The experience of neural network prediction of the need for surgical treatment in patients with the diseases of hepatopancreatoduodenal zone

Full Text

Качество оказания медицинской помощи в целом и безопасность проведения оперативного вмешательства в значительной степени определяются своевременностью и объёмом обследования, проведённого в предоперационном периоде [1]. Однако для некоторых форм патологии гепатопанкреатодуоденальной зоны отсутствуют чёткие показания для оперативного лечения, что негативно влияет на ближайшие и отдалённые результаты лечения [2].

Принятие корректного врачебного решения в отношении таких пациентов подразумевает обработку сложных данных, включающих всю совокупность клинической картины и факторов риска в сжатые сроки [3], что стимулирует научный поиск современных информационных систем для их анализа [4, 5], в частности искусственных нейронных сетей (ИНС) [6–9]. Главное преимущество интеллектуальных систем при решении задач такого рода — возможность обнаружения неизвестных закономерностей и связей между данными [10].

Стратегическая позиция России по вопросу востребованности научных работ, принадлежащих к междисциплинарным областям, находящихся на стыке клинической медицины и медицинской информатики, а также необходимости занятия лидирующих позиций в сфере разработки и применения систем искусственного интеллекта были обозначены Президентом РФ В.В. Путиным [11]. В этом контексте поиск математических моделей, обеспечивающих прогнозирование развития клинической ситуации и развитие систем поддержки принятия врачебных решений, представляются перспективными.

В связи с изложенным целью нашего исследования было следующее: с применением искусственной нейронной сети типа многослойный персептрон разработать математическую модель для прогнозирования потребности в оперативном вмешательстве у больных, госпитализированных по поводу заболеваний гепатопанкреатодуоденальной зоны, и оценить потенциал её клинического применения.

Исследование проведено по материалам 488 пациентов с язвенной болезнью, холециститом и панкреатитом. Больные были разделены на две клинические группы. Первая клиническая группа (КГ1 — 385 человек) проходила лечение в сроки до 1 января 2011 г. Представители второй группы (КГ2 — 103 человека) были госпитализированы в более поздние сроки.

Исследователи осуществляли сбор информации о факторах риска развития указанных нозологий путём анкетирования больных и выкопировки медицинской информации из карт стационарного больного. Собираемые данные содержали сведения о поле, возрасте, диагнозе, вредных привычках, наличии стрессов, характере питания, диетическом режиме, занятости, отношениях в семье и иных факторах риска.

В целях повышения качества включения больных в исследование сбор ­материала ­выполняли по следующей методике: с применением генератора случайных чисел определяли массив номеров по порядку дней года, в которые проводили анкетирование. Затем осуществляли тотальный сбор данных пациентов, проходивших стационарное лечение в выбранные дни. Отказов от участия мы не встретили.

Всего 165 больным КГ1 и 40 пациентам КГ2 в ходе текущей госпитализации было проведено оперативное вмешательство. Обработку данных осуществляли с применением ИНС типа многослойный персептрон, реализованной на программном обеспечении собственной разработки [12–14]. Материалы больных КГ1 применяли для обучения нейросети с целью прогнозирования возникновения потребности в оперативном лечении в ходе текущей госпитализации. Больные, включённые в КГ2, участвовали в клинической апробации обученной ИНС.

Для исключения влияния результатов прогнозирования на принятие решения о проведении оперативного лечения или отказе от него обработку данных проводили после окончательной выписки пациента из стационара. Контроль функционирования ИНС на этапе обучения и клинической апробации осуществляли с применением методов описательной индуктивной статистики, определения чувствительности, специфичности и ROC-анализа.

В КГ1 число прооперированных больных составило 165 человек, в КГ2 — 40 пациентов. Количество больных, при лечении которых не возникло потребности в операции, составило 220 и 63 соответственно. Данные о поле, возрасте и распространённости некоторых факторов риска в описываемых группах представлены в табл. 1.

 

Таблица 1. Структура некоторых изучаемых факторов риска и параметров здоровья в исследуемых группах

Показатель	Больные, которым проведено оперативное вмешательство		Больные, проходившие консервативное лечение
	КГ1, n=165	КГ2, n=40	КГ1, n=220	КГ2, n=63
Средний возраст*, годы	56,9±1,21	57,9±2,44	49,8±1,08	52,8±1,8
Пол**, %: – мужчины – женщины	35,2±3,72 64,8±3,72	30±7,25 70±7,25	58,2±3,33 41,8±3,33	47,6±6,29 52,4±6,29
Состояние при поступлении**, %: – удовлетворительное – средней тяжести – тяжёлое – крайне тяжёлое	44,5±44,51 51,8±3,9 2,44±1,2 1,22±0,86	72,5±7,06 22,5±6,6 3,4±8,59 0±0	76,0±2,9 21,7±2,8 2,3±1,02 0±0	87,3±4.19 11,1±3,93 1,6±1,57 0±0
Длительность диагностического поиска*, сут	1,6±0,13	1±0	1,4±0,06	1±0
Длительность заболевания*, годы: – впервые возникшее – за исключением впервые возникшего	4,9±0,58 7,6±0,78	9,5±1,45 11,5±1,55	9,12±0,75 10,6±0,81	8,8±1,08 9,2±1,1
Некоторые факторы риска. Стресс**, % Соблюдение диеты**, %: – субъективное – объективное Злоупотребление алкоголем**, % Курение**, % Стаж курения*, годы Выкуривает сигарет*, шт./сут Частота обострений**, %: – чаще 2 раз в год – 2 раза в год – 1 раз в год – 1 раз в 2–3 года и реже – возникло впервые	55,8±3,87   30,9±7,5 4,2±1,6 26,1±3,42 30,9±3,6 33,7±2,0 7,6±1,06   20,1±3,18 17,0±2,98 6,3±1,93 7,5±2,09 49,1±3,96	40±7,75   32,5±7,41 5±3,4 35±7,54 52,5±7,9 21,4±3,39 13,1±2,24   0±0 42,5±7,82 12,5±5,23 25±6,85 20±6,32	57,3±3,33   34,1±3,2 4,1±1,34 43,2±2,89 44,1±3,35 27,4±1,35 7,7±0,82   19,3±2,71 22,6±2,87 18,4±2,66 10,4±2,09 29,2±3,12	38,1±6,12   44,4±6,26 1,6±1,57 38,1±6,12 33,3±5,94 26,0±2,72 7,1±1,43   3,3±2,28 21,3±5,24 39,3±6,25 18,0±4,92 18,0±4,92

Примечание: *данные представлены в формате M±m; **данные представлены в формате P(q)±m; КГ — клиническая группа.

 

Как следует из приведённых в табл. 1 данных, есть различия показателей здоровья и состава факторов риска как между группами, так и в разные временные периоды. Первая группа различий может быть обусловлена различным набором факторов риска, влияющим на формирование патологии, требующей проведения оперативного и консервативного лечения. Вторая группа различий демонстрирует динамику факторов риска во времени.

Разнонаправленные различия наглядно свидетельствуют о недостаточной мощности традиционных методов описательной и индуктивной статистики для выявления закономерностей воздействия факторов риска, подтверждают необходимость применения математических методов, дающих возможность многомерного анализа совокупности данных. Изменения структуры факторов риска со временем в свою очередь могут служить обоснованием необходимости регулярной актуализации и мониторирования факторов риска в популяции в условиях высокой изменчивости жизни современного общества.

На основе введённых формализованных данных о состоянии здоровья и факторах риска была обучена нейронная сеть с единственным логическим выходом: наличие или отсутствие потребности в проведении оперативного вмешательства в ходе текущей госпитализации. Обучение ИНС проводили методом обратного распространения ошибки.

Результаты ROC-анализа обученной нейросети представлены на рис. 1. Показатели AUC (площади под кривой) для КГ1 составили 0,880, для КГ2 — 0,739, что позволяет характеризовать качество модели как очень хорошее или хорошее соответственно [15]. Оптимальное значение порога отсечения (ycut–off), определяемое как величина, при которой сумма чувствительности и специфичности принимает наибольшее значение, в нашем исследовании оценивалась графически и соответствовала абсциссе точки пересечения кривых (рис. 2). Для КГ1 ycut–off был принят равным −0,35.

 

Рис. 1. Результаты ROC-анализа. Кривая чёрного цвета — клиническая группа 1, серого цвета — группа 2

 

Рис. 2. Кривые чувствительности (прерывистая линия) и специфичности (сплошная линия) для клинической группы 1

 

С учётом установленного значения порога отсечения были вычислены показатели чувствительности и специфичности. Их значения для КГ1 по разным нозологическим формам представлены в табл. 2. Как следует из приведённых данных, чувствительность и специфичность модели превышают 80%. Показатели наиболее высоки при оценке у пациентов с язвенной болезнью, что, вероятно, может быть обусловлено сочетанием двух факторов — отличием структуры риска у таких больных относительно пациентов с панкреатитом и холециститом, а также относительно невысокой долей прооперированных пациентов с язвенной болезнью (16,5, m=3,22%). Для пациентов с холециститом доля прооперированных достигала 76,6 (m=3,27%), с панкреатитом — 25,8 (m=3,93%), а в целом по выборке — 42,9 (m=2,52%).

 

Таблица 2. Распределение качества прогноза потребности в оперативном лечении в клинической группе 1 по нозологическим формам для ycut–off=–0,35

Показатель	Все больные, n=385	Язвенная болезнь, n=133	Холецистит, n=167	Панкреатит, n=124
Чувствительность (+/+), %	81,2, m=1,99	81,8, m=3,34	80,5, m=3,07	71,9, m=4,04
Ложноотрицательный результат (−/+), %	18,8, m=1,99	18,2, m=3,34	19,5, m=3,07	28,1, m=4,04
Специфичность (−/−), %	80,0, m=2,04	85,6, m=3,05	69,2, m=3,57	80,4, m=3,56
Ложноположительный результат (+/−), %	20,0, m=2,04	14,4, m=3,05	30,8, m=3,57	19,6, m=3,56
Проведено оперативное лечение, абс.	165	22	128	32
Лечение консервативное, абс.	220	111	39	92

 

На этапе клинической апробации обученную ИНС применяли для прогнозирования возникновения потребности в оперативном лечении у пациентов КГ2 (табл. 3). Показатели чувствительности и специфичности в этой группе были ожидаемо ниже, чем в КГ1, что соответствует результатам ROC-анализа и обусловлено объективными причинами, связанными с методикой обучения и применения ИНС. Тем не менее, уровни чувствительности и спе­цифичности оставались на достаточной высоте. Как и в случае с КГ1, наибольший показатель чувствительности зарегистрирован у пациентов с язвенной болезнью.

 

Таблица 3. Качество прогноза потребности в оперативном лечении при клинической апробации в клинической группе 2 для ycut–off=−0,35

Показатель	Все больные, n=103	Язвенная болезнь, n=43	Холецистит, n=36	Панкреатит, n=43
Чувствительность (+/+), %	65,0, m=4,70	62,5, m=7,38	71,4, m=7,53	57,1, m=7,55
Ложноотрицательный результат (−/+), %	35,0, m=4,70	37,5, m=7,38	28,6, m=7,53	42,9, m=7,55
Специфичность (−/−), %	79,4, m=3,99	77,1, m=6,40	100,0, m=0,00	80,6, m=6,04
Ложноположительный результат (+/−), %	20,6, m=3,99	22,9, m=6,40	0,0, m=0,00	19,4, m=6,04
Проведено оперативное лечение, абс.	40	8	35	7
Лечение консервативное, абс.	63	35	1	36

 

Выявленные различия наборов данных о факторах риска позволили обучить ИНС типа многослойный персептрон для классификации такого рода. Предлагаемая математическая модель продемонстрировала хорошее или очень хорошее качество в оценке вероятности возникновения потребности в оперативном лечении.

Описываемый подход может служить основой системы поддержки принятия врачебных решений при определении индивидуализированной лечебно-диагностической тактики в условиях дефицита времени и ресурсов. Разработанная математическая модель может рассматриваться врачом как советник, позволяющий выявить отдельных пациентов, которым с большей вероятностью во время текущей госпитализации потребуется хирургическое пособие. Информация такого рода может позволить врачу выиграть время за счёт своевременного дополнительного обследования больного, назначения ему инструментальных и лабораторных исследований и приглашения консультантов, заключения которых необходимы оперируемым больным.

Выводы

1. Группы пациентов с заболеваниями гепатопанкреатодуоденальной зоны, нуждающихся и не нуждающихся в проведении оперативного вмешательства, различаются по половозрастному составу и факторам риска в мере, достаточной для обучения на основе такой информации искусственных нейронных сетей типа многослойный персептрон. Показатели AUC такой модели в обучающей выборке (клиническая группа 1) достигают 0,880 для обучающей группы (очень хорошее качество прогноза) и 0,739 для группы клинической апробации (клиническая группа 2; хорошее качество).

2. Показатели чувствительности и спе­цифичности модели превышают в обучающей группе (клиническая группа 1) 80% и наиболее высоки при оценке у пациентов с язвенной болезнью. Показатели чувствительности и спе­цифичности в группе клинической апробации (клиническая группа 2) были ожидаемо ниже, тем не менее, оставались на уровне 60–70%. Как и в случае с клиническая группой 1, наибольший показатель чувствительности отмечен у пациентов с язвенной болезнью.

 

Авторы заявляют об отсутствии конфликта интересов по представленной статье.

About the authors

V A Lazarenko

Kursk State Medical Unviersity

Author for correspondence.
Email: drantonov@mail.ru
Kursk, Russia

T V Zarubina

Russian National Research Medical University named after N.I. Pirogov

Email: drantonov@mail.ru
Moscow, Russia

A E Antonov

Kursk State Medical Unviersity

Email: drantonov@mail.ru
Kursk, Russia

S Sood

Centre for Development of Advanced Computing

Email: drantonov@mail.ru
Mohali, India

References

Supplementary files