- ICH GCP
- 미국 임상 시험 레지스트리
- 임상시험 NCT04735055
급성 췌장염의 중증도에 대한 인공지능 예측
급성 췌장염의 질병 중증도 예측에 인공지능 적용
요즘 급성 췌장염(AP)의 발병률이 증가하고 있습니다. AP의 진단은 다음 3가지 소견 중 2가지가 존재하는 애틀랜타 기준에 따라 정의됩니다. a) 특징적인 복통 b) 아밀라제 및 리파제 값 ≥3배 c) 초음파(USG), 자기공명영상(MRI) 또는 컴퓨터 단층촬영(CT) 영상에서 AP 진단. 질병의 80%는 경미한 경과를 보이는 반면, 20%는 중증이며 집중 치료가 필요합니다. 사망률은 중증(중증) AP에서 10-25% 사이인 반면, 경미한 AP에서는 1-3%입니다.
질병의 중증도를 평가하기 위해 임상, 검사실 및 방사선 소견이 포함된 채점 시스템이 사용됩니다. 고령(>70세), 비만(체질량지수(BMI, kg/m2), 흡연 및 음주, 혈중요소질소(BUN) ≥20 mg/dl, 크레아티닌 증가, CRP(CRP) > 120mg/dl, 감소 또는 증가된 Hct 수준, 복부 CT에서 ≥8 Balthazar 점수는 심각한 AP를 암시합니다. 수정된 애틀랜타 기준에 따르면 AP에는 세 가지 유형의 심각도가 있습니다. 경증(장기 부전 및 국소 합병증 없음), 중등도(가낭종, 농양, 괴사, 혈관 혈전증과 같은 국소 합병증) 및/또는 일시적인 전신 합병증(48시간 미만) 및 중증(오래 지속되는 전신 합병증(>48시간); 폐, 심장, 위장 및 신장과 같은 장기 기능 부전). 애틀랜타 점수는 오늘날 매우 인기 있는 것으로 간주되지만 감염된 괴사, 비췌장 감염 및 비췌장 괴사 주제의 일부 결함과 장기 부전의 동적 특성으로 인해 여전히 수정이 필요한 것으로 보입니다. 30개의 중증도 점수 체계(가장 많이 인정되는 것은 APACHE 2 점수)가 있지만, 어떤 환자가 매우 심각한 질병에 걸릴지, 어떤 환자가 경미한 경과를 보일지 확실히 예측할 수 있는 시스템은 아직 발견되지 않았습니다.
오늘날 인공 지능(머신 러닝) 응용 프로그램은 의학 분야(예: 진단, 수술, 약물 개발, 맞춤형 치료, 유전자 편집 기술)에서 많이 사용됩니다. AP에서 폭력을 결정하는 기계 학습에 대한 연구가 문헌에 나타나기 시작했습니다. 본 연구의 목적은 인공지능(AI) 애플리케이션이 AP에서 질병 중증도를 결정하는 역할을 하는지 조사하는 것이다.
연구 개요
상세 설명
2010년 10월부터 2020년 2월까지 Bezmialem Foundation University의 Gastroenterology Clinic에서 추적 관찰되었으며 Atlanta 기준에 따라 AP로 진단된 1550명의 환자를 후향적으로 선별하였다. 데이터가 누락된 216명의 환자를 제거한 후 평가를 위해 1334명의 환자가 연구에 포함되었습니다.
- 환자 인구통계학적 정보 [나이(yo), 성별(남성/여성), 담배/알코올 사용량(예 또는 아니오)], 임상 정보; [신장(센티미터), 체중(킬로그램), BMI(kg/m2), 당뇨병 및 고혈압 유무(예 또는 아니오)], 담석, 알코올 등 AP의 원인 입학 첫 24시간; [CRP 수치(mg/dl, 정상: 0-5), BUN 수치(mg/dl, 정상, 9,8 - 20,1), 크레아티닌 수치(mg/dl, 정상, 0,57 - 1,11) , 백혈구 수(보통 4.5~11.0 ×109/L) 및 헤마토크릿 수준(%, 보통: 35,5~48%)], Balthazar 단층 촬영 점수[0: 정상, 1: 췌장 크기 증가, 2: 췌장 조직 및 췌장 주변 지방 조직의 염증 변화, 3: 불규칙한 경계, 단일 체액 저류, 4: 불규칙한 경계 2개 이상의 체액 저류, 5 내지 10의 상이한 괴사 정도)]를 엑셀 파일에 기록할 것이다.
