- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT04735055
Prédiction par intelligence artificielle de la gravité de la pancréatite aiguë
Application de l'intelligence artificielle pour prédire la gravité de la maladie dans la pancréatite aiguë
L'incidence de la pancréatite aiguë (PA) est en augmentation de nos jours. Le diagnostic de PA est défini selon les critères d'Atlanta avec la présence de deux des 3 résultats suivants ; a) douleur abdominale caractéristique b) valeurs d'amylase et de lipase ≥ 3 fois c) diagnostic de PA en échographie (USG), imagerie par résonance magnétique (IRM) ou tomodensitométrie (TDM). Alors que 80% de la maladie a une évolution bénigne, 20% sont sévères et nécessitent un traitement de soins intensifs. La mortalité varie entre 10 et 25 % dans la PA sévère (sévère), alors qu'elle est de 1 à 3 % dans la PA légère.
Des systèmes de notation avec des résultats cliniques, de laboratoire et radiologiques sont utilisés pour évaluer la gravité de la maladie. Âge avancé (> 70 ans), obésité (en tant qu'indice de masse corporelle (IMC, en kg/m2), consommation de cigarettes et d'alcool, azote uréique sanguin (BUN) ≥ 20 mg/dl, augmentation de la créatinine, taux de protéine C réactive (CRP) > 120 mg/dl, taux de Hct diminué ou augmenté, score de Balthazar ≥ 8 au scanner abdominal implique une PA grave. Selon les critères révisés d'Atlanta, trois types de sévérité sont présents dans l'AP. Légères (pas de défaillance d'organe et pas de complications locales), modérées (complications locales telles que pseudokyste, abcès, nécrose, thrombose vasculaire) et/ou complications systémiques transitoires (moins de 48h) et sévères (complications systémiques de longue durée (>48h) ; insuffisances organiques telles que pulmonaire, cardiaque, gastro-intestinale et rénale). Bien que le score d'Atlanta soit considéré comme très populaire aujourd'hui, il semble encore avoir besoin d'être révisé en raison de certaines lacunes chez les sujets de nécrose infectée, d'infection non pancréatique et de nécrose non pancréatique, et de la nature dynamique de la défaillance d'organe. Même si la présence de 30 systèmes de notation de la gravité (le plus accepté est le score APACHE 2 parmi eux), aucun d'entre eux ne peut prédire avec certitude quel patient aura une maladie très grave et quel patient aura une évolution bénigne n'a pas encore été découvert.
Aujourd'hui, les applications d'intelligence artificielle (apprentissage automatique) sont utilisées dans de nombreux domaines de la médecine (tels que le diagnostic, les chirurgies, le développement de médicaments, les traitements personnalisés, les compétences en édition de gènes). Des études sur l'apprentissage automatique dans la détermination de la violence dans l'AP ont commencé à apparaître dans la littérature. Le but de cette étude est de déterminer si l'application de l'intelligence artificielle (IA) joue un rôle dans la détermination de la gravité de la maladie dans la PA.
Aperçu de l'étude
Statut
Les conditions
Description détaillée
De manière rétrospective, 1550 patients qui ont été suivis à la clinique de gastroentérologie de l'Université de la Fondation Bezmialem entre la période octobre 2010 et février 2020 et qui ont été diagnostiqués avec une PA selon les critères d'Atlanta ont été dépistés. Après le retrait de 216 patients avec des données manquantes, 1334 patients ont été inclus dans l'étude pour évaluation.
- Informations démographiques sur les patients ; [âge (ans), sexe (homme/femme), consommation de cigarettes/d'alcool (oui ou non)], informations cliniques ; [taille (centimètres), poids (kilogrammes), IMC (en kg/m2), présence de diabète sucré et d'hypertension (oui ou non)], étiologie des AP telles que calculs biliaires, alcool, etc., et tests de laboratoire ceux effectués dans les premières 24 heures de l'admission ; [Taux de CRP (mg/dl, normalement : 0-5), taux d'azote uréique (mg/dl, normalement ; 9,8 - 20,1), taux de créatinine (mg/dl, normalement ; 0,57 - 1,11) , nombre de leucocytes (normalement 4,5 à 11,0 ×109/L) et taux d'hématocrite (%, normalement : 35,5-48%)], ainsi que le score tomographique de Balthazar [0 : normal, 1 : une augmentation de la taille du pancréas, 2 : changements inflammatoires dans le tissu pancréatique et le tissu adipeux péripancréatique, 3 : bords irréguliers, collection de liquide unique, 4 : bords irréguliers de 2 collections de liquide ou plus, 5 à 10 degrés différents de nécrose)], seront enregistrées dans le fichier Excel.
- La notation révisée d'Atlanta sera également enregistrée dans la semaine suivant l'admission à l'hôpital en tant que scores légers, modérés et sévères. La nécrose pancréatique infectée et la septicémie qui se sont développées au cours de la pancréatite aiguë seront acceptées comme une pancréatite aiguë sévère en raison de l'insuffisance de certains problèmes dans la notation d'Atlanta. La gravité de la maladie sera évaluée selon les scores d'Atlanta. Et les résultats de l'étude sur l'intelligence artificielle seront mis en correspondance avec les résultats de la notation d'Atlanta.
- Les complications sont classées 0 ; aucun, 2 ; complications locales : pseudokyste, abcès, nécrose, thrombose et panniculite mésentérique, 3 ; complications systémiques : complications pulmonaires, rénales, gastro-intestinales et cardiovasculaires, 4 ; situations mixtes complications graves/comorbidité, 5 : complications infectieuses et septiques.
- De plus, les exigences d'une procédure invasive telles que l'échographie endoscopique (EUS), la cholangiopancréatographie rétrograde endoscopique (CPRE) (si oui ou non), la durée du séjour à l'hôpital (moins de 10 jours ou plus de 11 jours), l'exigence d'une unité de soins intensifs (présente ou non ), le nombre de futures attaques AP (en durée après un mois d'hospitalisation, à partir d'une attaque ou de plus d'une attaque), et la survie (mort, vivant) seront également enregistrés.
L'algorithme d'apprentissage automatique est utilisé : Gradient Boosted Ensemble Trees Trees. ("Rapproximation de la fonction gourmande: une machine de renforcement de gradient" par Jerome H. Friedman (1999)). L'ensemble de données a été partitionné avec un ratio de 90 % à 10 %. 10 % sont destinés à la validation et 90 % à l'apprentissage automatique de l'IA. La partie 90 % de l'apprentissage automatique a également été divisée en deux parties : 70 % pour AI Learning et 30 % pour tester l'apprentissage. A cet effet, un échantillonnage stratifié 5 fois a été utilisé
Méthodes d'intelligence artificielle de l'étude
Fonctionnalités utilisées pour l'apprentissage automatique de l'IA :
- Genre : H/F
- Âge : valeur continue
- Hauteur (cm) : valeur continue
- Poids (Kg): Valeur continue
- Groupes IMC : Groupe 1 : ≤ 25 kg/m2 ; Groupe 2 ; 25-30 kg/m2 ; Groupe 3 : >30,1 kg/m2
- Cigarette : 0 ; Non, 1 ; Oui
- Alcool : 0 ; Non, 1 ; Oui
- Diabète sucré : 0 ; Non, 1 ; Oui
- Hypertension : 0 ; Non, 1 ; Oui
- Étiologie : 1 ; biliaire, 2 ; Alcool, 3 ; hypertriglycéridémie, 4 ; hypercalcémie, 5 ; drogue, 6 ; congénital, 7 ; cryptogénique, 8 ; cholangiographie rétrograde endoscopique (CPRE), 9 ; dysfonctionnement du sphincter impair (OSD), 10 ; malignité, 11 ; néoplasie mucineuse intra papillaire (IPMN), 12 : cholangiographie sclérosante primitive (PSC) 13 : auto-immune, 14 : étiologie multiple
- Nombre de leucocytes (WBC) : N ; 4,5-11x100
- Hématocrite (Hct) : N ; %35,5-48
- Protéine C réactive (CRP): N: 0-5 mg/dl
- Azote uréique sanguin (BUN): N: 9,8-20,1 mg/dl
- Créatinine (KREA): N: 0,57-1,11 mg/dl
- Score Baltazar (BLTZR) : 0 ; Normale P, 1 ; Augmentation de la taille du pancréas, 2 ; Modifications inflammatoires du tissu pancréatique et du tissu adipeux péripancréatique, 3 ; Irrégulièrement bordé, collection de liquide unique, 4, Irrégulièrement bordé 2 ou plusieurs collections de liquide, avec divers degrés de nécrose (allant de 5 à 10)
En intelligence artificielle, les modèles d'arbre de décision sont largement utilisés pour l'apprentissage automatique supervisé. Ils peuvent dépendre de l'indice de Gini, du rapport gain/entropie, du chi carré, de la régression, etc. En IA, ils sont préférés car ils génèrent des règles compréhensibles pour les humains contrairement à d'autres algorithmes d'apprentissage automatique tels que les réseaux de neurones artificiels et les machines à vecteurs de support. D'autre part, ils sont considérés comme des apprenants faibles. Cela signifie qu'ils sont fortement affectés par le bruit et les valeurs aberrantes existant dans l'ensemble de données. Afin de contourner ce handicap, des modèles comme Random Forest, Ensemble Trees, Gradient Boosting ont été développés.
Les forêts aléatoires et les arbres d'ensemble génèrent des règles en appliquant un certain algorithme d'arbre de décision aux parties de l'ensemble de données verticalement et horizontalement. Cette technique réduit considérablement l'erreur qui se produit dans l'apprentissage. Une fois les processus d'apprentissage terminés, ils combinent des arbres de décision faibles en un modèle d'arbre de décision fort et plus grand. Les modèles d'apprentissage d'ensemble permettent un meilleur apprentissage en minimisant la valeur moyenne de la fonction de perte sur l'ensemble d'apprentissage via une approximation F ̂ (x). L'idée est d'appliquer une étape de descente la plus raide au problème de minimisation de manière gloutonne.
Dans cette étude, le modèle d'arbre de gradient boost qui a été proposé par Friedman a été utilisé pour l'apprentissage automatique. Ce modèle choisit une valeur optimale distincte pour chacune des parties de l'arbre plutôt qu'une seule pour l'ensemble de l'arbre. Cette approche peut être utilisée pour minimiser toute perte différentiable L(y, F) en conjonction avec la modélisation additive par étapes. Il est rapporté que le modèle d'arbre à renforcement de gradient surpasse les forêts aléatoires et les arbres d'ensemble réguliers dans de nombreux cas.
Le but de l'algorithme est de trouver une approximation F_m (x_i) qui minimise la fonction de perte attendue L(y,F(x)).
L'algorithme peut être résumé comme suit :
Contributions:
Un ensemble de données d'apprentissage : {(x_i,y_i )} i=1 à n avec n dimension et une variable de classe Une fonction de perte différentiable : L(y,F(x)) Le nombre d'itérations : M.
Sortir:
F_m (x_i)
Algorithme:
Initialisez le modèle avec une valeur constante :
F_0 (x)=arg min∑_(i=1)^n▒〖L(y_i,γ)〗
Pour m = 1 à M :
Calculer les pseudo-résidus rim r_im=-[(∂L(y_(i,) F(x_i )))/(∂F(x_i))]
Entraînez un apprenant de base aux pseudo-résidus, en utilisant l'ensemble d'apprentissage :
{(x_i,y_i )} i=1 à n Calculer le multiplicateur γ γ=arg min∑_(i=1)^n▒〖L(y_i,F_(m-1) (x_i )+γh_m (x_i )) 〗
Mettez à jour le modèle :
〖F_m (x_i)=F〗_(m-1) (x_i )+γ_m h_m (x_i ) Sortie F_m (x_i)
Dans l'analyse, la technique de suréchantillonnage synthétique des minorités (SMOTE) [5] a été utilisée afin d'éviter l'inconvénient du déséquilibre des variables de classe. SMOTE est une technique d'augmentation de données pour augmenter les données. Dans certains cas, la variable de classe peut ne pas avoir une quantité égale de valeurs de tous les cas. Par exemple, il peut y avoir beaucoup plus de patients qui ont survécu que de ceux qui ont perdu la vie. Dans ce genre de situation, les données sont augmentées. Il y avait un déséquilibre dans les variables de classe dans l'ensemble de données de cette étude. Ainsi, SMOTE a été appliqué pour augmenter les classes minoritaires pour la formation.
L'ensemble de données a été partitionné avec un ratio de 90 % à 10 %. 10 % sont destinés à la validation et 90 % à l'apprentissage automatique de l'IA. La partie 90 % de l'apprentissage automatique a également été divisée en deux parties : 70 % pour AI Learning et 30 % pour tester l'apprentissage. A cet effet, un échantillonnage stratifié 5 fois a été utilisé. La plate-forme analytique KNIME a été utilisée pour l'apprentissage automatique de l'IA.
Type d'étude
Inscription (Réel)
Contacts et emplacements
Lieux d'étude
-
-
-
Istanbul, Turquie, 34093
- Bezmialem Vakif University, Gastroenterology Clinic
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
Accepte les volontaires sains
Sexes éligibles pour l'étude
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Patients avec un diagnostic de pancréatite aiguë admis aux urgences dans les 24 heures suivant le début des douleurs abdominales
Critère d'exclusion:
- Patients qui signent un formulaire de refus de traitement immédiatement après leur admission à l'hôpital et quittent l'hôpital
- Patients avec des données incomplètes
- Patients psychiatriques
- Patients en très mauvais état général
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Modèles d'observation: Cohorte
- Perspectives temporelles: Rétrospective
Cohortes et interventions
Groupe / Cohorte |
---|
Groupe d'apprentissage automatique sur l'intelligence artificielle (IA)
La partie 90 % de l'apprentissage automatique a également été divisée en 2 parties : 70 % pour l'apprentissage de l'IA et 30 % pour tester l'apprentissage. 70 % des patients atteints de pancréatite aiguë (environ 840 pts) formeront le groupe de formation modèle de l'étude. 30 % des patients atteints de pancréatite aiguë (environ 360 pts) formeront le groupe de test de l'étude. Étant donné que la validation croisée sera également appliquée au modèle ici, les données changeront également en elles-mêmes, et la distribution sera également optimisée pour augmenter le pouvoir prédictif. |
Groupe de validation
10% des patients atteints de pancréatite aiguë (environ 134) formeront le groupe de validation de l'étude. Étant donné que la validation croisée sera également appliquée au modèle ici, les données changeront également en elles-mêmes, et la distribution sera également optimisée pour augmenter le pouvoir prédictif. |
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Estimation précise de la gravité de la maladie par méthode d'apprentissage automatique
Délai: Dans une semaine.
|
La gravité est décrite comme une pancréatite aiguë légère, modérée et sévère selon les critères révisés d'Atlanta.
|
Dans une semaine.
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Exigence de procédure invasive
Délai: Dans une semaine
|
Nécessité d'EUS ou de CPRE pendant le séjour à l'hôpital pour l'évaluation des raisons telles que l'obstruction distale du cholédoque par des développements de pierre, de pseudokyste ou de nécrose (Comme oui ou non)
|
Dans une semaine
|
Besoin en unité de soins intensifs
Délai: Dans une semaine
|
Transférer le patient à l'unité de soins intensifs où le maintien des fonctions vitales est nécessaire pour survivre si les patients souffrent de dyspnée (si la fréquence respiratoire est supérieure à 25/minute), d'hypotension (moins de 90/60 mmHg), si le patient a des saignements gastro-intestinaux (plus de 2 lt. par jour), si le niveau d'azote uréique du patient est supérieur à 20 mg et augmente progressivement (en tant que oui ou non)
|
Dans une semaine
|
Statut de survie
Délai: Dans une semaine
|
Décès : si le patient est vivant (oui) si décédé (non)
|
Dans une semaine
|
Durée du séjour à l'hôpital
Délai: Dans un mois
|
Durées d'hospitalisation d'une journée (moins de 10 jours ou plus de 10 jours)
|
Dans un mois
|
Nombre d'attaques AP
Délai: Après un mois d'hospitalisation comme une crise ou plus d'une crise
|
Admission à l'hôpital à nouveau avec l'attaque AP.
|
Après un mois d'hospitalisation comme une crise ou plus d'une crise
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Les enquêteurs
- Chercheur principal: Gökhan Silahtaroğlu, Prof., Medipol University
Publications et liens utiles
Publications générales
- Banks PA, Bollen TL, Dervenis C, Gooszen HG, Johnson CD, Sarr MG, Tsiotos GG, Vege SS; Acute Pancreatitis Classification Working Group. Classification of acute pancreatitis--2012: revision of the Atlanta classification and definitions by international consensus. Gut. 2013 Jan;62(1):102-11. doi: 10.1136/gutjnl-2012-302779. Epub 2012 Oct 25.
- Fei Y, Gao K, Li WQ. Artificial neural network algorithm model as powerful tool to predict acute lung injury following to severe acute pancreatitis. Pancreatology. 2018 Dec;18(8):892-899. doi: 10.1016/j.pan.2018.09.007. Epub 2018 Sep 26.
- van den Heever M, Mittal A, Haydock M, Windsor J. The use of intelligent database systems in acute pancreatitis--a systematic review. Pancreatology. 2014 Jan-Feb;14(1):9-16. doi: 10.1016/j.pan.2013.11.010. Epub 2013 Dec 4.
- Yoldas O, Koc M, Karakose N, Kilic M, Tez M. Prediction of clinical outcomes using artificial neural networks for patients with acute biliary pancreatitis. Pancreas. 2008 Jan;36(1):90-2. doi: 10.1097/MPA.0b013e31812e964b. No abstract available.
- Pearce CB, Gunn SR, Ahmed A, Johnson CD. Machine learning can improve prediction of severity in acute pancreatitis using admission values of APACHE II score and C-reactive protein. Pancreatology. 2006;6(1-2):123-31. doi: 10.1159/000090032. Epub 2005 Dec 1.
- Andersson B, Andersson R, Ohlsson M, Nilsson J. Prediction of severe acute pancreatitis at admission to hospital using artificial neural networks. Pancreatology. 2011;11(3):328-35. doi: 10.1159/000327903. Epub 2011 Jul 9.
- Qiu Q, Nian YJ, Guo Y, Tang L, Lu N, Wen LZ, Wang B, Chen DF, Liu KJ. Development and validation of three machine-learning models for predicting multiple organ failure in moderately severe and severe acute pancreatitis. BMC Gastroenterol. 2019 Jul 4;19(1):118. doi: 10.1186/s12876-019-1016-y.
- Greedy function approximation: A gradient boostingmachine.
- Clustering, A. (2009). Clustering Categorical Data Using Hierarchies. Engineering and Technology, 1(2), 334-339.
- Silahtaroğlu, G. (2009). An Attribute-Centre Based Decision Tree Classification Algorithm. Engineering and Technology, 302-306.
- Bentéjac, C., Csörgő, A., & Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54(3). https://doi.org/10.1007/s10462-020-09896-5.
- Bentéjac, C., Csörgő, A., & Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54(3). https://doi.org/10.1007/s10462-020-09896-5
- Berthold, M. R., Cebron, N., Dill, F., Gabriel, T. R., Kötter, T., Meinl, T., … Wiswedel, B. (2009). KNIME - the Konstanz information miner. ACM SIGKDD Explorations Newsletter. https://doi.org/10.1145/1656274.1656280
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Réel)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- MLKkrm986%
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .