Novo estudo apresenta visão de aprendizado de máquina alavancado para medicina de precisão

À medida que um paciente se recupera de uma ferida, um médico pode vigiá-lo, monitorando o processo de cicatrização e prescrevendo tratamentos com base nas respostas do corpo. Mas uma grande variedade de fatores, incluindo dieta, idade ou doenças como diabetes, desempenham um papel na cura, e monitorar essas variáveis ​​diariamente pode ser difícil para os médicos, especialmente para condições crônicas.

Diante desses desafios, os pesquisadores da UC Santa Cruz estão imaginando sistemas que possam monitorar constantemente esses fatores complexos, bem como as respostas contínuas do corpo e, por meio de um algoritmo de aprendizado de máquina, sugerir ou até mesmo administrar tratamento.

Essa resposta contínua a métricas ou testes é uma forma de controle de feedback – um conceito de engenharia para comparar uma variável com um valor alvo. A teoria de controle é comumente usada na engenharia de sistemas dinâmicos, mas muito menos pelos médicos. A pesquisa da Professora Associada de Matemática Aplicada Marcella Gomez se concentra em preencher essa lacuna, com potencial para levar assistência médica de alta qualidade a mais pessoas por meio de algoritmos de aprendizado de máquina que automatizam a medicina de precisão.

Numa nova perspectiva publicada na revista Células Relatórios Ciências Físicas, Gomez detalha uma visão de como o campo pode ir além dos dados estáticos para criar sistemas que medem e monitoram as respostas em tempo real do corpo a uma variedade de fatores e usam um algoritmo de aprendizado de máquina para produzir e até mesmo, em alguns casos, realizar , um plano de tratamento. O artigo serve como um apelo à relativamente pequena e nova comunidade de pesquisadores que trabalham com esses problemas para começar a pensar em um escopo mais amplo de desafios e questões em aberto no campo.

“Você pode obter atendimento de alta qualidade para uma população maior, sem ter que treinar extensivamente os médicos por décadas”, disse Gomez.

No momento, diz Gomez, os métodos para usar o aprendizado de máquina na medicina de precisão se concentram em alavancar indicadores estáticos: fatores imutáveis ​​usados ​​para prever os resultados de uma doença ou feridas crônicas, como a presença de uma mutação genômica. Isso envolve reunir data histórica de casos anteriores e usando isso para informar previsões de como uma doença ou ferida pode progredir.

Mas o novo estudo enfatiza a necessidade de desenvolver mais métodos orientados a dados para avançar nos aspectos de modelagem e controle do uso do aprendizado de máquina para aprimorar a medicina de precisão. Isso significaria mais modelos preditivos que se baseiam puramente em dados, em vez de tentar capturar e modelar toda a gama de processos biológicos envolvidos, o que seria uma tarefa extremamente complexa.

Ela também quer ver o campo se mover em direção a sistemas que são mais adaptáveis ​​e podem mudar de acordo com as necessidades do corpo.

no tradicional teoria de controle, o engenheiro conhece informações sobre as características dinâmicas de um sistema e usa isso para escolher quais controles são mais adequados para essas características específicas. Mas a complexidade do corpo humano torna difícil identificar apenas um controlador adequado. Isso requer uma nova maneira de visualizar o controle.

“Você pode pensar em usar uma abordagem de aprendizado de máquina em que o controlador se adapta – ele pode identificar se não está fazendo um bom trabalho para atingir seu objetivo e, assim, até ajustar sua própria estratégia na maneira como sugere tratamentos com base na entrada até ver que está chegando mais perto de atingir seu objetivo”, disse Gomez. “Ele sempre procurará otimizar seu próprio desempenho.”

Gomez diz que esses algoritmos aprimorados podem ser usados ​​para expandir aplicações de controle de feedback além do trabalho existente, como o pâncreas artificial que mede continuamente os níveis de glicose e fornece insulina quando necessário. Os algoritmos também podem aprimorar um sistema human-in-the-loop, no qual um médico lê a resposta de um sistema de monitoramento e administra o tratamento com base em sugestões algorítmicas.

Ela está colaborando nesta pesquisa com o professor de Engenharia Elétrica e de Computação Marco Rolandi, coautor da perspectiva que projeta sensores e atuadores que eles esperam usar para atualizar esses conceitos de controle de feedback, e o professor associado de Engenharia Elétrica e de Computação Mircea Teodorescu, especialista em bioengenharia e robótica. Os dois pesquisadores estão atualmente aplicando esses conceitos para o projeto deles destinado a criar um novo curativo inteligente que acelera a cicatrização de feridas graves.

Em 6 de dezembro, Gomez co-liderou uma sessão de abertura do National Institutes of Health (NIH), intitulada “Scaling up Biocontrol Methods to Complex Biological Systems”, sobre este tópico como parte do Reunião do Consórcio de Biologia Sintética do NIH.