Forudsigelse af kunstig intelligens for sværhedsgraden af ​​akut pancreatitis

På en retrospektiv måde blev 1550 patienter, der blev fulgt op på Gastroenterology Clinic ved Bezmialem Foundation University mellem oktober 2010 og februar 2020, og som blev diagnosticeret med AP i henhold til Atlanta-kriterierne. Efter fjernelse af 216 patienter med manglende data blev 1334 patienter inkluderet i undersøgelsen til evaluering.

1. Patientdemografisk information; [alder (år), køn (mand/kvinde), cigaret-/alkoholforbrug (som ja eller nej)], klinisk information; [højde (centimeter), vægt (kilogram), BMI (som kg/m2), tilstedeværelse af diabetes mellitus og hypertension (ja eller nej)], ætiologi af AP såsom galdesten, alkohol osv., og laboratorieprøver, der er taget inden for de første 24 timer af indlæggelsen; [CRP-niveau (mg/dl, normalt: 0-5), BUN-niveau (mg/dl, normalt; 9,8 - 20,1), kreatininniveau (mg/dl, normalt; 0,57 - 1,11) , antal leukocytter (normalt 4,5 til 11,0 × 109/L) og hæmatokritniveau (%, normalt: 35,5-48%)], samt Balthazar tomografisk scoring [0: normal, 1: en stigning i bugspytkirtelstørrelse, 2: inflammatoriske ændringer i pancreasvæv og peripancreatisk fedtvæv, 3: uregelmæssigt afgrænset, enkelt væskeopsamling, 4: uregelmæssigt afgrænset 2 eller flere væskesamlinger, 5 til 10 forskellige grader af nekrose)], vil blive registreret i excel-filen.
2. Revideret Atlanta-scoring vil også blive registreret inden for en uges periode efter hospitalsindlæggelse som mild, moderat og svær score. Inficeret pancreas nekrose og sepsis, der udviklede sig i løbet af akut pancreatitis, vil blive accepteret som alvorlig akut pancreatitis på grund af utilstrækkeligheden af ​​nogle problemer i Atlanta-scoring. Sværhedsgraden af ​​sygdommen vil blive evalueret i henhold til Atlanta-resultaterne. Og resultaterne af undersøgelsen af ​​kunstig intelligens vil blive matchet i henhold til resultaterne af Atlanta-scoring.
3. Komplikationer er klassificeret som 0; ingen, 2; lokale komplikationer: pseudocyst, byld, nekrose, trombose og mesenterisk panniculitis, 3; systemiske komplikationer: lunge-, nyre-, gastrointestinale og kardiovaskulære komplikationer, 4; blandede alvorlige komplikationer/komorbiditetssituationer, 5: infektiøse og septiske komplikationer.
4. Derudover invasive procedurekrav såsom endoskopisk ultralyd (EUS), endoskopisk retrograd kolangiopankreatografi (ERCP) (som ja eller nej), længde af hospitalsophold (mindre end 10 dage eller mere end 11 dage), intensivafdelingsbehov (nuværende eller ej) ), antallet af fremtidige AP-anfald (i varighed efter en måneds hospitalsindlæggelse, som et angreb eller mere end et angreb) og overlevelse (død, i live) vil også blive registreret.

Machine Learning Algoritme bruges: Gradient Boosted Ensemble Trees Trees. ("Greedy Function Approximation: A Gradient Boosting Machine" af Jerome H. Friedman (1999)). Datasættet er blevet opdelt med et forhold på 90%-10%. 10 % er til validering og 90 % er til AI machine learning. 90 % maskinlæringsdel er også blevet delt op i to dele som 70 % til AI-læring og 30 % til afprøvning af læringen. Til dette formål er der anvendt 5-fold stratificeret prøvetagning

Undersøgelsens metoder til kunstig intelligens

Funktioner brugt til AI Machine Learning:

1. Køn: M/K
2. Alder: Kontinuerlig værdi
3. Højde (cm): Kontinuerlig værdi
4. Vægt (Kg): Kontinuerlig værdi
5. BMI-grupper: Gruppe 1: ≤ 25 kg/m2; gruppe 2; 25-30 kg/m2; Gruppe 3: >30,1 kg/m2
6. Cigaret: 0; Nej, 1; Ja
7. Alkohol: 0; Nej, 1; Ja
8. Diabetes mellitus: 0; Nej, 1; Ja
9. Hypertension: 0; Nej, 1; Ja
10. Ætiologi: 1; galdevej, 2; Alkohol, 3; hypertriglyceridæmi, 4; hypercalcæmi, 5; lægemiddel, 6; medfødt, 7; kryptogent, 8; endoskopisk retrograd kolangiografi (ERCP), 9; mærkelig lukkemuskeldysfunktion (OSD), 10; malignitet, 11; intrapapillær mucinøs neoplasi (IPMN), 12: primær skleroserende kolangiografi (PSC) 13: autoimmun, 14: multipel ætiologi
11. Leukocyttal (WBC): N; 4,5-11x100
12. Hæmatokrit (Hct): N; %35,5-48
13. C-reaktivt protein (CRP): N: 0-5 mg/dl
14. Blodurea nitrogen (BUN): N: 9,8-20,1 mg/dl
15. Kreatinin (KREA): N: 0,57-1,11 mg/dl
16. Baltazar-scoring (BLTZR): 0; Normal P, 1; Forøgelse i bugspytkirtelstørrelse, 2; Inflammatoriske ændringer i bugspytkirtelvæv og peripancreatisk fedtvæv, 3; Uregelmæssigt afgrænset, enkelt væskeopsamling, 4, uregelmæssigt afgrænset 2 eller flere væskesamlinger, med forskellige grader af nekrose (mellem 5 og 10)

