Prevalence of Helicobacter pylori infection among young adults aged 18–25 years and development of machine learning-based screening models
Deze studie onthult een prevalentie van 29,1% van de *Helicobacter pylori*-infectie onder jongvolwassenen in de leeftijd van 18–25 jaar en toont aan dat een support vector machine (SVM)-model, gebruikmakend van factoren zoals gezinsgrootte en testgeschiedenis, effectief het infectierisico voorspelt voor grootschalige screening.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de menselijke maag leeft vaak een piepkleine bacterie genaamd Helicobacter pylori rustig voort, maar deze heeft een krachtige invloed op de gezondheid op lange termijn. Dit micro-organisme is de belangrijkste drijfveer achter veel maag- en darmziekten, variërend van veelvoorkomende ontstekingen tot ernstige kankers. Hoewel het wereldwijd een wijdverspreid probleem is, hebben wetenschappers lang erkend dat de timing van interventie diepgaand van belang is. Het verwijderen van deze bacterie in de vroege volwassenheid biedt een unieke kans: het is een moment waarop het maagwandweefsel nog veerkrachtig is en de kosten van preventie veel lager zijn dan de kosten van het behandelen van gevorderde ziekten later in het leven. Ondanks dit duidelijke venster voor actie, was er een gebrek aan specifieke gegevens over hoe algemeen de infectie voorkomt bij mensen in hun late tienerjaren en vroege twintiger jaren, en een tekort aan eenvoudige, effectieve instrumenten om te identificeren wie testen nodig heeft voordat symptomen verschijnen.
Een team onderzoekers in China besloot dit gat te vullen door zich te richten op een specifieke groep: universiteitsstudenten tussen de 18 en 25 jaar oud. Ze verzamelden een grote groep vrijwilligers van de Shihezi Universiteit en vroegen hen om drie verschillende niet-invasieve tests te ondergaan om de aanwezigheid van de bacterie te controleren. Deze tests omvatten een bloedtest op antilichamen, een test die naar de bacterie in de ontlasting kijkt, en een ademtest die een specifieke chemische reactie detecteert die door het micro-organisme wordt veroorzaakt. Om de nauwkeurigheid te waarborgen, classificeerden de onderzoekers een persoon alleen als geïnfecteerd als ten minste twee van deze drie tests positief uitvielen. Naast deze medische controles vulden de studenten een gedetailleerde vragenlijst in over hun leven, die alles besloeg van hun gezinssamenstelling en huishoudelijk inkomen tot hun geschiedenis van maagproblemen en of ze ooit voor de bacterie zijn getest.
De studie omvatte 832 jongvolwassenen, en de resultaten toonden aan dat bijna 30 procent van hen de infectie met zich meedraagt. Hoewel dit percentage lager is dan het gemiddelde dat wordt gezien in de algemene Chinese populatie, is het hoog genoeg om aandacht te vragen, vooral omdat deze leeftijdsgroep wordt beschouwd als de ideale tijd voor preventie. De onderzoekers richtten zich vervolgens op computeralgoritmen, een tak van kunstmatige intelligentie bekend als machine learning, om te zien of zij de infectie konden voorspellen door enkel naar de antwoorden in de vragenlijst te kijken. Ze testten drie verschillende wiskundige benaderingen om een screeningsinstrument te bouwen, waarbij ze de meeste gegevens gebruikten voor de training en de nauwkeurigheid controleerden op het resterende deel.
De resultaten toonden aan dat één specifiek type algoritme, bekend als een support vector machine, het beste presteerde bij het onderscheiden van geïnfecteerde en niet-geïnfecteerde individuen. Dit model vertrouwde niet op complexe medische geschiedenis of invasieve procedures; in plaats daarvan identificeerde het vijf sleutelfactoren die de kans op infectie sterk beïnvloedden. De meest significante voorspeller was de omvang van het gezin waarin iemand opgroeide, waarbij grotere gezinnen een hoger risico vertoonden. Andere belangrijke factoren waren of de persoon eerder voor de bacterie was getest, het jaarlijkse huishoudinkomen, of de persoon ooit een maagcamera-onderzoek had ondergaan, en of de persoon een huisdier in huis had. Het model vond dat mensen uit grotere gezinnen, mensen met lagere inkomens en mensen die nog nooit voor de bacterie waren getest, het hoogste risico liepen.
De onderzoekers ontdekten dat dit computergestuurde screeningsinstrument erin slaagde om de meerderheid van de geïnfecteerde individuen succesvol te identificeren, terwijl het aantal valse alarmen relatief laag bleef. Het bood een manier om een grote populatie snel te screenen, waarbij degenen die het meeste baat zouden hebben bij verdere medische tests en behandeling werden gemarkeerd. De studie suggereert dat functionarissen op het gebied van de volksgezondheid, door gebruik te maken van eenvoudige vragen over het gezinsleven en de economische status, een praktische, goedkope methode kunnen creëren om jongvolwassenen voor deze infectie te screenen. Hoewel het model werd gebouwd met gegevens van een enkele universiteit en mogelijk verdere tests in andere omgevingen vereist, biedt het een veelbelovend blauwdruk voor het vroegtijdig opsporen van de infectie, wat potentieel maagziekten kan voorkomen voordat ze de kans krijgen zich te ontwikkelen. Het werk benadrukt dat zelfs in een jonge, geschoolde populatie de infectie nog steeds algemeen voorkomt, en dat gerichte screening op basis van alledaagse levensfactoren een vitale stap kan zijn naar een betere volksgezondheid.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.