급성 췌장염의 중증도에 대한 인공지능 예측

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.

1. 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.
2. 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.
3. 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.
4. 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:

1. 성별: 남/녀
2. 연령: 지속적인 가치
3. 높이(cm): 연속 값
4. 무게(Kg): 연속 값
5. BMI 그룹: 그룹 1: ≤ 25kg/m2; 그룹 2; 25-30kg/m2; 그룹 3: >30,1kg/m2
6. 담배: 0; 아니요, 1; 예
7. 알코올: 0; 아니요, 1; 예
8. 당뇨병: 0; 아니요, 1; 예
9. 고혈압: 0; 아니요, 1; 예
10. 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
11. 백혈구 수(WBC): N; 4,5-11x100
12. 헤마토크리트(Hct): N; %35,5-48
13. C 반응성 단백질(CRP): N: 0-5 mg/dl
14. 혈액 요소 질소(BUN): N: 9,8-20,1 mg/dl
15. 크레아티닌(KREA): N: 0,57-1,11 mg/dl
16. 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.