- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT04735055
Kunstmatige intelligentie Voorspelling voor de ernst van acute pancreatitis
Toepassing van kunstmatige intelligentie bij het voorspellen van de ernst van de ziekte bij acute pancreatitis
De incidentie van acute pancreatitis (AP) neemt tegenwoordig toe. De diagnose AP wordt gedefinieerd volgens de Atlanta-criteria met de aanwezigheid van twee van de volgende 3 bevindingen; a) kenmerkende buikpijn b) amylase- en lipasewaarden ≥3 keer c) AP-diagnose bij echografie (USG), magnetische resonantie beeldvorming (MRI) of computertomografie (CT) beeldvorming. Terwijl 80% van de ziekte een mild beloop heeft, is 20% ernstig en vereist intensieve zorg. Sterfte varieert tussen 10-25% bij ernstige (ernstige) AP, terwijl het 1-3% is bij milde AP.
Scoresystemen met klinische, laboratorium- en radiologische bevindingen worden gebruikt om de ernst van de ziekte te evalueren. Gevorderde leeftijd (>70 jaar), zwaarlijvigheid (als body mass index (BMI, als kg/m2), sigaretten- en alcoholgebruik, bloedureumstikstof (BUN) ≥20 mg/dl, verhoogd creatinine, C-reactief proteïnegehalte (CRP) > 120 mg/dl, verlaagde of verhoogde Hct-waarden, ≥8 Balthazar-score op abdominale CT duidt op ernstige AP. Volgens de herziene Atlanta-criteria zijn er drie soorten ernst aanwezig in AP. Licht (geen orgaanfalen en geen lokale complicaties), matig (lokale complicaties zoals pseudocyste, abces, necrose, vasculaire trombose) en/of voorbijgaande systemische complicaties (minder dan 48 uur) en ernstig (langdurige systemische complicaties (>48 uur); orgaaninsufficiëntie zoals long-, hart-, gastro-intestinale en nierinsufficiëntie). Hoewel Atlanta-scoring tegenwoordig als erg populair wordt beschouwd, lijkt het nog steeds aan herziening toe te zijn vanwege enkele tekortkomingen bij de onderwerpen geïnfecteerde necrose, niet-pancreasinfectie en niet-pancreasnecrose, en de dynamische aard van orgaanfalen. Hoewel de aanwezigheid van 30 ernstscoresystemen (waarvan de meest geaccepteerde de APACHE 2-score is), kan geen van hen met zekerheid voorspellen welke patiënt een zeer ernstige ziekte zal hebben en welke patiënt een mild beloop zal hebben, is nog niet ontdekt.
Tegenwoordig worden toepassingen van kunstmatige intelligentie (machine learning) gebruikt in veel medische vakken (zoals diagnose, operaties, medicijnontwikkeling, gepersonaliseerde behandelingen, vaardigheden voor het bewerken van genen). Studies over machine learning bij het bepalen van het geweld in AP beginnen in de literatuur te verschijnen. Het doel van deze studie is om te onderzoeken of de toepassing van kunstmatige intelligentie (AI) een rol speelt bij het bepalen van de ernst van de ziekte bij AP.
Studie Overzicht
Toestand
Gedetailleerde beschrijving
Retrospectief werden 1550 patiënten gescreend die tussen oktober 2010 en februari 2020 werden opgevolgd in de Gastroenterology Clinic van de Bezmialem Foundation University en die de diagnose AP kregen volgens de criteria van Atlanta. Na verwijdering van 216 patiënten met ontbrekende gegevens, werden 1334 patiënten opgenomen in de studie voor evaluatie.
