Vorhersage der künstlichen Intelligenz für den Schweregrad der akuten Pankreatitis

Retrospektiv wurden 1550 Patienten untersucht, die zwischen Oktober 2010 und Februar 2020 in der Klinik für Gastroenterologie der Bezmialem Foundation University nachuntersucht wurden und bei denen gemäß den Atlanta-Kriterien AP diagnostiziert wurde. Nach der Entfernung von 216 Patienten mit fehlenden Daten wurden 1334 Patienten zur Auswertung in die Studie aufgenommen.

1. Demografische Informationen von Patienten; [Alter (yo), Geschlecht (männlich/weiblich), Zigaretten-/Alkoholkonsum (als ja oder nein)], klinische Informationen; [Körpergröße (Zentimeter), Gewicht (Kilogramm), BMI (als kg/m2), Vorhandensein von Diabetes mellitus und Bluthochdruck (ja oder nein)], Ätiologie von AP wie Gallensteine, Alkohol usw. und Labortests, die im Rahmen durchgeführt wurden die ersten 24 Stunden der Aufnahme; [CRP-Spiegel (mg/dl, normal: 0-5), BUN-Spiegel (mg/dl, normal; 9,8 - 20,1), Kreatinin-Spiegel (mg/dl, normal; 0,57 - 1,11) , Anzahl der Leukozyten (normalerweise 4,5 bis 11,0 × 109/L) und Hämatokritspiegel (%, normalerweise: 35,5-48 %)], sowie tomographisches Balthazar-Scoring [0: normal, 1: Zunahme der Pankreasgröße, 2: entzündliche Veränderungen im Pankreasgewebe und peripankreatischen Fettgewebe, 3: unregelmäßig begrenzte, einzelne Flüssigkeitsansammlung, 4: unregelmäßig begrenzte 2 oder mehr Flüssigkeitsansammlungen, 5 bis 10 verschiedene Nekrosegrade)], werden in der Excel-Datei erfasst.
2. Die überarbeitete Atlanta-Bewertung wird auch innerhalb einer Woche nach der Krankenhauseinweisung als leichte, mittelschwere und schwere Bewertung aufgezeichnet. Infizierte Pankreasnekrose und Sepsis, die sich im Verlauf einer akuten Pankreatitis entwickelt haben, werden aufgrund der Unzulänglichkeit einiger Punkte in der Atlanta-Bewertung als schwere akute Pankreatitis akzeptiert. Die Schwere der Erkrankung wird anhand der Atlanta-Scores bewertet. Und die Ergebnisse der Studie zur künstlichen Intelligenz werden mit den Ergebnissen des Atlanta-Scorings abgeglichen.
3. Komplikationen werden als 0 klassifiziert; keine, 2; lokale Komplikationen: Pseudozyste, Abszess, Nekrose, Thrombose und mesenteriale Pannikulitis, 3; systemische Komplikationen: Lungen-, Nieren-, gastrointestinale und kardiovaskuläre Komplikationen, 4; gemischte schwerwiegende Komplikationen/Komorbiditätssituationen, 5: infektiöse und septische Komplikationen.
4. Darüber hinaus Anforderungen an invasive Verfahren wie endoskopischer Ultraschall (EUS), endoskopische retrograde Cholangiopankreatikographie (ERCP) (als ja oder nein), Dauer des Krankenhausaufenthalts (weniger als 10 Tage oder mehr als 11 Tage), Anforderung einer Intensivstation (vorhanden oder nicht ), Anzahl zukünftiger AP-Attacken (in der Dauer nach einem Monat Krankenhausaufnahme, ab einer Attacke oder mehr als einer Attacke) und Überleben (Tod, lebendig) werden ebenfalls aufgezeichnet.

Algorithmus für maschinelles Lernen wird verwendet: Gradient Boosted Ensemble Trees Trees. ("Greedy Function Approximation: A Gradient Boosting Machine" von Jerome H. Friedman (1999)). Der Datensatz wurde mit einem Verhältnis von 90 % zu 10 % partitioniert. 10 % dienen der Validierung und 90 % dem maschinellen KI-Lernen. 90 % des Teils des maschinellen Lernens wurden ebenfalls in zwei Teile geteilt, nämlich 70 % für KI-Lernen und 30 % für das Testen des Lernens. Zu diesem Zweck wurde eine 5-fach geschichtete Stichprobe verwendet

Methoden der Künstlichen Intelligenz der Studie

Funktionen, die für maschinelles Lernen mit KI verwendet werden:

