CC BY
11
УДК 617.735-002-02:616.633.66+616.155.2]-076.5 https://doi.org/10.24026/1818-1384.2(62).2018.135509
ЕКСПЕРТНА СИСТЕМА ПРОГНОЗУВАННЯ СТАДП Д1АБЕТИЧНО1 РЕТИНОПАТП НА ОСНОВ1 АНАЛ1ЗУ ДИСФУНКЦП ТРОМБОЦИТ1В
А.С. Гудзь1, М.Л. Максимцiв1, С.В. Зяблщев2, С.Ю. Могiлевський3, В.Г. Гур'янов2
'Львгвський нацгональний медичний утверситет гмет Данила Галицького, м. Львгв.
2Нацюнальний медичний утверситет гмеш О.О. Богомольця, м. Кигв. 3Нац1ональна медична академ1я тслядипломног осв1ти 1мет П.Л. Шупика, м. Кигв.
ВСТУП
Поширеысть дiабетичноT ретинопатп (ДР) серед хворих на цукровий дiабет варю вщ 5,5% до 43% [1, 2], а частота порушення зору становить вщ 11,7 до 17,3 на 100 000 працездатного населення розвинених краТн [3, 4]. Проблемою лишаеться своечасна дiагностика змш на очному ды, особливо на початку розвитку анпопатп [5]. Недолiком бiльшостi iснуючих клшко-лабораторних методiв оцiнки стадiй ДР е необхщысть очiкування появи певних морфолопчних змiн на очному днi [6, 7]. Однак, навпъ у разi появи цих змiн дiагностика е складною, осктьки об'ективнi критерГТ ощнки стадГТ залишаються недостатньо iнформативними.
Така ситуащя обГрунтовувала необхiднiсть пошуку нових лабораторних маркерiв, якi б виявляли змЫи на раннiх бiохiмiчних i фiзiологiчних етапах розвитку патологГТ i могли би використовуватися для прогнозування переб^у ДР. Важливим учасником розвитку геморагш сiткiвки ока при дiабетi вважаються тромбоцити (Тц), якi е першим i провiдним елементом реакцГТ системи кровi на ушкодження ендотелю стiнки судин [8, 9]. Тц кровi безпосередньо залученi в тромбогенез i оклюзiю судин мiкроциркуляторного русла ока при ДР [10-12], а також розглядаються як ключовi Ыдуктори неоангiогенезу (внаслiдок секрецГТ судинного ендотелiального фактора росту - УБСР) в зон шемп сiткiвки [13, 14]. Нами було показано раыше, що дослiдження функцiонального стану Тц, здатних змЫювати мiкроциркуляцiю, може бути перспективним для прогнозування стадш ДР [15].
Мета роботи: на пщст^ визначення дисфункцГТ Тц з використанням методiв багатофакторного нейромережевого та логiстичного регресшного моделювання розробити експертну систему
прогнозування стадй ДР на момент первинного обстеження хворого.
МАТЕР1АЛ I МЕТОДИ
Модель була побудована за результатами клшко-лабораторного дослiдження 99 хворих (99 очей) Í3 цукровим дiабетом 2 типу та ДР. Дiагноз ДР ставили за крилями Американсько''' академп офтальмологП' (2002). Офтальмолопчне обстеження проводилось до початку лкування i включало вiзометрiю за допомогою комп'ютеризованого фороптера (Refractor RT-5100, Nidek, Японiя) та проектора оптичних знамв (CP-770, Nidek, Японiя), пневмотонометрiю (NT-530, Nidek, Япоыя та тонометр Гольдмана), кераторефрактометр^ (ARK-1000 OPD-Scan II, Nidek, Япоыя), бiомiкроскопiю переднього в^^зку (щiлинна лампа Haag-Streit BQ 900, Швейцарiя), бiомiкроретиноскопiю за допомогою ширококутно''' лiнзи Super Pupil XL (Volk Optical, США), оптичну когерентну томограф^ (ОКТ, Optovue RTVue, Optovue, США).
До аналiзу увiйшли: 38 хворих iз ДР без змiн на очному дн (кластер V1 - I а^я ДР), 31 патент з непролiферативною ДР (кластер V2 - легка i помiрна стадй', вщповщно II та III а^ям ДР) та 30 хворих iз пролiферативною ДР (кластер V3). При побудовi вихiдних моделей були використан такi факторнi ознаки, як стать i вк пацiента, тривалiсть дiабету, та стан його компенсаций а також показники агрегацп Тц in vitro у вщповщь на агонкти аденозинових (аденозиндифосфат, АДФ), колагенових (GP VI, колаген), анпотензинових (ангiотензин 2) рецепторiв, a2-адренорецепторiв (адреналiн) та рецепторiв до фактору активацп Тц (ФАТ), як здатнi пiдвищувати проагрегантний статус Тц.
Тц видтяли шляхом центрифугування iз цитратно'''
Гудзь Андрiй Степанович, д. мед. н., доцент, зашдувач кафедри офтальмологи Львiвського нацюнального медичного унiверситету iменi Данила Галицького. E-mail: [email protected]
Рис. 1. Архтектура двофакторноïлiнiйноï нейромере-жево)' модел'1 прогнозування cmadiï ДР. Х1 - i Х2 - агрега-ця Тц, що iндукована вiдповiдно АДФ (2,5 мкМ) i колаге-ном (1 мг/мл). Значення вихдних ознак V1, V2, V3 можуть бути iнтерпретованi як '¡мов'рн'сть, в'дпов'дно, ДР без змн на очному днi, непролiферативноï i пролiфератив-ноГДР
периферично!' KpoBi пафенпв i використовували для оцшки функцюнально!' активносп рецепторiв. В дослщжены застосовували TaKi агонкти (Sigma, США): АДФ (2,5 мкМ); адреналш (2,5 мкМ); ангютензин-2 (Ан-2, 1 мкМ); ФАТ (75 мкМ) i колаген (2,0 мг/мл). Агонкти використовували в ефективнш концентрацп (ЕС50), що викликала у здорових оаб (10 донорiв) агрега^ю Тц на рiвнi 50±5%. Оцiнку агрегацп проводили спектрофотометричним методом на агрегометрi ChronoLog (США).
Побудова та аналТз моделей проводилися в пакет Statistica Neural Network v.4.0B. Для запобiгання перенавчання моделi вс випадки були роздiленi з використанням генератора випадкових чисел в три множини: навчальну, контрольну i пщтверджувальну. Для визначення факторiв, як найбiльшою мГрою пов'язанi з розвитком ДР, був проведений вГд6Гр найбтьш значущих ознак.
РЕЗУЛЬТАТИ ТА ОБГОВОРЕННЯ
На першому етапi використовували генетичний алгоритм вщбору. В результатi застосування алгоритму було вобрано двГ ознаки: вщповщь Тц на АДФ (X1) i колаген (X2). На видтеному наборi ознак була побудована лЫшна нейромережева модель прогнозування, архiтектура якоТ мала наступний вигляд (рис. 1).
Отримана модель могла бути виражена системою ргвнянь (1):
V3 = 0:03б -XI — 0:01б - Х2 - 0J2 VV2=-0=032-Xl-0=010-X2 + 3JI7 (1)
VI = -0.003 -XI + 0.027 -Х2 -1.25
де X1 - значення рiвня АДФчндукованоТ агрегацГГ Тц (%), X2 - значення рiвня колаген-шдуковано!' агрегаци Тц (%). Значення V3, V2, V1 можуть бути штерпретоваш як «iмовiрностi» прогнозування вщповщно!' стадп ДР. Прогнозуеться стадiя, для яко!' розрахунки дають найбiльше значення «iмовiрностi».
На навчальнiй множинi випадкв показник згоди каппа моделi дорiвнював 0,78 (95% Д1 0,64-0,91), що свщчило про добру прогностичну характеристику моделi (табл. 1).
На пщтверджувальнш множинi показник згоди каппа моделi дорiвнював 0,89 (95% Д1 0,70-1,00), що свщчило про адекватнкть моделi i вiдсутнiсть перенавчання. З 99 випадкв прогнозування помилки допущенi стосовно 18 пацкнтв, точнiсть прогнозу становила 81,8% (95% Д1 73,5%-88,8%).
Результати прогнозування стадш ДР в рамках цк!' моделi представленi графiчно (у виглядi номограми, рис. 2).
15 17 19 61 63 61 67 69 61 63 66 67 69 71 73 76 77 79 61 63
я 99
96 96
33 93
so 90
67 67
64 64
61 61
76 76
76 76
ni 72
69 S 69
66 « 66
63 63
64 60
S7 67
64 64
il 61
4S 19
IS 15
45 « АДФ 85
16 <7 IS Я И 65 67 И 81 63 65 67 69 71 73 76 77 75 61 63 65
Рис. 2. Номограма прогнозування стада ДР у двофак-торнйлiнiйнiй нейромережевй модел'1. По ос абсцис представлена агрега^я Тц, що '¡ндукована АДФ (2,5 мкМ; %), по ос '1 ординат - агрега^я Тц, що ндукована колаге-ном (1 мг/мл; %). Для визначення прогнозу на номограм'1 потр 'бно обрати точку з координатами, що в'дпов 'да-ють значенням агрегацп (у %) при дИ' АДФ та колагену. Коричнева область д'шграми в'дпов'дае прогнозу ДР без змн на очному днi, жовта - непролiферативна ДР i зелена - пролiферативна ДР.
Для практичного застосування модель була реалiзована в середовищi табличного процесора Excel («Stage.xls»), штерфейс системи прогнозування
Таблиця 1
Результати прогнозування стади ДР у двофакторнiй лшшшй нейромережевiй моделi
Показник Навчальна множина Контрольна множина Шдтверджувальна множина
Стади ДР V3 V2 V1 V3 V2 V1 V3 V2 V1
Загальна ктьккть випадмв 18 26 25 8 3 9 4 2 4
Коректний прогноз 16 24 19 5 3 5 3 2 4
Помилковий прогноз 2 2 6 3 0 4 1 0 0
Прогноз стади ДР:
У3 16 1 3 5 0 0 3 0 0
У2 2 24 3 3 3 4 1 2 0
V! 0 1 19 0 0 5 0 0 4
Прим1тки: VI - ДР без змн на очному днц У2 - непрол'феративна i - пролферативна стада ДР.
мав наступний вигляд (рис. 3). Для проведення розрахунмв значення рiвня показнитв агоыст-шдуковано' агрегацГТ Тц вводяться у вщповщы вiконця, розрахованi значення вихщних ознак У1, У2, У3 можуть бути iнтерпретованi як iмовiрностi вщповщно' стадГТ ДР. Наприклад, ДР без змЫ на очному дн прогнозуеться, якщо агрегацiя Тц, що iндукована колагеном, перевищуе 81% i АДФ - 43%; непролiферативна ДР - коли колаген вщтворюе агрега^ю Тц менше, нiж 80%, i АДФ - менше, нiж 45%; пролiферативна ДР - якщо ефекти колагену i АДФ перевищують 61%.
й^В« «1-11!. ВАЙЧ шсу . Й . ■ л а н . с___ _ _ _
А а С О С Р 6 н ■ Г 1 к 1 м N 0 Р
г
VI» • 15
5 АДФ- 53 Прогнозуеться
С ~~1- 4*2- О.®« II чи III стад1я
7 Кошки 5»
• _Г VI- ».17
»
ю
11
•г
Рис. 3.1нтерфейс системи прогнозування стада ДР у двофакторнiйлiнiйнiй нейромережевй модел'1. При значеннi агрегацй' Тц, ¡ндуковано)АДФ, 53%, та агрегац'И Тц, /'ндукованоI колагеном, 58%, максимальне значення (0,69) мае V2, що прогнозуе розвиток II або III стади ДР
Для подальшого вдосконалення моделi (пщвищення точносп прогнозу стадш ДР) необхщно було проаналiзувати випадки помилкового дiагнозу. Найбтьша ктьккть помилок (10) припадала на дiагноз ДР без змiн на очному дн (ДР0), при цьому прогнозування непролiферативноT ДР (легко' i помiрноT стадiй) мало мiсце у 8 випадках i пролiферативноT - в 2 випадках. Отже, точысть прогнозу ДР0 становила 73,7%, що, на перший погляд, здалося несподiваним, оскiльки при офтальмологiчному обстеженн не було виявлено морфологiчнi змши на очному днi (мiкроаневризми, ретинальн крововиливи, мiкрогеморагiT, iнфаркт шару нервових волокон, сегментарне розширення вен аттвки чи iнтрaретинaльнi мiкросудиннi аномалп тощо), якi хaрaктернi для легко!' або помiрноT стaдiй ДР. Однак, при ОКТ в 7 (87,5%) випадках мало мкце потовщення сiткiвки в центральнш облaстi до 265,0±8,2 мкм (95% Д1 233-290 мкм), що вщображало збiльшення проникностi стiнки кaпiлярiв (набряк сiткiвки внaслiдок альтерацп псто-гематичного бар'еру i порушення мiкроциркуляцN).
