Huazhong Bilim ve Teknoloji Üniversitesi AI modeli, yeni kuronların hayatta kalma oranını% 90 doğrulukla tahmin ediyor ve bu da erken müdahaleye yardımcı oluyor
17 Mart'ta, yerel saatte, medRxiv tıbbi ön baskı platformu "Şiddetli COVID-19 enfeksiyonu olan hastalarda hayatta kalma tahmini için makine öğrenimine dayalı bir model" başlıklı bir araştırma sonucu yayınladı (akran incelemesi olmadan). 29 bilim insanının ortaklaşa yürüttüğü bu çalışma, COVID-19 (yeni koroner pnömoni) hastalarının hayatta kalma oranını tahmin eden ve yüksek riskli hastalar için erken müdahaleyi güçlendirmesi beklenen biyobelirteçleri ortaya çıkarmak için en son yorumlanabilir makine öğrenme algoritmalarını kullandı. , Ölümleri azaltın.
Araştırma ekibi, Huazhong Bilim ve Teknoloji Üniversitesi Tongji Tıp Fakültesi, Huazhong Bilim ve Teknoloji Üniversitesi Yapay Zeka ve Otomasyon Okulu ve Cambridge Üniversitesi Bitki Bilimi Okulu'na bağlı Tongji Hastanesi'nden geliyor. Makalenin ilgili yazarları, Huazhong Bilim ve Teknoloji Üniversitesi Yapay Zeka ve Otomasyon Okulu profesörü Yuan Ye, Tongji Hastanesi Anesteziyoloji Bölümü'nden Xu Hui ve Acil (Kritik Bakım) Tıp Bölümü müdürü Li Shusheng'dir.
Araştırmacılar kan örneği verilerini topladı ve Wuhan Tongji Hastanesine kabul edilen 404 COVID-19 ile enfekte hastayı geriye dönük olarak analiz etti. Araştırma ekibi, makine öğrenimi araçlarını kullanarak, her bir hastanın hayatta kalma oranını% 90'ın üzerinde bir doğrulukla tahmin etmek için nihayet 3 biyobelirteç seçti: LDH (laktat dehidrojenaz), lenfositler ve hs-CRP (yüksek hassasiyetli C-reaktif protein) .
özellikle, Acil tıbbi müdahale gerektiren vakaların büyük çoğunluğunu ayırt etmek için yalnızca yüksek düzeyde LDH kullanılabilir. . Araştırmacılar, bu bulgunun, yüksek LDH seviyelerinin zatürree gibi akciğer hastalıkları da dahil olmak üzere çeşitli hastalıklarda ortaya çıkan doku yıkımı ile ilişkili olduğuna dair mevcut tıbbi bilgilerle tutarlı olduğunu söyledi.
Bu aşamada hastalığın ciddiyetinin hızlı, doğru ve erken klinik değerlendirmesi esastır. Bununla birlikte, şu anda, acil tıbbi müdahaleye ihtiyaç duyan hastaları ayırt etmek için standart olarak yerleşik bir biyobelirteç bulunmamaktadır.
Bu çalışmada yazarlar, yukarıdaki üç biyobelirtecin hastalığın ciddiyetini doğru bir şekilde tahmin edebildiğini göstermek için en gelişmiş makine öğrenimi çerçevesini kullandılar. Klinik parametre izleme ve diğer ilgili tıbbi yüklerin baskısını büyük ölçüde azaltacaktır .
Araştırmacılar, XGBoost makine öğrenimine dayalı bir prognostik model geliştirdiler.Model, ciddi COVID-19 hastalarının hayatta kalmasını% 90'dan fazla doğrulukla tahmin etmek için hastanın en son kan örneğini kullanır; diğer kan örneklerini kullanmak% 90'lık bir tahmin doğruluğu sağlayabilir. .
Çalışma, yeni koroner hastalık riski yüksek olan hastaları hızla tespit edip müdahale edebilen ve ölüm oranlarını potansiyel olarak azaltabilen basit ve uygulanabilir bir formül ortaya koyuyor.
Araştırma örnekleri ve model eğitimi
Araştırmacılar, genel, şiddetli ve kritik hastaların temel bilgilerini, semptomlarını, kan örneklerini, laboratuvar test sonuçlarını (karaciğer fonksiyonu, böbrek fonksiyonu, pıhtılaşma fonksiyonu, elektrolitler ve iltihaplanma dahil) sınıflandırmak için bir sınıflandırma görevi gerçekleştirdi. Faktörler) girdi ve tespit süresinin sonunda klinik sonuçlara (hayatta kalma veya ölüm) karşılık gelir.
Çalışma örneği, Tongji Hastanesi tarafından 10 Ocak - 20 Şubat 2020 tarihleri arasında toplanan 404 hastanın tıbbi bilgileridir. 404 hastadan 213'ü iyileşti ve kalan 191'i öldü Yazarlar, yüksek ölüm oranının en ciddi vakaları kabul eden özel bir hastane olarak Tongji Hastanesi ile ilgili olduğunu belirtti. Araştırmacılar, epidemiyoloji, demografik bilgiler, klinik, ilaç tedavisi, bakım ve ölüm oranıyla ilgili bilgileri içeren tıbbi kayıtları toplamak için standart vaka raporu formlarını kullanır.
Araştırmacılar algoritma geliştirme için 375 hasta bilgisi ve doğrulama seti olarak 29 vaka kullandı (doğrulama)
Araştırmacılar, hastanın verilerini eğitim, test ve ek doğrulama olarak ikiye ayırır. Eğitim ve test seti toplam 375 hastayı içerirken, doğrulama seti 29 hastayı içermektedir. Eğitim ve test setlerindeki örnek sayısı 7: 3 oranında belirlenir ve ardından 5 kez çapraz doğrulama gerçekleştirilir.
Doğrulama setindeki hastaların tümü ağır hastalardır çünkü klinik sonuçlar açısından en öngörülemez olanlardır. Klinik semptomlar açısından ateş en sık görülen başlangıç semptomuydu (% 49.9), onu öksürük (% 13.9), yorgunluk (% 3.7) ve nefes darlığı (% 2.1) izledi. 375 hastanın yaş dağılımı 58.83 ± 16.46 yıldı ve erkekler% 58.7 idi. Hastaların% 37,9'u Wuhan sakinleriydi, aile kümeleri% 6,4'ünü ve sağlık çalışanları% 1,9'unu oluşturuyordu.
Örnek hastaların yaşı, cinsiyeti ve epidemiyolojik geçmişi
Çoğu hasta, hastanede kaldıkları süre boyunca birden fazla kan örneği almış olsa da, model eğitimi ve testi, hastalığın ciddiyetini değerlendirmek için temel biyobelirteçleri elde etmek için girdi olarak yalnızca hastanın en son kan örneği kaydını kullanır ve acil tıbbi yardım ihtiyacını ayırt eder. Hasta ve her bir etikete tam olarak uyan karşılık gelen işlev.
Hastanın 3 biyobelirtecinin medyan değeri ile 25. ve 75. persentil değerleri
Ölüm riskiyle en alakalı klinik özellikler
Araştırmacılar, öngörücü model olarak XGBoost adlı bir sınıflandırıcı kullandı.XGBoost, yüksek performanslı bir makine öğrenimi algoritmasıdır.Ağaç tabanlı yönteme dayalı özyinelemeli karar verme sistemi sayesinde, büyük bir yorumlanabilirliğe sahiptir. Seks. Modelin çıktısı hastaların hayatta kalmasına karşılık gelir.Araştırmacılar hayatta kalan hastaları kategori 0 ve ölenleri kategori 1 olarak sınıflandırır.
Araştırmacıların kara kutu modelleme stratejisini benimsememesinin nedeni, iç modelleme mekanizmasının genellikle açıklanmasının zor olmasıdır. XGBoost'ta, her bir işlevin önemi, ağaçtaki her karar adımındaki kümülatif kullanımına bağlıdır. Bu şekilde, her bir özelliğin göreceli önemini karakterize etmek için bir metrik elde edilebilir; bu, özellikle araştırma klinik tıbbi parametrelerle ilgili olduğunda, model sonuçlarındaki en ayırt edici özellikleri değerlendirmek için özellikle değerlidir.
Araştırmacılar, ölüm riski belirteçlerini değerlendirmek için her hastanın parametresinin bir özellik seçme süreci aracılığıyla algoritmik karara katkısını değerlendirdiler. XGBoost, özellikleri önemlerine göre sıralar, Algoritma en üst sıralarda yer alan üç klinik özelliği seçti: LDH, lenfositler ve hs-CRP Bu nedenle, temel özellikler olarak ayarlanırlar.
Araştırmacılar, çok ağaçlı XGBoost algoritmasındaki önemine göre, LDH, lenfositler ve hs-CRP ile ilk üç sırada yer alan on temel klinik özelliği sıraladı.
sonuç gösterir, Model, başvuru sırasındaki ilk tanıyı dikkate almadan hastanın sonucunu doğru bir şekilde tahmin edebilir .
Ek olarak, ek doğrulama setinin performansı eğitim ve test setlerininkine benzer olup, modelin hasta sağkalımı ile ilgili önemli biyobelirteçleri yakaladığını gösterir. Eşzamanlı, Algoritma sonuçları, LDH'nin hasta sağkalımının önemli bir biyobelirteci olarak önemini daha da vurgulamaktadır. .
Üç temel özelliğin eğitim / test ayrımı ve ek doğrulama setinin model performansı. F1 skoru (F1 skoru), algoritmanın doğruluğunun ve geri çağırmanın harmonik ortalamasıdır. Maksimum 1 ve minimum 0'dır.
Araştırmacılar, LDH, lenfositler ve hs-CRP'nin önemi hakkındaki bulgulara dayanarak, basitleştirilmiş ve klinik olarak uygulanabilir bir karar modeli, yani tek bir karar ağacı oluşturdular. 24 hastadaki üç ana biyobelirteçten en az biri eksik ölçümlere sahip olduğundan, araştırmacılar kalan 351 hastayı tek ağaçlı XGBoost modelini tanımlamak için kullandı.
Basitçe söylemek gerekirse, araştırmacılar, hastanın ölümünü veya hayatta kalmasını tahmin etmek için üç temel özelliği ve bunların eşiklerini kullanarak modeldeki en iyi performans gösteren ağacı seçtiler.
En iyi performans gösteren ağaç ve doğruluğu test veri setine göre seçilir
Bu model,% 100 ölüm tahmini doğruluğu ve% 90 sağkalım tahmin doğruluğu gösterir. Genel olarak, ister çok ağaçlı bir XGBoost ister tek ağaçlı bir XGBoost modeli olsun, modelin doğruluğu, makroskopik ve ağırlıklı ortalama hayatta kalma ve ölüm tahmini puanları her zaman 0,90'ı aşar.
Son olarak, çoğu hasta hastanede kaldıkları süre boyunca çok sayıda kan örneği aldı. Araştırmacılar, modeli binlerce ekstra kan testi sonucuyla doğruladılar. Tahmin doğruluğunun% 90'a ulaştığı bulundu . Ek olarak, ilgili sonuçlar ayrıca modelin hastanın klinik sonucu ne olursa olsun herhangi bir kan örneğine uygulanabileceğini göstermektedir.
Yüksek riskli hastaları erken belirleyin ve öncelikleri hızla belirleyin
Araştırmacılar, bu çalışmanın öneminin iki yönlü olduğunu söylediler. Her şeyden önce, genel ilgili araştırma yalnızca "yüksek risk faktörleri aralığını sağlayacaktır" ve bu model, ölüm riskini doğru ve hızlı bir şekilde ölçebilen basit ve sezgisel bir klinik test sağlar.
Doktorlar, belirli tedavilerin belirli hastalar için yetersiz tedavi etkilerine neden olacağını erken bilirlerse, doktorlar hastalık daha ciddi hale gelmeden önce farklı yöntemler kullanabilir. Bu modeli uygulamanın amacı, geri döndürülemez hastalık ortaya çıkmadan önce yüksek riskli hastaları belirlemektir. .
İkinci olarak, herhangi bir hastane hastanın LDH'sini (laktat dehidrojenaz), lenfositleri ve hs-CRP'yi (yüksek hassasiyetli C-reaktif protein) üç temel göstergesini kolayca toplayabilir. Kalabalık hastanelerde tıbbi kaynak yetersizliği durumunda, bu basit model hastaların önceliğini hızlı bir şekilde belirlemeye yardımcı olabilir. .
Hastalarda LDH seviyesindeki bir artış, dokuların veya hücrelerin tahribatını yansıtabilir ve yaygın bir doku veya hücre hasarı belirtisi olarak kabul edilir. Serum LDH, idiyopatik pulmoner fibrozun (IPF) ciddiyetinin önemli bir biyobelirteci olarak tanımlanmıştır.
Şiddetli interstisyel akciğer hastalığı olan hastalarda, LDH'deki artış önemlidir ve bu, akciğer hasarı olan hastalar için en önemli prognostik göstergelerden biridir. Bu nedenle, şiddetli COVID-19 hastaları için LDH düzeylerindeki bir artış, akciğer hasarının şiddetinde bir artış olduğunu gösterir.
Araştırma ekibi, daha yüksek serum hs-CRP değerlerinin şiddetli COVID-19 hastalarında ölüm riskini tahmin etmek için de kullanılabileceğini belirtti. Hs-CRP'deki artış, ARDS (Akut Solunum Sıkıntısı Sendromu) olan hastalarda kötü prognozun önemli bir işaretidir ve inatçı inflamasyon durumunu yansıtır.
Bu sürekli inflamatuar cevabın sonuçlarının, ölen COVID-19'un otopsisinden görülebildiğini, yani akciğerlerde çok sayıda gri-beyaz lezyon ortaya çıktığını ve doku bölümlerinde alveollerden çok miktarda viskoz sekresyonun taştığını belirtmek gerekir.
Sonunda, Bulgular ayrıca lenfositlerin potansiyel terapötik hedefler olarak hizmet edebileceğini de göstermektedir. Bu hipotez, klinik araştırma sonuçlarıyla desteklenmektedir. Ek olarak, Pekin Çin-Japonya Dostluk Hastanesi Solunum Bölümü direktörü Cao Binin ekibi de dahil olmak üzere önceki araştırmacılar, lenfopeninin COVID-19 hastalarının ortak bir özelliği olduğunu ve hastalık şiddeti ve ölüm oranıyla ilgili önemli bir faktör olabileceğini kanıtladı. .
SARS ve MERS hastalarının alveolar penetrasyonu ve antijen sunan hücre (APC) hasarı gibi, yeni koroner pnömonili hastaların hasarlı alveolar epitel hücreleri de kalıcı lenfopeniye yol açan lenfosit infiltrasyonunu indükleyebilir.
Önceki bir hasta biyopsi çalışması, periferik kan CD4 ve CD8 T hücrelerinin sayısının büyük ölçüde azaldığını ve durumlarının aşırı aktif olduğunu gösterdi. Ek olarak, çalışmalar lenfopeninin esas olarak CD4 ve CD8 T hücrelerinin azalmasıyla ilişkili olduğunu göstermiştir. Bu nedenle, lenfositler, daha fazla çalışmaya değer olan COVID-19'da önemli bir rol oynayabilir.
Yazarlar, bu çalışmanın da bazı sınırlılıkları olduğunu söylüyorlar. İlk olarak, bu makine öğrenimi yöntemi tamamen veriye dayalı olduğundan, farklı bir veri kümesiyle başlarsanız model farklı olabilir.
Ek olarak, yazarların 80'den fazla klinik ölçüm sonucuna sahip olmasına rağmen, aşırı uyumu önlemek için, ekip tarafından benimsenen modelleme ilkesi, minimum klinik ölçüm sonuçları sayısını ve iyi öngörü kabiliyetini dengelemektir, bu nedenle klinik olabilir. Yetersiz ölçüm sonuçları sorunu.
Son olarak, bu araştırma, modelin yorumlanabilirliğini daha yüksek doğrulukla dengeler. Klinik ortam yorumlanabilir modeller kullanma eğiliminde olsa da, kara kutu modeli benimsenirse, doğruluk daha yüksek olabilir, ancak aynı zamanda karar verme riski daha yüksektir.
Yazarlar, teknik açıdan bakıldığında, bu çalışmanın dünya çapında büyük ölçekli COVID 19 salgınını tahmin etmek ve teşhis etmek için makine öğrenimi yöntemlerinin kullanılmasına yardımcı olacağına inanıyor.
