ИССЛЕДОВАНИЕ ПРИЗНАКОВ ВОЗНИКНОВЕНИЯ ОСЛОЖНЕНИЙ ПРИ АКУШЕРСКОМ ПЕРИТОНИТЕ НА РАННЕМ ЭТАПЕ МЕТОДАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Текст научной статьи по специальности «Прочие медицинские науки»

Информационно-вычислительные технологии, искусственный интеллект и обработка больших данных в медицине

ИССЛЕДОВАНИЕ ПРИЗНАКОВ ВОЗНИКНОВЕНИЯ ОСЛОЖНЕНИЙ ПРИ АКУШЕРСКОМ ПЕРИТОНИТЕ НА РАННЕМ ЭТАПЕ МЕТОДАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Романов Р.А.1, Костенко В.Д.1, Полиданов М.А.2, Кондрашкин И.Е.2

Саратовский государственный университет, Саратов, Россия 2Саратовский государственный медицинский университет имени В.И. Разумовского, Саратов, Россия Научный руководитель: Барулина М.А, д-р физ.-мат. наук

Введение. Перитонит остается одной из актуальных хирургических, общеклинических и общепатологических проблем в силу стабильно высокой летальности. В патогенезе перитонита выделяют воспаление париетального и висцерального листков брюшины, которое сопровождается тяжелым общим состоянием организма и, как правило, требует неотложной медицинской помощи. Прогноз при несвоевременном или недостаточном лечении перитонита весьма неблагоприятный, вплоть до летального исхода [1, 2]. Кроме того, есть вероятность возникновения послеоперационных осложнений различного типа [3]. Возможность выявления и прогнозирования возникновения осложнений на ранней стадии, несомненно, сможет значительно упростить построение и стратегию лечения. Зная об осложнениях, можно подготовиться к такому развитию ситуации и скорректировать схему наблюдения за пациентом, и его лечение.

Целью данной работы было определение признаков возникновения осложнений при акушерском перитоните на раннем этапе классическими статистическими методами и методами искусственного интеллекта на основе исследования результатов анализов, взятых у пациентов при поступлении в гинекологическое отделение с диагнозом перитонит.

Анализ данных. Во время обработки данных главной задачей было найти именно те показатели, которые влияли на возникновение осложнений. Были исследованы результаты анализов 18 пациентов, у 11 из которых на 3 или 5 день госпитализации возникли осложнения. Для определения степени значимости параметров набора данных (результатов анализов, взятых при госпитализации, и назначенного лечения) на возникновение осложнений было использовано два подхода. Первых подход был основан на построении корреляционных соотношений Пирсона [4] параметров и возникновения осложнений (0 - нет осложнений, 1 - есть осложнения). Второй подход использовал нейронную сеть CatBoost [5] для определения степени влияния парамеров на возникновение осложнений.

Согласно корреляции Пирсона было выявлено 25 параметров, коэффициент корреляции которых по модулю больше 0.3. Определение важности параметров с помощью нейросети дало другие параметры. Так среди параметров были определены всего 9, важность которых была более 2,5 %: С реактивный_белок (биохимия крови) 19,2 %, УЗИ брюшной полости (диурез 8,81 %, давность заболевания 11,29 %, пульс 3,47 %), биохимия крови Na 3,24 %, АЧТВ 3,97 %, ОАК (СОЭ 3,17 %, цветовой показатель 3,01 %, лимфоциты 2,80 %).

Заключение. В ходе работы были исследованы результаты анализов 18 пациентов, поступивших в гинекологическое отделение с диагнозом перитонит. Исследование важности параметров по влиянию на возникновение осложнений при лечении было проведено классическими статистическими методами и моделями глубокого обучения искусственного интеллекта. Было определено, что методы глубокого обучения определяют существенно меньше важных параметров, чем классические методы (9 и 25 параметров, соответственно). Так как алгоритмы глубокого обучения способны улавливать внутренние неявные связи между данными, то при дальнейшей работе с данными и обучении предиктивных моделей видится целесообразным использовать методы искусственного интеллекта для отбора важных параметров, а не классические статистические подходы.

Литература

1. Военно-полевая хирургия / ред. П.Г. Брюсов, Э.А. Нечаев. М.: Геотар, 1996.

2. Хирургические болезни / ред. М.И. Кузин. 2-е изд. М.: Медицина, 1995.

3. Савельев В.С., Гельфанд Б.Р. Абдоминальная хирургическая инфекция. Национальные рекомендации. М.: Боргес, 2011. 98 с.

4. Критерий корреляции Пирсона [Электронный ресурс]. URL: https://medstatistic.ru/methods/methods8.html7ysclid = lgce2phu7s101348257 (дата обращения: 11.04.2023).

5. CatBoost [Электронный ресурс]. URL: https://catboost.ai/7ysclid = Igce8l4u2w627918923 (дата обращения: 11.04.2023).

МАШИННОЕ ОБУЧЕНИЕ КАК ПОМОЩНИК В МЕДИЦИНЕ Сабитов Ш.К.

Казанский государственный энергетический университет, Казань, Россия Научный руководитель: Чичиров А.А., д-р хим. наук, профессор

В последние годы информационно-вычислительные технологии стали неотъемлемой частью медицинской отрасли. Они помогают врачам быстро и точно диагностировать заболевания, отслеживать эффективность лечения и сокращать время обработки медицинских данных. В данной статье мы рассмотрим некоторые примеры информационно-вычислительных технологий, применяемых в медицине, и обсудим их возможности и преимущества.

Машинное обучение, позволяет создавать алгоритмы, способные самостоятельно обрабатывать медицинские данные и находить в них закономерности и связи между различными показателями.