Sistematski pregled primjene umjetne inteligencije i strojnog učenja za upalne bolesti crijeva, s praktičnim smjernicama za tumačenje.
Inflammatory bowel diseases
Sažetak istraživanja
Pozadina Upalna bolest crijeva (IBD) je gastrointestinalna kronična bolest s nepredvidivim tokom bolesti. Računarske metode kao što je mašinsko učenje (ML) imaju potencijal da stratificiraju pacijente s IBD-om radi pružanja individualizirane skrbi. Ispitana je upotreba ML metoda za IBD, s dodatnim fokusom na to kako se polje mijenjalo tokom vremena.
Metode Dana 6. maja 2021. izvršen je sistematski pregled kroz pretragu baza podataka MEDLINE i Embase, sa strukturom pretraživanja („mašinsko učenje“ ILI „vještačka inteligencija“) I („Crohnova* bolest“ ILI „Ulcerozni kolitis“ ILI „Inflamatorna bolest crijeva“). Kriterijumi za isključenje uključivali su studije koje nisu napisane na engleskom jeziku, bez podataka o ljudskim pacijentima, objavljivanje prije 2001. godine, studije koje nisu recenzirane, istraživanje komorbiditeta neautoimunih bolesti i vrste zapisa koji nisu bili primarno istraživanje.
Rezultati Sedamdeset osam (od 409) zapisa ispunilo je kriterijume za uključivanje.
Metode slučajne šume bile su najzastupljenije, a došlo je i do povećanja neuronskih mreža, uglavnom primijenjenih na skupove podataka za snimanje. Glavne primjene ML na kliničke zadatke bile su dijagnostika (18 od 78), tok bolesti (22 od 78) i težina bolesti (16 od 78). Srednja veličina uzorka bila je 263. Klinički i mikrobiomski skupovi podataka bili su najpopularniji. Pet posto studija koristilo je eksterni skup podataka nakon obuke i testiranja za dodatnu validaciju modela. Diskusija Dostupnost longitudinalnih i dubokih podataka o fenotipizaciji mogla bi dovesti do boljeg modeliranja. Cjevovodi strojnog učenja koji uzimaju u obzir neuravnotežene podatke i koji odabiru karakteristike samo na podacima o obuci će generirati modele koji se mogu generalizirati. Modeli mašinskog učenja se sve više primjenjuju na složenije kliničke zadatke za specifične fenotipove, što ukazuje na napredak ka personaliziranoj medicini za IBD.
Prikaži originalni naslov i sažetak na engleskom
A Systematic Review of Artificial Intelligence and Machine Learning Applications to Inflammatory Bowel Disease, with Practical Guidelines for Interpretation.
Background Inflammatory bowel disease (IBD) is a gastrointestinal chronic disease with an unpredictable disease course. Computational methods such as machine learning (ML) have the potential to stratify IBD patients for the provision of individualized care. The use of ML methods for IBD was surveyed, with an additional focus on how the field has changed over time.
Methods On May 6, 2021, a systematic review was conducted through a search of MEDLINE and Embase databases, with the search structure ("machine learning" OR "artificial intelligence") AND ("Crohn* Disease" OR "Ulcerative Colitis" OR "Inflammatory Bowel Disease"). Exclusion criteria included studies not written in English, no human patient data, publication before 2001, studies that were not peer reviewed, nonautoimmune disease comorbidity research, and record types that were not primary research.
Results Seventy-eight (of 409) records met the inclusion criteria. Random forest methods were most prevalent, and there was an increase in neural networks, mainly applied to imaging data sets. The main applications of ML to clinical tasks were diagnosis (18 of 78), disease course (22 of 78), and disease severity (16 of 78). The median sample size was 263. Clinical and microbiome-related data sets were most popular. Five percent of studies used an external data set after training and testing for additional model validation. Discussion Availability of longitudinal and deep phenotyping data could lead to better modeling. Machine learning pipelines that consider imbalanced data and that feature selection only on training data will generate more generalizable models. Machine learning models are increasingly being applied to more complex clinical tasks for specific phenotypes, indicating progress towards personalized medicine for IBD.
Izvorni podaci
- DOI
- 10.1093/ibd/izac115
- PMID
- 35699597
- PMCID
- PMC9527612
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom