CC BY
117
Раздел III
МЕДИЦИНСКАЯ БИОФИЗИКА И РАЗРАБОТКА ЛЕЧЕБНО-ДИАГНОСТИЧЕСКОЙ АППАРАТУРЫ
УДК: 616.24 DOI: 10.12737/ 17035
ПРОГНОЗИРОВАНИЕ ПОСЛЕОПЕРАЦИОННЫХ ОСЛОЖНЕНИЙ НА ОСНОВЕ
НЕЙРОСЕТЕВЫХ ТЕХНОЛООГИЙ
АА. БАСОВА*, О.Е. КАРЯКИНА**, Н.А. МАРТЫНОВА**, АВ. КОЧОРОВА***
*Северный государственный медицинский университет, пр. Троицкий, 51, Архангельск, Россия, 163000 **Северный Арктический федеральный университет, Российская Федерация, набережная Северной Двины, 17, г. Архангельск, Россия, 163002
***Медицинский университет им. акад. И.П.Павлова, ул. Льва Толстого, 6-8, Санкт-Петербург, 197022
Аннотация. В работе представлен анализ результатов хирургического лечения пациентов с хронической патологией легких. С целью прогнозирования вероятности возникновения послеоперационных осложнений, длительности лечения и заключительного исхода после хирургических вмешательств на легких были использованы искусственные нейронные сети.
На данный момент в торакальной хирургии практически нет общепризнанных прогностических систем, позволяющих с высокой степенью достоверности принимать правильное решение в лечебной тактике при различных заболеваниях легких.
Сложность прогнозирования в данной ситуации обусловлена тем, что значительная часть информации представляет собой субъективные экспертные оценки врача, основанные на его знаниях и опыте лечения больных с патологией легких.
В результате исследования было определено, что метод моделирования на базе искусственных нейронных сетей, позволяющий решать задачи классификации, оптимизации и прогнозирования, дает более высокую точность прогноза по сравнению с многомерными статистическими методами анализа.
В статье показано, что использование методов искусственных нейронных сетей дает возможность более точно прогнозировать риск возникновения послеоперационных осложнений, что позволяет ускорить работу специалистов, планировать работу клиник с высокой хирургической активностью.
Ключевые слова: нейросетевоемоделирование, прогнозирование, послеоперационные осложнения, хирургическое лечение, хронические заболевания легких.
USING OF NEURAL NETWORK FOR PROGNOSING OF POSTOPERATION COMPLICATIONS
L.A. BASOVA, O.E. KARYAKINA, N.A. MARTYNOVA, L.V. KOCHOROVA
*Northern State Medical University, pr. Trinity, 51, Arkhangelsk, Russia, 163000 **Northern Arctic Federal University, Russian Federation, embankment of the Northern Dvina, 17, Arkhangelsk, Russia, 163002 ***Medical University. Acad. Pavlov Str. Leo Tolstoy, 6-8, St. Petersburg, 197022
Abstract. The paper presents an analysis of results of surgical treatment of patients with chronic lung disease. To predict the probability of postoperative complications, duration of treatment and the final outcome after surgical treatment for lung the authors used artificial neural networks (ANN). Currently in thoracic surgery practically there are no universally accepted prognostic systems, allowing with high degree of confidence to make the right decision in the treatment strategy for various lung diseases. The complexity of forecasting in this situation due to the fact that the most information is a subjective expert
evaluation by a physician based on his knowledge and experience in the treatment of patients with lung disease. The results of the research proved that the modeling method based on ANN allows to solve problems of classification, optimization and forecasting and to give higher prediction accuracy in comparison with multivariate statistical analysis methods. The article shows that the use of ANN methods enables more accurately predict the risk of postoperative complications. This accelerates the work of specialists and facilitates to plan hospitals with high surgical activity.
Key words: neural network modeling, forecasting, postoperative complications, surgical treatment, chronic lung disease.
В настоящее время решающую роль в повышения эффективности и качества медицинского обслуживания играют информационные технологии. Актуальные задачи практической медицины являются идеальным полем для использования технологий нейронных сетей (НС), и именно в этой области наблюдается наиболее яркий практический успех нейроинформаци-онных методов, с развитием которых все чаще предпринимаются попытки внедрения в лечебную деятельность программированного прогнозирования [2-4,6,7]. Все больше ученых в последнее время приходят к выводу, что обычные модели и алгоритмы не могут быть применены к медицинским задачам из-за низкой степени надежности и эффективности. В то время как с помощью интеллектуальных нейронных сетей стало возможным принимать решения, основываясь на выявлении ими скрытых закономерностях в многомерных данных, что способствует определению наиболее важных симптомов заболевания. В приложении к медицинской диагностике НС дают возможность значительно повысить специфичность метода, не снижая его чувствительность [1-3].
Актуальность проблемы хирургического лечения заболеваний легких определяется все возрастающим объемом пациентов, которым показан этот вид лечения, и значительным числом осложнений в послеоперационный период, которые часто приводят к инвалидности и даже к летальным исходам. В этих условиях проблема выбора наиболее оптимальной хирургической тактики приобретает особое значение. Точное знание степени риска предполагаемого и показанного оперативного вмешательства способствует принятию правильного в тактическом плане решения [5].
При прогнозировании осложнений после операций по поводу абсцесса легкого и гангрены легкого применяемый нами дискриминантный анализ, который дал сравнительно невысокую
точность прогноза, исходя из этого,был использован метод прогнозирования на базе НС.
Цель исследования - прогнозирование послеоперационных осложнений после хирургических вмешательств на легких с применением методологии нейронных сетей.
Учитывая значительное количество показателей, их сложную взаимосвязь и неоднозначность результирующих признаков у разных пациентов, оптимальным методом прогнозирования в медицине являются НС.
С помощью прикладного пакета программ «StatisticaNeuralNetworks» нами было получено 3 модели искусственных нейронных сетей (ИНС) для прогнозирования исхода заболевания, длительности лечения после операции и видов возникающих послеоперационных осложнений после операций по поводу гангрены и абсцесса легкого у 343 больных. В качестве входных переменных был использованметод формирования пространства информативных признаков для классификатора хирургического лечения заболеваний легких, основанный на формализации эмпирических оценок торакальных хирургов и ранжировании факторов риска (табл. 1).
Материалы и методы исследования. Для прогнозирования степени тяжести послеоперационных осложнений по поводу гангренозного абсцесса легкого была построена модель ИНС.
Исходная таблица содержит 92 переменных по каждому пациенту. Результирующей переменной для решения данной задачи прогнозирования была степень тяжести послеоперационных осложнений I,II,III степени тяжести, а также - отсутствие послеоперационных осложнений.
На основании полученных технологий в среде «Statistica Neural Networks» разработан программный пакет для построения модели НС прогнозирования послеоперационных ос-
ложнений при хирургическом лечении заболеваний легких.
Таблица 1
Исходные данные для создания модели ИНС
Диалоговое окно «Нейронные сети» открывается из меню «Анализ».
В стартовом окне в качестве типа решаемой задачи использовали классификацию, в качестве инструмента был выбран режим «Мастер решений» Далее были определены переменные для анализа (рис. 1.).
В пакете «Statistica Neural Networks» для конструирования сетей реализованы инструменты пре- и постпроцессирования, которые необходимы для преобразования информации в числовую форму (для использования в сети) и обратно. «Statistica Neural Networks» автоматически запоминает лучший вариант сетей. Полезность сети и ее способность к прогнозированию автоматически проверяется на специальном (проверочном) множестве наблюдений, а также путем оценки размеров сети, ее эффективности и цены неправильной классификации.
Результаты и их обсуждение. Таким образом, с помощью многослойного персептрона была спрогнозирована степень тяжести послеоперационных осложнений после оперативных вмешательств по поводу гангренозного абсцесса легкого, средняя точность данной модели составила 93,8% (табл. 2.). Архитектура НС представлена на рис. 1.
Таблица 2
Вид переменных Вид заболевания
Гангренозный абсцесс легкого Гангрена легкого
Входные переменные Возраст Возраст
Сторона поражения Сторона поражения
Степень поражения плевры Степень поражения плевры
Наличие инвазив-ного лечения Степень дыхательной недостаточности
Вид операции Наличие белково-энергетического дефицита
Объем кровопотери Показания к фибробронхоско-пии
Продолжительность операции Вид операции
Диаметр наибольшей полости в легком Способ обработки бронха
Объем кровопотери
Наличие болезней легких Продолжительность операции
Наличие сопутствующих болезней Наличие послеоперационных осложнений
Количество сопутствующих болезней Наличие повторной операции
Наличие послеоперационной эмпиемы плевры Наличие повторной госпитализации
Способ обработки бронха -
Наличие послеоперационных осложнений -
Выходные переменные Степень тяжести послеоперационных осложнений Заключительный исход болезни
Длительность лечения после операции -
Доля рас-познаваемых наблюдений Отсутствуют осложнения Осложнения I степени тяжести Осложнения II степени тяжести Осложнения III степени тяжести
% правильных 100,0 93,3 81,8 100,0
% ошибочных 0 6,67 18,2 0
Результаты распознавания степени тяжести послеоперационных осложнений с помощью ИНС
Рис. 1. Диалоговое окно модуля «Нейронные сети» (выбор переменных)
Из полученных данных видно, что наибольшие значения точности были получены при распознавании отсутствия осложнений после операции и распознавания осложнений III степени тяжести (100%), наименьшие значения точности были получены при распознавании осложнений II степени тяжести (81,8 %).
Аналогичным способом с помощью вероятностной НС была спрогнозирована длительность лечения пациента после опе-
рации по поводу абсцесса легкого, при этом чувствительность прогноза составила 83,2% (табл. 3.). Архитектура вероятностной НС представлена на рис. 2.
Промежуточные слои
Степень тязкесга послеоперационньк осложнений
Рис. 2. Архитектура нейронной модели прогноза степени тяжести послеоперационных осложнений при абсцессах легкого. Примечание: 1 - отсутствуют
осложнения; 2 - осложнения I степени тяжести; 3 - осложнения II степени тяжести; 4 - осложнения III степени тяжести
Таблица 3
Результаты распознавания ИНС длительности лечения после операции на легком
Доля распознаваемых наблюдений Длительность лечения
до 20 дней 20-60 дней более 60 дней
% правильных 92,1 89,1 68,4
% ошибочных 7,9 10,9 31,6
Рис. 3. Архитектура нейронной модели прогноза длительности лечения после операции по поводу
гангренозного абсцесса легкого. Примечание: 1 - длительность лечения до 20 дней; 2 - длительность лечения 20-60 дней; 3 - длительность лечения более 60 дней
Кроме того, был выполнен прогноз заключительного исхода болезни по поводу гангрены легкого, чувствительность прогноза составила
93,3% (табл. 4.). Архитектура вероятностной НС представлена на рис. 3.
Таблица 4
Результаты распознавания заключительного исхода болезни с помощью ИНС
Доля распознаваемых наблюдений Заключительный исход болезни
Выздоровление Смер ть Выписка больного с послеоперационными осложнениями
% правильных 100,0 80,0 100,0
% ошибочных 0 20,0 0
Рис. 4. Архитектура нейронной модели прогноза исхода. Примечание: 1 - выздоровление; 2 - смерть; 3 - выписка больного с послеоперационными осложнениями гангрены легкого
Выводы. Разработанный нами программный пакет «Структура нейронной сети для интеллектуальной системы поддержки принятия решений торакального хирурга позволяет:
- прогнозировать исход хирургического лечения заболеваний легких в структурированном пространстве информативных признаков;
- корректно распределить больных с гнойными заболеваниями легких по риску возникновения послеоперационных осложнений;
- ускорить работу специалистов, освободив значительное количество времени для выполнения ими рутинных процедур;
- повысить качество профилактических, лечебных и диагностических технологий, выполняемых в торакальном отделении ЛПУ.
Литература
1.Богославский С.Н. Область применения искусственных нейронных сетей и перспективы их разви-
тия // Научный журнал КубГАУ. 2007. № 27. С. 20-27.
2. Воронин Г.В., Пальцева Е.М., Руанет В.В., Ха-дарцев А.А., Хетагурова А.К. Нейросетевые технологии и вопросы идентификации в медицинских исследованиях. Часть I // Вестник новых медицинских технологий. 2008. № 4. С. 192-196.
3. Воронин Г.В., Пальцева Е.М., Руанет В.В., Ха-дарцев А.А., Хетагурова А.К. Нейросетевые технологии и вопросы идентификации в медицинских исследованиях. Часть II // Вестник новых медицинских технологий. 2009. № 1. С. 33-34.
4. Ефимова Н.В., Горнов А.Ю. Опыт использования искусственных нейронных сетей при прогнозировании заболеваемости населения // Экология человека. 2010. № 3. С. 3-7.
5. Исаков Р.В., Сушкова Л.Т. Применение искусственных нейронных сетей для прогнозирования в хирургии // Технические методы диагностики. 2007. № 3. С. 69-71.
6. Литвин А.А., Жариков О.Г. Возможности прогнозирования осложненного лечения острого панкреатита // Новые технологии в медицине. 2007. № 1. С. 77-79.
7. Милова К.А. Интеллектуальная система прогнозирования развития осложнений у хирургических больных // Нейрокомпьютеры. 2010. № 11. С. 59-61.
References
1. Bogoslavskiy SN. Oblast' primeneniya iskusstven-nykh neyronnykh setey i perspektivy ikh razvitiya. Nauchnyy zhurnal KubGAU. 2007;27:20-7. Russian.
2. Voronin GV, Pal'tseva EM, Ruanet VV, Khadart-sev AA, Khetagurova AK. Neyrosetevye tekhnologii i voprosy identifikatsii v meditsinskikh issledovaniyakh. Chast' I. Vestnik novykh meditsinskikh tekhnologiy. 2008;4:192-6. Russian.
3. Voronin GV, Pal'tseva EM, Ruanet VV, Khadart-sev AA, Khetagurova AK. Neyrosetevye tekhnologii i voprosy identifikatsii v meditsinskikh issledovaniyakh. Chast' II. Vestnik novykh meditsinskikh tekhnologiy. 2009;1:33-4. Russian.
4. Efimova NV, Gornov AYu. Opyt ispol'zovaniya iskusstvennykh neyronnykh setey pri prognozirovanii zabolevaemosti naseleniya. Ekologiya cheloveka. 2010;3:3-7. Russian.
5. Isakov RV, Sushkova LT. Primenenie iskusstven-nykh neyronnykh setey dlya prognozirovaniya v khi-rurgii. Tekhnicheskie metody diagnostiki. 2007;3:69-71. Russian.
6. Litvin AA, Zharikov OG. Vozmozhnosti progno-zirovaniya oslozhnennogo lecheniya ostrogo pankreati-ta. Novye tekhnologii v meditsine. 2007;1:77-9. Russian.
7. Milova KA. Intellektual'naya sistema prognozirovaniya razvitiya oslozhneniy u khirurgicheskikh bol'nykh. Neyrokomp'yutery. 2010;11: 59-61. Russian.