Одыею з причин цього явища могло бути пщвищення функцюнально' aктивностi Тц, що супроводжувалося не тiльки секре^ею
бiологiчно активних речовин, що впливали на ендотелм капiлярiв, але й формуванням мiкроагрегатiв, здатних викликати оклюз^ судин мiкроциркуляторного русла i пiдвищувати гiдростатичний тиск в каптярах. З одного боку, це пщтверджувало необхiднiсть створення бiльш досконалого протоколу обстеження очного дна у хворих на цукровий дiабет iз залученням науково обфунтованих морфометричних критерпв оцiнки мiкроциркуляторного русла сiткiвки, а з шшого - вдосконалення моделi прогнозування стадш ДР на пiдставi лабораторного дослщження функцюнально''' активностi Тц.
У цьому контекст мало сенс повернутися до аналiзу дiапазонiв шдуковано''' агрегаци Тц (активносп рецепторiв Тц) у використанш моделi прогнозування. У 8 помилках, допущених при прогнозуваннi стади ДР, агрега^я Тц, iндукована колагеном, була нижче референтно!' точки (81%) i становила 50,7±1,1% (95% Д1 48,1-53,4%), тодi як ефект АДФ вщповщав встановленiй умовi -перевищення позначки 43%, осктьки дорiвнював 50,1±1,0% (95% Д1 47,6-52,7%).
Отже, причина помилкового дiагнозу була обумовлена варiативнiстю рецепторiв Тц до
Рис. 4. Архтектура чотирифакторно)' нелiнiйноl ней-ромережевоI М1Р-модел'1 (з одним прихованим шаром) прогнозування стада ДР. Х1, Х2, Х3, Х4 - агрега^я Тц, що '¡ндукована, в 'дпов 'дно, Ан-2 (1,0 мкМ), АДФ (2,5 мкМ), адреналiном (2,5 мкМ) / колагеном (1,0 мг/мл). Значення вихдних ознак VI, V2, V3 можуть бути /'нтерпретован/' як '¡мов 'рн 'сть, в 'дпов 'дно, ДР без змн на очному днi, непролiферативноl i пролiферативноl ДР.
колагену. Виникало питання - чи можлива при ДР0 така активысть рецепторiв Тц, що характерна для непролiферативно'!' або пролiферативно'!' ДР? Можлива, якщо пперреактивысть рецепторiв Тц визначалася широким дiапазоном. Звертало на себе увагу, що активысть a2-адренорецепторiв була на 37,5% вище, шж колагенового рецептору (р <0,01), що могло бути вщображенням шдивщуальноТ реактивносп оргаызму. Отже, в описаних 8 випадках
Таблиця 2
Результати прогнозування стадп ДР в чотирифакторшй нелшшшй нейромережев1й модел1
Стадп ДР Навчальна множина Контрольна множина Шдтверджувальна множина
V3 V2 V1 V3 V2 V1 V3 V2 V1
Загальна кшьмсть випадмв 18 26 25 8 3 9 4 2 4
Коректний прогноз 18 26 23 7 3 6 4 2 4
Помилковий прогноз 0 0 2 1 0 3 0 0 0
Прогноз стади ДР:
У3 18 0 0 7 0 0 4 0 0
У2 0 26 2 1 3 3 0 2 0
V! 0 0 23 0 0 6 0 0 4
Прим1тки: VI - ДР без змн на очному дн'ц V2 - непрол'феративна i V3 - пролферативна стади ДР.
мав мiсце гiперадренореактивний фенотип Тц, який зустрГчався при легкм i помГрнГй стадiях непролГферативноТ ДР.
Для виявлення наявносп 6Гльш складних нелишних зв'язкГв мГж основними агонГстами агрегацп Тц та стадieю ДР була зроблена спроба створити нелшмну нейромережеву модель. Задача була виконана на тих же цифрових даних клЫко-лабораторного дослщження хворих Гз ДР пкля вГд6ору найбГльш значущих ознак. Такими були визнанГ 4 факторы ознаки: стимулюючий вплив Ан-2, АДФ, адреналГну i колагену на агрегацГю Тц. На цих чотирьох ознаках була побудована нейромережева модель (типу багатошаровий персептрон -MLP) з одним прихованим шаром (2 нейрони в прихованому шарО, архГтектура якоТ представлена на рис. 4.
