Naukowcy z Uniwersytetu Genewskiego opracowali przełomową, nieinwazyjną metodę diagnozowania raka jelita grubego, która opiera się na analizie mikrobioty jelitowej. Wykorzystując sztuczną inteligencję, stworzyli test o 90-procentowej skuteczności, co stanowi wynik porównywalny z tradycyjną kolonoskopią.
Co pokazały dane
Badacze stworzyli szczegółowy katalog mikroorganizmów jelitowych na poziomie podgatunków, co pozwoliło na precyzyjne zrozumienie ich wpływu na rozwój chorób. Dzięki algorytmom uczenia maszynowego ustalono, że analiza bakterii jelitowych z próbki kału pozwala z dużą dokładnością wykryć obecność nowotworu. Takie podejście stanowi znacznie mniej obciążającą alternatywę dla pacjenta.
Poprzez połączenie danych mikrobiologicznych z informacjami klinicznymi, naukowcy opracowali narzędzie diagnostyczne o wysokiej czułości. Jak podkreślają autorzy badania, opracowany przez nich test osiąga 90-procentową skuteczność w wykrywaniu raka jelita grubego, co jest najlepszym wynikiem spośród wszystkich dotychczasowych metod nieinwazyjnych.
Na czym oparto analizę
Model diagnostyczny powstał w oparciu o zaawansowane algorytmy sztucznej inteligencji i uczenia maszynowego. Kluczowe dla jego skuteczności było połączenie szczegółowych danych dotyczących składu mikrobioty jelitowej pacjentów z ich danymi klinicznymi, co pozwoliło na identyfikację biomarkerów związanych z obecnością raka jelita grubego.
Znaczenie wyników
Nowa metoda ma potencjał, by zrewolucjonizować badania przesiewowe w kierunku raka jelita grubego, który jest drugą najczęstszą przyczyną zgonów z powodu nowotworów na świecie. W przyszłości test mógłby być stosowany jako powszechne narzędzie przesiewowe, a inwazyjną kolonoskopię wykonywano by jedynie u pacjentów z wynikiem dodatnim. Naukowcy planują dalsze badania w celu ustalenia, jakie stadia choroby można wykrywać za pomocą tej metody.
Źródło: https://www.medonet.pl/zdrowie/wiadomosci,przelomowa-metoda-wykrywania-raka-jelita-grubego--kolonoskopia-moze-odejsc-do-lamusa,artykul,76911698.html
Źródła badań
Źródło: https://pubmed.ncbi.nlm.nih.gov/40507263/
Źródło: https://pubmed.ncbi.nlm.nih.gov/40199628/
Źródło: https://pubmed.ncbi.nlm.nih.gov/39956469/