- Demografische informatie van de patiënt; [leeftijd (jaar), geslacht (man/vrouw), sigaretten-/alcoholgebruik (als ja of nee)], klinische informatie; [lengte (centimeter), gewicht (kilogram), BMI (in kg/m2), aanwezigheid van diabetes mellitus en hypertensie (ja of nee)], etiologie van AP zoals galstenen, alcohol, enz., en laboratoriumtests die binnen de eerste 24 uur van de opname; [CRP-niveau (mg/dl, normaal: 0-5), BUN-niveau (mg/dl, normaal; 9,8 - 20,1), creatinineniveau (mg/dl, normaal; 0,57 - 1,11) , aantal leukocyten (normaal 4,5 tot 11,0 × 109/L) en hematocrietwaarde (%, normaal: 35,5-48%)], evenals Balthazar-tomografische score [0: normaal, 1: een toename van de grootte van de pancreas, 2: inflammatoire veranderingen in pancreasweefsel en peripancreatisch vetweefsel, 3: onregelmatig begrensd, enkelvoudige vochtophoping, 4: onregelmatig begrensd 2 of meer vochtophopingen, 5 tot 10 verschillende graden van necrose)], worden in het Excel-bestand vastgelegd.
- Herziene Atlanta-scores worden ook geregistreerd binnen een week na ziekenhuisopname als milde, matige en ernstige scores. Geïnfecteerde pancreasnecrose en sepsis die zich ontwikkelden in de loop van acute pancreatitis, worden geaccepteerd als ernstige acute pancreatitis vanwege de ontoereikendheid van sommige problemen in de score van Atlanta. De ernst van de ziekte wordt beoordeeld aan de hand van de Atlanta-scores. En de resultaten van het onderzoek naar kunstmatige intelligentie zullen worden vergeleken met de resultaten van Atlanta-scores.
- Complicaties worden geclassificeerd als 0; geen, 2; lokale complicaties: pseudocyste, abces, necrose, trombose en mesenteriale panniculitis, 3; systemische complicaties: long-, nier-, gastro-intestinale en cardiovasculaire complicaties, 4; gemengde ernstige complicaties/co-morbiditeit situaties, 5: infectieuze en septische complicaties.
- Bovendien, vereisten voor invasieve procedures zoals endoscopische echografie (EUS), endoscopische retrograde cholangiopancreatografie (ERCP) (zoals ja of nee), duur van ziekenhuisopname (minder dan 10 dagen of meer dan 11 dagen), vereisten voor intensive care (aanwezig of niet ), aantal toekomstige AP-aanvallen (in duur na een maand ziekenhuisopname, vanaf één aanval of meer dan één aanval) en overleving (dood, levend) worden ook geregistreerd.
Machine Learning-algoritme wordt gebruikt: Gradient Boosted Ensemble Trees Trees. ("Greedy Function Approximation: A Gradient Boosting Machine" door Jerome H. Friedman (1999)). De dataset is gepartitioneerd met een verhouding van 90%-10%. 10% is voor validatie en 90% is voor AI machine learning. 90% machine learning-gedeelte is ook verdeeld in twee delen, namelijk 70% voor AI Learning en 30% voor het testen van het leren. Hiervoor is gebruik gemaakt van een 5-voudige gestratificeerde steekproef
Kunstmatige intelligentie Methoden van de studie
Functies die worden gebruikt voor AI Machine Learning:
- Geslacht: M/V
- Leeftijd: continue waarde
- Hoogte (cm): continue waarde
- Gewicht (kg): continue waarde
- BMI Groepen: Groep 1: ≤ 25 kg/m2; Groep 2; 25-30kg/m2; Groep 3: >30,1 kg/m2
- Sigaret: 0; Nee, 1; Ja
- alcohol: 0; Nee, 1; Ja
- Diabetes mellitus: 0; Nee, 1; Ja
- Hypertensie: 0; Nee, 1; Ja
- Etiologie: 1; gal, 2; Alcohol, 3; hypertriglyceridemie, 4; hypercalciëmie, 5; geneesmiddel, 6; aangeboren, 7; cryptogeen, 8; endoscopische retrograde cholangiografie (ERCP), 9; vreemde sluitspierdisfunctie (OSD), 10; kwaadaardigheid, 11; intra papillaire mucineuze neoplasie (IPMN), 12: primaire scleroserende cholangiografie (PSC) 13: auto-immuunziekte, 14: multipele etiologie
- Leukocytengetal (WBC): N; 4,5-11x100
- Hematocriet (Hct): N; %35,5-48
- C-reactief proteïne (CRP): N: 0-5 mg/dl
- Bloedureumstikstof (BUN): N: 9,8-20,1 mg/dl
- Creatinine (KREA): N: 0,57-1,11 mg/dl
- Baltazarscore (BLTZR): 0; Normaal P, 1; Toename van pancreasgrootte, 2; Ontstekingsveranderingen in pancreasweefsel en peripancreatisch vetweefsel, 3; Onregelmatig begrensd, enkele vloeistofverzameling, 4, Onregelmatig begrensd 2 of meer vloeistofverzamelingen, met verschillende graden van necrose (variërend tussen 5 en 10)
In kunstmatige intelligentie worden beslisboommodellen veel gebruikt voor gesuperviseerd machinaal leren. Ze kunnen afhangen van de Gini-index, versterkingsverhouding/entropie, chikwadraat, regressie, enzovoort. Bij AI hebben ze de voorkeur omdat ze begrijpelijke regels voor mensen genereren, in tegenstelling tot andere algoritmen voor machine learning, zoals kunstmatige neurale netwerken en ondersteunende vectormachines. Aan de andere kant worden ze beschouwd als zwakke leerlingen. Dat betekent dat ze sterk worden beïnvloed door ruis en uitschieters in de dataset. Om deze handicap te omzeilen zijn modellen als Random Forest, Ensemble Trees, Gradient Boosting ontwikkeld.
Willekeurige bos- en ensemblebomen genereren regels door een bepaald beslissingsboomalgoritme toe te passen op de delen van de dataset verticaal en horizontaal. Deze techniek vermindert drastisch de fouten die optreden bij het leren. Nadat leerprocessen zijn voltooid, combineren ze zwakke beslisbomen tot een sterk en groter beslisboommodel. Ensemble-leermodellen zorgen voor beter leren door de gemiddelde waarde van de verliesfunctie op de trainingsset te minimaliseren via een F̂(x)-benadering. Het idee is om op een hebzuchtige manier een steilste afdalingsstap toe te passen op het minimalisatieprobleem.
In deze studie is het door Friedman voorgestelde gradiënt-boost-boommodel gebruikt voor machine learning. Dit model kiest een afzonderlijke optimale waarde voor elk van de delen van de boom in plaats van een enkele waarde voor de hele boom. Deze benadering kan worden gebruikt om elk differentieerbaar verlies L(y, F) te minimaliseren in combinatie met stapsgewijze additieve modellering. Het is gemeld dat het gradiëntverhogende boommodel in veel gevallen beter presteert dan willekeurige bos- en reguliere ensemblebomen.
Het doel van het algoritme is om een benadering F_m(x_i) te vinden die de verwachte L(y,F(x)) verliesfunctie minimaliseert.
Het algoritme kan als volgt worden samengevat:
Ingangen:
Een trainingsdataset: {(x_i,y_i )} i=1 tot n met n dimensie en een klassevariabele Een differentieerbare verliesfunctie: L(y,F(x)) Het aantal iteraties: M.
Uitgang:
F_m (x_i)
Algoritme:
Initialiseer het model met een constante waarde:
F_0 (x)=arg min∑_(i=1)^n▒〖L(y_i,γ)〗
Voor m = 1 tot M:
Bereken pseudo-residuen rand r_im=-[(∂L(y_(i,) F(x_i )))/(∂F(x_i))]
Train een basisleerling tot pseudo-residuen met behulp van de trainingsset:
{(x_i,y_i )} i=1 tot n Bereken vermenigvuldiger γ γ=arg min∑_(i=1)^n▒〖L(y_i,F_(m-1) (x_i )+γh_m (x_i )) 〗
Werk het model bij:
〖F_m (x_i)=F〗_(m-1) (x_i )+γ_m h_m (x_i ) Uitvoer F_m (x_i)
Bij de analyse is gebruik gemaakt van Synthetic Minority Oversampling Technique (SMOTE) [5] om het nadeel van klassenvariabele onbalans te vermijden. SMOTE is een data-augmentatietechniek om data te vergroten. In sommige gevallen heeft de klassevariabele mogelijk niet evenveel waarden uit alle gevallen. Er kunnen bijvoorbeeld veel meer patiënten zijn die het hebben overleefd dan degenen die zijn omgekomen. In dit soort situaties worden gegevens aangevuld. Er was een onbalans in de klassevariabelen in de dataset van dit onderzoek. SMOTE is dus toegepast om de minderheidsklassen voor training te vergroten.
