Preview

Здоровье населения и среда обитания – ЗНиСО

Расширенный поиск

Опыт использования нейронных сетей для прогнозирования исходов ишемического инсульта. Обзор литературы

https://doi.org/10.35627/2219-5238/2021-29-7-82-85

Полный текст:

Аннотация

Введение. Ишемический инсульт является структурно сложным заболеванием, в основе которого лежат разные патогенетические механизмы. Учитывая многокомпонентность данной патологии, а также ее сложную структуру, медицинским сообществом были созданы различные оценочные шкалы, в основе которых лежит оценка разных признаков. Данные шкалы созданы для того, чтобы прогнозировать возможное состояние пациента на различных этапах оказания медицинской помощи.
Цель исследования. Определение актуальности использования системы прогнозирования исходов ишемического инсульта на базе нейронных сетей для совершенствования организации лечебного процесса пациентам, перенесшим ишемических инсульт.
Материалы и методы. Был проведен анализ научной и медицинской литературы, посвященной вопросам создания и использования прогностических систем на базе искусственных нейронных сетей для прогнозирования исходов ишемического инсульта, а также самых распространенных оценочных шкал, которые в данное время используются в лечебной практике.
Результаты. После проведенного анализа эффективности имеющихся шкал, был выявлен их главный недостаток – субъективная составляющая при оценке состояния того или иного пациента. В свою очередь, использование нейронных сетей позволяет минимизировать субъективную составляющую при формировании прогноза исхода ишемического инсульта. Данные результаты достигаются за счет того, что нейронные сети способны обрабатывать большие массивы данных, в результате чего устанавливаются скрытые взаимосвязи между объектами исследований.
Выводы. Проведенный анализ отечественных и зарубежных источников доказывает, что наличие системы прогнозирования на базе нейронной сети является серьезным преимуществом для медицинской организации. Однако нейронные сети не в полной мере проходили клиническиe испытания, которые подтверждали бы превосходство нейронных сетей над современными методами прогнозирования исходов заболеваний, что является затруднением для их полноценного использования в клинической практике.

Для цитирования:


Дворжак В.С., Шулаев А.В., Вансовская Е.А. Опыт использования нейронных сетей для прогнозирования исходов ишемического инсульта. Обзор литературы. Здоровье населения и среда обитания – ЗНиСО. 2021;(7):82-85. https://doi.org/10.35627/2219-5238/2021-29-7-82-85

For citation:


Dvorzhak V.S., Shulaev A.V., Vansovskaya E.A. Experience in Using Neural Networks to Predict the Outcomes of Ischemic Stroke: A Literature Review. Public Health and Life Environment – PH&LE. 2021;(7):82-85. (In Russ.) https://doi.org/10.35627/2219-5238/2021-29-7-82-85

Введение. В ходе анализа современных достижений ученых в области медицины обнаруживается, что острое нарушение мозгового кровообращения (далее – ОНМК) до сих пор является главной угрозой для жизни и здоровья современного человека. ОНМК является тяжелым социальным и экономическим бременем для любого государства, независимо от состояния системы здравоохранения [1][2]. Данная информация подкрепляется данными национального регистра Российской Федерации. Более 30 % всех пациентов, перенесших инсульт, требуют постоянного ухода, примерно 20 % – не способны полноценно самостоятельно передвигаться по квартире и другим помещениям, чуть более 20 % – могут вернуться к полноценной самостоятельной трудовой деятельности.

Материалы и методы. Проведен анализ научной и медицинской литературы, посвященной вопросам создания и использования прогностических систем на базе искусственных нейронных сетей для прогнозирования исходов ишемического инсульта.

Результаты и обсуждение. Действующие общепринятые представления об этиологии и патогенезе инсульта формировались профессиональным сообществом в течение многих лет. Несмотря на это, критическим моментом в вопросе прогнозирования исходов инсульта остается невозможность формировать прогноз на основе только клинических показателей. Предопределяющим фактором данной проблемы является несбалансированность действующих систем прогнозирования: с одной стороны, мы имеем прогностические системы, в которых прогноз формируется по учету роли самой болезни, а с другой – отсутствие алгоритмов учета каждого признака по отдельности и вместе. Логичным итогом работы подобных систем является статистика исходов инсультов, которая в настоящее время говорит нам, что в среднем у каждого 4–5-го пациента клинический диагноз типа инсульта, а также его возможный исход оказывается ошибочным.

