- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT04735055
Artificiell intelligens förutsägelse för svårighetsgraden av akut pankreatit
Tillämpning av artificiell intelligens för att förutsäga sjukdomens svårighetsgrad vid akut pankreatit
Incidensen av akut pankreatit (AP) ökar nuförtiden. Diagnosen AP definieras enligt Atlantas kriterier med närvaro av två av följande tre fynd; a) karakteristisk buksmärta b) amylas- och lipasvärden ≥3 gånger c) AP-diagnos vid ultraljud (USG), magnetisk resonanstomografi (MRT) eller datoriserad tomografi (CT). Medan 80 % av sjukdomen har ett lindrigt förlopp, är 20 % allvarlig och kräver intensivvård. Dödligheten varierar mellan 10-25 % vid svår (svår) AP, medan den är 1-3 % vid mild AP.
Poängsystem med kliniska, laboratorie- och radiologiska fynd används för att utvärdera sjukdomens svårighetsgrad. Hög ålder (>70 år), fetma (som body mass index (BMI, som kg/m2), cigarett- och alkoholanvändning, blodureakväve (BUN) ≥20 mg/dl, ökat kreatinin, C-reaktivt proteinnivå (CRP) > 120mg/dl, minskade eller ökade Hct-nivåer, ≥8 Balthazar-poäng på abdominal CT innebär allvarlig AP. Enligt de reviderade Atlanta-kriterierna finns tre typer av svårighetsgrad i AP. Milda (ingen organsvikt och inga lokala komplikationer), måttliga (lokala komplikationer såsom pseudocysta, abscess, nekros, vaskulär trombos) och/eller övergående systemiska komplikationer (mindre än 48 timmar) och svåra (långvariga systemiska komplikationer (>48 timmar); organinsufficiens såsom lungor, hjärta, mag-tarmkanalen och njurarna). Även om Atlanta poäng anses vara mycket populärt idag, verkar det fortfarande vara i behov av revidering på grund av vissa brister i ämnena infekterad nekros, icke-pankreatisk infektion och icke-pankreatisk nekros, och den dynamiska karaktären av organsvikt. Även om närvaron av 30 poängsystem för svårighetsgrad (det mest accepterade är APACHE 2-poängen bland dem), kan ingen av dem definitivt förutsäga vilken patient som kommer att ha mycket allvarlig sjukdom och vilken patient som kommer att ha ett mildt förlopp, har ännu inte upptäckts.
Idag används tillämpningar för artificiell intelligens (maskininlärning) i många ämnen inom medicin (som diagnos, operationer, läkemedelsutveckling, personliga behandlingar, genredigeringsfärdigheter). Studier om maskininlärning för att fastställa våldet i AP har börjat dyka upp i litteraturen. Syftet med denna studie är att undersöka om tillämpningen av artificiell intelligens (AI) har en roll för att bestämma sjukdomens svårighetsgrad i AP.
Studieöversikt
Status
Betingelser
Detaljerad beskrivning
På ett retrospektivt sätt screenades 1550 patienter som följdes upp vid Gastroenterology Clinic vid Bezmialem Foundation University mellan oktober 2010 och februari 2020 och som diagnostiserades med AP enligt Atlantas kriterier. Efter avlägsnande av 216 patienter med saknade data inkluderades 1334 patienter i studien för utvärdering.
- Patientdemografisk information; [ålder (år), kön (man/kvinna), cigarett/alkoholanvändning (som ja eller nej)], klinisk information; [höjd (centimeter), vikt (kilogram), BMI (som kg/m2), förekomst av diabetes mellitus och hypertoni (ja eller nej)], etiologi för AP såsom gallsten, alkohol, etc., och laboratorietester de som tagits inom de första 24 timmarna av antagningen; [CRP-nivå (mg/dl, normalt: 0-5), BUN-nivå (mg/dl, normalt; 9,8 - 20,1), kreatininnivå (mg/dl, normalt; 0,57 - 1,11) , antal leukocyter (normalt 4,5 till 11,0 × 109/L) och hematokritnivå (%, normalt: 35,5-48%)], såväl som Balthazar tomografisk poängsättning [0: normal, 1: en ökning av pankreasstorlek, 2: inflammatoriska förändringar i pankreatisk vävnad och peripankreatisk fettvävnad, 3: oregelbundet kantad, enkel vätskeuppsamling, 4: oregelbunden kantad 2 eller fler vätskesamlingar, 5 till 10 olika grader av nekros)], kommer att registreras i excel-filen.
- Reviderade Atlanta-poäng kommer också att registreras inom en vecka efter sjukhusinläggning som milda, måttliga och svåra poäng. Infekterad pankreatisk nekros och sepsis som utvecklats under förloppet av akut pankreatit kommer att accepteras som allvarlig akut pankreatit på grund av otillräckligheten hos vissa problem i Atlanta-poängsättningen. Sjukdomens svårighetsgrad kommer att utvärderas enligt Atlanta-poängen. Och resultaten av artificiell intelligens-studien kommer att matchas enligt resultaten av Atlanta-poängen.
- Komplikationer klassificeras som 0; ingen, 2; lokala komplikationer: pseudocysta, abscess, nekros, trombos och mesenterisk pannikulit, 3; systemiska komplikationer: lung-, njur-, gastrointestinala och kardiovaskulära komplikationer, 4; blandade allvarliga komplikationer/komorbiditetssituationer, 5: infektions- och septiska komplikationer.
- Dessutom, krav på invasiva förfaranden såsom endoskopisk ultraljud (EUS), endoskopisk retrograd kolangiopankreatografi (ERCP) (som ja eller nej), längd på sjukhusvistelse (mindre än 10 dagar eller mer än 11 dagar), intensivvårdsavdelningsbehov (närvarande eller ej). ), antal framtida AP-attacker (i varaktighet efter en månads sjukhusinläggning, som en attack eller mer än en attack), och överlevnad (död, levande) kommer också att registreras.
Machine Learning Algoritm används: Gradient Boosted Ensemble Trees Trees. ("Greedy Function Approximation: A Gradient Boosting Machine" av Jerome H. Friedman (1999)). Datauppsättningen har partitionerats med ett förhållande på 90%-10%. 10 % är för validering och 90 % är för AI-maskininlärning. 90 % maskininlärningsdel har också delats upp i två delar som 70 % för AI-inlärning och 30 % för att testa inlärningen. För detta ändamål har 5-faldig stratifierad provtagning använts
Artificiell intelligens metoder för studien
Funktioner som används för AI Machine Learning:
- Kön: M/K
- Ålder: Kontinuerligt värde
- Höjd (cm): Kontinuerligt värde
- Vikt (Kg): Kontinuerligt värde
- BMI-grupper: Grupp 1: ≤ 25 kg/m2; Grupp 2; 25-30 kg/m2; Grupp 3: >30,1 kg/m2
- Cigarett: 0; Nej, 1; Ja
- Alkohol: 0; Nej, 1; Ja
- Diabetes mellitus: 0; Nej, 1; Ja
- Hypertoni: 0; Nej, 1; Ja
- Etiologi: 1; galla, 2; Alkohol, 3; hypertriglyceridemi, 4; hyperkalcemi, 5; läkemedel, 6; medfödd, 7; kryptogen, 8; endoskopisk retrograd kolangiografi (ERCP), 9; udda sfinkterdysfunktion (OSD), 10; malignitet, 11; intrapapillär mucinös neoplasi (IPMN), 12: primär skleroserande kolangiografi (PSC) 13: autoimmun, 14: multipel etiologi
- Leukocyttal (WBC): N; 4,5-11x100
- hematokrit (Hct): N; %35,5-48
- C-reaktivt protein (CRP): N: 0-5 mg/dl
- Blodureakväve (BUN): N: 9,8-20,1 mg/dl
- Kreatinin (KREA): N: 0,57-1,11 mg/dl
- Baltazar Poäng (BLTZR): 0; Normal P, 1; Ökning av pankreasstorlek, 2; Inflammatoriska förändringar i pankreatisk vävnad och peripankreatisk fettvävnad, 3; Oregelbundet kantad, enkel vätskeuppsamling, 4, oregelbunden kantad 2 eller fler vätskesamlingar, med olika grader av nekros (mellan 5 och 10)
Inom artificiell intelligens används beslutsträdsmodeller i stor utsträckning för övervakad maskininlärning. De kan bero på Gini-index, förstärkningsförhållande/entropi, chi-kvadrat, regression och så vidare. I AI är de att föredra eftersom de genererar förståeliga regler för människor till skillnad från andra maskininlärningsalgoritmer som artificiella neurala nätverk och Support Vector Machines. Å andra sidan anses de vara svaga elever. Det betyder att de i hög grad påverkas av brus och extremvärden som finns i datamängden. För att komma runt detta handikapp har modeller som Random Forest, Ensemble Trees, Gradient Boosting utvecklats.
Slumpmässiga skog- och ensembleträd genererar regler genom att tillämpa en viss beslutsträdsalgoritm på delarna av datamängden vertikalt och horisontellt. Denna teknik minskar dramatiskt felen som uppstår vid inlärning. Efter att inlärningsprocesser är slutförda kombinerar de svaga beslutsträd till en stark och större beslutsträdsmodell. Ensembleinlärningsmodeller uppnår bättre inlärning genom att minimera medelvärdet av förlustfunktionen på träningssetet via en F ̂(x) approximation. Tanken är att tillämpa ett brantaste nedstigningssteg på minimeringsproblemet på ett girigt sätt.
I denna studie har gradientboost-trädmodellen som föreslogs av Friedman använts för maskininlärning. Denna modell väljer ett separat optimalt värde för var och en av trädets delar snarare än ett enda för hela trädet. Detta tillvägagångssätt kan användas för att minimera varje differentierbar förlust L(y, F) i samband med vidarebefordran stegvis additiv modellering. Det rapporteras att den gradientförstärkande trädmodellen i många fall överträffar slumpmässiga skogar och vanliga ensembleträd.
Målet med algoritmen är att hitta en approximation F_m (x_i) som minimerar den förväntade L(y,F(x)) förlustfunktionen.
Algoritmen kan sammanfattas enligt följande:
Ingångar:
En träningsdatauppsättning: {(x_i,y_i )} i=1 till n med n dimension och en klassvariabel En differentierbar förlustfunktion: L(y,F(x)) Antal iterationer: M.
Produktion:
F_m (x_i)
Algoritm:
Initiera modellen med ett konstant värde:
F_0 (x)=arg min∑_(i=1)^n▒〖L(y_i,γ)〗
För m = 1 till M:
Beräkna pseudo-rester rim r_im=-[(∂L(y_(i,) F(x_i )))/(∂F(x_i))]
Träna en basinlärare till pseudo-rester med hjälp av träningsuppsättningen:
{(x_i,y_i )} i=1 till n Beräkna multiplikator γ γ=arg min∑_(i=1)^n▒〖L(y_i,F_(m-1) (x_i)+γh_m (x_i)) 〗
Uppdatera modellen:
〖F_m (x_i)=F〗_(m-1) (x_i)+γ_m h_m (x_i) Output F_m (x_i)
I analysen har Synthetic Minority Oversampling Technique (SMOTE) [5] använts för att undvika nackdelen med klassvariabel obalans. SMOTE är en dataökningsteknik för att öka data. I vissa fall kanske klassvariabeln inte har lika många värden från alla fall. Det kan till exempel finnas mycket fler överlevda patienter än de som miste livet. I denna typ av situation utökas data. Det fanns en obalans i klassvariablerna i datamängden för denna studie. Så, SMOTE har använts för att öka minoritetsklasserna för träning.
Datauppsättningen har partitionerats med ett förhållande på 90%-10%. 10 % är för validering och 90 % är för AI-maskininlärning. 90 % maskininlärningsdel har också delats upp i två delar som 70 % för AI-inlärning och 30 % för att testa inlärningen. För detta ändamål har 5-faldig stratifierad provtagning använts. KNIME analytisk plattform har använts för AI-maskininlärning.
Studietyp
Inskrivning (Faktisk)
Kontakter och platser
Studieorter
-
-
-
Istanbul, Kalkon, 34093
- Bezmialem Vakif University, Gastroenterology Clinic
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Kön som är behöriga för studier
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Patienter med diagnosen akut pankreatit som lades in på akuten inom 24 timmar efter början av buksmärtor
Exklusions kriterier:
- Patienter som undertecknar ett behandlingsavslagsformulär direkt efter inläggning på sjukhuset och lämnar sjukhuset
- Patienter med ofullständiga uppgifter
- Psykiatriska patienter
- Patienter med mycket dåliga allmäntillstånd
Studieplan
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Kohort
- Tidsperspektiv: Retrospektiv
Kohorter och interventioner
Grupp / Kohort |
---|
Maskininlärningsgrupp för artificiell intelligens (AI).
90 % maskininlärningsdel har också delats upp i 2 delar som 70 % för AI-inlärning och 30 % för att testa inlärningen. 70 % av patienterna med akut pankreatit (cirka 840 poäng) kommer att utgöra studiens modellträningsgrupp. 30 % av patienterna med akut pankreatit (cirka 360 poäng) kommer att utgöra studiens testgrupp. Eftersom korsvalidering även kommer att tillämpas på modellen här, kommer data också att förändras inom sig själv, och även distributionen kommer att optimeras för att öka den prediktiva kraften. |
Valideringsgrupp
10 % av patienterna med akut pankreatit (cirka 134) kommer att utgöra studiens valideringsgrupp. Eftersom korsvalidering även kommer att tillämpas på modellen här, kommer data också att förändras inom sig själv, och även distributionen kommer att optimeras för att öka den prediktiva kraften. |
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Noggrann uppskattning av sjukdomens svårighetsgrad genom maskininlärningsmetod
Tidsram: Inom en vecka.
|
Allvarligheten beskrivs som mild, måttlig och svår akut pankreatit enligt de reviderade Atlanta-kriterierna.
|
Inom en vecka.
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Krav på invasiv procedur
Tidsram: Inom en vecka
|
Behov av EUS eller ERCP under sjukhusvistelse för utvärdering av orsaker såsom distal koledokal obstruktion av sten, pseudocysta eller nekrosutveckling (som ja eller nej)
|
Inom en vecka
|
Krav på intensivvårdsavdelning
Tidsram: Inom en vecka
|
Förflyttning av patienten till intensivvårdsavdelningen där livstöd behövs för att överleva om patienter har dyspné (om andningsfrekvensen är mer än 25/minut), hypotoni (mindre än 90/60 mmHg), om patienten har gastrointestinala blödningar (mer än 2 lt. på en dag), om patientens BUN-nivå är högre än 20 mg och progressivt ökar (som ja eller nej)
|
Inom en vecka
|
Överlevnadsstatus
Tidsram: Inom en vecka
|
Död: om patienten lever (ja) om dör (nej)
|
Inom en vecka
|
Längden på sjukhusvistelsen
Tidsram: Inom en månad
|
Varaktigheterna varade på sjukhus som en dag (som mindre än 10 dagar eller mer än 10 dagar)
|
Inom en månad
|
Antal AP-attacker
Tidsram: Efter en månads sjukhusinläggning som en attack eller mer än en attack
|
Inläggning på sjukhus igen med AP-attacken.
|
Efter en månads sjukhusinläggning som en attack eller mer än en attack
|
Samarbetspartners och utredare
Sponsor
Samarbetspartners
Utredare
- Huvudutredare: Gökhan Silahtaroğlu, Prof., Medipol University
Publikationer och användbara länkar
Allmänna publikationer
- Banks PA, Bollen TL, Dervenis C, Gooszen HG, Johnson CD, Sarr MG, Tsiotos GG, Vege SS; Acute Pancreatitis Classification Working Group. Classification of acute pancreatitis--2012: revision of the Atlanta classification and definitions by international consensus. Gut. 2013 Jan;62(1):102-11. doi: 10.1136/gutjnl-2012-302779. Epub 2012 Oct 25.
- Fei Y, Gao K, Li WQ. Artificial neural network algorithm model as powerful tool to predict acute lung injury following to severe acute pancreatitis. Pancreatology. 2018 Dec;18(8):892-899. doi: 10.1016/j.pan.2018.09.007. Epub 2018 Sep 26.
- van den Heever M, Mittal A, Haydock M, Windsor J. The use of intelligent database systems in acute pancreatitis--a systematic review. Pancreatology. 2014 Jan-Feb;14(1):9-16. doi: 10.1016/j.pan.2013.11.010. Epub 2013 Dec 4.
- Yoldas O, Koc M, Karakose N, Kilic M, Tez M. Prediction of clinical outcomes using artificial neural networks for patients with acute biliary pancreatitis. Pancreas. 2008 Jan;36(1):90-2. doi: 10.1097/MPA.0b013e31812e964b. No abstract available.
- Pearce CB, Gunn SR, Ahmed A, Johnson CD. Machine learning can improve prediction of severity in acute pancreatitis using admission values of APACHE II score and C-reactive protein. Pancreatology. 2006;6(1-2):123-31. doi: 10.1159/000090032. Epub 2005 Dec 1.
- Andersson B, Andersson R, Ohlsson M, Nilsson J. Prediction of severe acute pancreatitis at admission to hospital using artificial neural networks. Pancreatology. 2011;11(3):328-35. doi: 10.1159/000327903. Epub 2011 Jul 9.
- Qiu Q, Nian YJ, Guo Y, Tang L, Lu N, Wen LZ, Wang B, Chen DF, Liu KJ. Development and validation of three machine-learning models for predicting multiple organ failure in moderately severe and severe acute pancreatitis. BMC Gastroenterol. 2019 Jul 4;19(1):118. doi: 10.1186/s12876-019-1016-y.
- Greedy function approximation: A gradient boostingmachine.
- Clustering, A. (2009). Clustering Categorical Data Using Hierarchies. Engineering and Technology, 1(2), 334-339.
- Silahtaroğlu, G. (2009). An Attribute-Centre Based Decision Tree Classification Algorithm. Engineering and Technology, 302-306.
- Bentéjac, C., Csörgő, A., & Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54(3). https://doi.org/10.1007/s10462-020-09896-5.
- Bentéjac, C., Csörgő, A., & Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54(3). https://doi.org/10.1007/s10462-020-09896-5
- Berthold, M. R., Cebron, N., Dill, F., Gabriel, T. R., Kötter, T., Meinl, T., … Wiswedel, B. (2009). KNIME - the Konstanz information miner. ACM SIGKDD Explorations Newsletter. https://doi.org/10.1145/1656274.1656280
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- MLKkrm986%
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .
Kliniska prövningar på Artificiell intelligens
-
Al Baraka Fertility HospitalAl-Azhar UniversityRekryteringARTIFICIAL INTELLIGENS (AI) APPLIKATIONER INOM REPRODUKTIV MEDICINEgypten