ОРИГИНАЛЬНЫЕ ИССЛЕДОВАНИЯ
Использование искусственного интеллекта при прогнозировании острого нарушения мозгового кровообращения в акушерской практике
Баяндурян Э.А.1, 2, Андреева М.Д.1 2
Ключевые слова:
беременность;
острое нарушение
мозгового
кровообращения;
прогностическая
модель
1 Городское бюджетное учреждение здравоохранения «Городская больница города Анапы» Министерства здравоохранения Краснодарского края, 353440, г. Анапа,
_ Российская Федерация
2 Федеральное государственное бюджетное образовательное учреждение высшего образования «Кубанский государственный медицинский университет» Министерства здравоохранения Российской Федерации, 350063, г. Краснодар, Российская Федерация
Резюме
Частота острых нарушений мозгового кровообращения (ОНМК) остается высокой среди беременных и в 3-13 раз превышает частоту данной патологии в популяции. В настоящее время беременность рассматривают как своеобразный скрининг на тромботическую патологию, так как в норме беременность сопровождается гиперкоагуляцией. Соматическая патология (ожирение, хроническая артериальная гипертензия, нарушения сердечного ритма и т.д.), а также целый ряд акушерских осложнений (тяжелая форма пре-эклампсии, НЕ1_1_Р-синдром, эмболия амниотической жидкостью и т.д.) только увеличивают риски развития ОНМК во время гестации. Все эти данные свидетельствуют о необходимости изучения факторов риска ОНМК во время беременности, в послеродовом периоде и в интергенетическом интервале, а также о проведении профилактической терапии.
Цель исследования - изучить факторы риска развития ОНМК на фоне беременности, во время послеродового периода и в интергенетическом интервале для построения прогностической модели, направленной на профилактику развития сосудистых нарушений.
Материал и методы. Проспективно были изучены 80 историй родов, из их числа были сформированы
2 группы: 1-я группа (п=50), состоящая из историй родов беременных, перенесших эпизоды ОНМК во время беременности или в послеродовом периоде, а также с эпизодами ОНМК в интергенетическом интервале, и 2-я группа (п=30), которую составили истории родов условно здоровых пациенток. Статистический анализ проведен с использованием программы Statistica 13.3 (11БА, ЛЬсо).
Результаты. Анализ клинико-лабораторных данных беременных, перенесших во время беременности, после родов и в интергенетическом интервале ОНМК (1-я группа) в сравнении с условно здоровыми беременными (2-я группа), позволил разработать прогностическую модель по выявлению группы риска развития рассматриваемой патологии. Внедрение данной модели в клиническую практику позволило путем дополнительного клинико-лабораторного исследования и расчетов риска развития ОНМК провести у 20 пациенток с высокой степенью риска развития ОНМК профилактическую терапию наряду с пациентками, которые имели в анамнезе ОНМК и готовились к беременности.
Заключение. Отсутствие эпизодов нарушения кровообращения у 20 пациенток с высокой степенью риска развития ОНМК подтверждает высокие прогностические свойства разработанной модели.
Финансирование. Исследование не имело спонсорской поддержки. Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Вклад авторов. Набор пациенток, обработка данных, написание текста статьи - Баяндурян Э.А.; концепция и дизайн исследования, редактирование - Андреева М.Д.
Для цитирования: Баяндурян Э.А., Андреева М.Д. Использование искусственного интеллекта при прогнозировании острого нарушения мозгового кровообращения в акушерской практике // Акушерство и гинекология: новости, мнения, обучение. 2024. Т. 12, № 2. С. 7-13. 001: https://doi.org/10.33029/2303-9698-2024-12-2-7-13 Статья поступила в редакцию 20.03.2024. Принята в печать 29.04.2024.