Важно понимать, что инсульт представляет собой многокомпонентное заболевание, в основе которого лежат разные патогенетические механизмы. В свое время это понимание привело медицинское сообщество к созданию специфических математических моделей, работа которых была основана на использовании большого числа признаков. Главным преимуществом, которого добились исследователи, применившие этот подход, стала возможность получать прогноз, предопределяющий непосредственно форму течения инсульта [3]. Получение подобной функции, как ни странно, было достигнуто за счет включения в систему формулирования прогноза не только оценки роли заболевания, но прежде всего оценки роли каждого признака в отдельности. Оценка каждого признака производилась благодаря балльной системе. Балльная система проводила оценку всех признаков у конкретного пациента, например, на результатах нейровизуализации очага инсульта. И самое важное, что разработанные модели позволяли определить наиболее подходящую тактику вторичной профилактики последствий инсульта, ведь главной целью подобных прогностических систем является совершенствование организации профилактических мероприятий. Однако, как показала практика, вероятность ошибки при использовании подобного метода остается высокой.

Все изменилось при создании абсолютно новой шкалы, которая позволяла не только оценить уровень сознания пациентов, но и показать динамику состояния пациента, – шкала комы Глазго. Шкала была создана в 1974 году группой специалистов во главе с G. Teasdale [4]. Применяя на практике данную шкалу, мы можем получить прогноз выживаемости конкретного пациента, а также функциональный исход инсульта. Принцип работы шкалы построен на оценке неврологических параметров, таких как афферентная и эфферентная реакции и т. п. Однако главным недостатком этой системы является дисбаланс, возникающий при очаговой симптоматике, в результате чего общая сумма баллов не соответствует уровню бодрствования [5].

Во многих отечественных медицинских организациях используется шкала National Institutes of Health Stroke Scale (далее – NIHSS). Данная шкала применяется для оценки тяжести течения и прогнозирования исхода ишемического инсульта. Широкое распространение данная шкала получила в результате того, что ее основу составляет ряд клинических параметров (например, зрительные функции, двигательные нарушения, координаторные расстройства), отражающих выраженность основных расстройств, возникших в результате инсульта. Оценка производится по балльной шкале, и полученные результаты помогают определить прогноз исхода в любом периоде заболевания. Так, например, если совокупный подсчет баллов выдал значение, равное 10 баллам, то вероятность благоприятного исхода через 1 год после случившегося инсульта составляет около 60–70 %. В случае получения значения 20 и более баллов вероятность резко падает до 4–6 % [6]. Но ключевым недостатком данной шкалы остается ее субъективная составляющая, базирующаяся исключительно на восприятии лечащего врача.

При анализе литературы генеральной линией остается сама концепция прогностической системы, которая базируется на том, что анализ полученных данных о состоянии пациента и историй болезни позволит медицинской организации формировать прогноз именно на долгосрочную перспективу. Например, анализ изменений заболеваемости ишемическим инсультом позволит сформировать прогноз обращаемости пациентов и укажет медицинской организации, в чем будет острая потребность в области лекарственных препаратов. Поэтому взгляд исследователей направлен на колоссальный потенциал математического моделирования, которое исключало само понятие субъективной составляющий восприятия врача.

Математическое моделирование позволяет предсказать различные варианты клинических симптомов, течения и исходов ишемического инсульта. Разработка современных математических моделей всегда была актуальной задачей [7–11]. С начала 1970 года предпринимались неоднократные попытки создания и программирования математических моделей, основной задачей которых должно было стать решение задач прогнозирования течения и исходов ишемического инсульта. Но при разработке этих моделей допускался один существенный недостаток – при количественной оценке признаков, необходимых для оценки исходов инсульта, роль того или иного симптома в течении и исходе заболевания трактовалась по-разному. Среди отечественных работ по прогнозированию исходов ишемического инсульта особое внимание заслуживает исследование, проведенное В.И. Ершовым. В его работе «Математическое моделирование острейшего периода ишемического инсульта» широко раскрыта тема эффективности разработанного авторами алгоритма диагностики патогенетических подтипов инсульта [12]. Функциональной особенностью смоделированной системы был расчет клинико-неврологического коэффициента, который описывал вероятность развития неврологических осложнений у пациента, перенесшего инсульт. Благодаря работе данного алгоритма была выявлена прямая связь между скоростью изменения тяжести ишемического инсульта и исходом в ближайший месяц. Данные результат стал безусловным успехом, так как позволил специалистам вносить корректировки непосредственно в тактику лечения больных. Отличительной чертой предлагаемой прогностической модели было использование метода линейной регрессии, что позволило модели достичь высоких результатов. Изучая результаты проведенных испытаний, можно подвести итог, что разработанная прогностическая модель показала достаточно хорошие результаты по сравнению с имеющимися аналогами. Отдельно необходимо выделить высокую точность полученных прогностических вариантов исхода инсульта, а также будущих осложнений. Однако применение подобных моделей прогнозирования обусловливало наличие неоднозначности в интерпретации результатов прогноза.

Тем не менее одной математической модели было мало, так как сам принцип ее работы был зажат в узкие рамки математических формул. Перспективным решением было использовать математическую модель, основанную на искусственном моделировании функций головного мозга методами программной классификации реальных ситуаций, так называемую нейронную сеть.

Любая система нейронной сети использует различные методы построения. Наиболее популярными являются метод опорных векторов, метод деревьев решений и метод «ближайшего соседа». Кроме того, зачастую основу системы могут составлять базовые методы статистического анализа данных, такие как линейная регрессия, а также методы кластерного и корреляционного анализа. В последнее время большую популярность начали набирать два других метода: метод поиска ассоциативных правил и метод генетических алгоритмов.

Благодаря уникальным функциям, таким как обработка больших массивов данных, анализ слабоструктурированных и плохо формализованных задач, установление скрытых и сложных взаимосвязей связей между объектами исследований, искусственные нейронные сети имеют высокую значимость в медицинской отрасли. Решение задач по диагностике различных нозологических форм заболеваний, прогнозирование течения и осложнений различных патологий – это лишь немногие примеры широкого использования нейронных сетей. Главной же задачей нейросетей остается помощь специалистам в выборе тактики лечения и профилактики возможных осложнений и состояний [10][11][13–15].

Большую популярность нейронные сети получили благодаря одному свойству – способности к обучению. Так называемое обучение отличается от привычного нам процесса. Суть обучения нейронной сети сводится к постоянной настройке конфигурации нейронной сети с помощью повторяющихся тестов на контрольных группах, пока выходной результат не будет соответствовать требованиям. Таким образом, благодаря этому свойству нейронная сеть сможет избегать появления большого числа ошибок в конечных результатах. При анализе отечественной и зарубежной литературы мы искали примеры использования искусственных нейронных сетей в вопросах прогнозирования статистических показателей и моделирования ситуаций, решение которых будет приводить к изменениям качества оказания медицинской помощи, а именно в системе организации помощи больным с ОНМК [16–19]. К сожалению, результатов было крайне мало.

Одной из значимых работ можно назвать работу М.А. Новожиловой и Т.М. Алексеевой «Прогнозирование ранних исходов геморрагических инсультов методом анализа нейронных сетей» [20]. Основой работы стало изучение метода анализа возможных исходов инсульта с использованием нейронных сетей [20–23]. В результате проведенной работы по проектированию математической модели была получена нейронная сеть, способная давать прогноз для ранних исходов инсульта у больных геморрагическими инсультами с точностью более 80 %. В ходе изучения анамнеза пациентов, вошедших в оставшиеся 20 %, были выявлены причины, которые привели к отклонениям. Благодаря тому что спроектированная нейронная сеть была обучаема, в будущем есть возможность минимизировать имеющуюся ошибку путем внесения в ее структуру новых наборов признаков, которые возникали в процессе лечения пациентов [20].

Выводы. После проведенного анализа литературы мы пришли к двум главным выводам.

1. При такой сложности и одновременно структурированности заболеваний ОНМК, в частности ишемического инсульта, в настоящее время не представлено ни одной полноценно работающей модели искусственной нейронной сети.

2. Обнаруживается огромное влияние нейронных сетей в разных областях здравоохранения (вне заболеваний ОНМК) на деятельность медицинских организаций в области управления здравоохранением и оценки состояния здоровья населения и тенденций его изменения [24][25].

Заключение. Фактически имеющиеся немногочисленные исследования показывают, что наличие системы прогнозирования является неоспоримым преимуществом как для медицинской организации, так и для самого пациента. Это подтверждается тем, что подобная система позволила бы нам эффективно выстраивать реабилитационные мероприятия. Эффективность реабилитационных мероприятий увеличивается за счет того, что система после анализа имеющихся клинико-анамнестических данных пациентов может давать точные прогнозы и формулировать эффективные решения стратегических и тактических задач ведения больного [26]. Таким образом, проанализировав данные, например об отдельных методах лечения крайне тяжелых больных, система прогнозирует потенциальные риски, с которыми столкнется врачебный персонал и медицинская организация в случае разных моделей развития событий с конкретным пациентом [27].

Список литературы

1. Скворцова В.И. Медицинская и социальная значимость проблемы инсульта // Качество жизни. 2004. № 4. С. 10–12.

2. Dickerson LM, Carek PJ, Quattlebaum RG. Prevention of recurrent ischemic stroke. Am Fam Physician. 2007;76(3):382–388.

3. Franklin SW, Rajan SE. An automated retinal imaging method for the early diagnosis of diabetic retinopathy. Technol Health Care. 2013;21(6):557–569. doi: 10.3233/THC-130759

4. Teasdale G, Jennett B. Assessment of coma and impaired consciousness. A practical scale. Lancet. 1974;2(7872):81–84. doi: 10.1016/s0140-6736(74)91639-0

5. Белова А.Н. Шкалы, тесты и опросники в неврологии и нейрохирургии. 3-е изд. М.: Практическая медицина, 2018. 696 c.

6. Шмырев В.И., Каленова И.Е., Ардашев В.Н. Прогнозирование исходов острого ишемического инсульта // Российские медицинские вести. 2013. Т. 18. № 1. С. 4–9.

7. Андрюков Б.Г., Веремчук Л.В., Кику П.Ф. Применение нейросетевых технологий для анализа взаимодействий систем организма с параметрами окружающей среды // Современные наукоемкие технологии. 2009. № 4. С. 45–46.

8. Кику П.Ф., Веремчук Л.В., Горборукова Т.В. Информационно-аналитическое моделирование медико-экологических процессов // Системный анализ в медицине. Материалы VII международной научной конференции. Благовещенск, 2013. С. 26–29.

9. Addams Jr HP, del Zoppo G, Alberts MJ, et al. Guidelines for the early management of adults with ischemic stroke: a guideline from the American Heart Association/American Stroke Association Stroke Council, Clinical Cardiology Council, Cardiovascular Radiology and Intervention Council, and the Atherosclerotic Peripheral Vascular Disease and Quality of Care Outcomes in Research Interdisciplinary Working Groups: the American Academy of Neurology affirms the value of this guideline as an educational tool for neurologists. Stroke. 2007;38(5):1655–1711. doi: 10.1161/STROKEAHA.107.181486

10. Murray NM, Unberath M, Hager GD, Hui FK. Artificial intelligence to diagnose ischemic stroke and identify large vessel occlusions: a systematic review. J Neurointerv Surg. 2020;12(2):156–164. doi: 10.1136/neurintsurg-2019-015135

11. Soun JE, Chow DS, Nagamine M, et al. Artificial intelligence and acute stroke imaging. AJNR Am J Neuroradiol. 2021;42(1):2–11. doi: 10.3174/ajnr.A6883

12. Ершов В.И., Дегтярь И.И., Медведев А.В. Математическое моделирование острейшего периода ишемического инсульта // Вестник Оренбургского государственного университета. 2004. № 6. С. 117–120.

13. Ho KC, Scalzo F, Sarma KV, Speier W, El-Saden S, Arnold C. Predicting ischemic stroke tissue fate using a deep convolutional neural network on source magnetic resonance perfusion images. J Med Imaging (Bellingham). 2019;6(2):026001. doi: 10.1117/1.JMI.6.2.026001

14. Chan KL, Leng X, Zhang W, et al. Early identification of high-risk TIA or minor stroke using artificial neural network. Front Neurol. 2019;10:171. doi: 10.3389/fneur.2019.00171

15. Feng R, Badgeley M, Mocco J, Oermann EK. Deep learning guided stroke management: a review of clinical applications. J Neurointerv Surg. 2018;10(4):358–362. doi: 10.1136/neurintsurg-2017-013355

16. Дюк В.А., Эмануэль В.Л. Информационные технологии в медико-биологических исследованиях. СПб.: Питер, 2003. 528 c.

