По всем вопросам звоните:

+7 495 274-22-22

УДК: 617–089 DOI:10.33920/med-15-2104-06

Способ прогнозирования осложнений в хирургии

Соломаха Анатолий Анатольевич канд. мед. наук, доцент кафедры «Хирургия», Федеральное государственное учреждение высшего образования «Пензенский государственный университет», г. Пенза, ул. Красная, д. 40, е-mail: anatoly.solomakha@yandex.ru, https://orcid.org/0000-0002-1070-6029
Горбаченко Владимир Иванович профессор, д-р техн. наук, заведующий кафедрой «Компьютерные технологии», Федеральное государственное учреждение высшего образования «Пензенский государственный университет», г. Пенза, ул. Красная, д. 40, е-mail: gorvi@mail.ru, https://orcid.org/0000–0002–1012–8855

Проблема прогнозирования риска развития гнойно-воспалительных осложнений после операций у больных с гнойно-деструктивными заболеваниями легких является до сих пор нерешенной. При анализе выборки из 543 больных с гнойно-деструктивными заболеваниями легких в Пензенской областной клинической больнице у 45 (8,3 %) были выявлены гнойно-воспалительные осложнения. Целью исследования являлось создание нейросетевой системы прогнозирования риска развития хирургических осложнений у больных с гнойно-деструктивными заболеваниями легких. В результате данного исследования отработана технология построения нейросетевых моделей для прогнозирования осложнений в торакальной хирургии. В частности, разработаны методы отбора и преобразования признаков и разработана нейросетевая система «Нейропредиктор», продемонстрировавшая высокие показатели точности.

Литература:

1. Brigham K. L., Johns M. M. E. Predictive Health: How We Can Reinvent Medicine to Extend Our Best Years. Basic Books, 2012. 256 p.

2. Practical Predictive Analytics and Decisioning Systems for Medicine: Informatics Accuracy and Cost-Effectiveness for Healthcare Administration and Delivery Including Medical Research / L. Miner, P. Bolding, J. Hilbe, M. Goldstein, T. Hill, R. Nisbet, N. Walton, G. Miner. Academic Press, 2014. 1110 p.

3. Joskowicz L. Computer-aided surgery meets predictive, preventive, and personalized medicine. EPMA Journal. 2017; 8: 1–4. DOI: 10.1007/s13167-017-0084-8.

4. Esteva H., Nunez T. G. Rodriguez R. O. Neural networks and artificial intelligence in thoracic surgery. Thoracic Surgery Clinics. 2007; 17 (3): 359–67.

5. Клинико-лабораторные параметры больных с гнойно-деструктивными заболеваниями легких / А. А. Соломаха, В. И. Горбаченко, К. А. Милова // Свидетельство государственной регистрации базы данных № 2013621105. Дата государственной регистрации в Реестре баз данных 06.09.2013.

6. Zheng A., Casari A. Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists. O’Reilly Media, 2018. 218 p.

7. Chandrashekar G., Sahin F. A survey on feature selection methods. Computers & Electrical Engineering. 2014; 40 (1): 16–28.

8. Wackerly D., Mendenhall W., Scheaffer R. L. Mathematical Statistics with Applicationsition. Thomson Brooks, 2008. 944 p.

9. Bruce P., Bruce F. Practical Statistics for Data Scientists: 50 Essential Concepts. O’Reilly, 2017. 318 p.

10. Ehrhardt A., Biernacki C., Vandewalle V., Heinrich P. Feature quantization for parsimonious and interpretable predictive models. https://arxiv.org/abs/1903.08920.

11. Brownlee J. Why One-Hot Encode Data in Machine Learning? https://machinelearningmastery.com/why-one-hot-encode-data-in-machine-learning/.

12. Geron A. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly, 2017. 574 p.

13. Aggarwal C. C. Neural networks and deep learning. Springer, 2018. 497 p.

14. Нейропредиктор v. 1.0. Нейросетевая система прогнозирования риска гнойно воспалительных осложнений в хирургии / К. А. Милова, В. И. Горбаченко, А. А. Соломаха // Свидетельство об официальной регистрации программы для ЭВМ № 2010616453. Зарегистрировано в Реестре программ для ЭВМ 28.09.2010.

1. Brigham K. L., Johns M. M. E. Predictive Health: How We Can Reinvent Medicine to Extend Our Best Years. Basic Books, 2012. 256 p.

2. Practical Predictive Analytics and Decisioning Systems for Medicine: Informatics Accuracy and Cost-Effectiveness for Healthcare Administration and Delivery Including Medical Research / L. Miner, P. Bolding, J. Hilbe, M. Goldstein, T. Hill, R. Nisbet, N. Walton, G. Miner. Academic Press, 2014. 1110 p.

3. Joskowicz L. Computer-aided surgery meets predictive, preventive, and personalized medicine. EPMA Journal. 2017; 8: 1–4. DOI: 10.1007/s13167-017-0084-8.

4. Esteva H., Nunez T. G. Rodriguez R. O. Neural networks and artificial intelligence in thoracic surgery. Thoracic Surgery Clinics. 2007; 17 (3): 359–67.

5. Clinical and laboratory parameters of patients with purulent-destructive lung diseases / A. A. Solomakha, V. I. Gorbachenko, K. A. Milova // Certificate of state registration of the database No. 2013621105. Date of state registration in the Database Register 06 September 2013.

6. Zheng A., Casari A. Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists. O’Reilly Media, 2018. 218 p.

7. Chandrashekar G., Sahin F. A survey on feature selection methods. Computers & Electrical Engineering. 2014; 40 (1): 16–28.

8. Wackerly D., Mendenhall W., Scheaffer R. L. Mathematical Statistics with Applicationsition. Thomson Brooks, 2008. 944 p.

9. Bruce P., Bruce F. Practical Statistics for Data Scientists: 50 Essential Concepts. O’Reilly, 2017. 318 p.

10. Ehrhardt A., Biernacki C., Vandewalle V., Heinrich P. Feature quantization for parsimonious and interpretable predictive models. https://arxiv.org/abs/1903.08920.

11. Brownlee J. Why One-Hot Encode Data in Machine Learning? https://machinelearningmastery.com/why-one-hot-encode-data-in-machine-learning.

12. Geron A. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly, 2017. 574 p.

13. Aggarwal C. C. Neural networks and deep learning. Springer, 2018. 497 p.

14. Neuropredictor v. 1.0. Neural network system for predicting the risk of purulent-inflammatory complications in surgery / K. A. Milova, V. I. Gorbachenko, A. A. Solomakha // Certificate of official registration of computer programs No. 2010616453. Registered in the Register of Computer Programs on September 28, 2010.

Проблема прогнозирования риска развития гнойно-воспалительных осложнений после операций у больных с гнойно-деструктивными заболеваниями легких является до сих пор нерешенной. При анализе выборки из 543 больных с гнойно-деструктивными заболеваниями легких в Пензенской областной клинической больнице у 45 (8,3 %) были выявлены гнойно-воспалительные осложнения. Для своевременной диагностики и лечения послеоперационных осложнений необходимы большие материальные ресурсы. Проблема усложняется тем, что гнойно-септические осложнения нередко сочетаются с почечной недостаточностью и почечной дисфункцией.

При прогнозировании послеоперационных осложнений возникают следующие проблемы:

• осложнение обнаруживается, когда оно уже развивается;

• на проявление осложнения влияет множество взаимосвязанных факторов.

Для прогнозирования послеоперационных осложнений в торакальной хирургии предлагается применить комплексный анализ показателей с помощью предиктивной нейросетевой модели (predictive neural network model).

Цифровые модели используются в медицине для диагностики и прогнозирования. Особенно необходимы такие модели в персонализированной медицине. В этой области необходимо оценивать и прогнозировать состояние пациента из априорных знаний, полученных при обследовании других пациентов. Поэтому возникло новое направление — предсказательная медицина (predictive medicine) [1, 2]. Предсказательная медицина, или in silico medicine, это использование компьютерного моделирования и интеллектуальных технологий в диагностике, лечении и профилактике заболеваний. Используя предсказательную медицину, врач может определить вероятности развития тех или иных патологий и подобрать оптимальное лечение. Предсказательная медицина уже применяется в хирургии [3]. Прогноз в хирургии состоит в предоперационной оценке состояния больного и в оценке возможных результатов хирургического вмешательства.

Общие проблемы применения нейронных сетей в торакальной хирургии представлены в работе [4]. Однако нейросетевые предиктивные модели, учитывающие особенности конкретного региона, отсутствуют. Поэтому было принято решение о разработке нейросетевой системы прогнозирования осложнений в торакальной хирургии. Целью исследования является создание нейросетевой системы прогнозирования риска развития хирургических осложнений у больных с гнойно-деструктивными заболеваниями легких. Задачами исследования являются:

Для Цитирования:
Соломаха Анатолий Анатольевич, Горбаченко Владимир Иванович, Способ прогнозирования осложнений в хирургии. Хирург. 2021;4.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: