CC BY
36https://doi.org/10.29188/2222-8543-2020-13-4-50-56
Определение химического состава мочевого камня in vivo по профилЬ потребления нутриентов
РЕТРОСПЕКТИВНОЕ ИССЛЕДОВАНИЕ
М.Ю. Просянников, С.А. Голованов, О.В. Константинова, Д.А. Войтко, Н.В. Анохин, А.В. Сивков, О.И. Аполихин
НИИ урологии и интервенционной радиологии им. Н.А. Лопаткина - филиал ФГБУ «НМИЦ радиологии» Минздрава России. ул. 3-я Парковая 51, Москва, 105425, Россия
Контакт: Просянников Михаил Юрьевич, [email protected]
Аннотация:
Введение. В настоящее время существующие методы определения химического состава камня in vivo не обладают необходимой точностью. В связи с этим, разработка методов высокоточного определения химической природы мочевых камней с применением современных технологий является актуальной для современной урологии
Материалы и методы. 72 пациентам с МКБ, проходившим лечение в НИИ урологии и интервенционной радиологии им. Н.А. Лопаткина - филиал ФГБУ «НМИЦрадиологии» Минздрава России наряду с общеклиническими методами обследования выполняли определение химического состава мочевых камней при помощи инфракрасной спектроскопии. Мочевые камни классифицировали по преобладающему минеральному компоненту на 6 основных типов (кальций-оксалатные, мочекислые,кальций-фосфатные, магниево-аммониево-фосфатные, урат-амониевые и смешанные), а также определение стереотипа питанияпо 25 нутриентам при помощи электронной анкеты. Построение модели классификации выполняли с помощью инструментов современного комплекса методов Data mining - IBM SPSS Modeler 18.0 (IBM Corparation, USA)
Результаты. Использован набор данных, включающий результаты анкеты-стереотипа питания и анализа химического состава мочевых камней, на основании которого была построена модель,позволяющая высокоточно прогнозировать in vivo химический тип мочевых камней. Построенная модель машинного обучения (алгоритм С5.0) обладает высокой прогностической точностью (98,6-100%), специфичностью (98,2-100%) и чувствительностью (100% для основных типов камней и 75,0% - для смешанных),
Выводы. Разработанный метод определения химического состава мочевого камня in vivo по показателям стереотипа питания пациентов, имеет высокую специфичность, чувствительность и точность,что позволяет использовать данную прогностическую модель в клинической практике.
Ключевые слова: мочекаменная болезнь, химический состав мочевых камней, способы определения химического состава мочевых камней.
Для цитирования: Просянников М.Ю., Голованов С.А., Константинова О.В., Войтко Д.А., Анохин Н.В., Сивков А.В., Аполихин О.И. Определение химического состава мочевого камня in vivo по профилю потребления нутриентов. Экспериментальная и клиническая урология 2020(4):50-56, https://doi.org/10.29188/2222-8543-2020-13-4-50-56
https://doi.org/10.29188/2222-8543-2020-13-4-50-56
Determination of the chemical composition of urinary stones in vivo by the profile of nutrient consumption
RETROSPECTIVE STUDY
M.Yu. Prosyannikov, S.A. Golovanov, O.V. Konstantinova, D.A. Voytko, N.V. Anokhin, A.V. Sivkov, O.I. Apolikhin
N.A. Lopatkin Research Institute of urology and Interventional Radiology - Branch of the National Medical Research Radiological Centre of Ministry of health of Russian Federation. 51, 3-rd Parkovaya st., Moscow, 105425, Russia
Contacts: Mikhail Yu. Prosiannikov, [email protected]
Summary:
Introduction. Currently, existing methods for determining the chemical composition of the stone in vivo do not have the necessary accuracy. In this regard, the development of methods for high-precision determination of the chemical nature of urinary stones using modern technologies is relevant for modern urology. Materials and methods. 72 patients with urolithiasis who were treated at the Institute of urology and interventional radiology. N.A. Lopatkin - a branch of the Federal state budgetary institution «NMIC of radiology» of the Ministry of health of Russia, along with standard methods of examination, performed the determination of the chemical composition of urinary stones using infrared spectroscopy. Urinary stones were classified according to the predominant mineral component into six main types (calcium-oxalate, uric acid, calcium phosphate, magnesium-ammonium-phosphate, urate-ammonium and mixed), as well as determining the nutrition stereotype for 25 nutrients using an electronic questionnaire. The classification model was built using the tools of a modern set of Data mining methods-IBM SPSS Modeler 18.0 (IBM Corporation, USA).
Results. the data set includes the results of the survey of pattern of food and chemical composition analysis of urinary stones on the basis of which a model was produced, allowing high-precision to predict in vivo chemical type of urinary stones. The constructed machine-learning model (C5.0 algorithm) has high predictive accuracy (98.6-100%), specificity (98.2-100%), and sensitivity (100% for the main types of stones and 75.0% for mixed ones). Conclusions. the Developed method for determining the chemical composition of urinary calculus in vivo based on the indicators of the patients nutrition stereotype has a high specificity, sensitivity and accuracy, which allows using this prognostic model in clinical practice.
Key words: urolithiasis, chemical composition of urinary stones, methods for determining the chemical composition of urinary stones.
For citation: Prosyannikov M.Yu., Golovanov S.A., Konstantinova O.V., Voytko D.A., Anokhin N.V., Sivkov A.V., Apolikhin O.I. Determination of the chemical composition of urinary stones in vivo by the profile of nutrient consumption. Experimental and clinical urology 2020(4):50-56, https://doi.org/10.29188/2222-8543-2020-13-4-50-56
экспериментальная и клиническая урология № 4 2020 www.ecuro.ru
ВВЕДЕНИЕ
Определение химического состава камня является крайне важной задачей в профилактике мочекаменной болезни. Существует 2 способа определения химического состава мочевых камней: in vitro (после удаления, либо самостоятельного отхождения камня из мочевых путей) и in vivo (без удаления мочевого камня из организма). Согласно российским, европейским и американским рекомендациям принято использовать 2 основных метода определения мочевых камней in vitro: рентгеновскую дифракцию (рентгено-фазовый анализ) и инфракрасную спектрометрию [1]. При этом необходимо отметить, что эффективность данных методов сопоставима и обладает высокой точностью.
Активное удаление конкрементов при помощи оперативного пособия либо проведения литокинети-ческой терапии не всегда показано. В таких случаях предположить in vivo химическую природу мочевого камня возможно при помощи методов, основывающихся на определении рентеноконтрастности мочевых камней и ряда показателей мочи, либо уровней экскреции с мочой литогенных веществ [2,3].
Наиболее известным методом определения химического состава мочевых камней in vivo принято считать определение рентгенологических характеристик. Согласно данному методу выделяют 3 вида мочевых камней: рентгенпозитивные, слабо рентгенпозитивные и рентгеннегативные. Поскольку каждому виду рентгенологической характеристики соответствует несколько типов камней (рентгенпозитивными камнями могут быть камни, состоящие из моногидрата кальция оксалата, дигидрата кальция оксалата и фосфата кальция, а рентген-негативными могут быть 5 типов: моче-кислые, урат-аммониевые, ксантиновые, 2,8-дигидро-ксиадениновые и лекарственные), то такой метод не обладает высокой точностью [4,5].
Развитие методов компьютерной томографии открыло новые возможности для анализа структуры и состава мочевых конкрементов. Все шире внедряется двухэнергетическая компьютерная томография, позволяющая определять минеральный состав мочевых камней in vivo. Согласно опубликованным данным N.M. Kulkarni и соавт., В.И. Руденко и соавт., полученные результаты позволяют отличить кальциевые камни от мочекислых, что безусловно способствует выбору оптимального метода лечения и повышению его эффективности, однако точность определения всех типов химического состава камней в настоящий момент не высока [6,7].
Наиболее изученным подходом в определении химического состава камня in vivo при помощи лабораторных показателей является анализ суточной экскреции с мочой литогенных веществ. Наиболее известными в
данном направлении работами являются исследования D.M.Moreira и соавт. и F.C. Torricelli и соавт. [8,9]. Однако их недостатком является низкая точность (42-68%) и значительное сокращение определяемых типов камней (с 6 основных известных типов до 2-х: мочекислых и оксалатных). При этом достаточно надежно определяется наличие только мочекислых камней. Возможно, что причиной этого является использование авторами для анализа данных стандартных статистических методов, в том числе логистической регрессии. Между тем, еще в 1996 году для статистического анализа взаимосвязей метаболических показателей с химическим составом мочевых камней в НИИ урологии МЗ РСФСР Н.Н. Поповкиным и соавт. была разработана модификация метода дискриминантного анализа данных с использованием оригинального набора решающих правил и развернутого алгоритма [10]. Данный метод позволил определить точно химический состав камня в 58,1% и в 22,5% верно распознать основной минеральный компонент [11].
Продолжением работы, начатой Н.Н. Поповки-ным с учетом современных статистических инструментов, явилась работа С.А. Голованова и соавт., в которой предложен метод определения химического состава камня in vivo по метаболическим показателям с применением инструментов Data mining. В работе авторы показали, что разработанная модель имеет высокую чувствительность (97,5-100%), специфичность (99,3100%) и точность при классификации всех шести типов мочевых камней (99,5-100%) [12].
Между тем, известно, что метаболические изменения, приводящие к формированию мочевых камней, во многом зависят от питания [13]. Это нашло подтверждение, например, в рекомендациях Американской ассоциации урологов по ведению пациентов с МКБ, где подчеркивается, что определение алиментарного фактора является обязательным[14].
В настоящий момент оценить стереотип питания возможно, используя анкеты, опросники и дневники, однако, данные способы трудны в исполнении и интерпретации полученных результатов, что затрудняет их применение в клинической практике. В связи с этим, большой интерес представляет использование электронных опросников [15]. Существует целый ряд зарубежных и отечественных разработок в данном направлении, одной из которых является анкета стереотипа питания, разработанная в НИИ урологии и интервенционной радиологии им. Н.А. Лопаткина в 2015 году. Данная анкета позволяет определять не только профиль потребления нутриентов каждого отдельного продукта. Результаты анкеты выражаются в наборе числовых данных, что позволило провести статистическое исследование с целью изучения возможности определения химического состава мочевых камней in vivo [16]. Н
экспериментальная и клиническая урология № 4 2020 www.ecuro.ru
МАТЕРИАЛЫ И МЕТОДЫ
В исследование включены 72 пациента с мочекаменной болезнью (38 мужчин и 34 женщины в возрасте от 18 до 70 лет), проходившие в 2019 году оперативное лечение (контактная литотрипсия, перкутанная нефро-литотрипсия, самостоятельное отхождение конкрементов) в НИИ урологии и интервенционной радиологии им. Н.А. Лопаткина - филиал ФГБУ «НМИЦ радиологии» Минздрава России. Всем пациентам выполняли определение химического типа камня и оценку стереотипа питания.
Химический состав мочевого камня определяли с помощью инфракрасного спектрометра ИК-Фурье Nicolet iS10 (Thermo Scientific, США, дистрибьютор в России INTERTECH Corparation, http://www.intertech-corp.ru/) с использованием библиотеки спектров мочевых камней известного состава. На основе полученных данных выделяли 6 химических типов камней, классифицированных по преобладающему компоненту (более 50% минеральной основы): оксалатные камни, мочекис-лые камни, кальций-фосфатные из карбонатапатита, магниево-аммониево-фосфатные, урат-аммониевые и смешанные, состоящие из 2-х или 3-х компонентов, в которых ни один из указанных не превышал 50% состава (табл.1). В исследовании химический тип камня являлся зависимой переменной.
Определение стереотипа питания оценивали при помощи электронной анкеты (nethealth.ru/foodquize) по 25 группам нутриентов, таких как: килокалории, кальций, белки, магний, жиры, калий, углеводы (общее), натрий, простые углеводы (сахар), сложные углеводы (крахмал), каротин (предшественник вит. А), аскорбиновая кислота (вит. С), пурины (мочевая кислота), фосфор, холестерин, железо, оксалаты, ретинол (вит. А),
пищевые волокна, тиамин (вит. В1), насыщенные жирные кислоты, токоферол (вит. Е), вода, пиридоксин (вит. В6), исходя из содержания нутриента в 100 г каждого употребляемого пациентом продукта, а также определяли количество килокалорий. Показатели стереотипа питания в исследовании являлись независимыми переменными.
Построение модели классификации выполняли с помощью инструментов современного комплекса методов Data mining - IBM®SPSSModeler 18.0 (IBM, Corporation, USA), использующего весь потенциал прогностического моделирования и различные алгоритмы машинного обучения для выявления в изучаемом наборе данных новых сведений и ранее неизвестных скрытых взаимосвязей между переменными, которые не могут быть получены путем простого статистического анализа.
РЕЗУЛЬТАТЫ
На основе 72 клинических наблюдений сформирована база данных, включающая результаты анкеты стереотипа питания (независимые переменные) и химический состав мочевых камней (зависимые переменные). С помощью построителя математической модели IBM® SPSS modeler создана модель определения химического типа камня с использованием алгоритма С 5.0 (рис. 1) [17, 18].
Рис. 1. Модель определения химического типа камня in vivo на основании данных стереотипа питания [17, 18] .
Fig. I.Model for determining the chemical type of stone in vivo based on the data of the nutrition stereotype. [17, 18]
Таблица 1. Зависимые переменные, применяемые в анализе с целевой ролью на выходе (значения предсказываются моделью)
Table 1. Dependent variables used in analysis with a target role in the output (values are predicted by the model)
№ Тип камня Type of stone Доля в конкременте Percentagein concrement Число Number %
1 0x50 Кальций-оксалат >50% Calcium oxalate>50% 33 45,83
2 Ur50 Мочевая кислота (моно и дигидрат) > 50% Uric acid (mono and dihydrate) > 50% 17 23,61
3 Dh50 кальций-фосфатные (карбонатапатит) > 50% calcium phosphate from carbonatite > 50% 11 15,28
4 Str50 магниево-аммониево-фосфатные > 50% magnesium-ammonium-phosphate > 50% 6 8,33
5 AmUr50 Аммония урат > 50% Ammonium urate > 50% 4 5,56
6 Смешанные mixed Доля каждого минерала = < 40% (3-х компонентные камни); доля каждого минерала =50% (2-х минеральные камни) For each mineral =< 40% (3-x mineral stones); share of each mineral =50% (2-x mineral stones) 1 1,39
Примечание: 0x50 -оксалатные камни, Ur50 - мочекислые камни, Dh50 - карбонатапатит, Примечание: 0x50 - оксалатные камни, Ur50 - моче-кислые камни, Dh50 - камни из карфонатапатита, Str50 -камни из струвита, AmUr50 - камни из урата аммония, Mixed - 2-х и 3-х компонентные камни, в которых доля любого компонента не превышала 50% состава
Note: 0x50 - oxalate stones, Ur50 - uric acid stones, Dh50 - carbonate apatite, Note: 0x50 - oxalate stones, Ur50 - uric acid stones, Dh50 - carbonate apatite stones, Str50 - struvite stones, AmUr50 - ammonium urate stones, Mixed - 2 -x and 3-component stones, in which the share of any component did not exceed 50% of the composition
экспериментальная и клиническая урология № 4 2020 www.ecuro.ru
УзелО
Категория % г
AmUr60 1.389 1
■ Dh60 23.611 17
■ Others 5.556 4
■ 0x60 45.833 33
Str60 8.333 6
Ua60 15 278 11
Всего 100.000 72
....................s
I <= 13£ . I ,780 I >139,780 I
Узел1 Узел 6
Категория % Категория % n
AmUr60 0,000 0 0 AmUr60 1,562 1
■ Dh60 50,000 4 ■ Dh60 20.312 13
■ Others 37,500 3 ■ Others 1,562 1
■ 0x60 0,000 0 ■ 0x60 51,562 33
Str60 12,500 1 Str60 7,812 5
■ Ua60 0,000 0 Ua60 17,188 11
Всего 11,111 8 Всего 88,889 64
Ы Ы
Г <= 29, I Э60 I >29,£ I 60
Узел 2 Узел 5
Категория % n Категория %
ArnUr60 0,000 0 AmUr60 0,000 0
■ Dh60 66,667 4 ■ Dh60 0,000 0
■ Others 33,333 2 ■ Others 50,000 I
■ 0x60 0,000 0 ■ 0x60 0,000 0
Str60 0,000 0 Str60 50,000 1
■ Ua60 0,000 0 ■ Ua60 0,000 0
Всего 8,333 6 Всего 2,778 2
I <=312,140 I I >312 I 140
Узел 7 Узел 22
Категория % n Категория % n
AmUr60 2,083 1 ■ AmllröO 0.000 0
■ Dh60 27,083 13 ■ Dh60 0.000 0
■ Others 0,000 0 ■ Others 6.250 1
■ 0x60 56,250 27 ■ 0x60 37,500 6
StrBO 2,083 1 Str60 25.000 4
= Ua60 12.500 6 » Ua60 31.250 5
Всего 66,667 48 Всего 22,222 16
Ы и
Узел 3
Категория % п
в АтигбО 0,000 0
■ Dh60 33,333 1
■ Others 66,667 2
■ ОхбО 0,000 0
Str60 0,000 0
Ua60 0,000 0
Всего 4,167 3
Узел 4 Категория % П
АтигбО 0,000 0
■ Dh60 100,000 3
■ Others 0,000 0
■ ОхбО 0,000 0
StröO 0,000 0
Ua60 0.000 0
Всего 4,167 3
Узел 8
Категория % п
■ АтигбО 4,545 1
■ Dh60 13,636 3
■ Others 0,000 0
■ ОхбО 81,818 18
Str60 0,000 0
Ua60 0.000 0
Всего 30,556 22
ы
CarbHydr Fast
_I_
Узел 11
Категория % п
АтигбО 0.000 0
■ Dh60 38,462 10
■ Others 0,000 0
■ ОхбО 34,615 9
Str60 3,846 1
Ua60 23.077 6
Всего 36,111 26
ы
vitB6
_L_
Purines
_J_
Узел 23 Узел 26
Категория % Категория %
■ АтигбО 0.000 0 АтигбО 0,000 0
■ Dh60 0,000 0 ■ Dh60 0,000 0
■ Others 0,000 0 ■ Others 12,500 1
■ 0x60 0,000 0 ■ ОхбО 75,000 6
StröO 37,500 3 Str60 12,500 1
Ua60 62.500 5 иабО 0.000 0
Всего 11.111 8 Всего 11.111 8
ы Ы
Fibres
Узел 9
Категория % п
АтигбО 5,000 1
■ Dh60 5,000 1
■ Others 0,000 0
■ ОхбО 90,000 18
streo 0,000 0
в иабО 0,000 0
Всего 27,778 20
Узел 10
Категория % П
АтигбО 0,000 0
■ Dh60 100,000 2
■ Others 0,000 0
■ ОхбО 0,000 0
StröO 0,000 0
а иабО 0,000 0
Всего 2,778 2
Узел 12
Категория % п
АтигбО 0,000 0
■ Dh60 47,619 10
■ Others 0,000 0
■ ОхбО 19,048 4
StröO 4,762 1
Ua60 28,571 6
Всего 29,167 21
Ы
Узел 21
Категория % п
АтигбО 0,000 0
■ Dh60 0,000 0
■ Others 0,000 0
■ ОхбО 100,000 5
StröO 0,000 0
Ua60 0,000 0
Всего 6,944 5
Узел 24
Категория % П
АтигбО 0,000 0
■ Dh60 0,000 0
■ Others 0,000 0
■ ОхбО 0,000 0
StröO 0,000 0
Ua60 100,000 4
Всего 5,556 4
Узел 25
Категория % П
АтигбО 0,000 0
■ Dh60 0,000 0
■ Others 0,000 0
■ ОхбО 0,000 0
Ua60 25,000 1
Всего 5,556 4
Узел 27
Категория % п
| AmUröO 0,000 0
■ Dh60 0,000 0
■ Others 0,000 0
■ ОхбО 100,000 6
StröO 0,000 0
Ua60 0,000 0
Всего 8,333 6
Узел 28 Категория % п
■ АтигбО 0,000 0
■ Dh60 0,000 0
■ Others 50,000 1
■ ОхбО 0,000 0
StröO 50,000 1
Ua60 0,000 0
Всего 2,778 2
1 F 1 I М I
Узел 13 Узел 16
Категория % п Категория % г
AmUr60 0,000 0 АтигбО 0,000 0
■ Dh60 77,778 7 ■ Dh60 25.000 3
■ Others 0,000 0 ■ Others 0,000 0
■ ОхбО 0,000 0 ■ ОхбО 33,333 4
Str60 11,111 1 StrBO 0,000 0
■ Ua60 11.111 1 Ua60 41.667 5
Всего 12,500 9 Всего 16,66712
ы Ы
I <- 567,670 I I • 567,670 I
Узел 14 Узел 15
Категория % п Категория % п
AmUr60 0,000 0 AmUr60 0,000 0
■ Dh60 100,000 7 ■ Dh60 0,000 0
■ Others 0,000 0 ■ Others 0,000 0
■ ОхбО 0,000 0 ■ ОхбО 0,000 0
streo 0,000 0 Str60 50,000 1
Ua60 0,000 0 Ua60 50.000 1
Всего 9,722 7 Всего 2,778 2
I «27 I 450 .27 450
Узел 17 Узел 18
Категория % п Категория %
AmUr60 0,000 0 AmUr60 0,000 0
■ Dh60 0,000 0 ■ Dh60 50,000 3
■ Others 0,000 0 ■ Others 0,000 0
■ ОхбО 16.667 1 ■ ОхбО 50,000 3
Str60 0.000 0 Str60 0,000 0
Ua60 83.333 5 Ua60 0,000 0
Всего 8.333 6 Всего 8.333 6
ы
Узел 19
Категория % п
АтигбО 0,000 0
■ Dh60 0,000 0
■ Others 0,000 0
■ ОхбО 100,000 3
Str60 0,000 0
Ua60 0,000 0
Всего 4,167 3
Узел 20
Категория % п
АтигбО 0,000 0
■ Dh60 100,000 3
■ Others 0.000 0
■ ОхбО 0,000 0
StröO 0,000 0
Ua60 0,000 0
Всего 4,167 3
Рис. 2. Древо решений определения химического типа камня построенного на основе алгоритма С 5.0 построителя математической модели IBMSPSSModeler 18.0 Fig. 2. Decision Tree for determining the chemical type of stone based on the C 5.0 algorithm of the IBM SPSS Modeler 18.0 mathematical model Builder
экспериментальная и клиническая урология № 4 2020 www.ecuro.ru
Таблица 2. Основные элементы модели прогнозированияхимического типа мочевых камней IBM® SPSS modeler Table 2. Basic elements of the IBM® SPSS modeler chemical type prediction model for urinary stones
Основные элементы № модели Рисунок № Main Figure elements of the model
Узел файла переменных Variable file node