1. Geschlecht: M/F
2. Alter: Kontinuierlicher Wert
3. Höhe (cm): Kontinuierlicher Wert
4. Gewicht (kg): Kontinuierlicher Wert
5. BMI-Gruppen: Gruppe 1: ≤ 25 kg/m2; Gruppe 2; 25-30kg/m2; Gruppe 3: >30,1 kg/m2
6. Zigarette: 0; Nein, 1; Ja
7. Alkohol: 0; Nein, 1; Ja
8. Zuckerkrankheit: 0; Nein, 1; Ja
9. Bluthochdruck: 0; Nein, 1; Ja
10. Ätiologie: 1; Galle, 2; Alkohol, 3; Hypertriglyceridämie, 4; Hyperkalzämie, 5; Droge, 6; angeboren, 7; kryptogen, 8; endoskopische retrograde Cholangiographie (ERCP), 9; Oddy-Sphinkter-Dysfunktion (OSD), 10; Bösartigkeit, 11; intrapapilläre muzinöse Neoplasie (IPMN), 12: primär sklerosierende Cholangiographie (PSC) 13: Autoimmun, 14: multiple Ätiologie
11. Leukozytenzahl (WBC): N; 4,5-11x100
12. Hämatokrit (Hkt): N; %35,5-48
13. C-reaktives Protein (CRP): N: 0–5 mg/dl
14. Blut-Harnstoff-Stickstoff (BUN): N: 9,8-20,1 mg/dl
15. Kreatinin (KREA): N: 0,57-1,11 mg/dl
16. Baltazar-Punktzahl (BLTZR): 0; Normal P, 1; Vergrößerung der Bauchspeicheldrüse, 2; Entzündliche Veränderungen im Pankreasgewebe und peripankreatischen Fettgewebe, 3; Unregelmäßig begrenzte, einzelne Flüssigkeitsansammlung, 4, Unregelmäßig begrenzte, 2 oder mehr Flüssigkeitsansammlungen, mit unterschiedlichem Nekrosegrad (zwischen 5 und 10)

In der künstlichen Intelligenz werden Entscheidungsbaummodelle häufig für überwachtes maschinelles Lernen verwendet. Sie können vom Gini-Index, Verstärkungsverhältnis/Entropie, Chi-Quadrat, Regression usw. abhängen. In der KI werden sie bevorzugt, weil sie im Gegensatz zu anderen maschinellen Lernalgorithmen wie künstlichen neuronalen Netzen und Support Vector Machines verständliche Regeln für den Menschen generieren. Andererseits gelten sie als lernschwach. Das bedeutet, dass sie stark von Rauschen und Ausreißern im Datensatz betroffen sind. Um dieses Handicap zu umgehen, wurden Modelle wie Random Forest, Ensemble Trees, Gradient Boosting entwickelt.

Random Forest- und Ensemble-Bäume erzeugen Regeln, indem sie einen bestimmten Entscheidungsbaumalgorithmus vertikal und horizontal auf die Teile des Datensatzes anwenden. Diese Technik reduziert die beim Lernen auftretenden Fehler dramatisch. Nach Abschluss der Lernprozesse kombinieren sie schwache Entscheidungsbäume zu einem starken und größeren Entscheidungsbaummodell. Ensemble-Lernmodelle erzielen ein besseres Lernen, indem sie den Durchschnittswert der Verlustfunktion auf dem Trainingssatz über eine F ̂(x)-Näherung minimieren. Die Idee ist, einen steilsten Abstiegsschritt auf das Minimierungsproblem auf gierige Weise anzuwenden.

In dieser Studie wurde das von Friedman vorgeschlagene Gradienten-Boost-Baummodell für maschinelles Lernen verwendet. Dieses Modell wählt einen separaten optimalen Wert für jeden Teil des Baums und nicht einen einzigen für den gesamten Baum. Dieser Ansatz kann verwendet werden, um jeden differenzierbaren Verlust L(y, F) in Verbindung mit einer stufenweisen additiven Modellierung zu minimieren. Es wird berichtet, dass das Gradient-Boosting-Tree-Modell in vielen Fällen Random-Forest- und Regular-Ensemble-Bäume übertrifft.

Das Ziel des Algorithmus ist es, eine Näherung F_m (x_i) zu finden, die die erwartete Verlustfunktion L(y, F(x)) minimiert.

Der Algorithmus kann wie folgt zusammengefasst werden:

Eingänge:

Ein Trainingsdatensatz: {(x_i,y_i )} i=1 bis n mit n-Dimension und einer Klassenvariablen Eine differenzierbare Verlustfunktion: L(y,F(x)) Die Anzahl der Iterationen: M.

Ausgabe:

F_m (x_i)

Algorithmus:

Initialisieren Sie das Modell mit einem konstanten Wert:

F_0 (x)=arg min⁡∑_(i=1)^n▒〖L(y_i,γ)〗

Für m = 1 bis M:

Berechne Pseudo-Residuen rim r_im=-[(∂L(y_(i,) F(x_i )))/(∂F(x_i))]

Trainieren Sie einen Basislerner mit dem Trainingssatz zu Pseudoresiduen:

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

Aktualisieren Sie das Modell:

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

In der Analyse wurde die Synthetic Minority Oversampling Technique (SMOTE) [5] verwendet, um den Nachteil des Klassenvariablen-Ungleichgewichts zu vermeiden. SMOTE ist eine Datenaugmentationstechnik zur Datenvermehrung. In einigen Fällen hat die Klassenvariable möglicherweise nicht in allen Fällen die gleiche Anzahl von Werten. Zum Beispiel kann es viel mehr überlebende Patienten geben als diejenigen, die ihr Leben verloren haben. In einer solchen Situation werden Daten vermehrt. Es gab ein Ungleichgewicht in den Klassenvariablen im Datensatz dieser Studie. Daher wurde SMOTE angewendet, um die Minderheitsklassen für die Ausbildung zu erhöhen.

Der Datensatz wurde mit einem Verhältnis von 90 % zu 10 % partitioniert. 10 % dienen der Validierung und 90 % dem maschinellen KI-Lernen. 90 % des Teils des maschinellen Lernens wurden ebenfalls in zwei Teile geteilt, nämlich 70 % für KI-Lernen und 30 % für das Testen des Lernens. Zu diesem Zweck wurde eine 5-fach geschichtete Stichprobe verwendet. Die KNIME-Analyseplattform wurde für das KI-Maschinenlernen verwendet.