Tecno

L’ultima ricerca sull’IA di IBM e JDRF migliora la capacità dell’Intelligenza artificiale di prevedere l’insorgenza del diabete di tipo I

Adv
AI, Machine learning, Hands of robot and human touching on big data network connection background, Science and artificial intelligence technology, innovation and futuristic.
Questo articolo di riepilogo della ricerca si basa sul documento di ricerca " Progression of type 1 
il diabete dalla latenza alla malattia sintomatica è previsto da distinte traiettorie autoimmuni ' e

Il diabete di tipo 1 è un tipo di diabete autoimmune che può colpire sia i bambini che gli adulti. Può causare conseguenze a lungo termine come insufficienza renale, infarto, ictus, cecità e amputazione per le persone colpite.

Adv

Questo disturbo non ha né una terapia né una prevenzione e l’incidenza del diabete di tipo 1 (T1D) è aumentata rapidamente negli ultimi decenni, rendendo necessari ulteriori studi sulla prevenzione e la diagnosi precoce.

L’anno scorso, IBM Research ha evidenziato una precedente ricerca pertinente1 intrapresa insieme a JDRF e cinque siti di ricerca accademica che compongono il gruppo di studio T1DI: DAISY, DEW-IT negli Stati Uniti, DiPiS in Svezia, DIPP in Finlandia e BABYDIAB/BABYDIET in Germania. Quella ricerca ha migliorato la nostra comprensione dello sviluppo di biomarcatori legati al rischio di insorgenza di T1D nei bambini e abbiamo scoperto che il numero di autoanticorpi delle isole presenti alla sieroconversione, la prima fase dello sviluppo dell’autoimmunità, può predire con precisione il rischio di insorgenza di T1D nei giovani bambini dai 10 ai 15 anni.

L’inizio del diabete di tipo 1 nei bambini è preceduto dallo sviluppo dell’autoimmunità delle isole; tuttavia, gli autoanticorpi non sempre implicano una malattia visibile ed è difficile prevedere l’inizio dei sintomi clinici. Dimostrano che lo sviluppo della malattia segue traiettorie uniche utilizzando il campionamento longitudinale degli autoanticorpi delle isole (IAb) contro l’insulina, la decarbossilasi dell’acido glutammico e l’antigene-2 ??delle isole. Dei 24662 pazienti nella coorte combinata di Data Intelligence di tipo 1, 2172 soddisfano i requisiti di due o più visite di follow-up e IAb sono positivi almeno una volta, con 652 che hanno sviluppato diabete di tipo 1 durante i 15 anni di ricerca.

IBM Research ha raggiunto un’altra pietra miliare significativa in questo campo di studio. Il gruppo di studio T1DI ha presentato questa settimana su Nature Communications nuovi dati che rivelano che traiettorie autoimmuni uniche possono predire il decorso del diabete di tipo 1 dalla formazione di autoanticorpi insulari alla malattia sintomatica. In questo studio i ricercatori hanno introdotto un nuovo strumento di visualizzazione dei dati, DPVis, nelle tecnologie di intelligenza artificiale e apprendimento automatico di IBM Research per la modellazione della progressione della malattia (Strumenti DPM). Questo ci ha permesso di ottenere informazioni completamente nuove dai dati della sperimentazione, che potrebbero eventualmente aiutarci a comprendere il ruolo degli autoanticorpi delle isole nello sviluppo del T1D, migliorando la nostra capacità di anticipare l’inizio della malattia.

Più autoanticorpi per le isole durante la sieroconversione aumentano il rischio di T1D, come precedentemente dimostrato da IBM. Tuttavia, potrebbero non verificarsi in modo coerente nel tempo e un paziente potrebbe avere varie combinazioni di anticorpi in momenti diversi. Il loro precedente studio ha rivelato che le ramificazioni di questi cambiamenti erano sconosciute, quindi hanno deciso di indagare su questo aspetto osservando i complessi modelli di anticorpi che si sviluppano nel tempo piuttosto che in un singolo momento. Hanno scoperto tre traiettorie separate o “percorsi”, ciascuno di numerosi stati discreti collegati a vari gradi di rischio.

Fornendo un quadro condiviso per la loro crescente comprensione di come i biomarcatori influiscono sul viaggio di un paziente verso l’insorgenza della malattia, l’IA e le visualizzazioni dei dati rendono possibile mantenere i ricercatori al passo con questa cooperazione a lungo termine su larga scala.