17. Чубукова И.А. Data Mining: учебное пособие. 2-е изд., испр. М.: ИНТУИТ: Бином. Лаборатория знаний, 2008. 383 c.

18. Ganesan N, Venkatesh K, Rama MA, Malathi Palani A. Application of neural networks in diagnosing cancer disease using demographic data. Int J Comput Appl. 2010;1(26):76–85. doi: 10.5120/476-783

19. Kumar K, Abhishek. Artificial neural networks for diagnosis of kidney stones disease. IJITCS. 2009;1:41–48.

20. Новожилова М.А. Алексеева Т.М. Прогнозирование ранних исходов геморрагических инсультов методом анализа нейронных сетей // Вестник СПбГУ. 2010. № 2. С. 121–126.

21. Головко В.А. Нейронные сети: обучение, организация и применение. М.: ИПРЖР, 2001. 256 c.

22. Furie KL, Kasner SE, Adams RJ, et al. Guidelines for the prevention of stroke in patients with stroke or transient ischemic attack: a guideline for healthcare professionals from the American Heart Association/American Stroke Association. Stroke. 2011;42(1):227–276. doi: 10.1161/STR.0b013e3181f7d043

23. Shantakumar BP, Kumaraswamy YS. Intelligent and effective heart attack prediction system using data mining and artificial neural network. Eur J Sci Res. 2009;31(4):642–656.

24. Кику П.Ф., Горборукова Т.В. Использование экспертных интеллектуальных систем в медико-биологических исследованиях // Информатика и системы управления. 2010. № 2 (24). С. 64–67.

25. Веремчук Л.В., Горборукова Т.В., Кику П.Ф. Информационно-аналитическое моделирование медико-экологических процессов здоровья населения // Информатика и системы управления. 2007. № 1(13). С. 8–11.

26. Тестирование иммунометаболической резистентности пациента свидетельство о государственной регистрации программ для ЭВМ № 2017616092 Российская Федерация / Т.В. Горборукова,Е.П. Калинина, П.Ф. Кику, В.Г. Морева. № 2017612887; заявл. 05.04.2017; опубл. 01.06.2017.

27. Мастыкин А.С., Дривотинов Б.В., Апанель Е.Н. Гетерогенность нозологического понятия транзиторной ишемической атаки // Белорусский медицинский журнал. 2004. № 4 (10). С. 18–21.


Об авторах

В. С. Дворжак
ФГБОУ ВО «Казанский государственный медицинский университет» Минздрава России
Россия

Дворжак Владимир Сергеевич – аспирант кафедры общей гигиены

ул. Бутлерова, д. 49, г. Казань, 420012



А. В. Шулаев
ФГБОУ ВО «Казанский государственный медицинский университет» Минздрава России
Россия

Шулаев Алексей Владимирович – доктор медицинских наук, заведующий кафедрой общей гигиены

ул. Бутлерова, д. 49, г. Казань, 420012



Е. А. Вансовская
ФГБОУ ВО «Казанский государственный медицинский университет» Минздрава России
Россия

Вансовская Евгения Андреевна – студент V курса медико-биологического факультета

ул. Бутлерова, д. 49, г. Казань, 420012



Рецензия

Для цитирования:


Дворжак В.С., Шулаев А.В., Вансовская Е.А. Опыт использования нейронных сетей для прогнозирования исходов ишемического инсульта. Обзор литературы. Здоровье населения и среда обитания – ЗНиСО. 2021;(7):82-85. https://doi.org/10.35627/2219-5238/2021-29-7-82-85

For citation:


Dvorzhak V.S., Shulaev A.V., Vansovskaya E.A. Experience in Using Neural Networks to Predict the Outcomes of Ischemic Stroke: A Literature Review. Public Health and Life Environment – PH&LE. 2021;(7):82-85. (In Russ.) https://doi.org/10.35627/2219-5238/2021-29-7-82-85

Просмотров: 221


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2219-5238 (Print)
ISSN 2619-0788 (Online)