Artificial intelligence in obstetrics for predicting acute cerebrovascular disorders
Bayanduryan E.A2, 1 Anapa City Hospital, Ministry of Health of Krasnodar region, 353440, Anapa, Andreeva M.D.'-2 Russian Federation
2 Kuban State Medical University, Ministry of Health of the Russian Federation, 350063, Krasnodar, Russian Federation
Abstract
The incidence of acute cerebrovascular accidents (ACVA) remains high among pregnant women and is 3-13 times higher than the frequency in the population. Pregnancy is considered today as a kind of screening test for thrombotic pathology, as pregnancy in the norm is accompanied by hypercoagulability. Somatic pathologies (obesity, chronic arterial hypertension, cardiac rhythm disorders, etc.), as well as a range of obstetric complications (severe preeclampsia, HELLP-syndrome, amniotic fluid embolism, etc.), only increase the risks of developing acute cerebrovascular disorders during gestation. All these data indicate the need to study the risk factors for acute cerebrovascular disorders during pregnancy, in the postpartum period, and in the intergenic interval, as well as to address the issue of preventive therapy.
The aim of the study was to investigate risk factors for development of acute cerebrovascular accidents during pregnancy, postpartum period and in the intergenetic interval to build a prognostic model aimed at preventing vascular disorders.
Material and methods. 80 birth histories were prospectively studied, from which two groups were formed: 1st group (n=50), consisting of pregnant women who suffered episodes of acute cerebrovascular accident during pregnancy or in the postpartum period, as well as with episodes of acute cerebrovascular accident in intergenetic interval, and 2nd group (n=30), which consisted of birth histories of apparently healthy patients. Statistical analysis was carried out using the Statistica 13.3 program (USA, Tibco).
Results. Analysis of clinical and laboratory data in pregnant women who suffered episodes of acute cerebrovascular accident during pregnancy, after childbirth and in the intergenetic interval (1st group) in comparison with apparently healthy pregnant women (2nd group) allowed us to develop a prognostic model for identifying a group at risk for developing the pathology. The implementation of this model in clinical practice allowed, through additional clinical and laboratory research and risk calculations for acute cerebrovascular disorders, to conduct preventive therapy for 20 patients with a high risk of acute cerebrovascular accident, as well as for patients with a history of acute cerebrovascular accident who were preparing for pregnancy.
Conclusion. The absence of episodes of circulatory disorders in 20 patients with a high risk of developing acute cerebrovascular accidents confirms high predictive properties of the developed model.
Funding. The study had no sponsor support.
Conflict of interest. The authors declare no conflict of interest.
Сontribution. Bayanduryan E.A. - recruitment of patients, data processing, writing the text of the article; Andreeva M.D. -and research design, editing.
concept
For citation: Bayanduryan E.A., Andreeva M.D. Artificial intelligence in obstetrics for predicting acute cerebrovascular disorders. Akusherstvo i ginekologiya: novosti, mneniya, obuchenie [Obstetrics and Gynecology: News, Opinions, Training]. 2024; 12 (2): 7-13. DOI: https://doi.org/10.33029/2303-9698-2024-12-2-7-13 (in Russian) Received 20.03.2024. Accepted 29.04.2024.
Keywords:
pregnancy; acute cerebrovascular accident; prognostic model
Проблема развития инсульта на фоне беременности чрезвычайно актуальна. При этом необходимо указать, что частота инсульта в Российской Федерации в конце ХХ столетия ежегодно составляла 400 тыс. новых случаев [1], или 3-3,4 случая на 1000 населения в год [2]. Острые нарушения мозгового кровообращения (ОНМК) в виде геморрагического (ГИ) и ишемического инсульта (ИИ) ведут к длительной инвалидизации населения, смерти, когнитивным нарушениям [3]. Частота ИИ у женщин составила 1,93 на 1000 населения, а ГИ - 0,44 [4].
При этом данные о частоте ИИ и ГИ среди беременных весьма противоречивы. В своей работе A.H. James и соавт. (2005) пишут, что среди беременных отмечается 3-13-кратное увеличение риска ОНМК [5]. Важно пом-
нить, что физиологическая беременность характеризуется гиперкоагуляцией [6, 7], а дополнительные соматические факторы риска, такие как сердечно-сосудистая патология, артериальная гипертензия (АГ), сахарный диабет, метаболический синдром и большие акушерские синдромы, увеличивают риск ОНМК в несколько раз [8].
Учитывая тот факт, что до сегодняшнего дня не прекращаются попытки выделить факторы риска у пациенток на прегравидарном этапе, а также на фоне наступившей беременности, мы провели проспективное исследование, направленное на выявление факторов риска развития НМК у пациенток с ОНМК в анамнезе на фоне беременности, в послеродовом периоде и в интергенетическом интервале.
Таблица 1. Сравнение данных, характеризующих репродуктивный анамнез
1-я группа (n=50) 2-я группа (n=30)
Показатель M±m Me [25%; 75%] M±m Me [25%; 75%] Р
Менархе, годы 12,5±1,05 12,0 [12,0; 13,0] 13,03±0,93 13,0 [12,0; 14,0] =0,025
Длительность менструации, дни 5,02±1,68 5,0 [4,0; 6,0] 5,2±1,06 5,0 [4,0; 6,0] =0,551
Длительность МЦ, дни 27,68±2,11 28,0 [26,0; 29,0] 29,27±1,51 29,0 [28,0; 30,0] <0,001
Половая жизнь, годы 18,58±2,16 18,0 [17,0; 20,0] 18,93±1,68 19,0 [18,0; 20,0] =0,264
Беременностей всего 2,38±1,1 2,0 [1,0; 3,0] 1,97±1,16 2,0 [1,0; 2,0] =0,077
Роды в анамнезе 1,32±0,51 1,0 [1,0; 2,0] 1,4±0,62 1,0 [1,0; 2,0] =0,831
В том числе ПР 0,76±0,56 1,0 [0; 1,0] 0,17±0,46 0 [0; 0] <0,001
В том числе КС 0,38±0,53 0 [0; 1,0] 0,33±0,66 0 [0; 0] =0,022
Артифициальные аборты 0,24±0,43 0 [0; 0] 0,37±0,67 0 [0; 1,0] =0,709
Самопроизвольные аборты/замершие беременности 0,7±0,86 0 [0; 1,0] 0,2±0,48 0 [0; 0] =0,019
Антенатальная гибель плода во II триместре 0,24±0,43 0 [0; 0] 0 0 [0; 0] =0,074
Антенатальная гибель плода в III триместре 0,20±0,40 0 [0; 0] 0 0 [0; 0] =0,137
Внематочная беременность 0,08±0,27 0 [0; 0] 0,03±0,18 0 [0; 0] =0,732
Примечание. МЦ - менструальный цикл; ПР - преждевременные роды; КС - кесарево сечение.
Цель исследования - изучить факторы риска развития ОНМК на фоне беременности, в послеродовом периоде и в интергенетическом интервале для построения прогностической модели, направленной на профилактику развития данного состояния.
Материал и методы
Проспективно изучены 80 историй родов; из их числа были сформированы 2 группы: 1-я группа (n=50), состоящая из историй родов беременных, перенесших эпизоды ОНМК во время беременности или в послеродовом периоде, а также с эпизодами ОНМК в интергенетическом интервале, и 2-я группа (n=30), которую составили истории родов условно здоровых пациенток.
Статистический анализ проведен в программе Statistica 13.3 (USA, Tibco). Теоретическое обоснование взято из книги А.А. Халафян [9]. Параметрические методы сравнения средних Стьюдента (t-критерий) в двух независимых выборках и при повторных измерениях (зависимых выборках). Метод двухмерного частотного анализа таблицы сопряженности (кросс-табуляции). Корреляционные связи оценивали при помощи коэффициента корреляции Спирмена, сопряженности, ф, Крамера.
Для качества оценки среднего использовали среднее арифметическое и стандартное отклонений (М±т), медиану (Ме), нижнюю и верхнюю квартиль [25%; 75%]. Различия считались статистически значимыми при р<0,05.
При сравнении показателей в обеих группах ввиду небольшого количества проанализированных историй применен критерий Манна-Уитни. Для сравнения категориальных показателей использованы таблицы сопряженности, критерий х2, коэффициент корреляции Спирмена, Крамера, ф, сопряженности.
Результаты
Анализ данных обеих групп показал, что имеется статистически значимая разница в возрасте: в 1-й группе средний возраст составил 32,38+2,47, Ме - 32,0 года, межквар-тильный интервал [30,0; 34,0], а во 2-й группе - 27,7+2,55, Ме - 28,0 года, межквартильный интервал [26,0; 29,0], р<0,001. Иными словами, беременные с ОНМК в анамнезе были статистически значимо старше. Обнаружено, что беременные с ОНМК в анамнезе (1-я группа) имели более высокие показатели индекса массы тела (ИМТ), чем беременные из группы контроля (2-я группа): в 1-й группе ИМТ -27,93+3,0 кг/м2, Ме - 27,1 кг/м2 [25,4; 30,5]; во 2-й группе -ИМТ - 22,7+1,32 кг/м2, Ме - 22,6 кг/м2 [22,0; 23,3].
Таблица 2. Достоверные отличия в частоте экстрагенитальной патологии между группами
Патология 1-я группа (п =50) 2-я группа (п =30)
абс. 1 % абс. 1 % р
ССЗ 30 60,0 8 26,67 0,003
Избыточный вес 28 56,0 2 6,67 0,000
Ожирение 15 30,0 0 0 0,000
ДСТ клинически 12 24,0 2 6,67 0,049
АФС 6 12,0 0 0 0,049
Примечание. ССЗ - сердечно-сосудистые заболевания; ДСТ - дисплазия соединительной ткани; АФС - антифосфолипидный синдром.
Необходимо отметить, что ожирение было зафиксировано только у беременных 1-й группы и встречалось у 15 (30,0%) пациенток (р<0,001). Избыточная масса тела в 1-й группе была диагностирована у 56,0% (28 беременных), а во 2-й группе - у 2 (6,67%) пациенток (р<0,001). Пациенток с нормальным уровнем ИМТ (18,5-24,9 к/м2) значимо больше было во 2-й группе: 28 (93,33%) беременных против 7 (14,0%) 1-й группы (р<0,001). Таким образом, беременные с эпизодами ОНМК в анамнезе были не только статистически значимо старше беременных из контрольной группы (условно здоровые), но и в среднем имели статистически значимо большую массу тела (ожирение у каждой третьей, избыточная масса тела у большинства).
Мы провели анализ репродуктивной функции в группах (табл. 1). Начало первой менструации значимо отличалось между группами: в 1-й группе менархе началась в 12,5± 1,05 года; во 2-й группе - в 13,93+0,93 года (р=0,025). Также были выявлены различия в длительности менструального цикла: в 1-й группе она составила 27,68+2,11 дней и была статистически значимо короче, чем во 2-й группе -29,27+1,51 дней (р<0,001).
У беременных 1-й группы чаще регистрировались преждевременные роды (в 1-й группе - 0,76+0,56, во 2-й группе -0,17+0,46), кесарево сечение (в 1-й группе - 0,38+0,53; во 2-й группе - 0,33+0,66; р<0,022). В 1-й группе статистически
значимо чаще были выявлены самопроизвольные аборты (выкидыши) и замершие беременности: 0,7+0,86 в сравнении со 2-й группой - 0,2+0,48 (р=0,019).
Можно сделать вывод, что в группе беременных с ОНМК значимо раньше наступает менархе, более длинный менструальный цикл, чаще фиксируются преждевременные роды и более высокая частота кесарева сечения, а также значимо выше частота самопроизвольных абортов и замерших беременностей.
Проведенный анализ уровня образования показал, что значимо чаще высшее образование было у беременных из 1-й группы - у 39 (78,0%) пациенток в отличие от 2-й группы -у 4 (13,33%) пациенток (р<0,001). В 1-й группе каждая 3-я беременная занимала пост руководителя - 15 (30,0%) пациенток, а во 2-й группе не было беременных, работавших на руководящих должностях (р<0,001). При этом уровень образования умеренно коррелировал с риском развития ОНМК (Л=0,468).
Изучение семейного анамнеза в обеих группах не выявило отличий в семейном статусе. Не отличались группы по такому показателю, как курение: в 1-й курили 4 (8,0%) беременные и во 2-й - 2 (6,67%). Несмотря на низкий коэффициент корреляции Спирмена (Я=0,172) мы выявили, что мужья беременных из 1-й группы с ОНМК курили в 3 раза чаще по сравнению с мужьями беременных из 2-й группы.
Таблица 3. Течение беременности, послеродового периода, состояние плода
Заболевание 1-я группа (п =50) 2-я группа (п =30)
абс. 1 % абс. 1 % р
АГ на фоне беременности 12 24,0 2 6,67 0,049
Угроза прерывания 25 50,0 0 0 0,000
Преэклампсия 6 12,0 3 10,0 0,787
Эклампсия 3 6,0 0 0 0,176
ПОНРП 5 10,0 0 0 0,075
ПРПО 8 16,0 1 3,33 0,085
Кровотечение на фоне беременности 4 8,0 0 0 0,115
ОРВИ 13 26,0 6 20,0 0,547
ИМВП 13 26,0 4 13,33 0,184
ФПН 8 16,0 2 6,67 0,227
ПН 3 6,0 0 0 0,176
ЗРП 5 10,0 0 0 0,075
Антенатальная гибель плода 10 20,0 0 0 0,008
Послеродовой эндометрит 4 8,0 0 0 0,115
Субинволюция матки 7 14,0 0 0 0,032
Мастит 4 8,0 0 0 0,115
Всего 34 68,0 5 16,7 0,028
Расшифровка аббревиатур дана в тексте. 10
J3
н
к U 1 К
со m Л I .0 н - - X
о - < Q. Ф
н U о. ф 1- О X ^
ф с < ю
к - m < .
£ s И
В о
к 5 " §
£ § ? °
? S °
Е £ 5 g
А £ ^ -0
® 10 I §■
_ 5 О
* 3 ° т
з s л 1
£ 5 § 5
в £ з
со m
Таблица 4. Параметры построенной нейронной сети
% s 5
О О <
f I S
о S
^ о
Ш
Анализ наличия соматической патологии показал, что имеется статистически значимое межгрупповое различие в отношении таких показателей, как частота сердечно-сосудистых заболеваний (р=0,003), избыточная масса тела (р<0,001) и ожирение (р<0,001), клиническое проявление дисплазии соединительной ткани (р=0,049) и частота встречаемости антифосфолипидного синдрома (р=0,049) (табл. 2).
Межгрупповой анализ частоты встречаемости сердечнососудистых заболеваний между группами показал, что значимо чаще в 1-я группе диагностировалась АГ - у 6 (12,0%) беременных, в отличие от 2-й группы, где данная патология не выявлена (р=0,049).
Также была проанализирована частота наследственно обусловленных тромбофилий (НОТ): в 1-й группе НОТ были выявлены у 42 (84,0%) беременных, а во 2-й - у 2 (6,67%) пациенток [гетерозиготная мутация метилентетрагидро-фолатредуктазы (MTHFR), р<0,001]. В 1-й группе НОТ были представлены мутацией V фактора свертывания крови (Лейден) у 6 (12,0%), II фактора свертывания (протромбин) у 10 (20,0%), PAI 1 (ингибитор активации плазминогена 1-го типа) у 17 (34,0%), протеина S и протеина С - по 7 (14,0%) беременных, антитромбина III у 8 пациенток (16,0%), анти-фосфолипидный синдром был выявлен у 6 (12,0%) и гипер-гомоцистеинемия у 15 (30,0%). Степень корреляции статистически значимо чаще встречалась между 1-й группой и наличием НОТ: R=0,777.
Анализ частоты встречаемости гинекологической патологии выявил статистически значимую разницу между группами только в отношении частоты встречаемости цервикаль-ная интраэпителиальная неоплазия (Cervical Intraepithelial Neoplasia - CIN) (в 1-й группе CIN выявлена у 13 (26,0%) беременных, во 2-й группе - у 1 (3,33%; р=0,009), и синдрома поликистозных яичников - 17 (34,0%) и 3 (10,0%) соответственно (р=0,016).
Были проанализированы частоты осложнений беременности, послеродового периода и состояние детей. Результаты показали, что существуют статистически значимые межгрупповые отличия в отношении частот выявления АГ (р=0,049), угрозы прерывания беременности (р<0,001) и антенатальной гибели плода (р=0,032) (табл. 3). Также статистически значимо различалась частота встречаемости патологии на фоне беременности: в 1-й группе она составила 68,0%; во 2-й группе - 16,7% (р=0,028). Статистически недостоверно чаще в 1-й группе фиксировались преждевременная отслойка нормально расположенной плаценты (ПОНРП), преждевременный разрыв плодных оболочек (ПРПО), кровотечения на фоне беременности, а также острые респираторно-вирусные инфекции (ОРВИ), инфекции мочевыводящих путей (ИМВП),
послеродовый эндометрит, субинволюция матки, мастит, фетоплацентарная (ФПН) и плацентарная недостаточность (ПН), а также задержка развития плода (ЗРП).
В ходе проведения данного исследования 80 беременных были разделены на обучающую выборку - 56 пациенток, контрольную и тестовую выборку (по 12 человек). В каждой выборке больные и здоровые составили соответственно 37 и 19; 7 и 5; 6 и 6 беременных. Обучающая выборка использовалась для обучения с помощью искусственного интеллекта нейронной сети, контрольная - для проверки ее производительности и работоспособности во время обучения, тестовая - для выполнения финальных проверочных тестов (это было предпринято, для того чтобы определить, как программа прогнозирует новые данные, которые не использовались ни в обучающей, ни в контрольных выборках).
о— о— о— о— о—
о— о— о— о— о—
о— о— о— о— о—
о— о— о— о— о—
о— о— о— о— о— о— о—
о— о— о— о— о—
о— о— о— о— о—
о— о— о— о— о—
MLP 69-18-2
W-
ч
Рис. 1. Топология нейронной сети MLP 39-18-2
Receiver Operating Characteristic (ROC) Curve Samples: Train, Test, Validation
0,2 0,4 0,6 0, 1 - Specificity (false positives)
Рис. 2. ROC-кривая
Искусственным интеллектом было сгенерировано 200 сетей. Однако нами выбрана одна из них, под номером 169, которая обладала наилучшими способностями в прогнозировании риска развития ОНМК (табл. 4).
Первое число во 2-м столбце табл. 4 показывает количество входных нейронов в модели сети - 69. Это число вычисляется как сумма количественных показателей: возраст, ИМТ, начало менархе, число преждевременных родов, самопроизвольных абортов и замерших беременностей, антенатальной гибели плодов по триместрам. Кроме количественных, использованы 30 качественных показателей: 29 показателей принимают два значения - да и нет, профессия - одна из четырех возможных (служащая, рабочая, руководитель, домохозяйка). В итоге: 7 + 29 х 2 + 4 = 69. Второе число - 18 скрытых нейро-
Рис. 3. Окно программного приложения по прогнозированию развития острого нарушения мозгового кровообращения на прегравидарном этапе*
* Разработанная авторами программа (№ 2023680299, Акиньшина В.А., Баяндурян Э.А., Андреева М.Д., Халафян А.А., 28.09.2023.) предназначена для прогнозирования возможных ОНМК на прегравидарном этапе, на фоне беременности, родов, послеродового периода и в интергенетическом интервале.
нов и третье - 2 выходных нейрона. В последующих столбцах показана производительность сетей в трех выборках, которая определяется как доля правильно классифицированных наблюдений (больных) в процентах. Максимально возможная производительность равна 100%.
С целью обучения сети использовали алгоритм Брой-дена-Флетчера-Гольдфарба-Шанно (Broyden-Fletcher-Gold-farb-Shanno) - BFGS, итерационный квазиньютоновский метод численной оптимизации. Цифра рядом с наименованием алгоритма обучения (6-й столбец) указывает на количество итераций, на которые сеть была обучена. В 7-м столбце табл. 4 указана функция ошибки SOS, используемая в процессе обучения, которая вычисляется как корень из суммы квадратов отклонений предсказанной переменной от исходной. В последних двух столбцах представлены функции активации скрытого (Identity) и выходного (Tanh) слоя построенной нейросети. Топология (архитектура) нейронной сети представлена на рис. 1.