- 개정된 애틀랜타 점수는 병원 입원 1주일 이내에 경도, 중등도 및 중증 점수로 기록됩니다. 급성 췌장염이 진행되는 동안 발생한 감염된 췌장 괴사 및 패혈증은 애틀랜타 점수의 일부 문제로 인해 중증 급성 췌장염으로 인정됩니다. 질병의 중증도는 애틀랜타 점수에 따라 평가됩니다. 그리고 인공지능 연구 결과는 애틀랜타 득점 결과에 따라 매칭됩니다.
- 합병증은 0으로 분류됩니다. 없음, 2; 국소 합병증: 가성낭종, 농양, 괴사, 혈전증 및 장간막 지방층염, 3; 전신 합병증: 폐, 신장, 위장 및 심혈관 합병증, 4; 혼합된 심각한 합병증/공동이환 상황, 5: 감염성 및 패혈성 합병증.
- 또한 내시경 초음파(EUS), 내시경 역행 담췌관조영술(ERCP)(예 또는 아니오), 입원 기간(10일 미만 또는 11일 이상), 중환자실 요건(존재 여부)과 같은 침습적 절차 요건 ), 향후 AP 공격 횟수(입원 한 달 후, 1회 공격 또는 1회 이상의 공격으로) 및 생존(사망, 생존)도 기록됩니다.
기계 학습 알고리즘이 사용됩니다: Gradient Boosted Ensemble Trees Trees. ("Greedy Function Approximation: A Gradient Boosting Machine" by Jerome H. Friedman (1999)). 데이터 세트는 90%-10% 비율로 분할되었습니다. 10%는 검증용이고 90%는 AI 기계 학습용입니다. 90% 기계 학습 부분도 AI 학습 70%와 학습 테스트 30%로 두 부분으로 나뉩니다. 이를 위해 5배 층화 샘플링이 사용되었습니다.
연구의 인공 지능 방법
AI 기계 학습에 사용되는 기능:
- 성별: 남/녀
- 연령: 지속적인 가치
- 높이(cm): 연속 값
- 무게(Kg): 연속 값
- BMI 그룹: 그룹 1: ≤ 25kg/m2; 그룹 2; 25-30kg/m2; 그룹 3: >30,1kg/m2
- 담배: 0; 아니요, 1; 예
- 알코올: 0; 아니요, 1; 예
- 당뇨병: 0; 아니요, 1; 예
- 고혈압: 0; 아니요, 1; 예
- 병인: 1; 담도, 2; 알코올, 3; 고중성지방혈증, 4; 고칼슘혈증, 5; 약물, 6; 선천성, 7; 암호 생성, 8; 내시경 역행 담도조영술(ERCP), 9; 괴상한 괄약근 기능 장애(OSD), 10; 악성, 11; 유두내 점액종양(IPMN), 12: 원발성 경화성 담관조영술(PSC) 13: 자가면역, 14: 다발성 병인
- 백혈구 수(WBC): N; 4,5-11x100
- 헤마토크리트(Hct): N; %35,5-48
- C 반응성 단백질(CRP): N: 0-5 mg/dl
- 혈액 요소 질소(BUN): N: 9,8-20,1 mg/dl
- 크레아티닌(KREA): N: 0,57-1,11 mg/dl
- 발타자르 점수(BLTZR): 0; 정상 P, 1; 췌장 크기 증가, 2; 췌장 조직 및 췌장 주변 지방 조직의 염증 변화, 3; 불규칙한 경계, 단일 체액 저류, 4, 다양한 괴사 정도(5~10 범위)와 함께 불규칙한 경계 2개 이상의 체액 저류
인공 지능에서 의사 결정 트리 모델은 감독 기계 학습에 널리 사용됩니다. 지니 지수, 이득 비율/엔트로피, 카이제곱, 회귀 등에 따라 달라질 수 있습니다. AI에서는 인공 신경망 및 지원 벡터 기계와 같은 다른 기계 학습 알고리즘과 달리 인간이 이해할 수 있는 규칙을 생성하기 때문에 선호됩니다. 반면에 그들은 약한 학습자로 간주됩니다. 즉, 데이터 세트에 존재하는 노이즈 및 이상값의 영향을 많이 받습니다. 이 핸디캡을 우회하기 위해 Random Forest, Ensemble Trees, Gradient Boosting과 같은 모델이 개발되었습니다.
랜덤 포레스트 및 앙상블 트리는 데이터 집합의 세로 및 가로 부분에 특정 결정 트리 알고리즘을 적용하여 규칙을 생성합니다. 이 기술은 학습에서 발생하는 오류를 획기적으로 줄입니다. 학습 프로세스가 완료된 후 약한 결정 트리를 강력하고 더 큰 결정 트리 모델로 결합합니다. 앙상블 학습 모델은 F^(x) 근사를 통해 훈련 세트에 대한 손실 함수의 평균 값을 최소화하여 더 나은 학습을 달성합니다. 아이디어는 최속하강법 단계를 탐욕적인 방식으로 최소화 문제에 적용하는 것입니다.
본 연구에서는 Friedman이 제안한 그래디언트 부스트 트리 모델을 기계 학습에 사용하였다. 이 모델은 전체 나무에 대한 단일 값이 아니라 나무의 각 부분에 대해 별도의 최적 값을 선택합니다. 이 접근법은 포워딩 단계별 추가 모델링과 함께 미분 가능한 손실 L(y, F)를 최소화하는 데 사용할 수 있습니다. 그래디언트 부스팅 트리 모델이 랜덤 포레스트와 일반 앙상블 트리보다 많은 경우에 우수한 것으로 보고되었습니다.
알고리즘의 목표는 예상 L(y,F(x)) 손실 함수를 최소화하는 근사 F_m(x_i)를 찾는 것입니다.
알고리즘은 다음과 같이 요약될 수 있습니다.
입력:
학습 데이터 세트: {(x_i,y_i )} i=1 ~ n, n 차원 및 클래스 변수 미분 가능한 손실 함수: L(y,F(x)) 반복 횟수: M.
산출:
F_m(x_i)
연산:
상수 값으로 모델을 초기화합니다.
F_0 (x)=최소 인수∑_(i=1)^n▒〖L(y_i,γ)〗
m = 1 ~ M인 경우:
유사 잔차 계산 r_im=-[(∂L(y_(i,) F(x_i )))/(∂F(x_i))]
학습 세트를 사용하여 기본 학습자를 의사 잔차로 학습시킵니다.
{(x_i,y_i )} i=1 ~ n 계산 승수 γ γ=arg min∑_(i=1)^n▒〖L(y_i,F_(m-1) (x_i )+γh_m (x_i )) 〗
모델 업데이트:
〖F_m(x_i)=F〗_(m-1)(x_i)+γ_m h_m(x_i) 출력 F_m(x_i)
분석에서는 SMOTE(Synthetic Minority Oversampling Technique)[5]를 사용하여 클래스 변수 불균형의 단점을 회피하였다. SMOTE는 데이터를 증가시키는 데이터 증대 기술입니다. 어떤 경우에는 클래스 변수가 모든 경우에서 동일한 양의 값을 가지지 않을 수 있습니다. 예를 들어, 목숨을 잃은 환자보다 살아남은 환자가 훨씬 더 많을 수 있습니다. 이런 종류의 상황에서 데이터가 증가합니다. 이 연구의 데이터 세트에서 클래스 변수에 불균형이 있었습니다. 그래서 SMOTE를 적용하여 훈련을 위한 소수자 클래스를 늘렸습니다.
데이터 세트는 90%-10% 비율로 분할되었습니다. 10%는 검증용이고 90%는 AI 기계 학습용입니다. 90% 기계 학습 부분도 AI 학습 70%와 학습 테스트 30%로 두 부분으로 나뉩니다. 이를 위해 5배 층화 샘플링이 사용되었습니다. KNIME 분석 플랫폼은 AI 기계 학습에 사용되었습니다.
연구 유형
등록 (실제)
연락처 및 위치
연구 장소
-
-
-
Istanbul, 칠면조, 34093
- Bezmialem Vakif University, Gastroenterology Clinic
-
-
참여기준
자격 기준
공부할 수 있는 나이
건강한 자원 봉사자를 받아들입니다
연구 대상 성별
샘플링 방법
연구 인구
설명
포함 기준:
- 복통 시작 후 24시간 이내에 응급실에 내원한 급성 췌장염 진단 환자
제외 기준:
- 입원 직후 치료거부서에 서명하고 퇴원하는 환자
- 데이터가 완료되지 않은 환자
- 정신과 환자
- 전신상태가 매우 불량한 환자
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 관찰 모델: 보병대
- 시간 관점: 회고전
코호트 및 개입
그룹/코호트 |
---|
인공지능(AI) 머신러닝 그룹
90% 기계 학습 부분도 AI 학습 70%와 학습 테스트 30%로 두 부분으로 나뉩니다. 급성 췌장염 환자의 70%(약 840점)가 연구의 모델 훈련 그룹을 형성할 것입니다. 급성 췌장염 환자의 30%(약 360점)가 연구의 테스트 그룹을 구성합니다. 여기에서 모델에도 교차 검증이 적용되기 때문에 데이터 자체도 변경되고 예측력을 높이기 위해 분포가 최적화됩니다. |
검증 그룹
급성 췌장염 환자의 10%(약 134명)가 연구의 검증 그룹을 구성합니다. 여기에서 모델에도 교차 검증이 적용되기 때문에 데이터 자체도 변경되고 예측력을 높이기 위해 분포가 최적화됩니다. |
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
---|---|---|
머신러닝 방식으로 질병의 중증도를 정확하게 추정
기간: 일주일 안에.
|
중증도는 개정된 애틀랜타 기준에 따라 경증, 중등도 및 중증 급성 췌장염으로 설명됩니다.
|
일주일 안에.
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
---|---|---|
침습적 절차 요건
기간: 일주일 안에
|
담석에 의한 원위 담관 폐쇄, 가성 낭종 또는 괴사 발생 등의 원인 평가를 위해 입원 중 EUS 또는 ERCP 필요(예 또는 아니오)
|
일주일 안에
|
중환자실 요건
기간: 일주일 안에
|
환자가 호흡곤란(호흡수가 분당 25회 이상인 경우), 저혈압(90/60mmHg 미만), 위장관 출혈(2회 이상)이 있는 경우 생존을 위해 생명 유지가 필요한 중환자실로 이송 lt. 하루에), 환자의 BUN 수치가 20mg보다 높고 점진적으로 증가하는 경우(예 또는 아니오)
|
일주일 안에
|
생존 상태
기간: 일주일 안에
|
사망: 환자가 살아있는 경우(예) 사망한 경우(아니오)
|
일주일 안에
|
입원 기간
기간: 한 달 이내
|
입원 기간은 하루로 지속됨(10일 미만 또는 10일 이상)
|
한 달 이내
|
AP 공격 횟수
기간: 1회 또는 1회 이상의 발작으로 병원 입원 한 달 후
|
AP 공격으로 다시 병원에 입원.
|
1회 또는 1회 이상의 발작으로 병원 입원 한 달 후
|
공동 작업자 및 조사자
수사관
- 수석 연구원: Gökhan Silahtaroğlu, Prof., Medipol University
간행물 및 유용한 링크
일반 간행물
- 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
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (실제)
연구 완료 (실제)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .