文摘
慢性肾脏疾病(CKD)是一个全球性的健康问题具有高发病率和死亡率和疾病进展率很高。因为没有明显的症状的慢性肾病的早期阶段,患者常常被忽略。慢性肾病的早期检测允许患者得到及时治疗,减缓疾病的发展过程。由于其快速识别性能和精度,机器学习模型可以有效地帮助医生实现这一目标。我们建议CKD的机器学习方法诊断。这些信息是完全匿名的。作为参考,CRISP-DM®模型(交叉行业标准数据挖掘过程)。被处理的数据全部在Azure上的云平台,在样本数据是不平衡的。然后进行了探索和分析的过程。根据所学的知识,使用击打技术数据平衡。 Four matching algorithms were used after the data balancing was completed successfully. Artificial intelligence (AI) (logistic regression, decision forest, neural network, and jungle of decisions). The decision forest outperformed the other machine learning models with a score of 92%, indicating that the approach used in this study provides a good baseline for solutions in the production.
1。介绍
慢性肾脏疾病(CKD)是死亡的主要原因之一,近年来,根据全球疾病负担的报告(1]。在每七人有慢性肾病,一个未被发现的疾病的最大的影响患者的生活质量和显著增加死亡的机会。社会保障的一般系统健康(SGSSS)已经考虑到慢性肾脏疾病(CKD) (2),作为一个高成本的病理学产生一个强大的经济影响的财政系统,造成显著影响患者及其家属的生活质量,包括就业的影响。减少CKD的高死亡率,深化研究和针对疾病的初始阶段,分析其风险组,实验室测试的帮助下,寻找病人不达到最后阶段,如透析移植,或死亡3]。通过自动学习,目标是找到一个宝贵的贡献,以便早期疾病的分类进行的初始阶段通过临床实验室的结果,利用自动学习的巨大潜力分析和分类的数据。有必要的技术帮助工具是基于数据可以支持决策过程在最初诊断迅速,精度高,成本低。,为诊断是减少所需的时间,允许病人接受治疗的疾病发展到一个阶段之前没有返回。
机器学习可以大致分为监督学习、无监督学习和强化学习(4]。监督学习是最常见的机器学习应用于医学研究[5]。监督学习的每个实例包含一个输入对象(通常是一个向量)和期望输出值(也称为一个监督信号)3]。通常情况下,申请监督学习算法是决策树,朴素贝叶斯分类、最小二乘回归,逻辑回归和支持向量机(SVM)方法(分类器集)。最近的研究表明,深层神经网络专家层面取得了类似的高性能的自然和生物医学图像分类任务(6]。这一点,加上生成假设的能力(7),异构数据集的适应性分析,和开源深度学习的程序被广泛传播,使深度学习在促进医学发展起着必不可少的作用[8]。
这个研究的目的是设计和实现一个机器学习模型,基于临床实验室的数据,允许预测慢性肾病的诊断可能在它的初期阶段,帮助减少死亡率和卫生系统的成本。
2。方法
在这个项目的开发,CRISP-DM®模型(9- - - - - -15),这是使用最广泛的参考指南的发展分析和采矿项目从临床实验室收集的数据。为此,提出的每一个阶段将会实现。
2.1。阶段i理解业务
这一阶段分为四个任务,将有助于更好地理解业务,如图1。
2.1.1。确定业务目标
慢性肾脏疾病(CKD)是一种肾脏疾病有逐渐丧失的肾脏功能在一段时间内的几个月到几年,最初,通常没有症状;后,症状可能包括腿肿胀,感觉累了,呕吐,食欲不振,混乱。并发症包括心脏疾病的风险增加,高血压,骨骼疾病和贫血。CKD与肾功能下降与年龄和加速在高血压、糖尿病、肥胖、和主要的肾脏疾病。CKD是一个全球性的健康问题具有高发病率和死亡率,诱发其他疾病。因为没有明显的症状在慢性肾病的早期阶段,患者常常没有注意到疾病,这是主要的功能,最终导致肾功能完全丧失。早期发现CKD患者得到及时治疗可以改善这种疾病的进展。因为它提出了目标的工作,目标是开发一个自动学习模型预测慢性肾病的诊断,有助于减少重大并发症在透析等疾病过程中,肾移植,或者死亡。这个项目成功的主要标准,机器学习的帮助下,是确定行为或行为模式的初始阶段CKD改善病人的生活质量。
2.1.2。的评估情况
这个项目的想法做法源自现状对于提高CKD的确认诊断,以及缺乏治疗或病态的用户的无知导致不可逆转的肾功能衰竭在CKD的最后阶段,透析等生活,经济上影响卫生系统,因为它是一个昂贵的治疗产生最大量的吸收在伊拉克可用资源的健康。这可以减少使用工具,如机器学习分类ERC从最初的阶段。虽然机器学习在医疗等领域的应用是有利的,肾脏疾病领域尚未利用其全部潜力(16- - - - - -25]。
2.1.3。确定数据挖掘的目的
作为总目标中引用,这个项目的技术术语是设计、实现和部署的机器学习模型,基于临床实验室的数据,允许分类诊断为慢性肾病的可能性。通过分析低成本健康的实验室研究实体,这些数据减少死亡率和卫生系统的成本。
病史及实验室检测识别症状或迹象表明变量可以作为本构问题的大规模CKD患者由于大量数据可以处理没有不便。初始数据,描述和探索,验证可以使用它们或最低执行分类的信息,通过对这些数据的分析,获得患者的慢性肾病的发病率。获得的数据,塑造一个训练集。几个测试进行定义或确定最合适的技术(s)的分类器和结果是实用和有效的。定义分类器,预测模型训练和验证,建立的模型精度最高的数据,选择一个提供了最好的结果。预测模型通常运行计算在正在进行的事务,例如,评估风险或机会为特定病人的方式提供了洞察治疗决策。
2.1.4。项目的生产计划
项目计划中可以找到annex-project工作计划时间表。它描述了所有必要的步骤,从问题陈述和数据收集分析。
2.2。第二阶段:数据的研究和理解
本节描述获得的初始数据,比如记录和字段的数量每记录和标识,每个字段的含义,和初始格式的描述,如图2。
2.2.1。开始数据的收集
获得的数据集用于这个项目由于巴格达肾诊所,伊拉克,和它的经理和法定代表人、肾脏艾哈迈德博士。他们允许和授权的处理这些数据。数据集包含373770个匿名样本。在这个数据集,每个样本有17个变量或预测特征(11数值变量和六个分类(名义)变量)。
2.2.2。探索数据
探索数据,在Azure平台上创建一个数据库。数据导入和连接到电源BI可视化工具来执行和可视化数据集合中包含的所有数据更和谐。最初,描述性统计的变量的数据进行。在表1的主要特征变量使用的文件标识;这个结果在权力BI从Python命令。
之前开始处理数据集,一套可视化,帮助更好地理解信息工作的特点及其相关性。首先,四个输入特征的名字“持续时间”,“页面”,“行动”和“价值”显示在历史的格式;可以看出图形化值和最大值和最小值的组成,间隔密度最高的记录。数据可以看出,CKD的基础疾病是高血压和糖尿病。数据显示我们有很多患有这种疾病,但高血压,也称为沉默的疾病,突出显示。考虑结果,CKD患病率最高的女性因其长寿命和达到的年龄CKD(老年人)的风险。据估计,四分之一的慢性患者出现低血红蛋白在最初阶段的疾病。流行病学研究地方超重作为慢性肾病发展的风险因素以及其他因素。你的血液中肌酐上升平均水平,肾功能下降的百分比。由于上述原因,它是一个重要的变量对肾脏疾病的诊断。 As evidenced, the age and weight variables present a high positive correlation, which is not present between hypertension and diabetes mellitus, and no correlation is observed between these variables. There is a low positive correlation for the variables of weight and hypertension, as it also happens between the variables of hypertension with age and diabetes mellitus with age. That is, hypertension and diabetes mellitus are diseases that do not depend on age factor; it can be caused due to family history.
2.2.3。验证数据的质量
在本节中,执行数据验证确定字段值的一致性和null值的分布,发现超出范围值,可以产生噪声的过程。这个验证过程在整个数据集上进行了。在没有发现记录的字段,空字段更改为空值。
2.3。第三阶段:数据分析和选择的特点
通过从数据的信息,重点是确定要使用的变量。数据审核期间,共有58个变量被发现;在这些三个变量被确定,消除保护隐私,安全,和敏感的病人。剩下的55个变量,那些没有一个样本被淘汰,因为他们不会有任何决心如果他们在训练中没有提供信息。之后,一个分类是主观与客观之间的变量。在执行医疗分析之后,38 CKD预测变量不相关的被淘汰。
的识别分类CKD患者使用的规模,这些变量被用来评估患者根据其严重程度确定。58变量的初始列表后执行医疗分析使我们能够到达一组17变量,这需要专业的肾脏消除的过程。在这整个过程中,这些标准将被用于测量肾脏疾病的严重程度。至关重要的是要清楚的判断专家(在这种情况下,医生)是至关重要的对一个病人的情况做出最终决定;为此,专家会考虑必要的先例,如高血压和糖尿病。准备数据集时,进口进行的实验将在Azure进行机器学习工作室,算法将被评估。选择数值和非数值的属性允许限制可用的列后面的操作。通过选定的属性,它表示列有值分类或预测;在这个评估的情况下,使用变量阶段。显示在表2描述阶段,它是一个病人的肾功能衰竭。
确定了数据集的特征最重要的预测能力,统计测试执行与皮尔森相关测试,以确定哪些列更预测。对于这个任务,基于过滤器特征选择模块使用Azure机器学习带来,见图3和4,它提供了多种特征选择算法,包括相关方法识别顺序和non-ordinal变量。
2.4。第四阶段:建模
下一步,选择过程的机器学习技术,将用于发展分类器的患者,这是本研究的对象开始。
根据算法的有效性研究中最常用的诊断疾病,选择以下算法:(我)逻辑回归(LR)(2)人工神经网络(ANN)(3)森林的决定(RF)(iv)丛林的决定(DJ)
通过这些算法,数据集随机分为两部分:训练集和测试集。实验进行的分割模块,(图5)使用70%的数据作为训练数据,30%保留来评估模型的效率。
然后,选择模型训练使用火车模型工具,一个Azure工具用于训练模型以监督的方式和训练数据集作为输入图像模型训练实验图6。这些模型,添加评分模型用于Azure训练的评分预测模型。在每一个组合的训练模型和测试数据,评估模型分类模型用于计算结果混淆矩阵图7。
当执行这个选择的第一评价算法,验证,数据模型是不平衡的。例如,一般来说,精确的概率是个体由一个测试正确分类,也就是说,真正的阳性+真阴性的总和除以总数量的个人评价提供可接受的值观察表3。不过,当验证矩阵,的值总是倾向于第三阶段。
杀模块添加到执行平衡任务,统计方法,允许增加病例的数量在一个平衡的方式,采取样本特征空间为每个目标类和最亲密的邻居。
2.5。第五阶段:评估
分类算法的最关键的措施是他们的准确性。根据精度的观察比较结果表4,发现这四个分类算法进行了比较。多级逻辑回归(LR)达到精度最低,为68%,这意味着一个贫穷的分类器的结果。
然而,丛林多级决策(DJ)和多级神经网络(ANN)算法工作和相互竞争的性能。
尽管他们已经达到了75%和80%的准确性,分别它们无法显示性能优越的多级决策森林(RF)算法,指出有效达成的准确性92%,表现在伦理委员会的分类数据集使用。
3所示。结论
本研究探讨如何学习模型可用于分类慢性肾病诊断的可能性。
因此,间接同意的目标项目,CRISP-DM方法是适应问题的上下文的不同逻辑上组织阶段被;数据收集、预处理、学习、评估和选择,使得模型的建设能够分类诊断的可能性CKD的准确性为93%。决定结果的研究表明,森林算法获得最优结果,取得了93%的预测。数据准备是一个基本的步骤,流程和模型的绝对精度直接取决于此阶段。由于模型,我们可以看到改变特征如何影响搜索列选择的目标价值与一个简单的改变或改善数据。这项工作结果的创新的设计适应了环境卫生系统在伊拉克和我国慢性肾病的病理,方法适应了案例研究和生产建筑模型与微软Azure工具建议的形式,允许在未来令人满意的解决方案的可伸缩性。此外,这种方法可以适用于其他疾病的临床资料和病理医学诊断不准确。这个项目的发展使作者获得更多优秀的知识通过实践和理论工作当前机器学习技术的发展。
本研究有一定的局限性,所以有一个未来的研究空间。这项研究没有重要数据样本的限制在伊拉克医疗数据和其法律效果。继续扩张的数据库(增加例子的数量为每个变量)将减少的有限泛化误差模型,同时,允许检测疾病的严重程度。这个模型可以通过增加精炼数据大小和质量。也打开了空间,各种各样的其他学科的研究,如经济研究的影响在短时间内获得诊断治疗疾病的早期阶段,在卫生系统降低成本。此外,各种各样的社会和临床研究早期慢性肾病管理带来的后果患者及其家属的生活质量。尽管本研究的有效性是内部的,因为文档语料库是私人和不能为其他作品发表,它将帮助感兴趣的专业人士与机器学习分类地区进行他们的研究。
数据可用性
数据基础的研究结果是可用的手稿。
的利益冲突
作者宣称没有利益冲突。