I kunstig intelligens er beslutningstræmodeller meget brugt til overvåget maskinlæring. De kan afhænge af Gini-indekset, forstærkningsforhold/entropi, chi-kvadrat, regression og så videre. I AI foretrækkes de, fordi de genererer forståelige regler for mennesker i modsætning til andre maskinlæringsalgoritmer såsom kunstige neurale netværk og støtte vektormaskiner. På den anden side anses de for at være svage elever. Det betyder, at de er stærkt påvirket af støj og afvigelser, der findes i datasættet. For at komme uden om dette handicap er der udviklet modeller som Random Forest, Ensemble Trees, Gradient Boosting.

Tilfældige skov- og ensembletræer genererer regler ved at anvende en bestemt beslutningstræalgoritme på dele af datasættet lodret og vandret. Denne teknik reducerer dramatisk den fejl, der opstår i indlæringen. Efter læringsprocesser er afsluttet, kombinerer de svage beslutningstræer til en stærk og større beslutningstræmodel. Ensemblelæringsmodeller opnår bedre læring ved at minimere den gennemsnitlige værdi af tabsfunktionen på træningssættet via en F ̂(x) tilnærmelse. Ideen er at anvende et stejleste nedstigningstrin på minimeringsproblemet på en grådig måde.

I denne undersøgelse er gradientboost-træmodellen, som blev foreslået af Friedman, blevet brugt til maskinlæring. Denne model vælger en separat optimal værdi for hver af træets dele frem for en enkelt for hele træet. Denne tilgang kan bruges til at minimere ethvert differentierbart tab L(y, F) i forbindelse med videresendelse af trinvis additiv modellering. Det rapporteres, at den gradientforstærkende træmodel klarer sig bedre end tilfældige skove og almindelige ensembletræer i mange tilfælde.

Målet med algoritmen er at finde en tilnærmelse F_m (x_i), som minimerer den forventede L(y,F(x)) tabsfunktion.

Algoritmen kan opsummeres som følger:

Indgange:

Et træningsdatasæt: {(x_i,y_i )} i=1 til n med n dimension og en klassevariabel En differentierbar tabsfunktion: L(y,F(x)) Antallet af iterationer: M.

Produktion:

F_m (x_i)

Algoritme:

Initialiser modellen med en konstant værdi:

F_0 (x)=arg min⁡∑_(i=1)^n▒〖L(y_i,γ)〗

For m = 1 til M:

Beregn pseudo-rester rim r_im=-[(∂L(y_(i,) F(x_i )))/(∂F(x_i))]

Træn en basiselev til at pseudo-rester ved hjælp af træningssættet:

{(x_i,y_i )} i=1 til n Beregn multiplikator γ γ=arg min⁡∑_(i=1)^n▒〖L(y_i,F_(m-1) (x_i)+γh_m (x_i)) 〗

Opdater modellen:

〖F_m (x_i)=F〗_(m-1) (x_i)+γ_m h_m (x_i) Output F_m (x_i)

I analysen er Synthetic Minority Oversampling Technique (SMOTE) [5] blevet brugt for at undgå ulempen ved klassevariabel ubalance. SMOTE er en dataforøgelsesteknik til at øge data. I nogle tilfælde har klassevariablen muligvis ikke lige mange værdier fra alle tilfælde. For eksempel kan der være meget flere overlevede patienter end dem, der mistede livet. I denne form for situation bliver data udvidet. Der var en ubalance i klassevariablerne i denne undersøgelses datasæt. Så SMOTE er blevet anvendt til at øge minoritetsklasserne til træning.

Datasættet er blevet opdelt med et forhold på 90%-10%. 10 % er til validering og 90 % er til AI machine learning. 90 % maskinlæringsdel er også blevet delt op i to dele som 70 % til AI-læring og 30 % til afprøvning af læringen. Til dette formål er der anvendt 5-fold stratificeret prøvetagning. KNIME analytisk platform er blevet brugt til AI machine learning.