CC BY
35
наличии достаточных навыков хирурга позволяет проводить факоэмульсификацию на глазах даже с дефектом цинновых связок. Однако недостатком является отсутствие надежной фиксации капсульного мешка вместе с имплантированной ИОЛ в послеоперационном периоде, что может служить причиной децентрации ИОЛ и дислокации комплекса «капсульная сумка+ИОЛ» в стекловидное тело.
Таким образом, несмотря на большое разнообразие предлагаемых способов, в хирургической практике продолжается поиск оптимальных решений для обеспечения гарантированного, безопасного, малотравматичного и стабильного положения линзы.
ЛИТЕРАТУРА
1. Афанасьева Н. И. Комплексное исследование силиконовых ионтраокулярных линз /Н. И. Афанасьева, Л. С. Чаброва, В. Г. Кохреидзе //Высокочастотные полимерные материалы в технике. -Тез. докл. межотраслевой конференции. - М., 1987. - С. 38 - 39
2. Анисимов С. И. Сравнительная оценка материалов для эластичных переднекамерных линз: Дис. ...д-ра мед. наук. - М., 1985. - 183 с.
3. Аксенов А. О. Реабилитация больных с посттравматическими дефектами радужки и хрусталика //Клиника и лечение повреждений хруста-
лика при экстремальных и криминальных ситуациях. - Матер. науч.-практ. конф. - М., 1993. -С. 64 - 65.
4. Балашевич Л. И. Рефракционная хирургия. -Спб., Издательский дом МАПО, 2002. - С. 35 - 40.
5. Балдаева Э. В. Заднекамерная интраокуляр-ная коррекция в хирургии травматической катаракты: Дис. .канд. мед. наук. - М., 1992. - 198 с.
6. Зайдуллин И. С. Интрасклеральная фиксация интраокулярных линз при подвывихах хрусталика /И. С. Зайдуллин, Р. А. Азнабаев, А. Р. Хали-мов //Матер. междунар. науч.-практ. конф. «Современные технологии лечения заболеваний переднего отрезка глаза». - Уфа. - 2008. - С. 552 -556.
7. Иошин И. Э. Внекапсульная фиксация ИОЛ при патологии хрусталика в осложненных ситуациях: Дис. .д-ра мед. наук. - М. - 1998. - 298 с.
8. Степанов А. В. Хирургия постконтузионного дислокационного интраокулярного синдрома // Вестник офтальмологии. - 1996. - №5. - С. 3 - 6.
9. Тахчиди Х. П. Избранные разделы микрохирургии глаза. Капсула хрусталика. - Екатеринбург. - 1998. - С. 22 - 27.
10. Шантурова М. А. хирургическое лечение кон-тузионных катаракт, осложненных мидриазом // Современные технологии хирургии катаракты. -М. - 2004. - С. 340 - 344.
G. Y. Begimbayeva
CORRECTION OF APHAKIA AT LACK OF CAPSULAR SUPPORT IN CATARACT SURGERY
The article is dedicated to one of actual problems in ophthalmology, possibility of intraocular aphakia correction at len posterior capsular injure and its full lack.
Г. Е. Бепмбаева
КАТАРАКТА ХИРУРГИЯСЫН КАПСУЛАЛЬЩ ЦОЛДАУДА АФАКИЯ КОРРЕКЦИЯСЫ
Макала кез карашыры капсуласына закым келген жардайда оны интраокулярлык коррекциялаура арналран, бул офтальмологияньщ мачызды мэселелершщ бiрi болып саналады. Операция керу кабшетш жорарылатура мYмкiндiк бередк
Э. Г. Канафьянова
НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ ТЯЖЕСТИ ТРАВМЫ ОРГАНА ЗРЕНИЯ
КазНИИ глазных болезней (Алматы)
Несмотря на определенные успехи, достигнутые в офтальмотравматологии во внедрение новых технологий, травматические повреждения органа зрения остаются одной из основных причин слабовидения и слепоты [1]. Учитывая, что любая травма может быть причиной судебного разбирательства, проблема разработки адекватных критериев оценки тяжести травмы является актуальной.
Оценка степени тяжести вреда здоровью в ранние сроки после травмы может быть ошибочной, так как срок стабилизации морфологических изменений поврежденных структур глазного яблока затягивается на 6 месяцев и более [4].
Реально оценить тяжесть полученных повреждений и прогнозировать исход травмы органа зрения можно только на основании всесторонней оценки посттравматического симптомоком-плекса, имеющегося у конкретного пациента, с учетом уровня полученной медицинской помощи, течения посттравматического периода и сроков, прошедших от момента получения травмы.
Для решения большинства плохо формализуемых задач1 уже давно применяются искусственные нейронные сети (ИНС). Их успех связан
1 Плохо формализуемые задачи - это проблемы, условия которых определены не полностью и не все их связи заданы в аналитической форме. При этом формулировка проблемы может содержать противоречия, а также не все соглашения о принятии решения могут быть в наличии.
с принципиальным отличием от традиционных методов. Нейронные сети не программируются в привычном смысле этого слова, они обучаются, что позволяет находить сложные нелинейные зависимости в данных. Генезис ИНС начинается с 1943 года, когда Маккалок и Питтс вводят понятие формального нейрона.
Формальный нейрон - это нелинейная функция от скалярного произведения входного вектора на вектор весов нейрона.
Такая простота базовых элементов позволяет объединять их в сложные вычислительные сети. Далее в 1958 г. Ф. Розенблатт создает первую нейронную сеть (персептрон), которая находит реальное применение в задачах распознавания образов и прогнозирования погоды.
В диагностике глазных болезней уже давно применяются методы статистической обработки данных, основанные на нейросетевом анализе. С помощью нейронных сетей разработаны экспертные системы для дифференциальной диагностики опухолей орбиты и прогнозирования рецидивов, для диагностики миопии, внутриглазной меланомы, и первичной открытоугольной глаукомы [2, 3, 4, 5, 6]. Нам представилось интересным и перспективным использование нейронных сетей для прогнозирования функционального исхода и, следовательно, тяжести полученной травмы глаза.
Необходимость данного исследования была продиктована возникающими сложностями при оценке тяжести вреда здоровью в судебно медицинской экспертизе проникающих ранений и контузий глаза в раннем посттравматическом периоде.
Целью работы явилось изучение возможности прогнозирования тяжести травмы при проникающих ранениях и контузиях глаза с использованием многослойного персептрона (MultiLayer Perceptron - MLP) [8], реализованного в виде приложения к StatisticaNeural Networks 4,0E [7].
МАТЕРИАЛЫ И МЕТОДЫ
Основной структурной единицей сети многослойного персептрона (MLP) является формальный нейрон [8]. Модель нейрона представляет собой простой процессор с несколькими входами и одним выходом.
Нейрон состоит из двух частей: суммирующей функции и функции активации. Суммирующая функция вычисляет общий входной сигнал нейрона, в данном случае как взвешенную сумму входов.
N
yj: и = Z wjyj + Q
j=i
Здесь {Wj, j=1, N} - параметры, называемые синаптическими весами; © - смещение или порог. Известны и другие методы комбинации входов нейрона, но самой распространенной является линейная суммирующая функция.
Выход нейрона а связан с u линейным или
нелинейным преобразованием а=(и), называемым функцией активации. Вычисленное значение а передается затем другим нейронам сети.
Нейронная сеть представляет собой множество взаимосвязанных нейронов. Сеть принимает некоторый входной сигнал из внешнего мира и пропускает его сквозь себя с преобразованиями в каждом нейроне. Таким образом, в процессе прохождения сигнала по связям сети происходит его обработка, результатом которой является определенный выходной сигнал.
На входной слой («Слой 1») нейронной сети подаются некоторые признаки (примеры) х1, х2, х3,..., х Далее эти примеры умножаются на весовые коэффициенты матрицы Wl и подаются на скрытый слой, подписанный на рисунке «Слой 2» . В нейронах скрытого слоя полученные значения суммируются и вычисляется некоторая нелинейная функция (функция активации). Затем результат преобразований подается на выходной слой (выход). Общая схема обучения нейронной сети, называемая обучением "с учителем", выглядит так:
1. Весовые коэффициенты нейронной сети устанавливаются некоторым образом, обычно - малыми случайными значениями.
2. На вход нейронной сети в определенном порядке подаются учебные примеры. Для каждого примера вычисляется ошибка Е, (ошибка обучения) и по определенному алгоритму проводится коррекция весов. Целью процедуры коррекции весов есть минимизация ошибки Еь
3. Проверка правильности работы сети - на вход в определенном порядке подаются контрольные примеры. Для каждого примера вычисляется ошибка Ев (ошибка обобщения). Если результат неудовлетворительный, то производится модификация множества учебных примеров или архитектуры сети и повторение цикла обучения.
Среднеквадратичная ошибка классификатора.
Нейронная сеть стремится минимизировать некую ошибку на множестве данных. Одним из возможных функционалов является среднеквадратичная ошибка.
Пусть Х - выборка объема N тестовых примеров Х подаваемых на вход ИНС. Тогда Y-множество всех ответов у даваемых ИНС на тестовые примеры. В алгоитмах обучения с учителем уже априори известны правильные ответы tj из множества Т Причем объемы всех трех множеств совпадают. И область значений ответов сети у лежит в интервале [0,1], а область значений правильных ответов jj принадлежит бинарному множеству {0,1}. Средней квадратичной ошибкой будем называть сумму квадратов разностей между выходом сети у и правильными ответами jj.
1 К
М = £ ( У. - О2
^ . = 1
Рассмотрим свойства этой функции на
примере ИНС более подробно. Положим, что во всех тестовых случаях нейроклассификатор дает правильный ответ, т. е. разница между ожиданием tj и выходом у будет грубо говоря нулевая, соответственно, такой же будет и средняя квадратичная ошибка. Благодаря возведению в квадрат, в суммарной ошибке учитываются только значительные отклонения выхода сети от ожидаемого значения.
На практике значения среднеквадратичной ошибки меньше 0,3 соответствуют хорошему качеству классификации.
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Клинический материал включал результаты обследования 407 пациентов с травмами глаза, находившихся на лечении в КазНИИ ГБ. Из них 205 пациентов с проникающими ранениями и 202 пациента с контузиями глазного яблока. С целью прогнозирования был предложен комплекс признаков, используемых для определения изменения посттравматической остроты зрения. При проникающем ранении были выбраны 24 признака или компоненты, при контузии глазного яблока - 27 компонент. Компонента - это постоянная математическая величина. Каждый клинический признак травмы явился компонентой входного вектора нейронной сети, используемой для обучения этой сети.
При проникающих ранениях первые 23 компоненты - это закодированные клинические признаки травмы. Последняя компонента - это посттравматическая острота зрения, закодированная следующим образом:
- если острота зрения лежит в полуинтервале [0,0-0,4], что соответствовало тяжелой степени травмы, то компонента равна 2;
- если острота зрения лежит в полуинтервале (0,4-1,0], то травма нетяжелой степени и компонента равна 1.
Первые 23 компоненты, т. е. клинические признаки являются входным вектором, последняя 24 компонента является выходом. При контузии глаза первые 26 компонент - это закодированные клинические признаки. Последняя компонента - это посттравматическая острота зрения, закодированная следующим образом:
- если острота зрения находилась в пределах [0,0-0,1] - это соответствовало тяжелой степени травмы;
- если острота зрения в пределах [0,1-0,4] -средней степени;
- если острота зрения находилась в полуинтервале [0,4-1,0] - легкой степени повреждения.
Среди общего количества наблюдений тяжелая степень контузии встречалась в 125 случаях, средней тяжести - в 32 и легкая степень -в 50 случаях. Учитывая, что для классификации по трем типам повреждений необходимо увеличить количество наблюдений средней и легкой тяжести хотя бы до 100 случаев, было рекомендовано закодировать остроту зрения следующим образом:
- если острота зрения находится на отрезке [0,0; 0,1], то компонента равна 1, т. е. контузия тяжелой степени;
- если острота зрения лежит в полуинтервале [0,1; 1,0], то компонента равна 2.
Задача прогнозирования заключалась в сопоставлении входного вектора, т.е. клинического признака тяжелому (125 случаев), либо среднему или легкому (82 случая) повреждению глаза.
В процесс построения нейросетевого классификатора входила задача выделения наиболее значимых компонент входного вектора, т.е. клинических признаков. Редукция размерности входного пространства выполнялась с помощью пошагового алгоритма выделения признаков.
Некоторые ИНС, к примеру, MLP, могут игнорировать мало информативные признаки. Но существует много архитектур ИНС, к примеру, RBF, которые будут учитывать лишние признаки, тем самым теряя точность классификации. Редукция размерности входного пространства позволяет не только улучшить генерализацию классификатора, нивилировать эффект проклятья размерности, уменьшить объем минимальной обучающей выборки, но и получить более простой и понятный результат.
Основной идеей является кодирование входных признаков бинарной маской. К примеру, для восьмимерного входного пространства рассмотрим маску m=(0,0,1,0,1,1,1,1), где каждый бит соответствует отдельному признаку. Если какой-либо бит равен 1, то соответствующий ему признак участвует в классификации; если же бит равен 0, тогда соответствующий признак исключается из выборки.
Пошаговый алгоритм выбора признаков работает по принципу добавления (Forwards Stepwise Feature Selection, FSFS) или удаления (Backwards Stepwise Feature Selection, BSFS) одной из компонент за 1 раз. Прямой алгоритм FSFS начинается с компоненты, которая наиболее хорошо коррелирует с выходом. На следующем шаге алгоритм добавляет компоненту, которая улучшает предсказание. Цикл итераций продолжается до тех пор, пока не будет новых улучшений в предсказании или же все входные компоненты будут перебраны. Обратный алгоритм BSFS, наоборот, начинается с полного набора входных компонент. На каждом шаге он удаляет одну компоненту, которая менее всех влияет на качество предсказания. Критерием алгоритма является резкая деградация качества прогноза [10].
И прямой FSFS, и обратный BSFS алгоритмы имеют свои достоинства и недостатки. Алгоритм FSFS является в целом более быстрым, но он может пропустить важные признаки, если они являются взаимозависимыми, т.е. для улучшения модели нужно добавить сразу несколько элементов. У метода BSFS нет такого недостатка. Но поскольку он начинается с полного набора компонент, то начальные итерации могут быть до-
вольно ресурсоемкими. Более того, из-за большого количества входных переменных модель BSFS может иметь плохую точность, т.е. для алгоритма будет сложно вести себя в пределах некоторой допустимой точности, особенно если во входном наборе элементов есть всего несколько слабо предсказуемых признаков. Напротив, алгоритм FSFS может быть успешно применен в данной ситуации, поскольку он стартует с небольшого количества входных параметров. Также следует отметить, что алгоритм FSFS гораздо быстрее, когда во входном наборе признаков всего несколько связанных переменных, в то время как BSFS не срежет иррелевантные переменные до конца всех итераций.
С помощью пошагового алгоритма были выбраны следующие 9 признаков: увеит, катаракта, повреждение радужки, гемофтальм, В\Г инородные тела, эндофтальмит, центральное ранение роговицы без повреждения оболочек, периферическое ранение роговицы с повреждением оболочек, центральное ранение площадью более / роговицы. В табл. 1 приведена линейная корреляция входных компонент с выходом.
Признаки, выбранные для дальнейшей классификации, отмечены жирным шрифтом.
Результаты проверки нейронной сети, состоящей из 23 входных компонент, и 202 примера изложены в табл. 2. Нормировка входного вектора проводилась для каждой компоненты отдельно. Данные разбивались на обучающие (101 пример), проверочные (50 примеров), тестовые (51 пример) множества.
«Всего» - общее количество примеров для каждого из множеств, «Правильно» - количество правильно классифицированных примеров. «Неправильно» - количество неправильно классифицированных примеров, «Неопределенно» - количество примеров, которые сеть не смогла отнести ни к одному из предложенных классов. «Легкая степень» - острота зрения лежит в интервале [0.4, 1.0]. «Тяжелая степень» - острота зрения лежит в интервале [0,0.4].
Как следует из табл. 2, среднеквадратичная ошибка на обучение составила 0,11, на верификации - 0,14, на тесте 0,27. Сеть, на которой был достигнут данный результат, представляет собой многослойный персептрон (Multi Layer Per-
Таблица 1.
Линейные корреляции между входным вектором и выходом при проникающих ранениях
Наименование признака Острота зрения
Увеит 0,71266
Катаракта 0,18884
Повреждение радужки 0,060998
Гемофтальм 0,59058
Глаукома 0,13357
Синехии 0,16384
Дислокация зрачка 0,19666
Кератит -0,05224
Отслойка сетчатки 0,38727
Внутриглазные инородные тела 0,30883
Эндофтальмит 0,21194
Рубец в заднем полюсе 0,22404
Симпатическая офтальмия 0,046394
Металлоз 0,11508
Ранение роговицы центральное без повреждения оболочек -0,38208
Ранение роговицы парацентральное с повреждением оболочек -0,23747
Периферическое ранение роговицы с повреждением оболочек -0,03698
Центральное ранение более / роговицы 0,14204
Ранение склеры без выпадения оболочек 0,068236
Ранение склеры с выпадением оболочек 0,19534
Роговично-склеральное ранение без выпадения оболочек -0,21059
Роговично-склеральное ранение с выпадением оболочек 0,33667
Субатрофия глазного яблока 0,20572
септрон игнорирует исключенные компоненты.
При контузиях глазного яблока выборка состояла из 22 входных компонент и 202 примеров. Нормировка входного вектора проводилась для каждой компоненты отдельно. Данные разбивались на обучающие (101 примеров), проверочные (50 примеров), тестовые (51 примеров) множества.
Численные эксперименты по редукции размерности пространства входных признаков контузии глаза не позволили существенно снизить размерность, не потеряв при этом точности классификации. Поэтому в выборку были включены следующие входные компоненты (табл. 4).
Результаты обучения, проверки и тестирования приведены в табл. 5.
В данной табл. «Всего» - общее количество примеров для каждого из множеств, «Правильно» - количество правильно классифицированных примеров, «Неправильно» - количество неправильно классифицированных примеров, «Не определено» - количество примеров, которые сеть не смогла отнести ни к одному из предложенных классов, «Тяжелая степень» - острота зрения лежит на отрезке [0,0; 0,1]. «Нетяжелая степень» - острота зрения лежит в полу интервале [0,1;1]. Среднеквадратичная ошибка на обучение составила 0,13, на верификации 0,14, на тесте 0,37, что свидетельствует о достаточной точности нейронной сети.
ВЫВОДЫ
Таким образом, спользование нейросете-вого анализа при травмах глаза позволило выделить ряд клинических признаков, обуславливающих функциональный исход травмы. Результаты проверки нейронной сети показали высокую до-
Таблица 2.
Результаты обучения, проверки и тестирования нейронной сети при проникающих ранениях,
состоящей из 23 входных компонент
Обучение Верификация Тест
Результаты Легкая степень Тяжелая степень Легкая степень Тяжелая степень Легкая степень Тяжелая степень
Всего 33 68 18 32 10 41
Правильно 33 66 18 31 9 38
Неправильно 0 2 0 1 1 3
Неизвестно 0 0 0 0 0 0
Таблица 3.
Результаты обучения, проверки и тестирования нейронной сети при проникающих ранениях,
состоящей из 9 входных компонент
Результаты Обучение Вериф жкация Тест
Легкая степень Тяжелая степень Легкая степень Тяжелая степень Легкая степень Тяжелая степень
Всего 29 72 20 30 12 39
Правильно 29 71 18 28 9 38
Неправильно 0 1 2 2 3 1
Не определено 0 0 0 0 0 0
ceptron, MLP), состоящий из трех слоев: первый слой является входным и содержит 27 элементов с линейной функцией активации, скрытый слой содержит 12 элементов с логарифмической функцией активации и выходной слой содержит 1 элемент также с логарифмической функцией активации. Сеть обучалась методом обратного распространения ошибки (Back propagation) 50 эпох.
Результаты проверки нейронной сети, состоящей из 9 входных компонент и 202 примеров, приведены в табл. 3. Нормировка входного вектора проводилась для каждой компоненты отдельно. Данные разбивались на обучающие (101 пример), проверочные (50 примеров), тестовые (51 пример) множества.
По результатам проверки среднеквадратичная ошибка на обучение составила 0,09, на верификации - 0,23, на тесте 0,28. Полученные данные свидетельствуют о высокой точности построенной нейронной сети. Сеть, на которой был достигнут данный результат, представляет собой многослойный персептрон (Mutti Layer Per-ceptron, MLP) состоящий из 3 слоев: первый слой является входным и содержит 13 элементов с линейной функцией активации, скрытый слой содержит 8 элементов с логарифмической функцией активации и выходной слой содержит 1 элемент также с логарифмической функцией активации. Сеть обучалась методом обратного распространения ошибки (Back propagation) 50 эпох.
Исходя из полученных результатов, можно предположить, что исключенные компоненты (клинические признаки) не влияют на качество прогноза и являются малоинформативными. Одинаковое качество классификации (табл. 2 и 3) свидетельствует о том, что многослойный пер-
Таблица 4.
Линейная корреляция входного компонента с выходным при контузии глазного яблока
Наименование признака Лин. корр. с остротой зрения
Гематома век 0,04
Субконъюнктивальное кровоизлияние 0,06
Рана конъюнктивы -0,15
Эрозия роговицы 0,25
Иридоциклит -0,20
Гифема -0,13
Гемофтальм -0,56
Гипертензия -0,17
Повреждение радужки -0,25
Сублюксация хрусталика -0,31
Травматический мидриаз -0,38
Травматическая катаракта -0,17
Берлиновское помутнение сетчатки 0,69
Ретинальное кровоизлияние -0,21
Разрыв хориоидеи -0,21
Дырчатый разрыв макулярной области -0,18
Отслойка сетчатки -0,30
Разрыв роговицы -0,14
Гипотония -0,35
Атрофия зрительного нерва -0,16
Перелом стенок глазницы со смещением -0,15
Макулярный отек 0,45
Таблица 5.
Результаты обучения, проверки и тестирования нейронной сети при контузии глазного яблока
Результаты Обучение Верификация Тест
Тяжелая степень Нетяжелая Степень Тяжелая Степень Нетяжелая степень Тяжелая степень Нетяжелая степень
Всего 62 39 33 17 29 22
Правильно 61 38 32 17 25 19
Неправильно 1 1 1 0 4 3
Не определено 0 0 0 0 0 0
стоверность полученных данных. Выявленные клинические критерии могут быть использованы в качестве объективных критериев оценки тяжести вреда здоровью в судебно-медицинской оценке травм органа зрения.
ЛИТЕРАТУРА
1. Гундорова Р. А. Повреждения органа зрения. Вопросы, требующие дальнейших разработок // Вестник офтальмологии. - 2006. - С. 4 - 26.
2. Долматова И. А. Применение нейронных сетей к дифференциальной диагностике опухолей орбиты /И. А. Долматова, И. С. Югай //Нейроин-форматика и ее приложение. Тез. докладов Все-
российского рабочего семинара 7-10 октября 2000 г. - Красноярск., 2000. - С. 126 - 127.
3. Комаровских Е. Н. Возможность диагностики первичной открытоугольной глаукомы искусственными нейронными сетями /Е. Н. Комаров-ских, С. Н. Ланин //Сб. научных трудов "Глаукома. Глаукома на рубеже тысячелетий. Итоги и перспективы". - М., 1999. - С. 72 - 74.
4. Мошетова Л. К. Механические травмы глаза: Дис. .д-ра. мед. наук. - М., 1993. - 50 с.
5. Пак А. А. Нейросетевое диагностирование миопии /А. А. Пак, А. Д. Тапенбаева //Нейроин-форматика и ее приложения. Тез. докладов Все-
российского рабочего семинара 22-25 января 2008 г. - М., 2008. - С. 87 - 88. 6. Россиев Д. А. Ранняя диагностика злокачественных опухолей сосудистой оболочки глаза с использованием нейронных сетей /Д. А. Россиев, Е. В. Бутакова //Нейроинформатика и ее приложения. Тез. докл. Всеросс. рабочего семинара 710 октября 1994. - Красноярск., 1994. - С. 44.
7. Bishop Ch. M. Neural Networks for Pattern Recognition //Clarendon Press, Oxford., 1996. - P. 224 - 227.
8. Tuv E. Intelligent Data Engineering and Automated Learning - IDEAL 2006 /E. Tuv, A. Borisov, K. Torkkola //Springer Berlin. - 2006. - P. 1048 -1056.
Поступила 03.03.10
E. G. Kanafyanova
NEURONET PREDICTION OF VISION ORGAN TRAUMA SEVERITY
This article presents of neuronet classifiers testing results for the forecast of posttraumatic severity in case of penetrating damages of eyes
Э. Г. Канафьянова
К9РУ ОРГАНЫ ЖАРАКАТЫНЬЩ АУЫРЛЫРЫН НЕЙРОЖУЙЕЛ1К БОЛЖАУ
Макалада кездщ eтпелi жэне контузиялык жаракатынан кейшп нейрожYЙелiк классификатормен тесплеу аркылы жаракаттьщ ауырлык дэрежесiн болжау нэтижелерi кeрсетiлген.
С. К. Кудеринов
КЛИНИЧЕСКАЯ ЭФФЕКТИВНОСТЬ ФИТОПРЕПАРАТА «ПРОЛИТ» В ЛЕЧЕНИИ МОЧЕКАМЕННОЙ БОЛЕЗНИ
Кафедра хирургических болезней №2 с урологией Карагандинского государственного медицинского университета
Проблема комплексного консервативного лечения мочекаменной болезни остается актуальной до настоящего времени, несмотря на внедрение в урологическую практику современных методов лечения нефроуролитиаза. Применение малоинвазивных хирургических технологий контактной и дистанционных литотрипсий диктует необходимость увеличения лекарственных препаратов, способствующих процессу элиминации мелких конкрементов, улучшению функционального состояния почек и санации верхних мочевых путей. Наряду с ранее применяемыми и широко известными фитопрепаратами (ФП), как Фитолизин, Канефрон и другими, появились и новые, такие как Пролит, активно используемые нефрологами и урологами России [1, 2].
Производитель ФП Пролит «П. Т. Индастри Джаму Боробудур», Индонезия. Из аннотируемых свойств веществ, входящих в состав Пролита, многое уже известно. Так, Шелковочашечник кур -чавый давно известен как лекарственное растение, эффективно растворяющее конкременты различного состава, обладающее мочегонным, гипогликемическим и слабительным свойствами. Почечный чай (кошачий ус) обладает выраженными диуретическими свойствами. Мочегонный эффект сопровождается усиленным выделением из организма мочевины, мочевой кислоты и хлоридов. Повышает клубочковую фильтрацию, улучшает функцию канальцев. Его применяют при острых и хронических заболеваниях почек,
сопровождающихся отеками, альбуминурией, азо -темией и образованием почечных камней, при циститах, уретритах, подагре, диабете, при холецистите, желчнокаменной болезни, сердечных за -болеваниях, сопровождающихся отеками. Эффективен в условиях длительного применения при заболеваниях почек. Не вызывает побочного действия. Филлантус нирури - растение, получившее в последние годы широкую известность во многих странах мира из-за своей способности разрыхлять практически любые камни. В связи с этим в Южной Америке его прозвали «камнеломкой». Филлантус нирури обладает также выраженным антимикробным и мочегонным свойствами.
Осот огородный также обладает мочегонным, желчегонным, противовоспалительным и легким послабляющим свойствами, применяется и при заболеваниях мочевого пузыря. Плоды перца кубебы оказывают четко выраженное антисептическое действие, дезинфицирующее мочеполовые пути, используются для профилактики и лечения венерических заболеваний.
Листья и кожура зеленых плодов папайи содержат комплекс ферментов, включая папаин, прекрасно помогающий при нарушениях желудочно-кишечной секреции, особенно при затруднении переваривания белков. Эти вещества нормализуют работу гепатобилиарной системы, благодаря чему растворяются камни в печени и желчном пузыре.
Цель исследования: изучить эффективность ФП Пролит при комплексном консервативном лечении больных нефроуролитиазом. Клиническое исследование проведено на курсе урологии кафедры хирургических болезней №2 Карагандинского государственного медицинского университета. В исследование включили больных с мочекаменной болезнью в возрасте от 20 до 72 лет. Из них в основной группе мужчин было 13, женщин - 7. Все они в комплексе консервативно-
