Inteligencja obliczeniowa oparta na wczesnej diagnozie choroby astmy: Studium przypadku z Arabii Saudyjskiej

Podsumowanie

Obecne badanie zbadało kilka algorytmów uczenia maszynowego na zbiorze danych pochodzącym z Arabii Saudyjskiej w celu wykrywania astmy. W przeciwieństwie do najnowocześniejszych podejść, które wykorzystują uczenie maszynowe na klinicznych zbiorach danych do diagnostyki astmy, zaproponowany schemat osiąga lepsze wyniki, ze 3,9% poprawą dokładności diagnozy.

Streszczenie

Według badań stwierdzono wzrost przewlekłych chorób, w tym astmy. Liczba pacjentów z astmą w Arabii Saudyjskiej jest powodem do niepokoju ze względu na warunki pogodowe i styl życia, szczególnie w epoce post-pandemii. Wymaga to rozwiązania, które zmniejszy zakażenia poprzez opracowanie inteligentnego systemu do wykrywania astmy we wczesnym stadium, zapobiegając w ten sposób chorobie lub umożliwiając wczesne leczenie. W niniejszym badaniu wykorzystano uczenie maszynowe do opracowania narzędzi do śledzenia objawów astmy we wczesnym stadium. Chociaż było wiele wcześniejszych prób zastosowania uczenia maszynowego do przewidywania wystąpienia astmy. Niemniej jednak, skupienie się na identyfikacji choroby na etapie przedobjawowym, szczególnie w kontekście Arabii Saudyjskiej, jest stosunkowo zaniedbana dziedzina. Zbiór danych dla obecnego badania został uzyskany z King Fahad University Hospital, Dammam, Arabia Saudyjska i zawierał standardowe testy wykonane na pacjentach, w tym badania krwi, testy wirusowe i testy biochemiczne. Zbiór danych zawiera 17 istotnych atrybutów i zawiera informacje dla 328 pacjentów z astmą: 165 jest pozytywnych, a 163 ujemnych. Metody wybrane do zastosowania tutaj to lasy losowe (RF), sztuczne sieci neuronowe (ANN), maszyny wektorów nośnych (SVM) i naiwna metoda Bayesa (NB). Każda z tych metod została wybrana na podstawie jej charakterystycznych cech. Wyniki eksperymentu wykazały, że podejścia RF, SVM i ANN dały 94%, co jest najwyższą dokładnością i poprawiło stan sztuki o 3,9%. Warto zauważyć, że do osiągnięcia powyższej dokładności wykorzystano dziewięć z siedemnastu możliwych cech. Mimo że RF, SVM i ANN osiągnęły tę samą dokładność, ANN ma wyższy koszt błędu. Dlatego RF i SVM są lepsze w oparciu o wzorzec wyników, a zatem są sugerowane dla tego problemu.

Wprowadzenie

Po przeprowadzeniu rozległych badań naukowcy zaobserwowali, że choroby przewlekłe stają się coraz bardziej powszechne¹. Astma to przewlekła choroba zapalna dróg oddechowych charakteryzująca się nawracającymi epizodami duszności i świszczącego oddechu. Rozpowszechnienie astmy jest różne na całym świecie, waha się od 1–20% zarówno wśród dzieci, jak i dorosłych, dotykając miliony ludzi na całym świecie². Te duże zmiany są związane z warunkami środowiskowymi, w tym w różnych krajach, a także z użyciem różnych narzędzi oceny i różnorodnych epidemiologicznych definicji astmy. Astma ma stosunkowo niską śmiertelność w porównaniu z kilkoma innymi dobrze znanymi chorobami przewlekłymi². Jednak raporty wskazują, że wzrost zachorowania na astmę w Królestwie Arabii Saudyjskiej jest obserwowany^3,4.

Astma to przewlekła choroba zapalna, która powoduje zwężenie światła. Zwężenie drogi lotniczej powoduje rozszerzenie emisji płynów ustrojowych, a także pogrubienie przegrody oskrzeli spowodowane obrzękiem, fibrozą podnagórkową i przerostem mięśni gładkich. Do oceny tych stanów wykorzystano mechanizmy patofizjologiczne napędzane przez różne typy komórek, w tym komórki odpornościowe⁵. Ze względu na ciężkie warunki pogodowe i głównie życie w środowisku zamkniętym w Arabii Saudyjskiej, astma należy do najczęstszych chorób przewlekłych. Kilka badań wykazało przytłaczającą częstość występowania astmy⁶. Choroba stała się poważnym problemem, wymagającym wczesnego systemu reagowania, aby pomóc zmniejszyć liczbę przypadków i umożliwić wczesne mediację w zapobieganiu lub leczeniu choroby na wcześniejszym etapie.

W przeciwieństwie do jednostek, astma ma głęboki wpływ na społeczności i rodziny. Jeśli nie jest kontrolowana, nakłada ciężkie ograniczenia na życie pacjenta i uniemożliwia mu angażowanie się w wiele codziennych czynności. W Arabii Saudyjskiej ciężkie warunki pogodowe, w tym gorące powietrze, rozpowszechnione burze piaskowe i nadmierny użytek systemów klimatyzacji/chłodzenia powietrza w pomieszczeniach, są znaczącymi czynnikami przyczyniającymi się do astmy. Saudyjskie Towarzystwo Torakologów (STS) podjęło zauważalne wysiłki, aby zapewnić najlepsze leki na infekcje dróg oddechowych⁷. Jednakże, konieczna jest proaktywna diagnostyka astmy, aby zmniejszyć wskaźnik zakażeń, szczególnie w scenariuszu po pandemii (COVID-19). Dalsze wywnioski wskazują, że historia rodzinna, palenie tytoniu i katar sienny są jednymi z najważniejszych czynników ryzyka rozwoju astmy wśród dorosłych Saudyjczyków. Zalecono przeprowadzenie dalszych badań w celu zbadania innych czynników, które stanowią podstawę badania.

W niniejszym badaniu, z uwzględnieniem poprzednich badań dotyczących diagnozy astmy, celem jest zwiększenie dokładności diagnozy. Proponowane techniki, w tym las losowy (RF), sztuczne sieci neuronowe (ANN), maszyny wektorów nośnych (SVM) i naiwny Bayes (NB), zostały wykorzystane w wcześniejszych badaniach, przynosząc zauważalne poprawy w wynikach diagnozy. Na przykład, naukowcy wykorzystali ANN, SVM i NB w badaniach^8,9,10. W obecnym badaniu badano podejścia z zakresu uczenia maszynowego jako wczesny system ostrzegawczy, który wykrywa nawet małe wskaźniki choroby astmatycznej na najwcześniejszych etapach (etap przedobjawowy). Rozpowszechnienie choroby astmatycznej w Arabii Saudyjskiej, szczególnie w erze po pandemii, z czynnikami takimi jak styl życia ukierunkowany na środowisko wewnętrzne z powodu ciężkich warunków pogodowych, kanały klimatyzacji i burze piaskowe, należą do głównych czynników. Jednakże, nie ma żadnego znaczącego badania dotyczącego kluczowych czynników, które były obserwowane w ostatnich latach. Aby wypełnić tę lukę w badaniach, niniejsze badanie ma na celu zbadanie roli uczenia maszynowego we wczesnym wykrywaniu astmy wśród dorosłych Saudyjczyków. Ponadto, głównym celem jest osiągnięcie najwyższej możliwej dokładności z najmniejszą liczbą cech. Chociaż w przeszłości podejmowano rozpoznawalne wysiłki, aby wykorzystać uczenie maszynowe do przewidywania obecności choroby astmatycznej^8,9,10. Niniejsze badanie ma na celu wykorzystanie zbioru danych z Arabii Saudyjskiej, uzyskanych z publicznego szpitala w prowincji wschodniej po raz pierwszy, koncentrując się na diagnozowaniu choroby na wczesnym etapie (diagnoza prewencyjna). Uczenie maszynowe (ML) jest rozumiane jako metoda ekstrakcji wiedzy z zebranych danych^11,12. Zapewnia dokładność prognoz uzyskaną z procesu uczenia się wcześniejszych przypadków poprzez zastosowanie różnych technik uczenia maszynowego. ML obejm

Protokół

W tej sekcji opisano algorytmy uczenia maszynowego badane w zaproponowanym podejściu do diagnostyki astmy. Kryteria i powody za wyborem zaproponowanej metody są oparte na kompleksowym przeglądzie literatury i długiej historii radzenia sobie z preempcyjną diagnozą kilku przewlekłych chorób^{27,28,29,30,31}. Te algorytmy dały obiecujące wyniki. Wszystkie materiały i narzędzia użyte w tym badaniu są wymienione w Tabeli materiałów.

Maszyny wektorów nośnych (SVM)
Algorytm SVM należy do najbardziej udanych algorytmów w rozpoznawaniu wzorców i klasyfikacji³². Wykorzystuje klasyfikację binarną, w której klasyfikuje zestaw szkoleniowy wektorów w dwie klasy. Należy on do rodziny algorytmów uczenia nadzorowanego, gdzie pożądany wynik jest generowany pod nadzorem³². W porównaniu z innymi algorytmami klasyfikacji w uczeniu maszynowym, SVM zapewnia lepsze wyniki pod względem wydajności klasyfikacji. Dlatego jest szeroko stosowany w licznych zastosowaniach, takich jak rozpoznawanie mowy, twarzy i pisma. Ponadto SVM został również zastosowany w różnych obszarach, w tym w przewidywaniu chorób i przewidywaniu giełdy. Dodatkowo, ze względu na niewrażliwość na szum lub przeuczenie, SVM może radzić sobie z niescalonymi danymi, co jest typowym przypadkiem w diagnostyce medycznej, gdzie przypadki dodatnie są mniej liczne niż przypadki ujemne³².

W klasyfikacji SVM oddziela dwie klasy rysując granicę decyzyjną, w której może przewidywać etykiety poprzez rozróżnienie jednego lub więcej wektorów cech³². Granica decyzyjna jest nazywana hiperpłaszczyzną, która jest najdalsza od najbliższych punktów danych każdej klasy. Te punkty danych są nazywane wektorami nośnymi. Rysunek 1 przedstawia niektóre kandydujące hiperpłaszczyzny w danych liniowo rozdzielnych. Równanie 1 przedstawia równanie hiperpłaszczyzny, podczas gdy równania 2 i 3 pokazują elementy położone powyżej i poniżej płaszczyzny³²:

 równanie hiperpłaszczyzny   (1)

Tutaj, w jest wektorem reprezentującym wagę, x jest wektorem reprezentującym wejście, a b. reprezentuje potencjalne zaburzenie.

 Dla wszystkich j, takich że  = +1   (2)

 Dla wszystkich i, takich że  = -1  (3)

Rysunek 1: Typowa SVM z dwiema oddzielnymi klasami. Ten rysunek wizualizuje typową SVM z dwiema oddzielnymi klasami. Skróty; SVM = maszyna wektorów nośnych. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

Sztuczna sieć neuronowa (ANN)
ANN to technika inteligencji obliczeniowej w obliczaniu miękkim, która naśladuje funkcjonowanie układu nerwowego człowieka. Ma ogromną liczbę połączonych neuronów³³. Jest to jeden z nadzorowanych algorytmów uczenia maszynowego, które mogą uczyć się z przykładowych zbiorów danych i poprawiać swoją wydajność poprzez uczenie, generując użyteczne wyniki³³. Architektura ANN składa się z wielu warstw: warstwy wejściowej, warstwy ukrytej i warstwy wyjściowej. Każda z nich jest utworzona przez zestaw połączonych neuronów³³.

Neuron, który odbiera dane z zewnątrz, wykonuje pewne przetwarzanie, a następnie przesyła dane do innej warstwy znanej jako warstwa wejściowa. Celem warstwy wejściowej nie jest wykonywanie żadnego złożonego procesu na danych; polega po prostu na skopiowaniu wartości wejściowej i przesłaniu jej do następnej warstwy³³. Warstwa wyjściowa zawiera neurony, które produkują dane dla programu użytkownika. Pomiędzy tymi dwoma warstwami znajduje się warstwa ukryta jako opcjonalna warstwa do wykonywania procesów obliczeniowych. Warstwa ukryta służy jako warstwa pośrednia, która odbiera wejścia z neuronów wejściowych, wykonuje na

Wyniki

Wpływ selekcji funkcji
W niniejszym badaniu do selekcji funkcji wykorzystano metodę współczynnika korelacji opartą na rekurencyjnej eliminacji funkcji. Współczynnik korelacji jest używany do uporządkowania funkcji od najwyższych do najniższych według ich wartości korelacji. Rekurencyjna eliminacja funkcji służy do wspomagania wyboru odpowiednich funkcji dla modelu, ponieważ stopniowo eliminuje najsłabsze funkcje, aż pozostanie tylko jedna. Każdy proces uruchamia cztery wybrane klasyfikatory z 10-kr...

Dyskusja

Obecne badanie wykorzystuje kilka algorytmów uczenia maszynowego, w tym SVM, ANN, RF i NB. Po przeprowadzeniu kilku eksperymentów, dostrajeniu hiperparametrów i selekcji cech, uzyskano wniosek, że SVM, ANN i RF wykazują niezwykłą dokładność diagnostyczną na poziomie 94%, podczas gdy NB jest stosunkowo niższy i wynosi 83,33%. Wyniki zostały zweryfikowane za pomocą walidacji krzyżowej 10-krotnej i zoptymalizowanej selekcji cech, a także najlepszego stosunku podziału. Zgodnie z podanymi danymi, siedemnaście parametrów pacje...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Excel 365	Microsoft	Excel 365	Używane do przechowywania surowych danych w formacie csv
Laptop/Maszyna	Dell	XPS9320	RAM 16GB, 12th Gen Intel(R) Core(TM) i7-1260P
Mlxtend 0.23.4	Google colab Notebook	Mlxtend 0.23.4	Używane do budowy modeli i szkoleń
Numpy 2.0.2	Google colab Notebook	Numpy 2.0.2	Używane do budowy modeli i szkoleń
Pandas 2.2.2	Google colab Notebook	Pandas 2.2.2	Używane do budowy modeli i szkoleń
Python 3.12.12	Google colab Notebook	Python 3.12.12	Używane do budowy modeli i szkoleń
Sklearn 1.6.1	Google colab Notebook	Sklearn 1.6.1	Używane do budowy modeli i szkoleń
SPSS	IBM, USA	Wersja 26.0	Używane do analizy statystycznej
XGbbost 3.1.2	Google colab Notebook	XGbbost 3.1.2	Używane do budowy modeli i szkoleń