Sztuczna inteligencja prognozuje ciężkość ostrego zapalenia trzustki

Retrospektywnie przebadano 1550 pacjentów, którzy byli obserwowani w Klinice Gastroenterologii Uniwersytetu Bezmialem Foundation między październikiem 2010 a lutym 2020 roku i u których rozpoznano AP zgodnie z kryteriami z Atlanty. Po usunięciu 216 pacjentów z brakującymi danymi, do badania włączono 1334 pacjentów do oceny.

1. Informacje demograficzne pacjenta; [wiek (rok roku), płeć (mężczyzna/kobieta), używanie papierosów/alkoholu (jak tak lub nie)], informacje kliniczne; [wzrost (w centymetrach), waga (kilogramy), BMI (w kg/m2), obecność cukrzycy i nadciśnienia tętniczego (tak lub nie)], etiologia AP taka jak kamica żółciowa, alkohol itp. oraz badania laboratoryjne wykonane w ciągu pierwsze 24 godziny od przyjęcia; [poziom CRP (mg/dl, normalnie: 0-5), poziom BUN (mg/dl, normalnie; 9,8 - 20,1), poziom kreatyniny (mg/dl, normalnie; 0,57 - 1,11) , liczba leukocytów (normalnie 4,5 do 11,0 ×109/l) i poziom hematokrytu (%, normalnie: 35,5-48%)], a także ocena tomograficzna Balthazara [0: prawidłowa, 1: powiększona trzustka, 2: zmiany zapalne w tkance trzustki i okołotrzustkowej tkance tłuszczowej, 3: nieregularnie obramowany, pojedynczy zbiornik płynu, 4: nieregularnie obramowany 2 lub więcej zbiorników płynu, od 5 do 10 różnych stopni martwicy)], zostaną zapisane w pliku excel.
2. Skorygowana punktacja Atlanty zostanie również zarejestrowana w ciągu tygodnia od przyjęcia do szpitala jako wyniki łagodne, umiarkowane i ciężkie. Zakażona martwica trzustki i posocznica, które rozwinęły się w przebiegu ostrego zapalenia trzustki, zostaną zaakceptowane jako ciężkie ostre zapalenie trzustki ze względu na nieadekwatność niektórych kwestii w punktacji Atlanta. Ciężkość choroby zostanie oceniona zgodnie z punktacją Atlanta. A wyniki badania sztucznej inteligencji zostaną dopasowane zgodnie z wynikami punktacji Atlanty.
3. Powikłania są klasyfikowane jako 0; brak, 2; powikłania miejscowe: torbiel rzekoma, ropień, martwica, zakrzepica, zapalenie tkanki podskórnej krezki, 3; powikłania ogólnoustrojowe: powikłania płucne, nerkowe, żołądkowo-jelitowe i sercowo-naczyniowe, 4; mieszane poważne powikłania/sytuacje współistniejące, 5: powikłania infekcyjne i septyczne.
4. Dodatkowo wymagania procedur inwazyjnych, takie jak endoskopowa ultrasonografia (EUS), endoskopowa cholangiopankreatografia wsteczna (ERCP) (tak lub nie), długość pobytu w szpitalu (mniej niż 10 dni lub więcej niż 11 dni), zapotrzebowanie na oddział intensywnej terapii (obecny lub nie) ), liczba przyszłych ataków AP (w czasie trwania po miesiącu pobytu w szpitalu, od jednego ataku lub więcej ataków) oraz przeżycie (zgon, przeżycie).

Wykorzystywany jest algorytm uczenia maszynowego: Gradient Boosted Ensemble Trees Drzewa. („Greedy Function Approximation: A Gradient Boosting Machine”, Jerome H. Friedman (1999)). Zbiór danych został podzielony na partycje ze stosunkiem 90%-10%. 10% to walidacja, a 90% to uczenie maszynowe AI. 90% część uczenia maszynowego została również podzielona na dwie części jako 70% dla AI Learning i 30% dla testowania uczenia. W tym celu zastosowano 5-krotny dobór warstwowy

Metody sztucznej inteligencji w badaniu

Funkcje wykorzystywane w uczeniu maszynowym AI:

1. Płeć: M/K
2. Wiek: wartość ciągła
3. Wzrost (cm): wartość ciągła
4. Waga (kg): wartość ciągła
5. Grupy BMI: Grupa 1: ≤ 25 kg/m2; Grupa 2; 25-30kg/m2; Grupa 3: >30,1 kg/m2
6. Papieros: 0; nie, 1; tak
7. Alkohol: 0; nie, 1; tak
8. Cukrzyca: 0; nie, 1; tak
9. nadciśnienie: 0; nie, 1; tak
10. Etiologia: 1; żółciowe, 2; Alkohol, 3; hipertriglicerydemia, 4; hiperkalcemia, 5; lek, 6; wrodzony, 7; kryptogenny, 8; endoskopowa cholangiografia wsteczna (ERCP), 9; dziwna dysfunkcja zwieracza (OSD), 10; złośliwość, 11; wewnątrz brodawkowatej neoplazji śluzowej (IPMN), 12: pierwotna cholangiografia stwardniająca (PSC) 13: autoimmunologiczna, 14: etiologia wieloraka
11. Liczba leukocytów (WBC): N; 4,5-11x100
12. Hematokryt (Hct): N; %35,5-48
13. Białko C reaktywne (CRP): N: 0-5 mg/dl
14. Azot mocznikowy we krwi (BUN): N: 9,8-20,1 mg/dl
15. Kreatynina (KREA): N: 0,57-1,11 mg/dl
16. Punktacja Baltazara (BLTZR): 0; normalne P, 1; Zwiększenie rozmiaru trzustki, 2; Zmiany zapalne w tkance trzustki i okołotrzustkowej tkance tłuszczowej, 3; Nieregularnie obramowany, pojedynczy zbiornik płynu, 4, Nieregularnie obramowany 2 lub więcej zbiorników płynu, z różnym stopniem martwicy (od 5 do 10)

W sztucznej inteligencji modele drzew decyzyjnych są szeroko stosowane do nadzorowanego uczenia maszynowego. Mogą zależeć od indeksu Giniego, współczynnika wzmocnienia/entropii, chi-kwadrat, regresji i tak dalej. W sztucznej inteligencji są preferowane, ponieważ generują zrozumiałe dla ludzi reguły, w przeciwieństwie do innych algorytmów uczenia maszynowego, takich jak sztuczne sieci neuronowe i maszyny wektorów nośnych. Z drugiej strony uważani są za słabych uczniów. Oznacza to, że w dużym stopniu wpływają na nie szum i wartości odstające występujące w zbiorze danych. Aby obejść ten problem, opracowano modele takie jak Losowy las, Drzewa zespołowe, Wzmacnianie gradientu.

Lasy losowe i drzewa zespołowe generują reguły, stosując określony algorytm drzewa decyzyjnego do części zbioru danych w pionie iw poziomie. Technika ta radykalnie zmniejsza błąd występujący w nauce. Po zakończeniu procesów uczenia się łączą słabe drzewa decyzyjne w silny i większy model drzewa decyzyjnego. Modele uczenia się zespołowego osiągają lepsze uczenie się, minimalizując średnią wartość funkcji straty na zbiorze treningowym za pomocą przybliżenia F ̂(x). Chodzi o to, aby zastosować najbardziej stromy krok w dół do problemu minimalizacji w zachłanny sposób.

W tym badaniu do uczenia maszynowego wykorzystano model drzewa gradientowego, który został zaproponowany przez Friedmana. Model ten wybiera osobną optymalną wartość dla każdej części drzewa, a nie jedną dla całego drzewa. Podejście to można zastosować do zminimalizowania wszelkich różniczkowalnych strat L(y, F) w połączeniu z etapowym modelowaniem addytywnym. Podaje się, że model drzewa wzmacniającego gradient w wielu przypadkach przewyższa losowe drzewa leśne i regularne drzewa zespołowe.

Celem algorytmu jest znalezienie przybliżenia F_m(x_i), które minimalizuje oczekiwaną funkcję straty L(y,F(x)).

Algorytm można podsumować w następujący sposób:

Wejścia:

Zbiór danych uczących: {(x_i,y_i )} i=1 do n z wymiarem n i zmienną klasową Różniczkowalna funkcja straty: L(y,F(x)) Liczba iteracji: M.

Wyjście:

F_m (x_i)

Algorytm:

Zainicjuj model stałą wartością:

F_0 (x)=arg min⁡∑_(i=1)^n▒〖L(y_i,γ)〗

Dla m = 1 do M:

Oblicz pseudoreszty rim r_im=-[(∂L(y_(i,) F(x_i )))/(∂F(x_i))]

Wytrenuj podstawowego ucznia do pseudo-resztek, używając zestawu szkoleniowego:

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

Zaktualizuj model:

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

W analizie wykorzystano technikę syntetycznego nadpróbkowania mniejszości (SMOTE) [5], aby uniknąć niekorzystnej nierównowagi zmiennych klasowych. SMOTE to technika powiększania danych w celu zwiększenia ilości danych. W niektórych przypadkach zmienna klasy może nie mieć równej liczby wartości ze wszystkich przypadków. Na przykład może być znacznie więcej pacjentów, którzy przeżyli niż tych, którzy stracili życie. W takiej sytuacji dane są powiększane. W zbiorze danych tego badania występowała nierównowaga zmiennych klasowych. Tak więc SMOTE został zastosowany w celu zwiększenia klas mniejszości do szkolenia.

Zbiór danych został podzielony na partycje ze stosunkiem 90%-10%. 10% to walidacja, a 90% to uczenie maszynowe AI. 90% część uczenia maszynowego została również podzielona na dwie części jako 70% dla AI Learning i 30% dla testowania uczenia. W tym celu zastosowano 5-krotny dobór warstwowy. Platforma analityczna KNIME została wykorzystana do uczenia maszynowego AI.