Служит для считывания данных из источника данных (Exсel, SPSS и др.)
Тип переменных Variable type
Указывает метаданные и свойства для полей, необходимые для моделирования и другой работы в IBM® SPSS Modeler. Включает:
• Задание типа использования, такого как диапазон, множество, упорядоченное множество или флаг, для каждого
поля в наборе данных. •Задание опций для обработки отсутствующих значений и системных пустых значений. •Задание роли поля для целей моделирования.
•Задание значений для поля, а также опций, используемых при автоматическом считывании значений из набора данных. •Задание меток для полей и значений.
Алгоритм C
5.0 Algorithm C 5.0
Строит или дерево решений, или набор правил. Эта модель работает, разделяя выборку на основании значения в поле, дающего максимальный информационный выигрыш на каждом уровне. Поле назначения должно быть категориальным. Разрешено несколько разделений на подгруппы, и таких подгрупп может быть больше двух.
Анализ Analysis
Позволяет оценить возможность модели генерировать точные предсказания, выполнить различные операции сравнения между предсказанными значениями и фактическими значениями для одного или нескольких слепков моделей.
Основными элементами модели, представленной на рисунке 1, являлись узлы потока данных: файл переменных, тип переменных, алгоритм С5.0 и анализ (табл. 2).
Работа модели основана на принципе построения древа решения путем расщепления выборки с учетом значения, обеспечивающего максимальную информационную нагрузку, согласно принципу (если ..., то). После получения первичного результата программой производится удаление расщеплений, не несущих существенного вклада, выдается заключение и определяется достоверность полученного результата (рис. 2).
При использовании набора данных из 72 клинических случаев разработана модель, обладающая точностью (прогноза) предсказаний химического состава мочевого камня, составившую 98,6% (рис. 3).
Как видно из рисунка 3, результат выражается в виде таблицы совпадений предсказаний, созданной моделью, с фактическим распределением типов камней и определяется по пересечению заданных параметров (горизонтальная стрелка) с определяемым моделью результатом (вертикальная стрелка). Для иллюстрации правильный результат обозначен зеленым кругом, ошибка обозначена красным кругом.
Для проверки полученных данных и обучения модели, построенной на алгоритме С5.0, сформированы 2 рандомизированные выборки: 1) обучающая (п=49 (70%)), проверочная (п=23 (30%)).0ценка эффективности алгоритма выявила 2 ошибки в обучающей группе, составившие 4,08%: смешанный конкремент ошибочно был отнесен в группу кальций-фосфатных и струвит-
ЕЗ Результаты для поля вывода пе\л/6дг6 Й Общие результаты
Ё) Сравненне $С-пеуу6дг6 с пеуубдгб
Верно 71 98,61%
Неверно t) 1,39%
Всего 7*2
Э Матрица совпадений для $C-new6gr6 (в строках пика заны фактические значения)
AmUr60
Dh60
Others
1
ОхбО
AmUr60 Dh60 Others
О о
17 О
о
Str60 Ua60
ОхрО Str60 Ua60
ООО ООО
о о о 11
2
3
4
Рис. 3. Совпадение предсказаний, созданная моделью (алгоритм С5.0) в сравнении с фактическим распределением типов камней Fig. 3. Matchingpredictions, createdmodel (algorithmWith 5.0) in comparison with the actual distribution of stone types
экспериментальная и клиническая урология № 4 2020 www.ecuro.ru
Таблица 3. Оценка результатов предсказаний химического типа конкремента на основе модуля алгоритма машинного обучения С 5.0 в сравнении с фактическими значениями основной выборки (n=72) Table 3. Estimation of the results of predictions of the chemical type of concrement based on the machine learning algorithm module With 5.0 in comparison with the actual values of the main sample (n=72)
Тип камней Прогноз модели CHAID (n) Forecast of the CHAID model) Фактическое распределение (n) Actual distribution 100,0 Sp (%) Ac (%)
Type of stone 1 0 0 O 71
AmUr60 1 1 100,0 100,0
Dh60 18 17 17 0 1 55 100,0 98,2 98,6
Others 3 4 1 1 0 68 75,0 100,0 98,6
0x60 33 33 33 0 0 39 100,0 100,0 100,0
Str60 6 6 6 0 0 66 100,0 100,0 100,0
Ur60 11 11 11 0 0 61 100,0 100,0 100,0
Всего/Total 72 72 71 1 1 - 98,6 - 97,3
ный камень к урат-аммониевым (рис. 4). Скорее всего, смешанный конкремент был ошибочно распознан моделью из-за того, что: 1) доли оксалатов и фосфатов в смешанных камнях близки к 50%; 2) модель приняла струвитный камень за камень из урата аммония, что возможно из-за общности их литогенеза (инфекция, щелочная моча).
Кроме этого, была определена чувствительность, специфичность и точность алгоритма для каждого типа камня (табл. 3).
Как видно из таблицы 2 чувствительность разработанного метода колебалась от 75% (при смешанных камнях) до 100% при остальных типах камней. Общий показатель чувствительности был равен 98,6%; специфичность варьировала от 98,2% (при кальций-фосфатных
камнях) до 100% при остальных типах; общий показатель точности модельного определения составил 97,3 %.
ВЫВОДЫ
Проведенные расчеты показали, что разработанный метод определения состава мочевых камней in vivo на основе профиля потребления нутриентов, заключающийся в анализе набора количественных данных потребления продуктов в течение месяца пациентом с мочекаменной болезнью, обладает высокими показателями специфичности, чувствительности и точности, и является перспективным инструментом. Требуется продолжение научных исследований для изучения возможностей данного метода. □
В Результаты для поля Еывода new6gr6 S OOuuie результаты
S Сравнение SC-new6gr6 спелбдпЗ
'Подмножесгва' 1-Обучающее 2_Провер*а
Верно 47 95.92% 23 100%
Неверно 2 4.08% 0 0%
Всего _49 _23
S Матрица совпадений для sc-newsgr6 <• строках показаны фактические значения)
Подиножества" - 1_06учающее AmUrfiO Dh60 Others 0x60 Str€0 Ua60
AmUreO 1 0 0 0 0 0
Dh60 0 я 0 0 0 0
Others 0 ( 3 2 0 0 0
ОхбО 0 \ ЧГ 0 19 0
Str60 0 0 0 0 4 G
Ua60 0 0 0 0 0 N
'Подиножества' - 2_Проверка Dti60 Others 0x60 StrfiO Ua60
DM0 4| 0 0 0 0
Others 0 1 0 0 0
ОхбО 0 0 14 0 0
StrêO 0 0 0 1 0
Ua60 0 0 0 0 3
Рис. 4. Результаты классификации типов камней в обучающей (n=49) и проверочной (n=23) выборках, полученные моделью машинного обучения алгоритма С5.0 Fig. 4. Results of classification of stone types in the training (n=49) and verification (n=23) samples obtained by the machine learning model of the C5.0 algorithm
экспериментальная и клиническая урология № 4 2020 www.ecuro.ru
ЛИТЕРАТУРА/REFERENCES
1. Türk C, Neisius A, Petrik A, Seitz C, Skolarikos A, Tepeler A, Thomas K. EAU Guidelines on Urolithiasis - EAU, 2017. URL: http://uroweb.org/wp-content/uploads/Guidelines_WebVersion_ Complete-1.pdf.).
2. Константинова О.В., Яненко Э.К. Способ определения химического состава камня in vivo../ Патент № 1780009 Российской Федерации от 08.08.1992. [Konstantinova O.V, Yanenko E.K. Method for determining the chemical composition of the stone in vivo. Patent № 1780009 Russian Federation dated 08.08.1992. (In Rissian)].
3. Смирнова И.Б., Шевырин А.А. Способы определения состава мочевых конкрементов, влияющие на выбор лечебной тактики у пациентов с уролитиазом. Материалы III Всероссийской образовательно-научной конференции студентов и молодых ученых с международным участие. Иваново, 2017. С 23 - 26. [Smirnova I. B., Shevyrin A. A. Materials of the III all-Russian educational and scientific conference of students and young scientists with international participation. Ivanovo, 2017. P. 23 - 26. (In Russian)]
4. EAU Guidelines on Urolithiasis. 2017. URL: http://uroweb.org/wp-content/uploads/ Guidelines_WebVersion_Complete-1.pdf -(Дата обращения: 13.02.2020) (ДУБЛЬ С ПЕРВЫМ НОМЕРОМ)
5. Kim SC, Burns EK, Lingeman JE, Paterson RF, McAteer JA, Williams JC Jr. Cystine calculi: correlation of CT-visible structure, CT number, and stone morphology with fragmentation by shock wave lithotripsy. Urol Res 2007;35(6):319-24. https://orcid.org/10.1007/s00240-007-0117-1
6. Kulkarni NM, Eisner BH, Pinho DF, Joshi MC, Kambada-kone AR, Sahani DV. Determination of renal stone composition in phantom and pa-tients using single-source dual-energy computed tomography. Comput Assist Tomogr 2013;37(1):37-45. https://orcid.org/10.1097/ RCT.0b013e3182720f66
7. Руденко В.И., Серова Н.С., Капанадзе Л.Б. Возможности двух энергетической компьютерной томографии в диагностике мочекаменной болезни. Материалы 3-й научно-практической конференции урологов Северо-Западного федерального округа РФ 20-21 апреля 2017 года, г. Санкт-Петербург, Урологические ведомости 2017;7(S):92-93. [Rudenko V. I., Serova N. S., Kapanadze L. B. The possibilities of two-energy computed tomography in the diagnosis of urolithiasis. Materials of the 3rd scientific and practical conference of urologists of the North-Western Federal district of the Russian Federation 20-21 April 2017, Saint Petersburg. Uro-logicheskiye vedomosti = Urological bulletin 2017;7(S):92 - 93. (In Russian)].
8. Moreira DM, Friedlander JI, Hartman C, Elsamra SE, Smith AD, Okeke Z. Using 24-hour urinalysis to predict stone type. J Urol 2013;190(6):2106-2011. https://orcid.org/10.1016/ j.juro.2013.05.115.
9. Torricelli FC, De S, Liu X., Calle J, Gebreselassie S, Monga M. Can 24-hour urine stone risk profiles predict urinary stone composition? J Endourol 2014;28(6):735-738. https://orcid.org/10.1089/end.2013.0769.
10. Поповкин Н.Н. Диагностика и выбор тактики лечения урологических заболеваний с
Сведения об авторах:
Просянников М.Ю. - к.м.н., зав. отделом мочекаменной болезни НИИ урологии и интервенционной радиологии им. Н.А. Лопаткина - филиал ФГБУ «НМИЦрадиологии» Минздрава России; Москва, Россия; [email protected]; РИНЦ AuthorlD 791050
Голованов С.А. - д.м.н., зав. научно-лабораторным отделом НИИ урологии и интервенционной радиологии им. Н.А.Лопаткина - филиал ФГБУ «НМИЦрадиологии» Минздрава России; Москва, Россия; РИНЦ AuthorlD 636685
Константинова О.В. - д.м.н., главный научный сотрудник отдела мочекаменной болезни НИИ урологии и интервенционной радиологии им. Н.А. Лопаткина - филиал ФГБУ «НМИЦрадиологии» Минздрава России; Москва, Россия; РИНЦ AuthorlD 679965
Войтко Д.А. - к.м.н., научный сотрудник НИИ урологии и интервенционной радиологии им. Н.А. Лопаткина - филиал ФГБУ «НМИЦрадиологии» Минздрава России; Москва, Россия; [email protected]; РИНЦ AuthorlD 942353
Анохин Н.В. - к.м.н., научный сотрудник отдела мочекаменной болезни НИИ урологии и интервенционной радиологии им. Н.А. Лопаткина - филиал ФГБУ «НМИЦ радиологии» Минздрава России; Москва, Россия; РИНЦ AuthorlD 880749
Сивков А.В. - к.м.н., заместитель директора по науке НИИ урологии и интервенционной радиологии им. Н.А. Лопаткина - филиал ФГБУ «НМИЦрадиологии» Минздрава России; Москва, Россия; РИНЦ AuthorlD 622663
Аполихин О.И. - д.м.н., профессор, директор НИИ урологии и интервенционной радиологии им. Н.А. Лопаткина - филиал ФГБУ «НМИЦрадиологии» Минздрава России; Москва, Россия; РИНЦ AuthorlD 683661
Вклад авторов:
Просянников М.Ю. - идея и разработка дизайна, научное редактирование текста, 20% Голованов С.А. - идея и разработка дизайна, научное редактирование текста, 20% Константинова О.В - идея и разработка дизайна, научное редактирование текста, 10% Войтко Д.А. - поиск и обзор публикаций по теме исследования, написание текста статьи, 20% Анохин Н.В. - поиск и обзор публикаций по теме исследования, 10% Сивков А.В. - идея и разработка дизайна, научное редактирование текста, 10% Аполихин О.И. - идея и разработка дизайна, научное редактирование текста, 10%
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Финансирование: Исследование проведено без спонсорской поддержки.
Статья поступила: 26.09.20
Принята к публикации: 12.10.20
помощью обучающихся и обучаемых математических моделей, алгоритмов и систем. Автореф.... дисс. д-ра мед. наук. М., 1996. 55 с. [Popovkin, N. N. Diagnostics and choice of tactics of treatment of urological diseases with the help of trained and trained mathematical models, algorithms and systems. Dr.Med.Sci [thesis]. M., 1996, 55 p. (In Russian)].
11. Поповкин, Н.Н., Гришкова Н.В., Чудновская М.В., Даренков А.Ф., Голованов С.А. Дифференциальная диагностика состава мочевого камня in vivo по метаболическим показателям у больных нефролитиазом. Актуальные вопросы урологии и оперативной нефрологии: Сборник научных трудов. М., 1994. С. 32-42. [Popovkin N. N., Grishkova N. V., Chudnovskaya M. V., Darenkov A. F., Golovanov S. A. Differential diagnosis of urinary stone composition in vivo by metabolic parameters in patients with nephrolithiasis. Current issues of urology and operative Nephrology: Collection of scientific papers. - M., 1994. P. 32-42. (In Russian)].
12. Голованов С.А., Сивков А.В., Просянников М.Ю., Дрожжева В.В. Метаболические факторы риска и формирование мочевых камней. Исследование IV: Прогнозирование химического состава камня invivo по метаболическим показателям. Экспериментальная и клиническая урология 2018;(4):54-63. [Golovanov S.A., Sivkov A.V., Prosyannikov M.Yu., Drozhzheva V.V. Metabolic risk factors and formation of urinary stones. Study IV: Prediction of the chemical composition of stone in vivo by metabolic parameters. Eksperimental'naya i klinich-eskaya urologiya = Experimental and Clinical Urology 4, 2018;(4):54-63. (In Russian)]
13. Ferraro PM, Taylor EN, Gambaro G, Curhan GC. Dietary and lifestyle risk factors associated with incident kidney stones in men and women. J Urol 2017;198(4):858-863. https://orcid.org/10.1016/j.juro.2017.03.
14. Pearle MS, Goldfarb DS, Assimos DG, Curhan G, Denu-Ciocca CJ, Matlaga BR, et al. Medical management of kidney stones: AUA guideline. 2019. Available from: https:// www.auanet.org/education/guidelines/management-kidney-stones.cfm. (УКАЗАТЬ ГОД)
15. Wertheim ML, Nakada SY, Penniston KL. Current practice patterns of urologists providing nutrition recommendations to patients with kidney stones. J Endourol 2014;28:1127-1131. https://orcid.org/10.1089/end.2014.0164.
16. Просянников М.Ю., Шадеркин И.А., Константинова О.В., Голованов С.А., Анохин Н.В.,. Зеленский М.М. и др. Анализ стереотипа питания при мочекаменной болезни. Экспериментальная и клиническая урология 2017;(1):46-50. [Prosyannikov M. Yu., Shaderkin I. A., Konstantinova O. V., Golovanov S. A., Anokhin N. V, Zelensky M. M., et al. Analysis of the nutrition stereotype in urolithiasis. Eksperimental'naya i klinicheskaya urologiya = Experimental and Clinical Urology 2017;(1):46-50
17. Big Data Knowledge Sharing. DecisionTree C5.0 Example. URL: https://qizeresearch.word-press.com/2014/05/25/decision-tree-c5-0-example/.
18. Пальмов С.В., Денискова А.О. Алгоритм С5.0. Наука и мир 2017;44(4):79 - 80. [Palmov S. V., Deniskova A. O. Algorithm C5. 0. Nauka i mir = Science and the world 2017;44(4):79-80. (In Russian)]
Information about authors:
Prosiannikov M.Yu. - PhD, Head of Department of urolithiasis of N.A. Lopatkin Scientific Research Institute of Urology and Interventional Radiology - Branch of the National Medical Research Centre of Radiology of the Ministry of Health of Russian Federation; Moscow, Russia; [email protected]; https://orcid.org/0000-0003-3635-5244.
Golovanov S.A. - Dr. Sc., head of scientific Laboratory Department of N.A. Lopatkin Scientific Research Institute of Urology and Interventional Radiology - Branch of the National Medical Research Radiological Centre of the Ministry of Health of Russian Federation; Moscow, Russia; https://orcid.org/0000-0002-6516-4730
Konstantinova O.V. - Dr. Sc., Chief Researcher at the Department of urolithiasis of N.A. Lopatkin Scientific Research Institute of Urology and Interventional Radiology - Branch of the National Medical Research Centre of Radiology of the Ministry of Health of Russian Federation; Moscow, Russia; https://orcid.org/0000-0002-2214-7543
Voytko D.A. - PhD, researcher at the research Institute of urology and interventional radiology.
N.A. Lopatkina-branch of the Federal state budgetary institution «NMIC of radiology» of the Ministry of
health of Russia; Moscow, Russia; [email protected]
Anokhin N.V. - PhD, Researcher of the Department of urolithiasis of N.A. Lopatkin Scientific Research Institute of Urology and Interventional Radiology - Branch of the National Medical Research Centre of Radiology of the Ministry of Health of Russian Federation; Moscow, Russia; https://orcid.org/0000-0002-4341-4276
Sivkov A.V. - PhD, Deputy Director on scientific work of N. Lopatkin Research Institute of urology and Interventional Radiology - branch of the National Medical Research Radiological Centre of Ministry of health of Russian Federation; Moscow, Russia; https://orcid.org/0000-0001-8852-6485
Apolikhin O. I. - Dr. Sc., professor, Director of N. Lopatkin Research Institute of urology and Interventional Radiology - branch of the National Medical Research Radiological Centre of Ministry of health of Russian Federation; Moscow, Russia; https://orcid.org/0000-0003-0206-043X
Authors' contributions:
Prosyannikov M.Yu. - idea and design development, scientific text editing, 20%
Golovanov S.A. - idea and design development, scientific text editing, 20%
Konstantinova O.V. - idea and design development, scientific text editing^ 10%
Voitko D.A. - search and review of publications on the topic of research, writing the text of the article, 20%
Anokhin N.V - search and review of publications on the research topic, 10%
Sivkov A.V - idea and design development, scientific text editing, 10%
Apolikhin O.I. - idea and design development, scientific text editing,10%
Conflict of interest. The authors declare no conflict of interest.
Financing. The study was performed without external funding.
Received: 26.09.20
Accepted for publication: 12.10.20