Результаты классификации обучающей, тестовой и контрольной выборок показали, что ошибок в обучающей и контрольной выборках нет, все пациентки классифицированы правильно, в соответствии с принадлежностью к 1-й или ко 2-й группе. В тестовой выборке 1 беременная была ошибочно классифицирована сетью как здоровая, т.е. сеть допустила одну ошибочную классификацию в трех выборках из 80 беременных, следовательно, ее общая производительность составляет 98,75%. Чувствительность модели и ее специфичность на обучающей и контрольной выборках составила по 100%, на тестовой - чувствительность 83,3% и специфичность 100%. Созданная ROC-кривая для всей выборки представляет собой графическое изображение, построенное в системе координат между долями ложнопо-ложительных классификаций (ось Х) и истинно-положительных классификаций (ось Y). Чем больше площадь под ROC-кривой, тем выше прогностические свойства модели, максимально она стремится к 1,0. Площадь под ROC-кривой -0,98, следовательно, наша модель имеет высокие прогностические свойства (рис. 2).
Диалоговое окно разработанной программы показано на рис. 3.
Программа призвана помочь акушеру-гинекологу выделить группу риска по развитию ОНМК на основании общего и репродуктивного анамнеза с учетом социального статуса и вредных привычек партнера пациентки. После ввода соответствующих данных программа выводит на экран результат вычислений - вероятность возникновения ОНМК.
После внедрения разработанной программы в клиническую практику на основании полученных результатов была выделена группа пациенток с высоким риском развития сосудистых нарушений, что позволило своевременно провести дополнительные клинико-лабораторные исследования и назначить профилактическую терапию пациенткам на прегравидарном этапе. Параллельно профилактическую терапию проходили пациентки с ОНМК в анамнезе и готовились к беременности.
Таким образом, полученная нами модель способна облегчить процедуру классификации пациенток по клиническим показателям и состоянию здоровья в группы высокого и низ-
кого риска развития ОНМК на прегравидарном этапе и на ранних сроках беременности. Она проста в использовании, не требует обучения клинических специалистов работы с ней. Данная работа была проведена на базе центральной научно-исследовательской лаборатории ФГБОУ ВО КубГМУ Минздрава России.
Заключение
Внедрение разработанной прогностической модели создало условия для выделения пациенток с высокой степенью риска развития ОНМК, что позволило провести профи-
лактические мероприятия путем назначения по показаниям низкомолекулярных гепаринов (0,4 мл подкожно в сутки), ацетилсалициловой кислоты (100 мг/сут), фолиевой кислоты (5 мг/сут) и витаминов группы В.
Отсутствие эпизодов нарушения кровообращения у 20 пациенток с высокой степенью риска развития ОНМК подтверждает высокие прогностические свойства модели. Создание программных приложений по разработанным на основе проведенных исследований алгоритмам автоматизирует анализ полученных в процессе сбора анамнеза и клинического обследования данных и способствует принятию наиболее обоснованных решений лечащим врачом.
СВЕДЕНИЯ ОБ АВТОРАХ
Баяндурян Эммануэлла Ашотовна (Emmanuella A. Bayanduryan) - врач - акушер-гинеколог, ГБУЗ «Городская больница города Анапы» Минздрава Краснодарского края, Анапа, Российская Федерация E-mail: emmanuiella@mail.ru https://orcid.org/0000-0003-0227-2598
Андреева Маргарита Дарчоевна (Margarita D. Andreeva) - доктор медицинских наук, доцент, профессор кафедры акушерства, гинекологии и перинатологии ФПК и ППС, ФГБОУ ВО КубГМУ Минздрава России; главный внештатный акушер-гинеколог Министерства здравоохранения Краснодарского края, Краснодар, Российская Федерация E-mail: andreeva_md@mail.ru https://orcid.org/0000-0002-6524-3965
ЛИТЕРАТУРА
1. Варакин Ю.А. Эпидемиологические аспекты профилактики нарушений мозгового кровообращения // Нервные болезни. 2005. № 2. С. 4-10.
2. Бакунц Г.О. Эндогенные факторы церебрального инсульта. Москва : ГЭОТАР-Медиа, 2011. 360 с.
3. Кольцова Е.А., Петрова Е.А., Борщ Ю.В. Обзор факторов риска инсульта // Журнал неврологии и психиатрии им. С.С. Корсакова. 2022. Т. 122, № 12-2. С. 12-19. DOI: https://doi.org/10.17116/jnevro202212212212
4. Стаховская Л.В. Инсульт : руководство для врачей / под ред. Л.В. Стахов-ской, С.В. Котова. Москва : Медицинское информационное агентство, 2013. 400 с.
5. James A.H., Bushnell C.D., Jamison M.G., Myers E.R., Incidence and risk factors for stroke in pregnancy and the puerperium // Obstet. Gynecol. 2005. Vol. 106, N 3. P. 509-516. DOI: https://doi.org/10.1097/01.A0G.0000172428.78411.b0
6. Синьков С.В., Заболотских И.Б., Пенжоян Г.А., Музыченко В.П. Тромбофилии и принципы тромбопрофилактики в акушерстве // Анестезиология и реаниматология. 2011. № 2. С. 66-70.
7. Заболотских И.Б., Пенжоян Г.А., Синьков С.В. и др. Анализ диагностики и коррекции коагулопатий у беременных и родильниц с гестозом // Анестезиология и реаниматология. 2012. № 6. С. 28-33.
8. Тайтубаева Г.К., Грибачева И.А., Петрова Е.В., Попова Т.Ф. Инсульт и беременность: основные факторы риска // Исследования и практика в медицине. 2017. Т. 4, № 4. С. 27-34. DOI: https://doi.org/10.17709/2409-2231-2017-4-4-3
9. Халафян А.А. БТАТВТЮА 6. Математическая статистика с элементами теории вероятностей. Москва : Бином, 2010. 496 с.
REFERENCES
1. Varakin Yu.A. Epidemiological aspects of the prevention of cerebral circulation disorders. Nervnye bolezni [Nervous Diseases]. 2005; (2): 4-10. (in Russian)
2. Bakunts G.O. Endogenous factors of cerebral stroke. Moscow: GEOTAR-Media, 2011: 360 p. (in Russian)
3. Kol'tsova E.A., Petrova E.A., Borshch Yu.V. Review of stroke risk factors. Zhurnal nevrologii i psikhiatrii imeni S.S. Korsakova [Journal of Neurology and Psychiatry named after S.S. Korsakov]. 2022; 122 (12-2): 12-9. DOI: https://doi.org/10.17116/ jnevro202212212212 (in Russian)
4. Stakhovskaya L.V. Stroke. A guide for doctors. In: L.V. Stakhovskaya, S.V. Kotov (eds). Moscow: Meditsinskoe informatsionnoe agentstvo, 2013: 400 p. (in Russian)
5. James A.H., Bushnell C.D., Jamison M.G., Myers E.R., Incidence and risk factors for stroke in pregnancy and the puerperium. Obstet Gynecol. 2005; 106 (3): 509-16. DOI: https://doi.org/10.1097/01.AOG.0000172428.78411.b0
6. Sin'kov S.V., Zabolotskikh I.B., Penzhoyan G.A., Muzychenko V.P. Thrombophilias and principles of thromboprophylaxis in obstetrics. Anesteziologiya i reanima-tologiya [Anesthesiology and Reanimatology]. 2011; (2): 66-70. (in Russian)
7. Zabolotskikh I.B., Penzhoyan G.A., Sin'kov S.V., et al. Analysis of diagnosis and correction of coagulopathies in pregnant women and postpartum women with gestosis. Anesteziologiya i reanimatologiya [Anesthesiology and Reanimatology]. 2012; (6): 28-33. (in Russian)
8. Taytubaeva G.K., Gribacheva I.A., Petrova E.V., Popova T.F. Stroke and pregnancy: main risk factors. Issledovaniya i praktika v medicine [Research and Practice in Medicine]. 2017; 4 (4): 27-34. DOI: https://doi.org/10.17709/2409-2231-2017-4-4-3 (in Russian)
9. Khalafyan A.A. STATISTICS 6. Mathematical statistics with elements of probability theory. Moscow: Binom, 2010: 496 p. (in Russian)