Диссертация (1174198), страница 6
Текст из файла (страница 6)
и соавт. (BatistaNavarro RT, 2010). Система включает базу данных о клинических илабораторных проявлениях различных отравлений и близких к ним поклинике и лабораторных данным, но не связанным с отравлениямисостояний. Эта база данных является открытой и допускает постоянныеобновления. Другой частью экспертной системы является блок созданиязаключений.ВРоссийскойМинздраваРоссиииФедерациифедеральнымтоксикологическимцентромисследовательскимцентром«Информатика и управление» РАН создана ЭС «ЭСТЕР» для диагностики и34консультативной помощи при отравлениях (Ларичев О.И., 2002).
Как иуказанная выше система «ЭСТЕР» включает базу знаний клиническихпроявленийприотравленииразличнымипрепаратамиибазудезинтоксикационных препаратов для лечебных воздействий. При этомрекомендации по антидотной терапии выдаются с учётом возраста, пола, весабольного и особенностей клинического статуса.Одним из наиболее сложных разделов неотложной медицины являютсятравматические поражения и, особенно, сочетанные травмы с поражениемголовного и/или спинного мозга. Травматические поражения головного мозга- одна из наиболее актуальных проблем медицины и общества в целом. Более50% лиц, получивших травмы, включая черепно-мозговую травму, моложе40 лет.
Травматические поражения являются ведущей причиной смертностии инвалидизации в молодом возрасте. К 2020 году травматическиепоражения головного мозга могут стать третьей по частоте причинойсмертности в мире. По данным Dewan MC. и соавт. (Dewan MC, 2018)ежегодно в мире регистрируется около 69 млн.
случаев черепно-мозговыхтравм. Частота ЧМТ в России составляет 4,0 – 4,5 на 1.000 населения в год,т.е. ежегодно регистрируется более 650 тысяч новых случаев черепномозговой травмы. При этом тяжелая ЧМТ составляет более чем 40% (В.В.,Крылов, 2010). Повреждения черепа и головного мозга служат причинойлетальности почти половины пострадавших от травм (В.В. Крылов, 2012;E.P. Thelin и соавт., 2017; A. Nordström, P. Nordström, 2018). Более 40% лиц,выписанных из стационара после черепно-мозговой травмы, имеют разнойстепени инвалидность (Rutland-Brown W, 2006).Разнообразная клиническая картина, недостаточное количество времении медицинского персонала, особенно в условиях массовых поражений,способствуют разработке экспертных систем для поддержки принятиярешений в экстремальных и динамичных условиях сочетанных и черепномозговых травм (Agoston DV, Langford D, 2017).35Прогнозировать исход в первые часы комбинированной сочетанной ичерепно-мозговой травмы за исключением крайне тяжёлых случаев с суммойбаллов по шкале ком Глазго < 4-5 представляется сложным.
Согласноданным исследования, выполненного в Малайзии, у 2.208 пациентов ступыми и приникающими травмами туловища и головы (сумма баллов пошкале ком Глазго 10,3±2,8) точность таких шкал как NISS, RTS, MTOSTRISS и NTrD-TRISS не превышала 81,7% при чувствительности испецифичности 72,4% и 82,8% (Tan JH, 2017). В связи с этим, рядпредлагаемых экспертных систем направлен на повышение точностипрогноза исхода сочетанной и/или черепно-мозговой травмы.В исследовании DiRusso SM. и соавт. (DiRusso SM, 2000) применениеискусственной нейронной сети для прогнозирования исхода показало еёпреимущества по сравнению со шкалами для оценки тяжести и прогноза Trauma and Injury Severity Score (TRISS) and Injury Severity Score (ISS).Входные параметры для анализа искусственной нейронной сетью включалисумму баллов по шкале ком Глазго и по шкале тяжести повреждений,систолическое АД, частоту дыхательных движений, температуру тела,гематокрит, возраст и пол, наличие/отсутствие интубации, кодировку травмыпо МКБ.
При проведении ROC-анализа было установлено, что площадь подкривой для искусственной нейронной сети составила 0,912, в то время какдля шкалы TRISS – 0,895 и для шкалы ISS – 0,766.Применение искусственных нейронных сетей в педиатрической клиникеи у пациентов с травматическим поражением головного мозга также показалоих высокую эффективность в прогнозировании исхода травмы (DiRusso SM,et all. 2002). DiRusso SM. и соавт. (DiRusso SM, et all. 2002)проанализировали35.385случаевтравмыудетейсприменениемискусственной нейронной сети и логистической регрессии.
Определялсяисход травмы на основании оценки возраста, пола, систолического АД, ЧССи ЧДД, необходимости интубации, компонентов шкалы ком Глазго и других36шкал. Прогноз (смерть/выздоровление), полученный при помощи алгоритмаискусственной нейронной сети и логической регрессии, показал оченьвысокую точность: 96,1% и 96,4% соответственно.Эпизоды артериальной гипотензии у больных тяжёлой ЧМТ являютсянеблагоприятным признаком.
По данным НИИСП им. Н.В. Склифосовскогопоказано отрицательное влияние величины и длительности гипотензии надогоспитальном этапе на прогноз. Так, при увеличении суммарнойдлительности эпизодов артериальной гипотензии свыше 20 мин летальностьвозрастала до 86,5 %. При снижении систолического АД до 60 - 80 мм рт. ст.количество неблагоприятных исходов составило 83,4 %, а ниже 60 мм рт. ст.и менее - 92,6 % (В.В.
Крылов с соавт., 2012). Интересным с этой точкизрения является исследование Pourahmad S. и соавт. (Pourahmad S, 2016), вкотором было применено сочетание алгоритмов дерева принятия решений иискусственной нейронной сети для определения наиболее значимыхпрогностических симптомов при ЧМТ. Несмотря на то, что гибридный метод(сочетание алгоритмов дерева принятия решений и искусственной нейроннойсети) оказался несколько более точным, чем только алгоритм деревапринятия решений (точность 86,3% и 82,2%, чувствительность 55,1% и 47,6%и специфичность 93,6% и 91,1%, соответственно), клинические данныеоказались ближе к алгоритму дерева принятия решений. Это может бытьсвязано с тем, что гибридная модель более точно прогнозировала нарушениягемодинамики, в то время как алгоритм дерева принятия решений иклиницисты большее внимание обращали на сумму баллов по шкале комГлазго в первый час заболевания и на изменения головного мозга на КТ.Интересное исследование было проведено Pang BC.
и соавт. (Pang BC, 2007),внёмсравнивалисьвозможностиалгоритмовдискриминантногоилогистического анализа, дерева принятия решений, байесовской сети инейронной сети в прогнозировании исхода тяжёлой черепно-мозговойтравмы через 6 месяцев. Параметрами на входе являлись возраст, пол,37этническая группа, механизм травмы (ДПТ, падение с высоты, падение,разбойноенападение),наличиесубарахноидальногокровоизлияния,гипоксии, артериальной гипотонии, коагулопатии, сумма баллов по ШКГ дои после и состояние зрачков до и после реанимационных мероприятий.Выходнымипараметрамибыли:смерть,вегетативноесостояние,тяжёлая/умеренная инвалидизация и хорошее восстановление.
Наиболееточным оказался алгоритм дерева принятия решений (75,08%).1.3.3. СППВР и цереброваскулярная патологияДругимразделом неотложноймедициныявляются церебральныеинсульты. Ежегодно в мире регистрируется около 15 млн. новых случаевинсультов, в том числе в США около 800 тысяч, в Европе – около 1 млн. ВСоединённых Штатах церебральные инсульты являются ведущей причинойдолговременной инвалидности. По данным Американской ассоциации поизучению сердечно-сосудистых заболеваний на 2010 год в США проживалоболее 6,8 млн. человек, перенесших инсульт. Общая стоимость ежегодныхмедицинских (прямые и косвенные) расходов в США превысила 72 млрд.долларов в ценах 2013 года (Go AS, 2013). В Российской Федерациирегистрируется около 400 тысяч новых случаев церебральных инсультов, изкоторых около 80% выживших пациентов имеют стойкие остаточныеявления (Е.С.
Утеулиев, 2017).В последние годы в этой области разрабатываются и предлагаются кклиническому использованию различные экспертные системы. В обзоре,посвященном возможностям ЭС при церебральном инсульте, отмечается, чтоонивпервуюочередьмогутприменятьсяприанализенейровизуализационных изображений, в том числе в режиме удаленногодоступа и в телемедицине, в классификации механизмов инсультов, впрогнозировании исхода и определении показаний к реабилитации (Feng R,2018).38Одной из важных проблем является точная диагностика инсульта впервые несколько часов заболевания, когда характерных для ишемическогопроцесса изменений на КТ ещё может не быть.
Так, по данным NewmanToker DE. и соавт. (Newman-Toker DE, 2014) у госпитализированныхбольных при отсутствии изменений на КТ частота ошибочного диагнозаинсульта достигает 13 – 30%. Группой исследователей из США предложенаЭС на основании искусственной нейронной сети для поддержки решения припостановкеприотсутствииизмененийнаКТ(AbediV,2017).Чувствительность и специфичность ЭС в постановке диагноза составила80,0% и 86,2%, точность диагностики ИИ достигла 85,2% (псевдоинсульта –81,1%).
Celik G и соавт. (Celik G, 2014) сравнивали эффективностьискусственной нейронной сети, дискриминантного анализа и логистическойрегрессии в прогнозировании течения церебрального инсульта. Точностьпрогноза при использовании искусственной нейронной сети достигала 99,9%для геморрагического инсульта и 97,8% для ишемического инсульта.
PengSY. и соавт. (Peng SY, 2010) предложили экспертный алгоритм сиспользованиемкомитета(ансамбля)решающихдеревьевдляпрогнозирования 30-ти дневного исхода геморрагического инсульта. Висследование ретроспективно были включены 423 пациента, у которыханализировались возраст, пол, наличие артериальной гипертензии, сахарногодиабета, ИБС, инсульт в анамнезе, наличие анемии и необходимостьпроведения диализа. Также оценивались сумма баллов по шкале ком Глазго,систолическое, диастолическое и среднее АД, анемия и уровень глюкозыкрови, локализация, объём и расположение кровоизлияния, смещениесредней линии и гидроцефалия.
Сравнительный анализ этого алгоритмапоказал его преимущество перед алгоритмом искусственной нейронной сети,метода опорных векторов, логистической регрессии и шкалы оценкипрогнозагеморрагическогоинсульта.39Точность,чувствительностьиспецифичность алгоритм с использованием комитета (ансамбля) решающихдеревьев составили 78,5%, 79,0% и 78,4%.Huang S. и соавт. (Huang S, 2010) была предложена экспертная система наоснове гибкой нейронной сети для определения динамики и прогнозаишемической полутени (пенумбры) при экспериментальном инсульте.Экспериментально была осуществлена 30-ти, 60-ти минутная и постояннаяокклюзия средней мозговой артерии. Оценивались в различных сочетанияхрегиональный мозговой кровоток, коэффициент наблюдаемой диффузии,время релаксации на Т2 взвешенных изображениях и информация,полученная при обсчёте объема вовлеченных пикселей.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
