。显著需要更明确描述关节发病以预测疾病进程和疾病严重程度。从数据中可看出,非局部关节发病的儿童的情况截然不同。医生之前已观察到这一点,因为他们用强效药物治疗这些孩子,但仍无法控制疾病。

由于疾病的复杂性,有多个关节受影响,并且可能随著时间推移而变化,加上可患者数据相对较少,该团队须超越标准统计方法来检测关节疼痛的模式。

研究人员表示,他们不得不先使用机器学习来检测这7种疾病模式。该团队修改了称为多层非负矩阵分解(multilayer non-negative matrix factorization)的技术。然后他们意识到有些孩子不属于任一模式,但其病况很糟糕。现在他们已更加了解关节炎,而能将孩子分成七大类别,以预测对治疗的反应,多快进入缓解期,以及能否判断他们已进入缓解状态并取消治疗。

该算法已发表在《PLOS Medicine》期刊,是多伦多大学Donnelly细胞与生物分子研究中心计算机科学教授Quaid Morris;儿科、免疫学和医学科学教授Rae Yeung及其学生Simon Eng的共同研究成果。

  •     按赞加入DIGITIMES智能医疗粉丝团
更多关键字报导: 智能医疗 机器学习