Forutsigelse av kunstig intelligens for alvorlighetsgraden av akutt pankreatitt

På en retrospektiv måte ble 1550 pasienter som ble fulgt opp ved Gastroenterology Clinic ved Bezmialem Foundation University mellom oktober 2010 og februar 2020, og som ble diagnostisert med AP i henhold til Atlanta-kriteriene, screenet. Etter fjerning av 216 pasienter med manglende data, ble 1334 pasienter inkludert i studien for evaluering.

1. Pasient demografisk informasjon; [alder (år), kjønn (mann/kvinne), bruk av sigaretter/alkohol (som ja eller nei)], klinisk informasjon; [høyde (centimeter), vekt (kilogram), BMI (som kg/m2), tilstedeværelse av diabetes mellitus og hypertensjon (ja eller nei)], etiologi av AP som gallestein, alkohol, etc., og laboratorietester de som er tatt innen de første 24 timene av innleggelsen; [CRP-nivå (mg/dl, normalt: 0-5), BUN-nivå (mg/dl, normalt; 9,8 - 20,1), kreatininnivå (mg/dl, normalt; 0,57 - 1,11) , antall leukocytter (normalt 4,5 til 11,0 × 109/L) og hematokritnivå (%, normalt: 35,5-48%)], samt Balthazar tomografisk scoring [0: normal, 1: økning i bukspyttkjertelstørrelse, 2: inflammatoriske endringer i bukspyttkjertelvev og peripankreatisk fettvev, 3: uregelmessig avgrenset, enkelt væskesamling, 4: uregelmessig avgrenset 2 eller flere væskeansamlinger, 5 til 10 forskjellige grader av nekrose)], vil bli registrert i excel-filen.
2. Revidert Atlanta-score vil også bli registrert innen en ukes periode etter sykehusinnleggelse som mild, moderat og alvorlig skåre. Infisert pankreatisk nekrose og sepsis som utviklet seg i løpet av akutt pankreatitt vil bli akseptert som alvorlig akutt pankreatitt på grunn av utilstrekkelig noen problemer i Atlanta-scoring. Alvorlighetsgraden av sykdommen vil bli evaluert i henhold til Atlanta-skårene. Og resultatene fra studien av kunstig intelligens vil bli matchet i henhold til resultatene fra Atlanta-scoringen.
3. Komplikasjoner er klassifisert som 0; ingen, 2; lokale komplikasjoner: pseudocyst, abscess, nekrose, trombose og mesenterisk pannikulitt, 3; systemiske komplikasjoner: lunge-, nyre-, gastrointestinale og kardiovaskulære komplikasjoner, 4; blandede alvorlige komplikasjoner/komorbiditetssituasjoner, 5: infeksjons- og septiske komplikasjoner.
4. I tillegg, krav til invasive prosedyrer som endoskopisk ultrasonografi (EUS), endoskopisk retrograd kolangiopankreatografi (ERCP) (som ja eller nei), lengde på sykehusopphold (mindre enn 10 dager eller mer enn 11 dager), intensivavdelingsbehov (nåværende eller ikke) ), antall fremtidige AP-angrep (i varighet etter en måned med sykehusinnleggelse, som ved ett angrep eller mer enn ett angrep), og overlevelse (død, i live) vil også bli registrert.

Maskinlæringsalgoritme brukes: Gradient Boosted Ensemble Trees Trees. ("Greedy Function Approximation: A Gradient Boosting Machine" av Jerome H. Friedman (1999)). Datasettet har blitt partisjonert med et forhold på 90%-10%. 10 % er for validering og 90 % er for AI maskinlæring. 90 % maskinlæringsdel har også blitt delt inn i to deler som 70 % for AI-læring og 30 % for testing av læringen. Til dette formålet er det brukt 5-dobbelt stratifisert prøvetaking

Kunstig intelligens metoder for studien

Funksjoner som brukes for AI-maskinlæring:

1. Kjønn: M/K
2. Alder: Kontinuerlig verdi
3. Høyde (cm): Kontinuerlig verdi
4. Vekt (Kg): Kontinuerlig verdi
5. BMI-grupper: Gruppe 1: ≤ 25 kg/m2; Gruppe 2; 25-30 kg/m2; Gruppe 3: >30,1 kg/m2
6. Sigarett: 0; Nei, 1; Ja
7. Alkohol: 0; Nei, 1; Ja
8. Diabetes mellitus: 0; Nei, 1; Ja
9. Hypertensjon: 0; Nei, 1; Ja
10. Etiologi: 1; galleveier, 2; Alkohol, 3; hypertriglyseridemi, 4; hyperkalsemi, 5; medikament, 6; medfødt, 7; kryptogene, 8; endoskopisk retrograd kolangiografi (ERCP), 9; merkelig lukkemuskeldysfunksjon (OSD), 10; malignitet, 11; intrapapillær mucinøs neoplasi (IPMN), 12: primær skleroserende kolangiografi (PSC) 13: autoimmun, 14: multippel etiologi
11. Leukocyttnummer (WBC): N; 4,5-11x100
12. Hematokrit (Hct): N; %35,5-48
13. C reaktivt protein (CRP): N: 0-5 mg/dl
14. Blod urea nitrogen (BUN): N: 9,8-20,1 mg/dl
15. Kreatinin (KREA): N: 0,57-1,11 mg/dl
16. Baltazar Scoring (BLTZR): 0; Normal P, 1; Økning i bukspyttkjertelstørrelse, 2; Inflammatoriske endringer i bukspyttkjertelvev og peripankreatisk fettvev, 3; Uregelmessig avgrenset, enkelt væskeoppsamling, 4, uregelmessig avgrenset 2 eller flere væskesamlinger, med ulike grader av nekrose (som varierer mellom 5 og 10)

I kunstig intelligens er beslutningstremodeller mye brukt for overvåket maskinlæring. De kan avhenge av Gini-indeksen, forsterkningsforhold/entropi, chi-kvadrat, regresjon og så videre. I AI foretrekkes de fordi de genererer forståelige regler for mennesker i motsetning til andre maskinlæringsalgoritmer som kunstige nevrale nettverk og støtte vektormaskiner. På den annen side anses de for å være svake elever. Det betyr at de er sterkt påvirket av støy og avvik som finnes i datasettet. For å omgå dette handikappet er det utviklet modeller som Random Forest, Ensemble Trees, Gradient Boosting.

Tilfeldige skog- og ensembletrær genererer regler ved å bruke en bestemt beslutningstrealgoritme på delene av datasettet vertikalt og horisontalt. Denne teknikken reduserer dramatisk feilen som oppstår i læring. Etter at læringsprosesser er fullført, kombinerer de svake beslutningstrær til en sterk og større beslutningstremodell. Ensemblelæringsmodeller oppnår bedre læring ved å minimere gjennomsnittsverdien av tapsfunksjonen på treningssettet via en F ̂(x) tilnærming. Ideen er å bruke et bratteste nedstigningstrinn på minimeringsproblemet på en grådig måte.

I denne studien har gradient boost-tremodellen som ble foreslått av Friedman blitt brukt til maskinlæring. Denne modellen velger en separat optimal verdi for hver av treets deler i stedet for en enkelt for hele treet. Denne tilnærmingen kan brukes til å minimere ethvert differensierbart tap L(y, F) i forbindelse med videresending av trinnvis additiv modellering. Det er rapportert at den gradientforsterkende tremodellen overgår tilfeldige skog- og vanlige ensembletrær i mange tilfeller.

Målet med algoritmen er å finne en tilnærming F_m (x_i) som minimerer den forventede L(y,F(x)) tapsfunksjonen.

Algoritmen kan oppsummeres som følger:

Innganger:

Et treningsdatasett: {(x_i,y_i )} i=1 til n med n dimensjon og en klassevariabel En differensierbar tapsfunksjon: L(y,F(x)) Antall iterasjoner: M.

Produksjon:

F_m (x_i)

Algoritme:

Initialiser modellen med en konstant verdi:

F_0 (x)=arg min⁡∑_(i=1)^n▒〖L(y_i,γ)〗

For m = 1 til M:

Beregn pseudo-rester rim r_im=-[(∂L(y_(i,) F(x_i )))/(∂F(x_i))]

Tren en basiselev til pseudo-rester ved å bruke treningssettet:

{(x_i,y_i )} i=1 til n Beregn multiplikator γ γ=arg min⁡∑_(i=1)^n▒〖L(y_i,F_(m-1) (x_i )+γh_m (x_i )) 〗

Oppdater modellen:

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

I analysen har Synthetic Minority Oversampling Technique (SMOTE) [5] blitt brukt for å unngå ulempen med klassevariabel ubalanse. SMOTE er en dataforsterkningsteknikk for å øke data. I noen tilfeller kan det hende at klassevariabelen ikke har like mange verdier fra alle tilfeller. For eksempel kan det være mye flere overlevde pasienter enn de som mistet livet. I denne typen situasjoner forsterkes data. Det var en ubalanse i klassevariablene i datasettet til denne studien. Så SMOTE har blitt brukt for å øke minoritetsklassene for trening.

Datasettet har blitt partisjonert med et forhold på 90%-10%. 10 % er for validering og 90 % er for AI maskinlæring. 90 % maskinlæringsdel har også blitt delt inn i to deler som 70 % for AI-læring og 30 % for testing av læringen. Til dette formålet er det brukt 5-dobbelt stratifisert prøvetaking. KNIME analytisk plattform har blitt brukt for AI-maskinlæring.