Tekoälyn ennuste akuutin haimatulehduksen vakavuuden suhteen

Takautuvasti seulottiin 1550 potilasta, joita seurattiin Bezmialemin säätiön yliopiston gastroenterologian klinikalla lokakuun 2010 ja helmikuun 2020 välisenä aikana ja joilla diagnosoitiin AP Atlantan kriteerien mukaan. Sen jälkeen kun poistettiin 216 potilasta, joiden tiedot puuttuivat, tutkimukseen otettiin 1334 potilasta arvioitavaksi.

1. Potilaiden demografiset tiedot; [ikä (yo), sukupuoli (mies/nainen), savukkeen/alkoholin käyttö (kyllä ​​tai ei)], kliiniset tiedot; [pituus (senttiä), paino (kg), BMI (kg/m2), diabetes mellituksen ja verenpainetaudin esiintyminen (kyllä ​​tai ei)], AP:n etiologia, kuten sappikivet, alkoholi jne. ja laboratoriokokeet ensimmäiset 24 tuntia sisäänpääsystä; [CRP-taso (mg/dl, normaalisti: 0-5), BUN-taso (mg/dl, normaalisti; 9,8 - 20,1), kreatiniinitaso (mg/dl, normaalisti; 0,57 - 1,11) , leukosyyttien lukumäärä (normaalisti 4,5-11,0 × 109/l) ja hematokriittitaso (%, normaalisti: 35,5-48 %)] sekä Balthazar-tomografinen pisteytys [0: normaali, 1: haiman koon kasvu, 2: tulehdukselliset muutokset haimakudoksessa ja peripankreattisessa rasvakudoksessa, 3: epäsäännöllisesti rajattu, yksi nestekeräys, 4: epäsäännöllisesti reunustettu 2 tai useampi nestekeräys, 5-10 eriasteista nekroosia)], tallennetaan excel-tiedostoon.
2. Tarkistetut Atlantan pisteet kirjataan myös viikon kuluessa sairaalaan ottamisesta lievinä, kohtalaisina ja vaikeina pisteinä. Infektoitunut haimanekroosi ja sepsis, jotka kehittyivät akuutin haimatulehduksen aikana, hyväksytään vakavaksi akuutiksi haimatulehdukseksi joidenkin Atlantan pisteytysten riittämättömyyden vuoksi. Taudin vakavuus arvioidaan Atlanta-pisteiden mukaan. Ja tekoälytutkimuksen tuloksia verrataan Atlantan pisteytysten tulosten mukaan.
3. Komplikaatiot luokitellaan 0; ei yhtään, 2; paikalliset komplikaatiot: pseudokysta, absessi, nekroosi, tromboosi ja suoliliepeen pannikuliitti, 3; systeemiset komplikaatiot: keuhkojen, munuaisten, maha-suolikanavan ja kardiovaskulaariset komplikaatiot, 4; sekalaiset vakavat komplikaatiot/sananaikainen sairaus, 5: infektio- ja septiset komplikaatiot.
4. Lisäksi invasiivisia toimenpiteitä koskevat vaatimukset, kuten endoskooppinen ultraäänitutkimus (EUS), endoskooppinen retrogradinen kolangiopankreatografia (ERCP) (kyllä ​​tai ei), sairaalahoidon pituus (alle 10 päivää tai yli 11 päivää), tehohoidon vaatimus (on tai ei) ), myös tulevien AP-kohtausten määrä (kesto kuukauden sairaalahoidon jälkeen, yhdestä tai useammasta kohtauksesta) ja eloonjääminen (kuolema, elossa).

Koneoppimisalgoritmia käytetään: Gradient Boosted Ensemble Trees Trees. ("Greedy Function Approximation: A Gradient Boosting Machine", kirjoittanut Jerome H. Friedman (1999)). Tietojoukko on osioitu suhteessa 90–10 %. 10 % on validointia ja 90 % tekoälyn koneoppimista varten. 90 % koneoppimisen osasta on myös jaettu kahteen osaan: 70 % tekoälyoppimiseen ja 30 % oppimisen testaamiseen. Tätä tarkoitusta varten on käytetty 5-kertaista ositettua otantaa

Tutkimuksen tekoälyn menetelmät

Tekoälykoneoppimisessa käytetyt ominaisuudet:

1. Sukupuoli: M/F
2. Ikä: Jatkuva arvo
3. Korkeus (cm): Jatkuva arvo
4. Paino (kg): Jatkuva arvo
5. BMI-ryhmät: Ryhmä 1: ≤ 25 kg/m2; ryhmä 2; 25-30 kg/m2; Ryhmä 3: >30,1 kg/m2
6. Savuke: 0; Ei, 1; Joo
7. Alkoholi: 0; Ei, 1; Joo
8. Diabetes mellitus: 0; Ei, 1; Joo
9. Hypertensio: 0; Ei, 1; Joo
10. Etiologia: 1; sappitie, 2; Alkoholi, 3; hypertriglyseridemia, 4; hyperkalsemia, 5; lääke, 6; synnynnäinen, 7; kryptogeeninen, 8; endoskooppinen retrogradinen kolangiografia (ERCP), 9; outo sulkijalihaksen toimintahäiriö (OSD), 10; pahanlaatuisuus, 11; intrapapillaarinen limakalvoneoplasia (IPMN), 12: primaarinen sklerosoiva kolangiografia (PSC) 13: autoimmuuni, 14: moniperäinen etiologia
11. Leukosyyttiluku (WBC): N; 4,5-11x100
12. Hematokriitti (Hct): N; %35,5-48
13. C-reaktiivinen proteiini (CRP): N: 0-5 mg/dl
14. Veren ureatyppi (BUN): N: 9,8-20,1 mg/dl
15. Kreatiniini (KREA): N: 0,57-1,11 mg/dl
16. Baltazarin pisteytys (BLTZR): 0; normaali P, 1; Haiman koon kasvu, 2; Tulehdukselliset muutokset haimakudoksessa ja peripankreattisessa rasvakudoksessa, 3; Epäsäännöllisesti reunustettu, yksi nestekeräys, 4, epäsäännöllisesti reunustettu 2 tai useampi nestekeräys, eriasteisia nekroosia (vaihtelee 5-10)

Tekoälyssä päätöspuumalleja käytetään laajalti ohjattuun koneoppimiseen. Ne voivat riippua Gini-indeksistä, vahvistussuhteesta/entropiasta, khin neliöstä, regressiosta ja niin edelleen. Tekoälyssä niitä suositaan, koska ne luovat ymmärrettäviä sääntöjä ihmisille toisin kuin muut koneoppimisalgoritmit, kuten keinotekoiset hermoverkot ja tukivektorikoneet. Toisaalta heitä pidetään heikkoina oppijoina. Tämä tarkoittaa, että tietojoukon melu ja poikkeamat vaikuttavat niihin voimakkaasti. Tämän vamman kiertämiseksi on kehitetty malleja, kuten Random Forest, Ensemble Trees, Gradient Boosting.

Satunnaiset metsä- ja Ensemble-puut luovat sääntöjä soveltamalla tiettyä päätöspuualgoritmia tietojoukon osiin pysty- ja vaakasuunnassa. Tämä tekniikka vähentää dramaattisesti oppimisessa esiintyviä virheitä. Oppimisprosessien päätyttyä he yhdistävät heikot päätöspuut vahvaksi ja suuremmaksi päätöspuumalliksi. Ensemble-oppimismallit saavuttavat paremman oppimisen minimoimalla tappiofunktion keskiarvon harjoitusjoukossa F ̂(x)-approksimaatiolla. Ajatuksena on soveltaa minimointiongelmaan jyrkin laskuaskel ahneella tavalla.

Tässä tutkimuksessa koneoppimiseen on käytetty Friedmanin ehdottamaa gradientin tehostuspuumallia. Tämä malli valitsee erillisen optimaalisen arvon jokaiselle puun osalle yhden koko puun sijaan. Tätä lähestymistapaa voidaan käyttää minimoimaan kaikki differentioituva häviö L(y, F) vaiheittaisen additiivisen mallinnuksen yhteydessä. On raportoitu, että gradienttia tehostava puumalli ylittää monissa tapauksissa satunnaiset metsä- ja tavalliset kokonaisuuspuut.

Algoritmin tavoitteena on löytää approksimaatio F_m (x_i), joka minimoi odotetun L(y,F(x))-häviöfunktion.

Algoritmi voidaan tiivistää seuraavasti:

Tulot:

Harjoitustietojoukko: {(x_i,y_i )} i=1 - n, jossa on n ulottuvuus ja luokkamuuttuja Differentioituva häviöfunktio: L(y,F(x)) Iteraatioiden määrä: M.

Lähtö:

F_m (x_i)

Algoritmi:

Alusta malli vakioarvolla:

F_0 (x)=arg min⁡∑_(i=1)^n▒〖L(y_i,γ)〗

Jos m = 1 - M:

Laske pseudojäännökset vanteen r_im=-[(∂L(y_(i,) F(x_i )))/(∂F(x_i))]

Kouluta perusoppija pseudojäännöksiin käyttämällä harjoitussarjaa:

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

Päivitä malli:

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

Analyysissä on käytetty SMOTE-tekniikkaa (Synthetic Minority Oversampling Technique) [5], jotta vältetään luokkamuuttujien epätasapaino. SMOTE on tiedon lisäystekniikka tiedon lisäämiseksi. Joissakin tapauksissa luokkamuuttujalla ei välttämättä ole yhtä paljon arvoja kaikista tapauksista. Esimerkiksi selviytyneitä potilaita voi olla paljon enemmän kuin henkensä menettäneitä. Tällaisessa tilanteessa dataa lisätään. Tämän tutkimuksen tietojoukossa oli epätasapainoa luokkamuuttujien välillä. Joten SMOTE:ta on sovellettu lisäämään vähemmistöluokkaa koulutukseen.

Tietojoukko on osioitu suhteessa 90–10 %. 10 % on validointia ja 90 % tekoälyn koneoppimista varten. 90 % koneoppimisen osasta on myös jaettu kahteen osaan: 70 % tekoälyoppimiseen ja 30 % oppimisen testaamiseen. Tätä tarkoitusta varten on käytetty 5-kertaista ositettua otantaa. KNIME-analyyttistä alustaa on käytetty tekoälyn koneoppimiseen.