Previsão de inteligência artificial para a gravidade da pancreatite aguda

De forma retrospectiva, foram triados 1550 pacientes que foram acompanhados na Clínica de Gastroenterologia da Bezmialem Foundation University entre outubro de 2010 e fevereiro de 2020 e que foram diagnosticados com PA de acordo com os critérios de Atlanta. Após a remoção de 216 pacientes com dados ausentes, 1.334 pacientes foram incluídos no estudo para avaliação.

1. Informações demográficas do paciente; [idade (ano), sexo (masculino/feminino), uso de cigarro/álcool (como sim ou não)], informações clínicas; [altura (centímetros), peso (quilogramas), IMC (em kg/m2), presença de diabetes mellitus e hipertensão (sim ou não)], etiologia da PA como cálculos biliares, álcool, etc., e exames laboratoriais aqueles realizados dentro nas primeiras 24 horas da internação; [nível de PCR (mg/dl, normalmente: 0-5), nível BUN (mg/dl, normalmente; 9,8 - 20,1), nível de creatinina (mg/dl, normalmente; 0,57 - 1,11) , número de leucócitos (normalmente 4,5 a 11,0 ×109/L) e nível de hematócrito (%, normalmente: 35,5-48%)], bem como escore tomográfico de Balthazar [0: normal, 1: aumento do tamanho do pâncreas, 2: alterações inflamatórias no tecido pancreático e tecido adiposo peripancreático, 3: bordas irregulares, coleção única de fluido, 4: 2 ou mais coleções de fluidos com bordas irregulares, 5 a 10 graus diferentes de necrose)], serão registradas no arquivo excel.
2. A pontuação revisada de Atlanta também será registrada dentro de um período de uma semana após a internação hospitalar como pontuações leves, moderadas e graves. A necrose pancreática infectada e a sepse que se desenvolveram durante o curso da pancreatite aguda serão aceitas como pancreatite aguda grave devido à inadequação de alguns problemas na pontuação de Atlanta. A gravidade da doença será avaliada de acordo com os escores de Atlanta. E os resultados do estudo de inteligência artificial serão combinados de acordo com os resultados da pontuação de Atlanta.
3. As complicações são classificadas como 0; nenhum, 2; complicações locais: pseudocisto, abscesso, necrose, trombose e paniculite mesentérica, 3; complicações sistêmicas: complicações pulmonares, renais, gastrointestinais e cardiovasculares, 4; complicações graves mistas/situações de co-morbidade, 5: complicações infecciosas e sépticas.
4. Além disso, requisitos de procedimentos invasivos, como ultrassonografia endoscópica (EUS), colangiopancreatografia retrógrada endoscópica (CPRE) (sim ou não), tempo de internação (menos de 10 dias ou mais de 11 dias), necessidade de unidade de terapia intensiva (presente ou não ), número de crises futuras de PA (duração após um mês de internação, a partir de uma crise ou mais de uma crise) e sobrevivência (morte, vivo) também serão registrados.

O algoritmo de aprendizado de máquina é usado: Árvores de conjunto com aumento de gradiente Árvores. ("Greedy Function Approximation: A Gradient Boosting Machine" por Jerome H. Friedman (1999)). O conjunto de dados foi particionado com uma proporção de 90% a 10%. 10% é para validação e 90% é para aprendizado de máquina de IA. 90% da parte de aprendizado de máquina também foi dividida em duas partes, 70% para aprendizado de IA e 30% para testar o aprendizado. Para isso, foi utilizada amostragem estratificada em 5 vezes.

Métodos de Inteligência Artificial do Estudo

Recursos usados ​​para AI Machine Learning:

1. Gênero: M/F
2. Idade: valor contínuo
3. Altura (cm): Valor Contínuo
4. Peso (Kg): Valor Contínuo
5. IMC Grupos: Grupo 1: ≤ 25 kg/m2; Grupo 2; 25-30 kg/m2; Grupo 3: >30,1 kg/m2
6. Cigarro: 0; Não, 1; Sim
7. Álcool: 0; Não, 1; Sim
8. Diabetes melito: 0; Não, 1; Sim
9. Hipertensão: 0; Não, 1; Sim
10. Etiologia: 1; biliar, 2; Álcool, 3; hipertrigliceridemia, 4; hipercalcemia, 5; droga, 6; congênita, 7; criptogênico, 8; colangiografia retrógrada endoscópica (CPRE), 9; disfunção do esfíncter oddy (OSD), 10; malignidade, 11; neoplasia mucinosa intrapapilar (IPMN), 12: colangiografia esclerosante primária (PSC) 13: autoimune, 14: etiologia múltipla
11. Número de leucócitos (WBC): N; 4,5-11x100
12. Hematócrito (Hct): N; % 35,5-48
13. Proteína C reativa (PCR): N: 0-5 mg/dl
14. Azoto ureico no sangue (BUN): N: 9,8-20,1 mg/dl
15. Creatinina (KREA): N: 0,57-1,11 mg/dl
16. Pontuação de Baltazar (BLTZR): 0; Normal P, 1; Aumento do tamanho do pâncreas, 2; Alterações inflamatórias no tecido pancreático e tecido adiposo peripancreático, 3; Coleção fluida única com bordas irregulares, 4, 2 ou mais coleções fluidas com bordas irregulares, com vários graus de necrose (variando entre 5 e 10)

Em Inteligência Artificial, Modelos de Árvore de Decisão são amplamente utilizados para aprendizado de máquina supervisionado. Eles podem depender do índice de Gini, taxa de ganho/entropia, qui-quadrado, regressão e assim por diante. Em IA, eles são preferidos porque geram regras compreensíveis para humanos, ao contrário de outros algoritmos de aprendizado de máquina, como redes neurais artificiais e máquinas de vetores de suporte. Por outro lado, eles são considerados aprendizes fracos. Isso significa que eles são altamente afetados por ruídos e outliers existentes no conjunto de dados. Para contornar esta desvantagem, foram desenvolvidos modelos como Random Forest, Ensemble Trees, Gradient Boosting.

A floresta aleatória e as árvores Ensemble geram regras aplicando um determinado algoritmo de árvore de decisão às porções do conjunto de dados vertical e horizontalmente. Esta técnica reduz drasticamente o erro que ocorre na aprendizagem. Depois que os processos de aprendizado são concluídos, eles combinam árvores de decisão fracas em um modelo de árvore de decisão forte e maior. Os modelos de aprendizado de conjunto obtêm um melhor aprendizado minimizando o valor médio da função de perda no conjunto de treinamento por meio de uma aproximação F̂(x). A ideia é aplicar um passo de descida mais íngreme ao problema de minimização de forma gulosa.

Neste estudo, o modelo de árvore de aumento de gradiente proposto por Friedman foi usado para aprendizado de máquina. Este modelo escolhe um valor ótimo separado para cada uma das partes da árvore, em vez de um único para a árvore inteira. Essa abordagem pode ser usada para minimizar qualquer perda diferenciável L(y, F) em conjunto com a modelagem aditiva de estágio de encaminhamento. É relatado que o modelo de árvore de aumento de gradiente supera a floresta aleatória e as árvores de conjunto regulares em muitos casos.

O objetivo do algoritmo é encontrar uma aproximação F_m (x_i) que minimize a função de perda L(y,F(x)) esperada.

O algoritmo pode ser resumido da seguinte forma:

Entradas:

Um conjunto de dados de treinamento: {(x_i,y_i )} i=1 to n com dimensão n e uma variável de classe Uma função de perda diferenciável: L(y,F(x)) O número de iterações: M.

Saída:

F_m (x_i)

Algoritmo:

Inicialize o modelo com um valor constante:

F_0 (x)=arg min⁡∑_(i=1)^n▒〖L(y_i,γ)〗

Para m = 1 a M:

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

Treine um aprendiz base para pseudo-resíduos, usando o conjunto de treinamento:

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

Atualize o modelo:

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

Na análise, a Técnica de Sobreamostragem de Minorias Sintéticas (SMOTE) [5] foi usada para evitar a desvantagem do desequilíbrio das variáveis ​​de classe. SMOTE é uma técnica de aumento de dados para aumentar os dados. Em alguns casos, a variável de classe pode não ter uma quantidade igual de valores em todos os casos. Por exemplo, pode haver muito mais pacientes sobreviventes do que aqueles que perderam suas vidas. Nesse tipo de situação, os dados são aumentados. Houve um desequilíbrio nas variáveis ​​de classe no conjunto de dados deste estudo. Assim, o SMOTE foi aplicado para aumentar as turmas minoritárias para treinamento.

O conjunto de dados foi particionado com uma proporção de 90% a 10%. 10% é para validação e 90% é para aprendizado de máquina de IA. 90% da parte de aprendizado de máquina também foi dividida em duas partes, 70% para aprendizado de IA e 30% para testar o aprendizado. Para isso, foi utilizada amostragem estratificada em 5 vezes. A plataforma analítica KNIME foi usada para o aprendizado de máquina de IA.