De dataset is gepartitioneerd met een verhouding van 90%-10%. 10% is voor validatie en 90% is voor AI machine learning. 90% machine learning-gedeelte is ook verdeeld in twee delen, namelijk 70% voor AI Learning en 30% voor het testen van het leren. Hiervoor is gebruik gemaakt van 5-voudige gestratificeerde steekproeven. Het KNIME-analyseplatform is gebruikt voor het AI-machine learning.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
-
Istanbul, Kalkoen, 34093
- Bezmialem Vakif University, Gastroenterology Clinic
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Geslachten die in aanmerking komen voor studie
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Patiënten met de diagnose acute pancreatitis die binnen 24 uur na het begin van de buikpijn op de SEH zijn opgenomen
Uitsluitingscriteria:
- Patiënten die direct na opname in het ziekenhuis een afwijzingsformulier ondertekenen en het ziekenhuis verlaten
- Patiënten met onvolledige gegevens
- Psychiatrische patiënten
- Patiënten met een zeer slechte algemene toestand
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Observatiemodellen: Cohort
- Tijdsperspectieven: Retrospectief
Cohorten en interventies
Groep / Cohort |
---|
Kunstmatige intelligentie (AI) machine learning-groep
90% machine learning-gedeelte is ook verdeeld in 2 delen als 70% voor AI-leren en 30% voor het testen van het leren. 70% van de patiënten met acute pancreatitis (ongeveer 840 punten) vormt de modeltrainingsgroep van de studie. 30% van de patiënten met acute pancreatitis (ongeveer 360 punten) zal de testgroep van het onderzoek vormen. Aangezien kruisvalidatie ook hier op het model wordt toegepast, zullen de gegevens ook op zichzelf veranderen en zal ook de distributie worden geoptimaliseerd om de voorspellende kracht te vergroten. |
Validatie groep
10% van de patiënten met acute pancreatitis (ongeveer 134) zal de validatiegroep van de studie vormen. Aangezien kruisvalidatie ook hier op het model wordt toegepast, zullen de gegevens ook op zichzelf veranderen en zal ook de distributie worden geoptimaliseerd om de voorspellende kracht te vergroten. |
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
---|---|---|
Nauwkeurige schatting van de ernst van de ziekte door machine learning-methode
Tijdsspanne: Binnen een week.
|
Ernst wordt beschreven als milde, matige en ernstige acute pancreatitis volgens de herziene Atlanta-criteria.
|
Binnen een week.
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
---|---|---|
Vereiste invasieve procedure
Tijdsspanne: Binnen een week
|
Noodzaak van EUS of ERCP tijdens ziekenhuisopname voor evaluatie van de redenen zoals distale choledochale obstructie door steen, pseudocysten of necrose-ontwikkelingen (zoals ja of nee)
|
Binnen een week
|
Vereiste intensive care-afdeling
Tijdsspanne: Binnen een week
|
De patiënt overbrengen naar de IC waar levensondersteuning nodig is om te overleven als patiënten dyspnoe hebben (als de ademhalingsfrequentie hoger is dan 25/min), hypotensie (minder dan 90/60 mmHg), als de patiënt gastro-intestinale bloedingen heeft (meer dan 2 lt. per dag), als het BUN-niveau van de patiënt hoger is dan 20 mg en geleidelijk toeneemt (als ja of nee)
|
Binnen een week
|
Overlevingsstatus
Tijdsspanne: Binnen een week
|
Overlijden: indien patiënt leeft (ja) indien overlijdt (nee)
|
Binnen een week
|
Duur van het ziekenhuisverblijf
Tijdsspanne: Binnen een maand
|
Duur in het ziekenhuis als een dag (minder dan 10 dagen of meer dan 10 dagen)
|
Binnen een maand
|
Aantal AP-aanvallen
Tijdsspanne: Na een maand ziekenhuisopname als één aanval of meer dan één aanval
|
Opnieuw opname in het ziekenhuis met de AP-aanval.
|
Na een maand ziekenhuisopname als één aanval of meer dan één aanval
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Gökhan Silahtaroğlu, Prof., Medipol University
Publicaties en nuttige links
Algemene publicaties
- 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
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- MLKkrm986%
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .