• 侵入性程序要求[时间范围：一周之内]
  在住院期间需要EUS或ERCP，以评估诸如石头，假囊肿或坏死发展之类的原因（例如是或否）
• 重症监护室要求[时间范围：一周之内]
  将患者转移到需要生命支持的患者中，以便在患者患有呼吸困难（如果呼吸频率超过25/分钟），低血压（小于90/60 mmHg）的情况下生存，如果患者患有胃肠道出血（超过2个）每天），如果患者的面包水平高于20 mg并逐渐增加（是或否）
• 生存状况[时间范围：一周之内]
  死亡：如果病人还活着（是），如果死亡（否）
• 住院时间[时间范围：一个月内]
  持续时间持续了一天（少于10天或超过10天）
• AP攻击的数量[时间范围：入院一个月后，作为一次攻击或多次攻击]
  AP攻击再次入院。

• 侵入性程序要求[时间范围：一周之内]
  住院期间需要EUS或ERCP
• 重症监护室要求[时间范围：一个月内]
  将患者转移到需要生命的环境中以生存的环境
• 生存状况[时间范围：一个月内]
  病人的生活状况，例如死亡或活着
• 住院时间[时间范围：一个月内]
  持续时间在医院持续一天
• AP攻击的数量[时间范围：入院一个月后]
  AP攻击再次入院。

如今，胰腺炎' target='_blank'>急性胰腺炎（AP）的发生率正在增加。根据亚特兰大的标准定义了AP的诊断，以下3个发现中有两个。 a）特征性腹痛b）淀粉酶和脂肪酶值≥3倍c）超声检查（USG），磁共振成像（MRI）或计算机断层扫描（CT）成像中的AP诊断。虽然80％的疾病患有温和的病程，但20％的病情严重，需要重症监护治疗。在严重（重度）AP中，死亡率在10-25％之间，而轻度AP的死亡率为1-3％。

具有临床，实验室和放射学发现的评分系统用于评估疾病的严重程度。高龄（> 70yO），肥胖（作为体重指数（BMI，kg/m2），香烟和酒精使用，血液尿素氮（BUN）≥20mg/dl，肌酐增加，C反应性蛋白质水平（CRP）> 120mg/dL，HCT水平降低或升高，腹部CT上的Balthazar评分≥8，这意味着严重的AP。根据修订的亚特兰大标准，AP。轻度（无器官失败和局部并发症）中存在三种类型的严重性，中度（中等）（中等）局部并发症，例如伪细胞，脓肿，坏死，血管血栓形成）和/或瞬态全身并发症（小于48h）和严重的（持续的全身并发症（> 48H）；器官不足，例如肺，心脏，心脏，胃肠道和肾脏）。尽管今天的亚特兰大评分被认为是非常流行的，但由于受感染坏死，非胰腺感染和非胰腺坏死的受试者的某些缺陷，它似乎仍然需要修订存在30个严重性SCO环系统（最接受的是其中的Apache 2得分），它们都无法预测哪个患者将患有非常严重的疾病，哪些患者尚未发现温和的病程。

如今，人工智能（机器学习）应用在医学中的许多科目中使用（例如诊断，手术，药物开发，个性化治疗，基因编辑技能）。关于确定AP中暴力行为的机器学习的研究已开始出现在文献中。这项研究的目的是研究人工智能（AI）应用是否在确定AP中的疾病严重程度中起作用。

以回顾性的方式，在2010年10月至2020年2月之间，在Bezmialem基金会大学的胃肠病学诊所进行了1550名患者，并根据亚特兰大标准被诊断出患有AP。去除216名数据缺失的患者后，研究中包括1334例患者进行评估。

1. 患者人口统计信息； [年龄（YO），性别（男性/女性），香烟/酒精使用（是或否）]，临床信息； [高度（厘米），体重（千克），BMI（如kg/m2），糖尿病的存在和高血压（是或否）]，AP的病因，例如胆结石，酒精等，以及在内部进行的实验室测试。入学的前24小时； [CRP级别（mg/dl，正常：0-5），bun级（mg/dl，正常； 9,8-20,1），肌酐水平（mg/dl，正常； 0,57-1,11） ，白细胞数（通常为4.5至11.0×109/L）和血细胞比容水平（％，通常：35,5-48％）]，以及Balthazar层析成像评分[0：正常，1：胰腺大小的增加： 2：胰腺组织和周围脂肪组织的炎症变化，3：不规则边界，单液收集，4：不规则接壤的2个或更多的液体收集，5至10个不同程度的坏死程度），将记录在Excel文件中。
2. 修订后的亚特兰大评分也将在入院的一周内记录为轻度，中度和严重分数。在胰腺炎' target='_blank'>急性胰腺炎过程中发育的感染性坏死和败血症将被接受为严重的胰腺炎' target='_blank'>急性胰腺炎，因为亚特兰大评分中某些问题不足。该疾病的严重程度将根据亚特兰大分数评估。人工智能研究的结果将根据亚特兰大评分的结果进行匹配。
3. 并发症分类为0；无，2;局部并发症：假囊肿，脓肿，坏死，血栓形成和肠系膜胸膜炎，3；全身并发症：肺，肾脏，胃肠道和心血管并发症，4；混合严重的并发症/合并症情况，5：感染和化粪池并发症。
4. 此外，内窥镜超声检查（EUS），内窥镜逆行胆管造影术（ERCP）（是或否）（是或否），住院时间（少于10天或超过11天），重症监护室要求（是否存在或不存在），逆向胆管造影（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP）（重症监护室要求（是否存在与否）（是否存在） ），未来的AP攻击数量（在住院一个月后，一次攻击或一次攻击）以及生存（死亡，活着）也将被记录。

使用机器学习算法：增强梯度的合奏树。 （杰罗姆·H·弗里德曼（Jerome H.该数据集的比例为90％-10％。 10％用于验证，90％用于AI机器学习。 90％的机器学习部分也已分为两个部分，因为AI学习为70％，测试学习的30％。为此，使用了5倍分层的采样

人工智能方法

AI机器学习的功能：

1. 性别：M/F
2. 年龄：连续价值
3. 高度（CM）：连续价值
4. 重量（kg）：连续价值
5. BMI组：第1组：≤25kg/m2;第2组； 25-30 kg/m2;第3组：> 30,1 kg/m2
6. 香烟：0;不，1;是的
7. 酒精：0;不，1;是的
8. 糖尿病：0；不，1;是的
9. 高血压：0；不，1;是的
10. 病因：1;胆道，2；酒精，3；高甘油三酯血症，4；高钙血症，5；药物，6；先天性，7；隐形生殖，8;内窥镜逆行胆管造影（ERCP），9；奥迪括约肌功能障碍（OSD），10；恶性，11；乳头状粘液性肿瘤（IPMN），12：主要硬化胆管造影（PSC）13：自身免疫，14：多重病因
11. 白细胞数（WBC）：n; 4,5-11x100
12. 血细胞比容（HCT）：n; ％35,5-48
13. C反应蛋白（CRP）：N：0-5 mg/dl
14. 血尿素氮（BUN）：N：9,8-20,1 mg/dl
15. 肌酐（krea）：n：0,57-1,11 mg/dl
16. Baltazar评分（BLTZR）：0;正常p，1;胰腺大小增加2；胰腺组织和周围脂肪组织的炎症变化，3；不规则接壤的单流体收集，4，不规则接壤2个或更多的流体收集，并具有不同程度的坏死（介于5到10之间）

在人工智能中，决策树模型被广泛用于监督机器学习。它们可能取决于Gini指数，增益比/熵，卡方，回归等。在AI中，他们是首选的，因为它们为人类生成了可理解的规则，与其他机器学习算法（例如人工神经网络和支持向量机器）不同。另一方面，他们被认为是弱小的学习者。这意味着它们受到数据集中存在的噪声和异常值的高度影响。为了绕过这种障碍，已经开发了诸如随机森林，合奏树，梯度提升的模型。

随机森林和合奏树通过将某个决策树算法应用于数据集的部分，从而生成规则。该技术大大减少了学习中发生的错误。学习过程完成后，它们将弱决策树结合到一个强大而更大的决策树模型中。合奏学习模型通过通过f ̂（x）近似来最大程度地减少训练集上损失函数的平均值来实现更好的学习。这个想法是以贪婪的方式将最小化问题的最陡峭步骤应用于最小化问题。

在这项研究中，弗里德曼（Friedman）提出的梯度增压树模型已用于机器学习。该模型为每个树的零件选择一个单独的最佳值，而不是为整棵树的零件选择一个。该方法可用于最大程度地减少与转发阶段添加剂建模结合使用的任何可区分损失L（y，f）。据报道，在许多情况下，梯度增强树模型的表现优于随机森林和常规的合奏树。

该算法的目的是找到一个近似F_M（X_I），该近似值将预期的L（y，f（x））损失函数最小化。

该算法可以总结如下：

输入：

培训数据集：{（x_i，y_i）} i = 1至n，具有n维和类变量一个可区分的损耗函数：l（y，f（x））迭代数：M。

输出：

f_m（x_i）

算法：

以恒定值初始化模型：

f_0（x）= argmin⁡∑_（i = 1）^n▒l（y_i，γ）〗

对于M = 1到M：

计算伪残基rim r_im = - [（∂l（y_（i，）f（x_i）））/（∂f（x_i））]

使用培训集培训基础学习者到伪残余者：

{（x_i，y_i）} i = 1 to n计算乘数γγ= arg min⁡∑_（i = 1）^n▒l（y_i，f_i，f_i，f_（m-1）（x_i）（x_i）+γh_m（x_i）） 〗

更新模型：

〖f_m（x_i）= f〗_（M-1）（X_I）+γ_MH_M（X_I）输出f_m（x_i）

在分析中，已使用合成少数族裔过采样技术（SMOTE）[5]，以避免类别可变不平衡的不利条件。 SMOTE是一种数据增强技术，以增加数据。在某些情况下，类变量在所有情况下可能没有相等的值。例如，与丧生的患者相比，幸存的患者可能还要多得多。在这种情况下，数据会增加。本研究数据集的类变量存在不平衡。因此，Smote已被应用于增加少数群体进行培训。

该数据集的比例为90％-10％。 10％用于验证，90％用于AI机器学习。 90％的机器学习部分也已分为两个部分，因为AI学习为70％，测试学习的30％。为此，使用了5倍分层的采样。 KNIME分析平台已用于AI机器学习。

• 胰腺炎' target='_blank'>急性胰腺炎
• 人工智能
• 结果，致命

• 人工智能（AI）机器学习组

  90％的机器学习零件也已分为2个部分，为70％，用于AI学习和30％用于测试学习。

  70％的胰腺炎' target='_blank'>急性胰腺炎患者（约840分）将组成该研究的模型训练组。 30％的胰腺炎' target='_blank'>急性胰腺炎患者（约360分）将形成研究的测试组。

  由于交叉验证也将应用于此处的模型，因此数据也将在自身内部变化，并且将优化分布以增加预测能力。

• 验证组

  10％的胰腺炎' target='_blank'>急性胰腺炎患者（约134例）将形成该研究的验证组。

  由于交叉验证也将应用于此处的模型，因此数据也将在自身内部变化，并且将优化分布以增加预测能力。

• Banks PA，Bollen TL，Dervenis C，Gooszen HG，Johnson CD，Sarr MG，Tsiotos GG，Vege SS；胰腺炎' target='_blank'>急性胰腺炎分类工作组。胰腺炎' target='_blank'>急性胰腺炎的分类 - 2012年：亚特兰大分类和定义的修订。肠。 2013年1月； 62（1）：102-11。 doi：10.1136/gutjnl-2012-302779。 Epub 2012年10月25日。
• Fei Y，Gao K，Li WQ。人工神经网络算法模型是预测严重胰腺炎' target='_blank'>急性胰腺炎后急性肺损伤的强大工具。胰腺学。 2018年12月; 18（8）：892-899。 doi：10.1016/j.pan.2018.09.007。 EPUB 2018年9月26日。
• Van Den Heever M，Mittal A，Haydock M，WindsorJ。在胰腺炎' target='_blank'>急性胰腺炎中使用智能数据库系统 - 系统评价。胰腺学。 2014 Jan-Feb; 14（1）：9-16。 doi：10.1016/j.pan.2013.11.010。 Epub 2013 12月4日。评论。
• YoldaşO，KoçM，KaraköseN，KiliçM，TezM。使用人工神经网络预测急性胆汁胰腺炎患者的临床结局。胰腺。 2008年1月； 36（1）：90-2。 doi：10.1097/mpa.0b013e31812e964b。
• Pearce CB，Gunn SR，Ahmed A，Johnson CD。机器学习可以使用Apache II评分和C反应蛋白的入院值来改善胰腺炎' target='_blank'>急性胰腺炎的严重程度。胰腺学。 2006; 6（1-2）：123-31。 Epub 2005年12月1日。
• Andersson B，Andersson R，Ohlsson M，Nilsson J.使用人工神经网络入院时严重胰腺炎' target='_blank'>急性胰腺炎的预测。胰腺学。 2011; 11（3）：328-35。 doi：10.1159/000327903。 Epub 2011年7月9日。
• Qiu Q，Nian YJ，Guo Y，Tang L，Lu N，Wen LZ，Wang B，Chen DF，Liu KJ。在中度严重和严重的胰腺炎' target='_blank'>急性胰腺炎中预测三种机器学习模型的开发和验证。 BMC胃肠道。 2019年7月4日； 19（1）：118。 doi：10.1186/s12876-019-1016-y。
• 贪婪的功能近似：梯度增压机。
• 聚集，A。（2009）。使用层次结构聚类分类数据。工程技术，1（2），334-339。
• Silahtaroğlu，G。（2009）。基于属性中心的决策树分类算法。工程技术，302-306。
• Bentéjac，C.，Csörgő，A。和Martínez-Muñoz，G。（2021）。梯度增强算法的比较分析。人工智能评论，54（3）。 https://doi.org/10.1007/s10462-020-09896-5。
• Bentéjac，C.，Csörgő，A。和Martínez-Muñoz，G。（2021）。梯度增强算法的比较分析。人工智能评论，54（3）。 https://doi.org/10.1007/s10462-020-09896-5
• Berthold，MR，Cebron，N.，Dill，F.，Gabriel，TR，Kötter，T.，Meinl，T.，…Wiswedel，B。（2009年）。 Knime -Konstanz信息矿工。 ACM SIGKDD探索通讯。 https://doi.org/10.1145/1656274.1656280

纳入标准：

- 胰腺炎' target='_blank'>急性胰腺炎诊断患者在腹痛开始后24小时内接受ER

排除标准：

• 入院后立即签署治疗拒绝表格并离开医院的患者
• 数据未完成的患者
• 精神病患者
• 一般状况非常差的患者

• 侵入性程序要求[时间范围：一周之内]
  在住院期间需要EUS或ERCP，以评估诸如石头，假囊肿或坏死发展之类的原因（例如是或否）
• 重症监护室要求[时间范围：一周之内]
  将患者转移到需要生命支持的患者中，以便在患者患有呼吸困难（如果呼吸频率超过25/分钟），低血压（小于90/60 mmHg）的情况下生存，如果患者患有胃肠道出血（超过2个）每天），如果患者的面包水平高于20 mg并逐渐增加（是或否）
• 生存状况[时间范围：一周之内]
  死亡：如果病人还活着（是），如果死亡（否）
• 住院时间[时间范围：一个月内]
  持续时间持续了一天（少于10天或超过10天）
• AP攻击的数量[时间范围：入院一个月后，作为一次攻击或多次攻击]
  AP攻击再次入院。

• 侵入性程序要求[时间范围：一周之内]
  住院期间需要EUS或ERCP
• 重症监护室要求[时间范围：一个月内]
  将患者转移到需要生命的环境中以生存的环境
• 生存状况[时间范围：一个月内]
  病人的生活状况，例如死亡或活着
• 住院时间[时间范围：一个月内]
  持续时间在医院持续一天
• AP攻击的数量[时间范围：入院一个月后]
  AP攻击再次入院。

如今，胰腺炎' target='_blank'>急性胰腺炎（AP）的发生率正在增加。根据亚特兰大的标准定义了AP的诊断，以下3个发现中有两个。 a）特征性腹痛b）淀粉酶和脂肪酶值≥3倍c）超声检查（USG），磁共振成像（MRI）或计算机断层扫描（CT）成像中的AP诊断。虽然80％的疾病患有温和的病程，但20％的病情严重，需要重症监护治疗。在严重（重度）AP中，死亡率在10-25％之间，而轻度AP的死亡率为1-3％。

具有临床，实验室和放射学发现的评分系统用于评估疾病的严重程度。高龄（> 70yO），肥胖（作为体重指数（BMI，kg/m2），香烟和酒精使用，血液尿素氮（BUN）≥20mg/dl，肌酐增加，C反应性蛋白质水平（CRP）> 120mg/dL，HCT水平降低或升高，腹部CT上的Balthazar评分≥8，这意味着严重的AP。根据修订的亚特兰大标准，AP。轻度（无器官失败和局部并发症）中存在三种类型的严重性，中度（中等）（中等）局部并发症，例如伪细胞，脓肿，坏死，血管血栓形成' target='_blank'>血栓形成）和/或瞬态全身并发症（小于48h）和严重的（持续的全身并发症（> 48H）；器官不足，例如肺，心脏，心脏，胃肠道和肾脏）。尽管今天的亚特兰大评分被认为是非常流行的，但由于受感染坏死，非胰腺感染和非胰腺坏死的受试者的某些缺陷，它似乎仍然需要修订存在30个严重性SCO环系统（最接受的是其中的Apache 2得分），它们都无法预测哪个患者将患有非常严重的疾病，哪些患者尚未发现温和的病程。

如今，人工智能（机器学习）应用在医学中的许多科目中使用（例如诊断，手术，药物开发，个性化治疗，基因编辑技能）。关于确定AP中暴力行为的机器学习的研究已开始出现在文献中。这项研究的目的是研究人工智能（AI）应用是否在确定AP中的疾病严重程度中起作用。

以回顾性的方式，在2010年10月至2020年2月之间，在Bezmialem基金会大学的胃肠病学诊所进行了1550名患者，并根据亚特兰大标准被诊断出患有AP。去除216名数据缺失的患者后，研究中包括1334例患者进行评估。

1. 患者人口统计信息； [年龄（YO），性别（男性/女性），香烟/酒精使用（是或否）]，临床信息； [高度（厘米），体重（千克），BMI（如kg/m2），糖尿病的存在和高血压（是或否）]，AP的病因，例如胆结石，酒精等，以及在内部进行的实验室测试。入学的前24小时； [CRP级别（mg/dl，正常：0-5），bun级（mg/dl，正常； 9,8-20,1），肌酐水平（mg/dl，正常； 0,57-1,11） ，白细胞数（通常为4.5至11.0×109/L）和血细胞比容水平（％，通常：35,5-48％）]，以及Balthazar层析成像评分[0：正常，1：胰腺大小的增加： 2：胰腺组织和周围脂肪组织的炎症变化，3：不规则边界，单液收集，4：不规则接壤的2个或更多的液体收集，5至10个不同程度的坏死程度），将记录在Excel文件中。
2. 修订后的亚特兰大评分也将在入院的一周内记录为轻度，中度和严重分数。在胰腺炎' target='_blank'>急性胰腺炎过程中发育的感染性坏死和败血症将被接受为严重的胰腺炎' target='_blank'>急性胰腺炎，因为亚特兰大评分中某些问题不足。该疾病的严重程度将根据亚特兰大分数评估。人工智能研究的结果将根据亚特兰大评分的结果进行匹配。
3. 并发症分类为0；无，2;局部并发症：假囊肿，脓肿，坏死，血栓形成' target='_blank'>血栓形成和肠系膜胸膜炎，3；全身并发症：肺，肾脏，胃肠道和心血管并发症，4；混合严重的并发症/合并症情况，5：感染和化粪池并发症。
4. 此外，内窥镜超声检查（EUS），内窥镜逆行胆管造影术（ERCP）（是或否）（是或否），住院时间（少于10天或超过11天），重症监护室要求（是否存在或不存在），逆向胆管造影（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP），内窥镜逆行（ERCP）（重症监护室要求（是否存在与否）（是否存在） ），未来的AP攻击数量（在住院一个月后，一次攻击或一次攻击）以及生存（死亡，活着）也将被记录。

使用机器学习算法：增强梯度的合奏树。 （杰罗姆·H·弗里德曼（Jerome H.该数据集的比例为90％-10％。 10％用于验证，90％用于AI机器学习。 90％的机器学习部分也已分为两个部分，因为AI学习为70％，测试学习的30％。为此，使用了5倍分层的采样

人工智能方法

AI机器学习的功能：

1. 性别：M/F
2. 年龄：连续价值
3. 高度（CM）：连续价值
4. 重量（kg）：连续价值
5. BMI组：第1组：≤25kg/m2;第2组； 25-30 kg/m2;第3组：> 30,1 kg/m2
6. 香烟：0;不，1;是的
7. 酒精：0;不，1;是的
8. 糖尿病：0；不，1;是的
9. 高血压：0；不，1;是的
10. 病因：1;胆道，2；酒精，3；高甘油三酯血症，4；高钙血症，5；药物，6；先天性，7；隐形生殖，8;内窥镜逆行胆管造影（ERCP），9；奥迪括约肌功能障碍（OSD），10；恶性，11；乳头状粘液性肿瘤（IPMN），12：主要硬化胆管造影（PSC）13：自身免疫，14：多重病因
11. 白细胞数（WBC）：n; 4,5-11x100
12. 血细胞比容（HCT）：n; ％35,5-48
13. C反应蛋白（CRP）：N：0-5 mg/dl
14. 血尿素氮（BUN）：N：9,8-20,1 mg/dl
15. 肌酐（krea）：n：0,57-1,11 mg/dl
16. Baltazar评分（BLTZR）：0;正常p，1;胰腺大小增加2；胰腺组织和周围脂肪组织的炎症变化，3；不规则接壤的单流体收集，4，不规则接壤2个或更多的流体收集，并具有不同程度的坏死（介于5到10之间）

在人工智能中，决策树模型被广泛用于监督机器学习。它们可能取决于Gini指数，增益比/熵，卡方，回归等。在AI中，他们是首选的，因为它们为人类生成了可理解的规则，与其他机器学习算法（例如人工神经网络和支持向量机器）不同。另一方面，他们被认为是弱小的学习者。这意味着它们受到数据集中存在的噪声和异常值的高度影响。为了绕过这种障碍，已经开发了诸如随机森林，合奏树，梯度提升的模型。

随机森林和合奏树通过将某个决策树算法应用于数据集的部分，从而生成规则。该技术大大减少了学习中发生的错误。学习过程完成后，它们将弱决策树结合到一个强大而更大的决策树模型中。合奏学习模型通过通过f ̂（x）近似来最大程度地减少训练集上损失函数的平均值来实现更好的学习。这个想法是以贪婪的方式将最小化问题的最陡峭步骤应用于最小化问题。

在这项研究中，弗里德曼（Friedman）提出的梯度增压树模型已用于机器学习。该模型为每个树的零件选择一个单独的最佳值，而不是为整棵树的零件选择一个。该方法可用于最大程度地减少与转发阶段添加剂建模结合使用的任何可区分损失L（y，f）。据报道，在许多情况下，梯度增强树模型的表现优于随机森林和常规的合奏树。

该算法的目的是找到一个近似F_M（X_I），该近似值将预期的L（y，f（x））损失函数最小化。

该算法可以总结如下：

输入：

培训数据集：{（x_i，y_i）} i = 1至n，具有n维和类变量一个可区分的损耗函数：l（y，f（x））迭代数：M。

输出：

f_m（x_i）

算法：

以恒定值初始化模型：

f_0（x）= argmin⁡∑_（i = 1）^n▒l（y_i，γ）〗

对于M = 1到M：

计算伪残基rim r_im = - [（∂l（y_（i，）f（x_i）））/（∂f（x_i））]

使用培训集培训基础学习者到伪残余者：

{（x_i，y_i）} i = 1 to n计算乘数γγ= arg min⁡∑_（i = 1）^n▒l（y_i，f_i，f_i，f_（m-1）（x_i）（x_i）+γh_m（x_i）） 〗

更新模型：

〖f_m（x_i）= f〗_（M-1）（X_I）+γ_MH_M（X_I）输出f_m（x_i）

在分析中，已使用合成少数族裔过采样技术（SMOTE）[5]，以避免类别可变不平衡的不利条件。 SMOTE是一种数据增强技术，以增加数据。在某些情况下，类变量在所有情况下可能没有相等的值。例如，与丧生的患者相比，幸存的患者可能还要多得多。在这种情况下，数据会增加。本研究数据集的类变量存在不平衡。因此，Smote已被应用于增加少数群体进行培训。

该数据集的比例为90％-10％。 10％用于验证，90％用于AI机器学习。 90％的机器学习部分也已分为两个部分，因为AI学习为70％，测试学习的30％。为此，使用了5倍分层的采样。 KNIME分析平台已用于AI机器学习。

• 胰腺炎' target='_blank'>急性胰腺炎
• 人工智能
• 结果，致命

• 人工智能（AI）机器学习组

  90％的机器学习零件也已分为2个部分，为70％，用于AI学习和30％用于测试学习。

  70％的胰腺炎' target='_blank'>急性胰腺炎患者（约840分）将组成该研究的模型训练组。 30％的胰腺炎' target='_blank'>急性胰腺炎患者（约360分）将形成研究的测试组。

  由于交叉验证也将应用于此处的模型，因此数据也将在自身内部变化，并且将优化分布以增加预测能力。

• 验证组

  10％的胰腺炎' target='_blank'>急性胰腺炎患者（约134例）将形成该研究的验证组。

  由于交叉验证也将应用于此处的模型，因此数据也将在自身内部变化，并且将优化分布以增加预测能力。

• Banks PA，Bollen TL，Dervenis C，Gooszen HG，Johnson CD，Sarr MG，Tsiotos GG，Vege SS；胰腺炎' target='_blank'>急性胰腺炎分类工作组。胰腺炎' target='_blank'>急性胰腺炎的分类 - 2012年：亚特兰大分类和定义的修订。肠。 2013年1月； 62（1）：102-11。 doi：10.1136/gutjnl-2012-302779。 Epub 2012年10月25日。
• Fei Y，Gao K，Li WQ。人工神经网络算法模型是预测严重胰腺炎' target='_blank'>急性胰腺炎后急性肺损伤的强大工具。胰腺学。 2018年12月; 18（8）：892-899。 doi：10.1016/j.pan.2018.09.007。 EPUB 2018年9月26日。
• Van Den Heever M，Mittal A，Haydock M，WindsorJ。在胰腺炎' target='_blank'>急性胰腺炎中使用智能数据库系统 - 系统评价。胰腺学。 2014 Jan-Feb; 14（1）：9-16。 doi：10.1016/j.pan.2013.11.010。 Epub 2013 12月4日。评论。
• YoldaşO，KoçM，KaraköseN，KiliçM，TezM。使用人工神经网络预测急性胆汁胰腺炎患者的临床结局。胰腺。 2008年1月； 36（1）：90-2。 doi：10.1097/mpa.0b013e31812e964b。
• Pearce CB，Gunn SR，Ahmed A，Johnson CD。机器学习可以使用Apache II评分和C反应蛋白的入院值来改善胰腺炎' target='_blank'>急性胰腺炎的严重程度。胰腺学。 2006; 6（1-2）：123-31。 Epub 2005年12月1日。
• Andersson B，Andersson R，Ohlsson M，Nilsson J.使用人工神经网络入院时严重胰腺炎' target='_blank'>急性胰腺炎的预测。胰腺学。 2011; 11（3）：328-35。 doi：10.1159/000327903。 Epub 2011年7月9日。
• Qiu Q，Nian YJ，Guo Y，Tang L，Lu N，Wen LZ，Wang B，Chen DF，Liu KJ。在中度严重和严重的胰腺炎' target='_blank'>急性胰腺炎中预测三种机器学习模型的开发和验证。 BMC胃肠道。 2019年7月4日； 19（1）：118。 doi：10.1186/s12876-019-1016-y。
• 贪婪的功能近似：梯度增压机。
• 聚集，A。（2009）。使用层次结构聚类分类数据。工程技术，1（2），334-339。
• Silahtaroğlu，G。（2009）。基于属性中心的决策树分类算法。工程技术，302-306。
• Bentéjac，C.，Csörgő，A。和Martínez-Muñoz，G。（2021）。梯度增强算法的比较分析。人工智能评论，54（3）。 https://doi.org/10.1007/s10462-020-09896-5。
• Bentéjac，C.，Csörgő，A。和Martínez-Muñoz，G。（2021）。梯度增强算法的比较分析。人工智能评论，54（3）。 https://doi.org/10.1007/s10462-020-09896-5
• Berthold，MR，Cebron，N.，Dill，F.，Gabriel，TR，Kötter，T.，Meinl，T.，…Wiswedel，B。（2009年）。 Knime -Konstanz信息矿工。 ACM SIGKDD探索通讯。 https://doi.org/10.1145/1656274.1656280

纳入标准：

- 胰腺炎' target='_blank'>急性胰腺炎诊断患者在腹痛开始后24小时内接受ER

排除标准：

• 入院后立即签署治疗拒绝表格并离开医院的患者
• 数据未完成的患者
• 精神病患者
• 一般状况非常差的患者