Предсказание искусственного интеллекта по тяжести острого панкреатита

Ретроспективно было обследовано 1550 пациентов, находившихся под наблюдением в Гастроэнтерологической клинике Университета Фонда Безмиалема в период с октября 2010 г. по февраль 2020 г. и у которых был диагностирован ОП по критериям Атланты. После исключения 216 пациентов с отсутствующими данными 1334 пациента были включены в исследование для оценки.

1. демографические данные пациента; [возраст (лет), пол (мужской/женский), употребление сигарет/алкоголя (как да или нет)], клиническая информация; [рост (сантиметры), вес (килограммы), ИМТ (в кг/м2), наличие сахарного диабета и гипертонии (да или нет)], этиология ОП, такая как камни в желчном пузыре, алкоголь и т. д., и лабораторные анализы, проведенные в течение первые 24 часа приема; [Уровень СРБ (мг/дл, в норме: 0-5), уровень мочевины (мг/дл, в норме; 9,8-20,1), уровень креатинина (мг/дл, в норме; 0,57-1,11) , количество лейкоцитов (в норме от 4,5 до 11,0 ×109/л) и уровень гематокрита (%, в норме: 35,5-48%)], а также по балтазаровской томографической шкале [0: норма, 1: увеличение размеров поджелудочной железы, 2: воспалительные изменения в ткани поджелудочной железы и перипанкреатической жировой клетчатке, 3: неравномерные границы, единичное скопление жидкости, 4: неравномерно ограниченные 2 или более скопления жидкости, от 5 до 10 различных степеней некроза)], будут записаны в файл Excel.
2. Пересмотренная оценка Атланты также будет зарегистрирована в течение недели после поступления в больницу как баллы легкой, средней и тяжелой степени. Инфицированный панкреонекроз и сепсис, развившиеся на фоне острого панкреатита, будут считаться тяжелым острым панкреатитом из-за неадекватности некоторых аспектов оценки по шкале Atlanta. Тяжесть заболевания будет оцениваться по шкале Atlanta. А результаты исследования искусственного интеллекта будут сопоставлены с результатами скоринга Атланты.
3. Осложнения классифицируются как 0; нет, 2; местные осложнения: псевдокиста, абсцесс, некроз, тромбоз и мезентериальный панникулит - 3; системные осложнения: легочные, почечные, желудочно-кишечные и сердечно-сосудистые осложнения - 4; смешанные тяжелые осложнения/коморбидные ситуации, 5: инфекционно-септические осложнения.
4. Кроме того, требования к инвазивным процедурам, такие как эндоскопическая ультрасонография (ЭУЗИ), эндоскопическая ретроградная холангиопанкреатография (ЭРХПГ) (как да, так и нет), продолжительность пребывания в больнице (менее 10 дней или более 11 дней), потребность в отделении интенсивной терапии (присутствует или нет). ), количество будущих приступов ОП (по длительности после месяца госпитализации, по состоянию на один приступ или более одного приступа) и выживаемость (смерть, живая).

Используется алгоритм машинного обучения: Gradient Boosted Ensemble Trees Trees. («Приближение жадных функций: машина повышения градиента» Джерома Х. Фридмана (1999)). Набор данных был разделен с соотношением 90% к 10%. 10% — для проверки, а 90% — для машинного обучения ИИ. 90% машинного обучения также были разделены на две части: 70% для обучения ИИ и 30% для тестирования обучения. Для этого используется 5-кратная стратифицированная выборка.

Методы исследования искусственного интеллекта

Функции, используемые для машинного обучения ИИ:

1. Пол: М/Ж
2. Возраст: постоянное значение
3. Высота (см): непрерывное значение
4. Вес (кг): непрерывное значение
5. Группы ИМТ: Группа 1: ≤ 25 кг/м2; Группа 2; 25-30 кг/м2; Группа 3: >30,1 кг/м2
6. Сигарета: 0; Нет, 1; Да
7. Алкоголь: 0; Нет, 1; Да
8. Сахарный диабет: 0; Нет, 1; Да
9. Гипертония: 0; Нет, 1; Да
10. Этиология: 1; желчный, 2; Алкоголь, 3; гипертриглицеридемия, 4; гиперкальциемия, 5; наркотик, 6; врожденный, 7; криптогенный, 8; эндоскопическая ретроградная холангиография (ЭРХПГ) — 9; странная дисфункция сфинктера (OSD), 10; злокачественность, 11; внутрипапиллярная муцинозная неоплазия (IPMN), 12: первичная склерозирующая холангиография (ПСХ) 13: аутоиммунная, 14: множественная этиология
11. Число лейкоцитов (WBC): N; 4,5-11х100
12. Гематокрит (Hct): N; %35,5-48
13. С-реактивный белок (СРБ): N: 0-5 мг/дл
14. Азот мочевины крови (АМК): N: 9,8-20,1 мг/дл
15. Креатинин (KREA): N: 0,57-1,11 мг/дл
16. Балтазар Скоринг (BLTZR): 0; Нормальный П, 1; Увеличение размеров поджелудочной железы, 2; Воспалительные изменения ткани поджелудочной железы и перипанкреатической жировой клетчатки — 3; Одно скопление жидкости с неправильными границами, 4 балла, 2 и более скопления жидкости с неправильными границами, с разной степенью некроза (от 5 до 10)

В искусственном интеллекте модели деревьев решений широко используются для контролируемого машинного обучения. Они могут зависеть от индекса Джини, коэффициента усиления/энтропии, хи-квадрата, регрессии и так далее. В ИИ они предпочтительнее, потому что они генерируют понятные для людей правила, в отличие от других алгоритмов машинного обучения, таких как искусственные нейронные сети и машины опорных векторов. С другой стороны, они считаются слабыми учениками. Это означает, что на них сильно влияют шум и выбросы, существующие в наборе данных. Чтобы обойти этот недостаток, были разработаны такие модели, как Random Forest, Ensemble Trees, Gradient Boosting.

Случайный лес и деревья ансамбля генерируют правила, применяя определенный алгоритм дерева решений к частям набора данных по вертикали и горизонтали. Этот метод значительно снижает количество ошибок, возникающих при обучении. После завершения процессов обучения они объединяют слабые деревья решений в сильную и более крупную модель дерева решений. Модели ансамблевого обучения достигают лучшего обучения за счет минимизации среднего значения функции потерь на обучающем наборе с помощью аппроксимации F ̂(x). Идея состоит в том, чтобы применить шаг наискорейшего спуска к задаче минимизации жадным способом.

В этом исследовании модель дерева повышения градиента, предложенная Фридманом, использовалась для машинного обучения. Эта модель выбирает отдельное оптимальное значение для каждой из частей дерева, а не одно для всего дерева. Этот подход можно использовать для минимизации любых дифференцируемых потерь L(y, F) в сочетании с поэтапным аддитивным моделированием. Сообщается, что модель дерева с градиентным усилением во многих случаях превосходит случайный лес и обычные ансамблевые деревья.

Цель алгоритма — найти аппроксимацию F_m (x_i), которая минимизирует ожидаемую функцию потерь L(y,F(x)).

Алгоритм можно резюмировать следующим образом:

Входы:

Набор обучающих данных: {(x_i,y_i)} от i=1 до n с размерностью n и переменной класса Дифференцируемая функция потерь: L(y,F(x)) Количество итераций: M.

Вывод:

F_m (x_i)

Алгоритм:

Инициализируйте модель с постоянным значением:

F_0 (x)=arg min⁡∑_(i=1)^n▒〖L(y_i,γ)〗

Для m = 1 до M:

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

Обучите базового ученика псевдоостаткам, используя обучающий набор:

{(x_i,y_i )} от i=1 до n Вычислить множитель γ γ=arg min⁡∑_(i=1)^n▒〖L(y_i,F_(m-1) (x_i )+γh_m (x_i)) 〗

Обновите модель:

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

В анализе использовалась технология передискретизации синтетического меньшинства (SMOTE) [5], чтобы избежать недостатка дисбаланса переменных класса. SMOTE — это метод увеличения объема данных. В некоторых случаях переменная класса может не иметь одинакового количества значений из всех случаев. Например, выживших больных может быть гораздо больше, чем погибших. В такой ситуации данные дополняются. Был дисбаланс в переменных класса в наборе данных этого исследования. Таким образом, SMOTE был применен для увеличения количества классов меньшинств для обучения.

Набор данных был разделен с соотношением 90% к 10%. 10% — для проверки, а 90% — для машинного обучения ИИ. 90% машинного обучения также были разделены на две части: 70% для обучения ИИ и 30% для тестирования обучения. Для этого используется 5-кратная стратифицированная выборка. Аналитическая платформа KNIME использовалась для машинного обучения ИИ.