ПГсля навчання моделГ на навчальнГй множинГ (метод Back Propagation та Quasi-Newton) i вибору оптимальних вагових коефщГентв за мшГмГзацГею похибки на контрольнГй множинГ MLP модель продемонструвала наступнГ якосп прогнозування (табл. 2).
На навчальнГй множинГ випадкГв показник згоди каппа моделГ дорГвнював 0,97 (95% Д1 0,921,00), що свГдчило про вГдмГнну якГсть моделГ. На пГдтверджувальнГй множинГ вс випадки прогнозованГ вГрно, що свГдчило про адекватысть моделГ i вщсутнкть перенавчання. З 99 випадкГв прогнозування помилки допущенГ лише для 6 па^ентв, точнГсть прогнозу становила 93,9% (95% Д1 88,3-97,8%). Таким чином, урахування нелишних зв'язкГв дозволило пщвищити точнГсть прогнозування стадп ДР у порГвняннГ з лГнГйною двофакторною моделлю.
ВИСНОВКИ
1. ОтриманГ результати математичного прогнозування стади ДР свГдчили, що АДФ i колаген е загальними факторами ризику розвитку рГзних стадГй захворювання, осктьки можуть викликати зростання протромбогенноТ активносп Тц i порушення мГкроциркуляцп в оболонках ока. Розроблена двофакторна лшшна нейромережева модель з точнктю прогнозу 81,8% (95% Д1 73,588,8%).
2. Побудована чотирифакторна нелшшна нейромережева MLP-модель, що дозволило пГдвищити точнГсть прогнозування стади ДР у нейромережевш моделГ; точнГсть прогнозу
craHOBi/ma 93,9% (95% fll 88,3-97,8%).
AITEPATyPA / REFERENCES
1. Chua J, Lim CXY, Wong TY, Sabanayagam C. Chua J. Diabetic Retinopathy in the Asia-Pacific. Asia Pac J Ophthalmol (Phila). 2018 Jan-Feb; 7(1):3-16.
2. Vujosevic S, Midena E. Diabetic Retinopathy in Italy: Epidemiology Data and Telemedicine Screening Programs. J Diabetes Res. 2016; 2016:3627465. Epub 2016 Nov 21.
3. Tracey ML, McHugh SM, Fitzgerald AP, Buckley CM, Canavan RJ, Kearney PM. Trends in blindness due to diabetic retinopathy among adults aged 18-69 years over a decade in Ireland. Diabetes Res Clin Pract. 2016 Nov; 121:1-8.
4. Claessen H, Kvitkina T, Narres M, Trautner C, Zöllner I, Bertram B, Icks A. Markedly decreasing incidence of blindness in people with and without diabetes in southern Germany. Diabetes Care. 2018 Mar; 41(3):478-484.
5. Kutimova EYu, Kutimova VG. Diabeticheskaya retinopatiya. Rol ambulatorno-poliklinicheskogo zvena v ranney diagnostike. Lechenie. Prognos. [Diabetic retinopathy. The role of outpatient and polyclinic link in early diagnosis. Treatment. Forecasts]. Vestnik Tambovskogo Universiteta. 2016; 21(2):573-577 [Russian].
6. Silambarasan M, Tan JR, Karolina DS, Armugam A, Kaur C, Jeyaseelan K. MicroRNAs in Hyperglycemia Induced Endothelial Cell Dysfunction. Int J Mol Sci. 2016 Apr 7; 17(4):518.
7. Tangjai P, Chingchana P, Taweerutchana R. Glycated H aemogl obin an d Diabetic Retin opathy in Type 2 Diabetic Patients in HRH Princess Maha Chakri Sirindhorn Medical Center. J Med Assoc Thai. 2015 Nov;9 8 Suppl 10:S135-42.
8. Cepeda-Nieto AC, Esquivel-Contreras MT, Duran-Iniguez F, et al. High prevalence of diabetic retinopathy and lack of association with integrin a2 gene polymorphisms in patients with type 2 diabetes from Northeastern Mexico. Exp Ther Med. 2015 Aug; 10(2):435-444.
9. Moore SF, Williams SM, Brown E, et al. Loss of the insulin receptor in murine megakaryocytes/ platelets causes thrombocytosis and alterations in IGF signalling. Cardiovasc Res. 2015 Jul 1; 107(1):9-19.
10.Blum A, Socea D, Sirchan R. Vascular responsiveness in type 2 diabetes mellitus (T2DM). 2016 Dec; 109(12):791-796.
11. Kubisz P, Stanciakova L, Stasko J, Galajda P, Mokan M. Endothelial and platelet markers in diabetes mellitus type 2. World J Diabetes. 2015 Apr 15; 6(3):423-431.
12. Wei Li, Gigante A, Perez-Perez M-J, Yue H, Hirano M, Mclntyre T, Silverstein RL. Thymidine phosphorylase participates in platelet signaling and promotes thrombosis. Circ Res. 2014 Dec 5; 115(12):997-1006.
13.Battinelli EM, Markens BA, Italiano JEJr. Release of angiogenesis regulatory proteins from platelet alpha granules: modulation of physiologic and pathologic angiogenesis. Blood. 2011 Aug 4; 118(5):1359-69.
14.Radziwon-Balicka A, Moncada de la Rosa C, Zielnik B, Doroszko A, JuraszP. Temporal and pharmacological characterization of angiostatin release and generation by human platelets: implications for endothelial cell migration. PLOS ONE. 2013; 8(3):e59281.
15.HudzAS, MogilevskyySYu, MaksimtsivML. [Functional state of thrombocytes in patients with diabetes mellitus type 2 without diabetic changes of fundus]. Oftalmologicheskiy Zhurnal. 2017; (1):20-24. [Ukrainian].
РЕЗЮМЕ
Експертна система прогнозування стадм дгабетичноТ ретинопатп на ocHOBi аналiзу дисфункцп тромбоцилв А.С. Гудзь, М.Л. Максимцв, С.В. Зяблщев, С.Ю. Моглевський, В.Г. Гур'янов
Мета роботи: на пщстав1 визначення дисфункцп тромбоциив (Тц) з використанням методiв багатофакторного нейромережевого та логктичного регрессного моделювання розробити експертну систему прогнозування стади дiабетичноT ретинопатп (ДР) на момент первинного обстеження хворого.
Матерiал i методи. Модель була побудована (пакет Statistica Neural Network v.4.0B) за результатами клЫко-лабораторного дослщження 99 хворих (99 очей) iз цукровим дiабетом 2 типу та ДР. Оцшку агрегаци Тц проводили спектрофотометричним методом на агрегометрi ChronoLog (США). В дослщжены застосовували агонкти (Sigma, США): аденозиндифосфат (АДФ; 2,5 мкМ); адреналш (2,5 мкМ); анпотензин-2 (Ан-2; 1 мкМ); фактор активаци тромбоциив (ФАТ; 75 мкМ) i колаген (2,0 мг/мл). Агонкти використовували в ефективнш концентраци (ЕС50), що викликала у здорових оаб (10 донорiв) aгрегaцiю Тц на рiвнi 50±5%.
Результати та обговорення. Для визначення
провщних детермiнант розвитку стадш ДР проведено математичний аналiз i3 використанням методiв побудови багатофакторних нейромережевих та логктичних регресiйних моделей. Прогнозування стади ДР у двофакторнш лшшнш нейромережевiй моделi Грунтувалося на агрегаци Тц, шдукованш АДФ i колагеном; точнкть прогнозу становила 81,8% (95% Д1 73,5-88,8%). Також побудована чотирифакторна нелЫшна нейромережева MLP-модель (агрегацiя, шдукована Ан-2, АДФ, адреналiном i колагеном), яка дозволила пщвищити точнiсть прогнозування стадП' ДР до 93,9% (95% Д1 88,3-97,8%).
Висновки. Вперше на основi визначення агрегаци Тц запропонована експертна система, що заснована на по6удовГ нейромережевих моделей. З високою точнктю прогнозування моделi дозволяють прогнозувати розвиток стади ДР вже при первинному зверненн пацieнта.
Ключовi слова: дiабетична ретинопатiя, агрегацiя тром6оцитГв, прогноз стадш.
РЕЗЮМЕ
Экспертная система прогнозирования стадии диабетической ретинопатии на основе анализа дисфункции тромбоцитов А.С. Гудзь, М.Л. Максимцив, С.В. Зяблицев, С.Ю. Могилевский, В.Г Гурьянов
Цель работы: на основании определения дисфункции тромбоцитов (Тц) с использованием методов многофакторного нейросетевого и логистического регрессионного моделирования разработать экспертную систему прогнозирования стадии диабетической ретинопатии (ДР) на момент первичного обследования больного.
Материал и методы. Модель была построена (пакет Statistica Neural Network v.4.0B) по результатам клинико-лабораторного исследования 99 больных (99 глаз) с сахарным диабетом 2 типа и ДР. Оценку агрегации Тц проводили спектрофотометрическим методом на агрегометре ChronoLog (США). В исследовании применяли агонисты (Sigma, США) аденозиндифосфат (АДФ; 2,5 мкм), адреналин (2,5 мкм), ангиотензин-2 (Ан-2; 1 мкм), фактор активации тромбоцитов (ФАТ; 75 мкм) и коллаген (2,0 мг/мл). Агонисты использовали в эффективной концентрации (ЕС50), что вызвало у здоровых лиц (10 доноров) агрегацию Тц на уровне 50±5%.
Результаты и обсуждение. Для определения ведущих детерминант развития стадий ДР проведен математический анализ с использованием методов
построения многофакторных нейросетевых и логистических регрессионных моделей. Прогнозирование стадии ДР в двухфакторной линейной нейросетевой модели основывалось на агрегации Тц, индуцированной АДФ и коллагеном; точность прогноза составила 81,8% (95% ДИ 73,5-88,8%). Также построена четырехфакторная нелинейная нейросетевая MLP-модель (агрегация, индуцированная Ан-2, АДФ, адреналином и коллагеном), которая позволила повысить точность прогнозирования стадии ДР до 93,9% (95% ДИ 88,397,8%).
Выводы. Впервые на основе определения агрегации Тц предложена экспертная система, основанная на построении нейросетевых моделей. С высокой точностью прогнозирования модели позволяют прогнозировать развитие стадии ДР уже при первичном обращении пациента.
Ключевые слова: диабетическая ретинопатия, агрегация тромбоцитов, прогноз стадий.
SUMMARY
Expert system for predicting the stage of diabetic retinopathy based on the analysis of platelet dysfunction
Hudz AS, Maximtsev ML, Ziablytsev SV, Mogilevskyy SYu, Guryanov VG
Aim: to develop an expert system for predicting the stage of diabetic retinopathy (DR) on the basis of determination of the platelet dysfunction using the methods of multi-factor neural network and logistic regression modelling at the time of the initial examination of the patient.
Material and methods. The model was built (Statistica Neural Network v.4.0B) based on the results
of clinical-laboratory study of 99 patients (99 eyes) with type 2 diabetes and DR. The evaluation of aggregation was carried out by spectrophotometric method on a ChronoLog (USA) aggregometer. The study used agonists (Sigma, USA): adenosine diphosphate (ADP, 2.5 pM); adrenaline (2.5 pM); angiotensin-2 (An-2, 1 pM); the platelet activation factor (PAF, 75 pM) and collagen (2.0 mg/ml). Agonists were used in an effective concentration (EC50), which caused the platelet aggregation at 50±5% in healthy individuals (10 donors).
Results and discussion. To determine the leading determinants of the development of the DR stages, a mathematical analysis was carried out using the methods of constructing multi-factor neural network and logistic regression models. The prediction of the DR stage in a two-factor linear neural network model was based on platelet aggregation induced by ADP and collagen; the forecast accuracy was 81.8% (95% CI 73.5-88.8%). Four-factor nonlinear neural network MLP-model (An-2, ADP, adrenaline and collagen induced aggregation) was constructed, which allowed to increase the prediction accuracy of the DR stage to 93.9% (95% CI 88.3-97.8%).
Conclusions. For the first time, on the basis of the definition of platelet aggregation, an expert system based on the construction of neural network models is proposed. With a high accuracy of prediction of the model, it is possible to predict the development of the DR stage even at the initial treatment of the patient.
Keywords: diabetic retinopathy, platelet aggregation, stage prognosis.
Дата надходження до редакц'И 11.05.2018р.
