Prédiction par intelligence artificielle de la gravité de la pancréatite aiguë

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.

1. 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.
2. 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.
3. 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.
4. 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 :

1. Genre : H/F
2. Âge : valeur continue
3. Hauteur (cm) : valeur continue
4. Poids (Kg): Valeur continue
5. Groupes IMC : Groupe 1 : ≤ 25 kg/m2 ; Groupe 2 ; 25-30 kg/m2 ; Groupe 3 : >30,1 kg/m2
6. Cigarette : 0 ; Non, 1 ; Oui
7. Alcool : 0 ; Non, 1 ; Oui
8. Diabète sucré : 0 ; Non, 1 ; Oui
9. Hypertension : 0 ; Non, 1 ; Oui
10. 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
11. Nombre de leucocytes (WBC) : N ; 4,5-11x100
12. Hématocrite (Hct) : N ; %35,5-48
13. Protéine C réactive (CRP): N: 0-5 mg/dl
14. Azote uréique sanguin (BUN): N: 9,8-20,1 mg/dl
15. Créatinine (KREA): N: 0,57-1,11 mg/dl
16. 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.