Artificiell intelligens förutsägelse för svårighetsgraden av akut pankreatit

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.

1. 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.
2. 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.
3. 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.
4. 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:

1. Kön: M/K
2. Ålder: Kontinuerligt värde
3. Höjd (cm): Kontinuerligt värde
4. Vikt (Kg): Kontinuerligt värde
5. BMI-grupper: Grupp 1: ≤ 25 kg/m2; Grupp 2; 25-30 kg/m2; Grupp 3: >30,1 kg/m2
6. Cigarett: 0; Nej, 1; Ja
7. Alkohol: 0; Nej, 1; Ja
8. Diabetes mellitus: 0; Nej, 1; Ja
9. Hypertoni: 0; Nej, 1; Ja
10. 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
11. Leukocyttal (WBC): N; 4,5-11x100
12. hematokrit (Hct): N; %35,5-48
13. C-reaktivt protein (CRP): N: 0-5 mg/dl
14. Blodureakväve (BUN): N: 9,8-20,1 mg/dl
15. Kreatinin (KREA): N: 0,57-1,11 mg/dl
16. 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.