Sfortunatamente, molte persone al giorno d’oggi non vengono identificate con il diabete fino a quando non hanno sviluppato chetoacidosi diabetica, una malattia pericolosa per la vita con conseguenze a lungo termine. Questa scoperta potrebbe un giorno rendere più semplice identificare i giovani a rischio le cui famiglie possono conoscere i sintomi del T1D, consentendo una diagnosi precoce. I bambini a rischio possono anche partecipare a studi clinici per ritardare o addirittura prevenire l’insorgenza del T1D.

Gli sforzi per simulare lo sviluppo della malattia e trovare biomarcatori dovrebbero essere ampliati.

La ricerca T1D fa parte dell’obiettivo più ampio di IBM Research di creare strumenti di intelligenza artificiale come gli strumenti DPM per accelerare i risultati scientifici nel settore sanitario e delle scienze della vita. Hanno lavorato con altri enti di beneficenza, come la Fondazione CHDI per la malattia di Huntington, oltre a JDRF, per portare intensa devozione e competenza scientifica.

I sintomi della malattia di Huntington di solito compaiono tra i 30 ei 50 anni e aumentano nel tempo, portando infine a una grave compromissione. Sebbene nessun trattamento impedisca la progressione della malattia, alcuni farmaci possono aiutare con sintomi specifici. Sfortunatamente, la maggior parte di essi include effetti collaterali che potrebbero avere un’influenza dannosa sulla qualità della vita delle persone con malattia di Huntington.

Per numerosi anni, CHDI e IBM hanno collaborato alla ricerca con istituzioni accademiche, affrontando vari problemi di ricerca nella modellazione della progressione della malattia, nell’imaging cerebrale e nella modellazione molecolare.

Guardando avanti al futuro

La scienza moderna è uno sforzo collaborativo, e da nessuna parte questo è più evidente che nell’assistenza sanitaria, dove le scoperte nella conoscenza delle malattie e nello sviluppo della terapia richiedono la collaborazione tra i team di ricerca di tutte le discipline.

IBM ha convocato, coordinato o partecipato attivamente a tali team multidisciplinari, il che ha portato a risultati clinicamente significativi e articoli di riviste ad alto impatto. Le tre iniziative qui menzionate sono ottimi esempi del nostro approccio alla scoperta scientifica attraverso una partnership con comunità di scoperta. Abbiamo creato un ecosistema di metodi, modelli e set di dati riutilizzabili grazie al nostro lavoro, che è attualmente utilizzato per indagare su altre malattie e sarà utilizzato per ampliare la portata del nostro lavoro in futuro.

Fonte: https://research.ibm.com/blog/ai-predicting-onset-of-type-1-diabetes

Risultati

I modelli di Markov nascosti a tempo continuo (CT-HMM) sono stati appresi come modelli di progressione della malattia (DPM) dalla coorte di studio longitudinale T1DI a seconda della presenza o dell’assenza di IAb. È stato creato un modello che incorpora 11 stati latenti utilizzando approcci di apprendimento automatico che meglio si adattavano ai dati osservati e sono stati quindi applicati a tutti gli individui IAb positivi per ottenere le conclusioni. Gli stati rivelati hanno generato tre traiettorie per i 643 individui diagnosticati (D), TR1, TR2 e TR3, ciascuno definito da una sequenza unica di stati latenti (Fig. a). Questi sono stati ulteriormente studiati tramite l’analisi statistica della visualizzazione interattiva dei dati.

Ogni stato latente è rappresentato in questo diagramma da un insieme di probabilità per la presenza di ogni IAb (Fig. a). Il modello è stato utilizzato per identificare sequenze di osservazione longitudinale di persone con IAb positivo. Questi partecipanti sono stati quindi classificati in coloro che hanno acquisito il diabete di tipo 1 durante il periodo di ricerca (Diagnosed/D) e quelli che non lo hanno fatto o sono stati persi al follow-up (Undiagnosed/UD). L’analisi statistica ha collegato questi stati latenti e le loro traiettorie con altre caratteristiche della ricerca per raggiungere conclusioni su questi due gruppi da tutti i soggetti con IAb positivo.

Carta: https://www.nature.com/articles/s41467-022-28909-1.pdf

Fonte: https://research.ibm.com/blog/ai-predicting-onset-of-type-1-diabetes