急性膵炎の重症度の人工知能予測

レトロスペクティブな方法で、2010 年 10 月から 2020 年 2 月までの間にベズミアレム財団大学の消化器病クリニックで追跡調査を受け、アトランタの基準に従って AP と診断された 1550 人の患者がスクリーニングされました。 データが欠落している 216 人の患者を除外した後、1334 人の患者が評価のために研究に含まれました。

1. 患者の人口統計情報; [年齢 (yo)、性別 (男性/女性)、タバコ/アルコールの使用 (はいまたはいいえ)]、臨床情報; [身長 (センチメートル)、体重 (キログラム)、BMI (kg/m2 として)、真性糖尿病および高血圧の有無 (はいまたはいいえ)]、胆石、アルコールなどの AP の病因、および以下の範囲内で受けた臨床検査入場の最初の 24 時間。 【CRP値（mg/dl、平時：0～5）、BUN値（mg/dl、平時、9.8～20.1）、クレアチニン値（mg/dl、平時、0.57～1.11） 、白血球数 (通常 4.5 ～ 11.0 ×109/L) およびヘマトクリット値 (%、通常: 35.5 ～ 48%)]、およびバルタザール断層撮影スコア [0: 正常、1: 膵臓サイズの増加、 2: 膵臓組織および膵臓周囲脂肪組織の炎症性変化、3: 不規則に縁取られた単一の液体収集、4: 不規則に縁取られた 2 つ以上の液体収集、5 ～ 10 の異なる程度の壊死)] が Excel ファイルに記録されます。
2. 改訂されたアトランタのスコアも、入院後 1 週間以内に軽度、中等度、重度のスコアとして記録されます。 急性膵炎の経過中に発症した感染性膵臓壊死および敗血症は、アトランタのスコアリングでいくつかの問題が不適切であるため、重度の急性膵炎として受け入れられます。 疾患の重症度は、アトランタスコアに従って評価されます。 そして、人工知能研究の結果は、アトランタのスコアリングの結果に応じて照合されます。
3. 合併症は 0 として分類されます。なし、2;局所合併症：仮性嚢胞、膿瘍、壊死、血栓症、および腸間膜脂肪織炎、3;全身合併症：肺、腎臓、胃腸および心臓血管の合併症、4;重篤な合併症/併存疾患の混合状況、5: 感染性および敗血症性合併症。
4. さらに、超音波内視鏡検査（EUS）、内視鏡的逆行性胆道膵管造影（ERCP）（はいまたはいいえ）、入院期間（10日未満または11日以上）、集中治療室の要件（存在するかどうか）などの侵襲的処置の要件)、将来の AP 発作の数 (1 か月の入院後の持続時間、1 回の発作または複数回の発作の時点で)、および生存 (死亡、生存) も記録されます。

機械学習アルゴリズムが使用されます: Gradient Boosted Ensemble Trees Trees。 (「グリーディ関数近似: 勾配ブースティング マシン」ジェローム H. フリードマン (1999))。 データセットは 90%-10% の比率で分割されています。 10% は検証用で、90% は AI 機械学習用です。 90% の機械学習部分も、70% が AI 学習用、30% が学習のテスト用として 2 つの部分に分割されています。 この目的のために、5 倍層化サンプリングが使用されています。

研究の人工知能方法

AI 機械学習に使用される機能:

1. 性別: M/F
2. 年齢：継続値
3. 身長(cm)：連続値
4. 重量 (Kg): 連続値
5. BMI グループ: グループ 1: ≤ 25 kg/m2;グループ 2; 25-30kg/m2;グループ 3: >30,1 kg/m2
6. タバコ: 0;いいえ、1;はい
7. アルコール: 0;いいえ、1;はい
8. 真性糖尿病: 0;いいえ、1;はい
9. 高血圧: 0;いいえ、1;はい
10. 病因: 1;胆道、2;アルコール、3;高トリグリセリド血症、4;高カルシウム血症、5;薬、6;先天性、7;潜在性、8;内視鏡的逆行性胆道造影（ERCP）、9;奇妙な括約筋機能障害 (OSD)、10。悪性、11;乳頭内粘液性腫瘍 (IPMN)、12: 原発性硬化性胆管造影 (PSC) 13: 自己免疫、14: 複数の病因
11. 白血球数 (WBC): N; 4,5-11x100
12. ヘマトクリット (Hct): N; %35,5-48
13. C反応性タンパク（CRP）：N：0～5mg/dl
14. 血中尿素窒素 (BUN): N: 9,8-20,1 mg/dl
15. クレアチニン (KREA): N: 0,57-1,11 mg/dl
16. バルタザールの得点 (BLTZR): 0;通常の P、1;膵臓のサイズの増加、2;膵臓組織および膵臓周囲脂肪組織における炎症性変化、3;不規則に縁取られた単一の体液コレクション、4、不規則に縁取られた 2 つ以上の体液コレクション、さまざまな程度の壊死 (5 ～ 10 の範囲)

