Nowatorskie techniki leczenia chorób zwyrodnieniowych kręgosłupa
Choć obserwacje przeprowadzane w warunkach klinicznych pozwalają nam wyciągać wnioski na temat zdrowia ludzi, wykorzystanie takich danych na potrzeby opracowania strategii profilaktyki chorób i ich leczenia wciąż stanowi wyzwanie. Wśród przykładów takich schorzeń można wymienić zwyrodnienia kręgosłupa i ból krzyża. Problemem jest to, że degradacja tkanek i narządów prowadząca do występowania objawów klinicznych często zależy od wielu czynników. „Analiza wzajemnych oddziaływań czynników wpływających na te choroby wykracza poza nasze naturalne możliwości analizy”, wyjaśnia Jérôme Noailly, koordynator projektu Disc4All(odnośnik otworzy się w nowym oknie) z Uniwersytetu Pompeu Fabra(odnośnik otworzy się w nowym oknie) w Barcelonie (Hiszpania). „Modele i symulacje komputerowe pomagają nam w dostrzeganiu najważniejszych zależności między przyczynami i skutkami, dzięki czemu stanowią dla nas źródło wiedzy pozwalające na rzetelne prognozowanie i planowanie działań”.
Analiza procesów wywołujących zwyrodnienie kręgosłupa
W ramach projektu Noailly podjął próbę opracowania predykcyjnego narzędzia matematycznego, które ma pomóc specjalistom zajmującym się leczeniem chorób kręgosłupa w podejmowaniu bardziej świadomych decyzji. Jednak trudno mu było sprawić, by modele, które odzwierciedlają problemy mechaniczne dotyczące kręgosłupa, były skorelowane z bólem - objawem odczuwanym przez pacjentów, który specjaliści starają się zniwelować. Projekt Disc4All, finansowany ze środków działania „Maria Skłodowska-Curie”(odnośnik otworzy się w nowym oknie), umożliwił badaczowi usprawnienie modeli matematycznych w celu dostosowania ich do potrzeb wsparcia klinicznego poprzez połączenie sztucznej inteligencji (SI) i algorytmów uczenia maszynowego. Konsorcjum projektu, w którego skład weszło 12 beneficjentów, połączyło wiedzę specjalistyczną z zakresu informatyki i analityki danych, biologii eksperymentalnej i obliczeniowej, bioinformatyki, biomechaniki i medycyny. Sukces ten udało się osiągnąć dzięki połączeniu danych opartych na dowodach z biologicznymi i mechanicznymi modelami obliczeniowymi. Narzędzia opracowane w ramach projektu Disc4All zostały wykorzystane do analizy szeregu źródeł danych, które obejmowały zarówno grupy pacjentów, jak i dane z doświadczeń laboratoryjnych. Celem było zbadanie czynników, które wywołują zwyrodnienie krążka międzykręgowego w dolnym odcinku kręgosłupa, co jest główną przyczyną bólu w tym obszarze. „Zaczęliśmy przyglądać się procesom biologicznym, które faktycznie wywołują zwyrodnienie kręgosłupa”, dodaje badacz. „Gromadząc dane dotyczące tego zagadnienia doszedłem do wniosku, że będziemy dzięki temu w stanie zidentyfikować spersonalizowane i ulepszone deskryptory przyczyn bólu”.
Grupowanie cząstek według funkcji
Sztuczna inteligencja i algorytmy uczenia maszynowego umożliwiły zespołowi badawczemu szybkie przetwarzanie tych danych, wskazując obiektywne czynniki ryzyka zwyrodnienia kręgosłupa oraz zestawiając je z danymi demograficznymi i psychologicznymi. „Biomarkery uzyskane na podstawie obrazowania zostały przekształcone w spersonalizowane parametry w matematycznych modelach biomechanicznych”, wyjaśnia Noailly. „Umożliwiło nam to obliczenie i zbadanie różnych mechanizmów biofizycznych oraz związku każdego z tych mechanizmów ze spersonalizowanymi biomarkerami”. Symulacje oparte na modelach doprowadziły do wskazania potencjalnych biomarkerów - cząstek, które mogą być bezpośrednio związane z bólem, ale nie były dotychczas badane w warunkach klinicznych. Noailly zaobserwował pewne wzorce w procesach biologicznych, które nie są łatwe do zbadania przy użyciu konwencjonalnych metod. „Można to przyrównać do pracy astronomów, którzy opisują odległe zjawiska, nie widząc ich w rzeczywistości”, wyjaśnia badacz. „Używają w tym celu złożonych modeli - podobnie jak my w ramach tego projektu”.
Wpływ danych biologicznych i danych pacjenta
Dzięki zastosowaniu uczenia maszynowego do poszukiwania związków w dużych zbiorach danych biologicznych i danych pacjentów, zespół chce pomóc chirurgom uzyskać jaśniejszy obraz przyczyn bólu odcinka krzyżowego pleców u poszczególnych pacjentów. „Modelowanie komputerowe wspomagane sztuczną inteligencją to skuteczny sposób na stworzenie spersonalizowanego modelu kręgosłupa na potrzeby medycyny precyzyjnej”, mówi Noailly. „Jesteśmy w stanie szybko interpretować dane i przewidywać, czy spersonalizowane cechy stanowią biologiczne ryzyko zwyrodnienia dysku międzykręgowego. Tę wiedzę można następnie wykorzystać w celu zapobiegania bólowi pleców lub jego skutecznego zwalczania”. Obecnie celem zespołu jest wprowadzenie tej pionierskiej koncepcji modelowania obliczeniowego do szpitali i placówek ochrony zdrowia. Dla pracowników systemu ochrony zdrowia może to oznaczać mniejszą zależność od drogich i czasochłonnych technologii, takich jak tomografia komputerowa i rezonans magnetyczny.