Kunstmatige intelligentie Voorspelling voor de ernst van acute pancreatitis

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.

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

1. Geslacht: M/V
2. Leeftijd: continue waarde
3. Hoogte (cm): continue waarde
4. Gewicht (kg): continue waarde
5. BMI Groepen: Groep 1: ≤ 25 kg/m2; Groep 2; 25-30kg/m2; Groep 3: >30,1 kg/m2
6. Sigaret: 0; Nee, 1; Ja
7. alcohol: 0; Nee, 1; Ja
8. Diabetes mellitus: 0; Nee, 1; Ja
9. Hypertensie: 0; Nee, 1; Ja
10. 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
11. Leukocytengetal (WBC): N; 4,5-11x100
12. Hematocriet (Hct): N; %35,5-48
13. C-reactief proteïne (CRP): N: 0-5 mg/dl
14. Bloedureumstikstof (BUN): N: 9,8-20,1 mg/dl
15. Creatinine (KREA): N: 0,57-1,11 mg/dl
16. 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.