人工知能では、ディシジョン ツリー モデルが教師あり機械学習に広く使用されています。 それらは、ジニ指数、ゲイン比/エントロピー、カイ二乗、回帰などに依存する場合があります。 AI では、人工ニューラル ネットワークやサポート ベクター マシンなどの他の機械学習アルゴリズムとは異なり、人間にとって理解しやすいルールを生成するため、好まれます。 一方、彼らは弱い学習者であると考えられています。 つまり、データセットに存在するノイズや外れ値の影響を大きく受けます。 このハンディキャップを回避するために、ランダム フォレスト、アンサンブル ツリー、勾配ブースティングなどのモデルが開発されました。

ランダム フォレストとアンサンブル ツリーは、データ セットの垂直方向と水平方向の部分に特定の決定木アルゴリズムを適用してルールを生成します。 この手法により、学習で発生するエラーが大幅に減少します。 学習プロセスが完了すると、弱いデシジョン ツリーが結合されて、強力で大きなデシジョン ツリー モデルになります。 アンサンブル学習モデルは、F ^(x) 近似を介してトレーニング セットの損失関数の平均値を最小化することにより、より優れた学習を実現します。 アイデアは、貪欲な方法で最小化問題に最急降下ステップを適用することです。

この研究では、Friedman によって提案された勾配ブースト ツリー モデルが機械学習に使用されています。 このモデルは、ツリー全体に対して 1 つの最適値を選択するのではなく、ツリーの各部分に対して個別の最適値を選択します。 このアプローチを使用して、段階ごとの加算モデリングの転送と組み合わせて、微分可能な損失 L(y, F) を最小限に抑えることができます。 多くの場合、勾配ブースティング ツリー モデルは、ランダム フォレストおよび通常のアンサンブル ツリーよりも優れていることが報告されています。

アルゴリズムの目標は、予想される L(y,F(x)) 損失関数を最小化する近似 F_m (x_i) を見つけることです。

アルゴリズムは次のように要約できます。

入力:

トレーニング データ セット: {(x_i,y_i )} i=1 ～ n (n 次元およびクラス変数) 微分可能な損失関数: L(y,F(x)) 反復回数: M.

出力：

F_m (x_i)

アルゴリズム：

モデルを定数値で初期化します。

F_0 (x)=arg min⁡∑_(i=1)^n▒〖L(y_i,γ)〗

m = 1 ～ M の場合:

擬似残差を計算します rim r_im=-[(∂L(y_(i,) F(x_i )))/(∂F(x_i))]

トレーニング セットを使用して、基本学習器を疑似残差にトレーニングします。

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

モデルを更新します。

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

分析では、クラス変数の不均衡の欠点を回避するために、Synthetic Minority Oversampling Technique (SMOTE) [5] が使用されています。 SMOTE は、データを増やすためのデータ拡張技術です。 場合によっては、クラス変数がすべてのケースから同じ量の値を持っていないことがあります。 たとえば、命を落とした患者よりも生き残った患者の方がはるかに多い可能性があります。 このような状況では、データが拡張されます。 この研究のデータセットのクラス変数には不均衡がありました。 そのため、トレーニング用のマイノリティ クラスを増やすために SMOTE が適用されました。

データセットは 90%-10% の比率で分割されています。 10% は検証用で、90% は AI 機械学習用です。 90% の機械学習部分も、70% が AI 学習用、30% が学習のテスト用として 2 つの部分に分割されています。 この目的のために、5 倍層化サンプリングが使用されています。 KNIME 分析プラットフォームは、AI 機械学習に使用されています。