Previsione dell'intelligenza artificiale per la gravità della pancreatite acuta

In modo retrospettivo, sono stati sottoposti a screening 1550 pazienti che sono stati seguiti presso la Gastroenterology Clinic della Bezmialem Foundation University tra ottobre 2010 e febbraio 2020 e ai quali è stata diagnosticata AP secondo i criteri di Atlanta. Dopo la rimozione di 216 pazienti con dati mancanti, 1334 pazienti sono stati inclusi nello studio per la valutazione.

1. Informazioni demografiche del paziente; [età (anni), sesso (maschio/femmina), uso di sigarette/alcool (come sì o no)], informazioni cliniche; [altezza (centimetri), peso (chilogrammi), BMI (in kg/m2), presenza di diabete mellito e ipertensione (sì o no)], eziologia di AP come calcoli biliari, alcol, ecc., e test di laboratorio quelli eseguiti all'interno le prime 24 ore dal ricovero; [Livello CRP (mg/dl, normalmente: 0-5), livello BUN (mg/dl, normalmente; 9,8 - 20,1), livello di creatinina (mg/dl, normalmente; 0,57 - 1,11) , numero di leucociti (normalmente da 4,5 a 11,0 × 109/L) e livello di ematocrito (%, normalmente: 35,5-48%)], nonché punteggio tomografico Balthazar [0: normale, 1: aumento delle dimensioni del pancreas, 2: alterazioni infiammatorie nel tessuto pancreatico e nel tessuto adiposo peripancreatico, 3: singola raccolta di fluidi con bordi irregolari, 4: 2 o più raccolte di fluidi con bordi irregolari, da 5 a 10 diversi gradi di necrosi)], saranno registrati nel file excel.
2. Anche il punteggio Atlanta rivisto verrà registrato entro un periodo di una settimana dal ricovero ospedaliero come punteggi lievi, moderati e gravi. La necrosi pancreatica infetta e la sepsi sviluppatesi durante il corso della pancreatite acuta saranno accettate come pancreatite acuta grave a causa dell'inadeguatezza di alcuni problemi nel punteggio Atlanta. La gravità della malattia sarà valutata in base ai punteggi di Atlanta. E i risultati dello studio sull'intelligenza artificiale saranno abbinati ai risultati del punteggio di Atlanta.
3. Le complicazioni sono classificate come 0; nessuno, 2; complicanze locali: pseudocisti, ascesso, necrosi, trombosi e panniculite mesenterica, 3; complicanze sistemiche: complicanze polmonari, renali, gastrointestinali e cardiovascolari, 4; complicanze gravi miste/situazioni di comorbilità, 5: complicanze infettive e settiche.
4. Inoltre, i requisiti delle procedure invasive come l'ecografia endoscopica (EUS), la colangiopancreatografia retrograda endoscopica (ERCP) (come sì o no), la durata della degenza ospedaliera (meno di 10 giorni o più di 11 giorni), il requisito dell'unità di terapia intensiva (presente o meno ), verranno registrati anche il numero di futuri attacchi AP (in termini di durata dopo un mese di ricovero ospedaliero, a partire da un attacco o più di un attacco) e la sopravvivenza (morte, vivo).

Viene utilizzato l'algoritmo di apprendimento automatico: alberi di ensemble con gradiente potenziato alberi. ("Greedy Function Approssimation: A Gradient Boosting Machine" di Jerome H. Friedman (1999)). Il set di dati è stato partizionato con un rapporto del 90%-10%. Il 10% è per la convalida e il 90% è per il machine learning AI. Anche la parte di apprendimento automatico al 90% è stata divisa in due parti come il 70% per l'apprendimento AI e il 30% per testare l'apprendimento. A tale scopo è stato utilizzato il campionamento stratificato 5 volte

Metodi di intelligenza artificiale dello studio

Funzionalità utilizzate per l'apprendimento automatico dell'intelligenza artificiale:

1. Sesso: M/F
2. Età: valore continuo
3. Altezza (cm): valore continuo
4. Peso (Kg): Valore continuo
5. Gruppi BMI: Gruppo 1: ≤ 25 kg/m2; Gruppo 2; 25-30 kg/m2; Gruppo 3: >30,1 kg/m2
6. Sigaretta: 0; No, 1; sì
7. Alcool: 0; No, 1; sì
8. Diabete mellito: 0; No, 1; sì
9. Ipertensione: 0; No, 1; sì
10. Eziologia: 1; biliare, 2; Alcol, 3; ipertrigliceridemia, 4; ipercalcemia, 5; droga, 6; congenito, 7; criptogenico, 8; colangiografia retrograda endoscopica (ERCP), 9; disfunzione dello sfintere dispari (OSD), 10; malignità, 11; neoplasia mucinosa intrapapillare (IPMN), 12: colangiografia sclerosante primitiva (PSC) 13: autoimmune, 14: eziologia multipla
11. Numero di leucociti (WBC): N; 4,5-11x100
12. Ematocrito (Hct): N; %35,5-48
13. Proteina C reattiva (PCR): N: 0-5 mg/dl
14. Azoto ureico nel sangue (BUN): N: 9,8-20,1 mg/dl
15. Creatinina (KREA): N: 0,57-1,11 mg/dl
16. Punteggio Baltazar (BLTZR): 0; Normale P, 1; Aumento delle dimensioni del pancreas, 2; Cambiamenti infiammatori nel tessuto pancreatico e nel tessuto adiposo peripancreatico, 3; Raccolta fluida singola, con bordi irregolari, 4, 2 o più raccolte fluide con bordi irregolari, con vari gradi di necrosi (compresi tra 5 e 10)

Nell'intelligenza artificiale, i modelli di albero decisionale sono ampiamente utilizzati per l'apprendimento automatico supervisionato. Possono dipendere dall'indice di Gini, dal rapporto guadagno/entropia, dal chi-quadrato, dalla regressione e così via. Nell'intelligenza artificiale sono preferiti perché generano regole comprensibili per gli esseri umani a differenza di altri algoritmi di apprendimento automatico come le reti neurali artificiali e le macchine vettoriali di supporto. D'altra parte, sono considerati studenti deboli. Ciò significa che sono fortemente influenzati dal rumore e dai valori anomali esistenti nel set di dati. Per aggirare questo handicap sono stati sviluppati modelli come Random Forest, Ensemble Trees, Gradient Boosting.

Le foreste casuali e gli alberi Ensemble generano regole applicando un determinato algoritmo dell'albero decisionale alle porzioni del set di dati verticalmente e orizzontalmente. Questa tecnica riduce drasticamente l'errore che si verifica nell'apprendimento. Dopo che i processi di apprendimento sono stati completati, combinano alberi decisionali deboli in un modello di albero decisionale forte e più grande. I modelli di apprendimento d'insieme ottengono un apprendimento migliore minimizzando il valore medio della funzione di perdita sul set di addestramento tramite un'approssimazione F ̂(x). L'idea è di applicare un passo di discesa più ripido al problema di minimizzazione in modo avido.

In questo studio, il modello dell'albero del boost del gradiente proposto da Friedman è stato utilizzato per l'apprendimento automatico. Questo modello sceglie un valore ottimale separato per ciascuna delle parti dell'albero piuttosto che uno singolo per l'intero albero. Questo approccio può essere utilizzato per ridurre al minimo qualsiasi perdita differenziabile L (y, F) in combinazione con la modellazione additiva in base alla fase di inoltro. È stato riferito che in molti casi il modello dell'albero che aumenta il gradiente supera le foreste casuali e gli alberi di ensemble regolari.

L'obiettivo dell'algoritmo è trovare un'approssimazione F_m (x_i) che minimizzi la funzione di perdita L(y,F(x)) attesa.

L'algoritmo può essere riassunto come segue:

Ingressi:

Un set di dati di addestramento: {(x_i,y_i )} i=1 to n con dimensione n e una variabile di classe Una funzione di perdita differenziabile: L(y,F(x)) Il numero di iterazioni: M.

Produzione:

F_m (x_i)

Algoritmo:

Inizializzare il modello con un valore costante:

F_0 (x)=arg min⁡∑_(i=1)^n▒〖L(y_i,γ)〗

Per m = 1 a M:

Calcola gli pseudo-residui rim r_im=-[(∂L(y_(i,) F(x_i )))/(∂F(x_i))]

Addestra uno studente di base agli pseudo-residui, utilizzando il set di formazione:

{(x_i,y_i )} i=1 to n Calcola il moltiplicatore γ γ=arg min⁡∑_(i=1)^n▒〖L(y_i,F_(m-1) (x_i )+γh_m (x_i )) 〗

Aggiorna il modello:

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

Nell'analisi è stata utilizzata la Synthetic Minority Oversampling Technique (SMOTE) [5] per evitare lo svantaggio dello squilibrio delle variabili di classe. SMOTE è una tecnica di aumento dei dati per aumentare i dati. In alcuni casi, la variabile di classe potrebbe non avere una quantità uguale di valori da tutti i casi. Ad esempio, potrebbero esserci molti più pazienti sopravvissuti rispetto a quelli che hanno perso la vita. In questo tipo di situazione, i dati vengono aumentati. C'era uno squilibrio nelle variabili di classe nel set di dati di questo studio. Quindi, SMOTE è stato applicato per aumentare le classi di minoranza per la formazione.

Il set di dati è stato partizionato con un rapporto del 90%-10%. Il 10% è per la convalida e il 90% è per il machine learning AI. Anche la parte di apprendimento automatico al 90% è stata divisa in due parti come il 70% per l'apprendimento AI e il 30% per testare l'apprendimento. A tale scopo è stato utilizzato il campionamento stratificato 5 volte. La piattaforma analitica KNIME è stata utilizzata per il machine learning AI.