CC BY
60
Врач lisa
™ и информационные
технологии
Системы поддержки принятия врачебных решений
И.Х. ИШМУХАМЕТОВ,
д.м.н., профессор кафедры скорой помощи и медицины катастроф с курсом термической травмы Института последипломного образования Башкирского государственного медицинского университета, г. Уфа И.И. ЛУТФАРАХМАНОВ,
Больница скорой медицинской помощи, г. Уфа
А.В. ЛЫКОВ,
Республиканский ожоговый центр, г. Уфа
П.И. МИРОНОВ
Башкирский государственный медицинский университет, г. Уфа
ПРОГНОЗИРОВАНИЕ ИСХОДОВ ТЯЖЕЛОЙ ТЕРМИЧЕСКОЙ ТРАВМЫ С ИСПОЛЬЗОВАНИЕМ МЕТОДОЛОГИИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
Термические поражения являются одним из наиболее частых видов бытовых и производственных травм. В последние десятилетия отмечается рост частоты ожогового травматизма во всех странах мира [1,2]. Существенное значение в правильном выборе тактики лечения ожогового больного играет корректная оценка тяжести поражения и прогноза исхода термической травмы. Неточная оценка влияет на характер интенсивной терапии в первые сутки госпитализации пациента, зачастую удлиняет длительность госпитализации, повышает медицинские расходы и заболеваемость [1-3]. Традиционно используемые при термической травме формализованные оценочные системы (индекс Frank и «Правила 9») не позволяют точно определить прогноз в первые сутки, так как истинную глубину ожогов IIIA и 111Б степени в первые дни после травмы устанавливают только предположительно и уточняют в более поздние сроки [1]. Улучшение результатов лечения может быть достигнуто за счет корректной стратификации пациентов по риску развития летального исхода [2, 4]. Однако специфические критерии APACHE [5], MPM [6], известные своей практичностью в измерении тяжести состояния больного, требуют для сбора полной информации минимум 24-48 часов.
В последние годы появились сообщения о возможности применения для решения задач прогнозирования исходов заболевания методологии искусственных нейронных сетей (ИНС) [4, 7]. Они основаны на принципах работы естественных нейронных систем. ИНС обладают универсальными возможностями, к числу которых относят возможности решения задач классификации, способность к обучению, а также функционирование при некотором недостатке фактического материала [8, 9]. Используя ИНС, возможно предсказать исход для индивидуального случая. Способность ИНС ранжировать входные данные по весу для предсказания исходов в течение
© И.Х. Ишмухаметов, И.И. Лутфарахманов, А.В. Лыков, П.И. Миронов, 2007 г.
' 48 1 1 1 1 1 1 ■ ■ i i i 1 ■ ■ ■■ ■ ■ ■ i i i i i i i i i i i i i1 ■■■ ■ ■ ■ i i i i i i i i ■■ ■ ■ ■■■ ■ ■ ■ ■ ■ i i i i i i i i i i i i i i i i i i
Системы поддержки принятия врачебных решений
всего обучающего процесса подразумевает, что наиболее важные клинические и параклинические параметры могут быть идентифицированы [9]. Целью исследования являлся сравнительный анализ дискриминационной способности формализованных оценочных систем, логистического регрессионного анализа и искусственных нейронных систем в определении риска развития летального исхода у больных с тяжелой термической травмой.
МАТЕРИАЛ И МЕТОДЫ
Дизайн исследования: проспективное, нерандомизированное, обсервационное. Сроки проведения: январь 2005 г. — ноябрь 2007 г. Критерии включения: термическая травма с индексом тяжести Frank более 30 единиц. Критерии исключения: возраст младше 18 лет или старше 80 лет, смерть в первые 48 часов госпитализации, декомпенсированные хронические состояния.
Пациенты: 200 пациентов с термической травмой в возрасте от 19 до 80 лет (средний возраст — 46,2±16,3 года, медиана возраста — 43 года), из них мужчин — 133, женщин — 67. Диагностику и прогноз термической травмы проводили по общей площади ожога и индексу Frank [2, 4]. Индекс Frank от 30 до 69 единиц имели 48,5% пациентов, от 70 до 119 единиц имели 34,0% пациентов, индекс Frank 120 единиц и больше имели 17,5% пациентов. 22 пациента имели общую площадь ожога 10-19% и 87% площадь глубокого ожога, 131 пациент имел общую площадью ожога 20-49% и 65% площадь глубокого ожога, 47 пациентов имели общую площадь ожога 50% и более и 49% площадь глубокого ожога. Смерть наступила у 62 пациентов (31,0%) с термической травмой, все пациенты умерли за одну госпитализацию. Тестовую выборку составили 79 пациентов с термической травмой, госпитализированных в период с января по ноябрь 2006 г. и сопоставимых по основным демографическим, клиническим и этиологическим параметрам.
www.idmz.ru 2007, № 6
Прогнозирование исходов. Каждое клиническое наблюдение содержало дискретные и непрерывные переменные, которые были сформированы в 5 категорий: (1) демографические данные: возраст, пол; (2) физиологические переменные и (3) лабораторные тестыы, необходимые для построения прогностических систем; (4) временные переменные. Точкой отсчета была дата травмы; (5) исходыы: умер, выжил. Для прогнозирования исходов были использованы следующие прогностические системы: Acute Physiology and Chronic Health Evaluation (APACHE) II; Logistic Organ Dysfunction Score (LODS); Mortality Probability Model (MPM); Индекс Frank.
33 параметра по 5 категориям были выбраны для построения искусственной нейронной сети. Впоследствии количество входных данных было уменьшено путем пошагового регрессионного анализа. Трехслойные персептроны были построены по принципу прямого распространения сигнала для диагностики осложнений и прогнозирования исходов. При использовании ИНС во входные элементы подавались значения исходных переменных, затем последовательно отрабатывались нейроны промежуточных и выходного слоев. Шесть переменных были входными откликами, скрытый слой содержал 5 откликов, количество скрытых слоев было 2, положительный или отрицательный исход был выходным откликом. Выходные данные ИНС были ранжированы в диапазоне от 0,0 до 1,0, с наибольшей ценностью, соответствовавшей наивысшему отношению вероятностей положительного исхода. Нейронные сети были обучены и протестированы на всех случаях из базы данных с использованием алгоритма «back-propagation». Обучение ИНС было остановлено, когда индекс площади под кривой операционных характеристик (AUC) был максимальным для всех случаев. Нейронные сети были снабжены входными случаями в паре с исходами для каждого обучающего случая, и весовые значения сети были обнов-
■ 1 1 1 1 1 1 ■ ■ i i 1 ■ ■ ■■ ■ ■ ■ i i i i i i i i i i i i i1 ■■■ ■ ■ ■ i i i i i i i i i ■■ ■ ■ ■■■ ■ ■ ■ ■ 49 ■ i i i i i i i i i i i i i i i i i i
Врач::::
™ и инсЬоомаиионные
Системы поддержки принятия врачебных решений
1 и информационные
технологии
% >
лены после каждого случая. Изначально весовым соединениям были случайным образом присвоены значения от 0,0 до 1,0, в последующем нейронные сети модифицировали величины связей для минимизации среднеквадратичной ошибки между фактическими исходами и сетевыми данными. В качестве контроля была сконструирована традиционная прогностическая модель на основе многофакторного логистического регрессионного анализа (ЛРА). Входные варианты для модели ЛРА были аналогичны тем, что были использованы для моделирования ИНС, и в качестве независимых переменных были подвергнуты анализу с селекцией по алгоритму пошагового включения «forward».
Статистика. Выборочные параметры представлены как среднее+стандартное отклонение. Операционные характеристики представлены с 95%-ным доверительным интервалом (95% ДИ). Размер анализируемой популяции представлен как n; достигнутый уровень значимости представлен как р. Критическое значение двустороннего уровня значимости принимали равным 5%. Нормальность распределения количественных признаков оценивали критерием Колмогорова-Смирнова. Категорированные переменные были сравнены с помощью %2-теста. Относительную силу взаимосвязи между факторами
риска и исходами определяли как отношение шансов (ОШ) с помощью регрессионного анализа. Величина ОШ>1,0 означала важную этиологическую роль фактора; при ОШ=1,0 фактор не оказывал воздействия; ОШ<1,0 означало превентивное действие изучаемого фактора. Эффективность систем прогнозирования оценивали как дискриминацию между погибшими и выжившими пациентами. Мерой дискриминации служила площадь под кривой операционных характеристик (AUC ROC). Достоверность разницы при анализе множества операционных кривых определяли по методу J.A. Hanley и B.J. McNeil [10]. Для статистического анализа использовали компьютерную программу MedCalc (MedCalc Software, Belgium) и сетевую программу NN PRO (Pro-356, Россия).
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Предварительно нами с помощью методики регрессионного анализа были отобраны факторы, которые имели наибольшее влияние на реализацию риска развития летального исхода (рис.1).
Именно эти клинические данные были использованы нами в качестве входных данных для конструирования моделей искусственной нейронной сети и логистического регрессионного анализа.
Шкала ком Глазго Артериальное давление Индекс Frank Возраст Частота дыхания Поздняя госпитализация
I 0111=0,38; р<0,001
ОШ=0,96; р=0,010 I ОШ-1,01; р=0,013 I ОШ=1,05; р=0,001 I ОШ-1,34; р=0,001
|ОШ=3,49; р<0,001
+
+
Ч
0,0 1,0 2,0 3,0 4,0
Рис. 1. Взаимосвязь факторов риска с летальными исходами при термической травме
' 50 1 1 1 1 1 1 ■ ■ i i i 1 ■ ■ ■■ ■ ■ ■ i i i i i i i i i i i i i1 ■■■ ■ ■ ■ i i i i i i i i ■■ ■ ■ ■■■ ■ ■ ■ ■ ■ i i i i i i i i i i i i i i i i i i
Системы поддержки принятия врачебных решений
www.idmz.ru 2007, № 6
Таблица 1
Операционные характеристики моделей прогнозирования госпитальной смерти у больных с термической травмой
AUC ROC (95% ДИ)
Чувствительность, % Специфичность, %
ИНС 0,92 (0,84-0,96) 100,0 73,2
ЛРА 0,93 (0,86-0,97) 90,3 81,9
Шкала LODS 0,84 (0,78-0,89) 93,5 65,9е
Шкала APACHE II 0,81 (0,74-0,86) 74,2ь 73,9
Система MPM IIq 0,72 (0,65-0,78) 71,0 63,0
Система MPM II24 0,83 (0,77-0,89) 91,9 58,0
Система MPM II48 0,87 (0,82-0,92) 95,2 60,9d
Система MPM II72 0,75 (0,67-0,80) 71,0 81,2
Индекс Frank 0,62 (0,55-0,69) 71,0° 59,4
0 х2=6,41; p<0,01; ь х2=5,46; p<0,01; c х2=7,27; p<0,01; d х2=12,51; p<0,01 по сравнению с ИНС. AUC ROC - площадь под кривой операционных характеристик.
Таблица 2
Чувствительность и специфичность искусственной нейронной сети и логистической регрессии на тестовой выборке пациентов
Нейронная
сеть
Логистическая
регрессия
Чувствительность, % Специфичность, %
Обучающая выборка Тестовая выборка Обучающая выборка Тестовая выборка
100,0 95,2 73,2 71,0
90,3 87,1 81,9 80,0
При проведении сравнительного анализа дискриминационной способности исследуемых подходов к стратификации тяжелообожженных по риску развития летального исхода практически все они продемонстрировали хорошую способность различать пациентов с летальным исходом (табл.1). В то же время только модели ИНС (AUC=0,92) и ЛРА (AUC=0,93) показали статистически значимо лучшую дискриминационную способность, чем остальные модели (р<0,010). Индекс Frank продемонстрировал худшую способность различать больных с летальным исходом среди всех прогностических систем
(AUC=0,62). При оптимальном соотношении чувствительности и специфичности ИНС прогнозировала все случаи смерти, тогда как с помощью ЛРА, шкал LODS, APACHE II, систем MPM IIq-24-48-72 и индекса Frank было возможно прогнозировать от 71 до 95,2% случаев гибели пациентов.
В целях выбора наиболее предпочтительной модели прогнозирования исхода тяжелой термической травмы мы оценили чувствительность подходов, основанных на применении искусственных нейронных сетей и логистического регрессионного анализа, на тестовой выборке пациентов, и данные модели показа-
■ 1 1 1 1 1 1 ■ ■ i i 1 ■ ■ ■■ ■ ■ ■ 1 i i i i i i i i i i i i1 ■■■ ■ ■ ■ 1 i i i i i i i i ■■ ■ ■ ■■■ ■ ■ ■ ■ 51 ■ i i i i i i i i i i i i i i i i i i
Врач lisa
™ и информационные
технологии
Системы поддержки принятия врачебных решений
ли схожую способность в прогнозировании летальных случаев у пациентов с ожоговой травмой (табл. 2).
Ранее уже проводились исследования по прогнозированию летальных исходов с помощью методики ИНС. В исследовании Estahba-nati Н.К. с соавт. [4] чувствительность прогноза ИНС составила 90%, у Fraye К.Е. с соавт. (1996) [7] чувствительность ИНС была 98%. В нашем исследовании модель ИНС, прогнозирующая риск развития летального исхода у больных с тяжелой термической травмой, имела преимущества над моделями ЛРА в большей доле чувствительности на кривой операционных характеристик, но данное повышение было сопряжено со снижением специфичности.
ЗАКЛЮЧЕНИЕ
Использование методики ИНС позволяет корректно стратифицировать больных с термической травмой по риску развития летального исхода, что позволяет значительно ускорить работу специалистов, освободив большое количество времени, повысить качество профилактических, лечебных и диагностических технологий. В то же время данная методология не имеет явных преимуществ перед логистическим регрессионным анализом. И хотя наши данные были подтверждены на независимой выборке пациентов, необходимы дальнейшие исследования на большом объеме клинического материала с тем, чтобы оценить репрезентативность полученных результатов.
ЛИТЕРАТУРА
1. Герасимова Л.И., Назаренко Г.И. Термические и радиационные ожоги: Руководство для врачей/ Изд. 2-е, перераб. и доп. — М.: ОАО Издательство «Медицина», 2005.
2. Клигуненко Е.Н., ЛещевД.П, Слесарен ко С. В, Слинченков В.В. Интенсивная терапия ожоговой болезни. — М.: «МЕДпресс-информ», 2005.
3. AchaB, Serrano C, Acha J.I. et ai. CAD tool for burn diagnosis//Inf. Process Med. Imaging. — 2003. — 18(7). — 249-305.
4. EstahbanatiH.K., BouduhiN. Role of artificial neural networks in prediction of survival of burn patients — a new approach//Burns 2002. — 28 (6). — 579-586.
5. Rogers J, Fuller H.D. Use of daily Acute Physiology and Chronic Health Evaluation (APACHE) II scores to predict individual patient survival rate//Crit. Care Med. — 1994. — 22 (9). — 1402-1405.
6. Rue M, Artigas A., Alvarez M. etal . Performance of the Mortality Probability Models (MPM II) in assessing severity of illness during the first week in the intensive care unit//Crit. Care Med. — 2000. — 28 (12). — 2819-2824.
7. Frye KE, Izenberg S.D, Williams M.D. eta! Simulated biologic intelligence used to predict length of stay and survival of burns//! Burn Care Rehabil. — 1996. — 17 (6). — 540-546.
8. Калан P. Основные концепции нейронных сетей. — М.: Издательский дом «Вильямс», 2003.
9. Осовский С. Нейронные сети для обработки информации. — М.: «Финансы и статистика», 2002.
10. Hanley J A., McNeilB.J. The meaning and use of the area under a receiver operating characteristic (ROC) curve//Radiology. — 1982. — 143 (1). — 29-36.
■ 52 i i i i i i ■ ■ i i i 1 ■ ■ ■■ ■ ■ ■ i i i i i i i i i i i i i1 ■■■ ■ ■ ■ i i i i i i i i ■■ ■ ■ ■■■ ■ ■ ■ ■ ■ i i i i i i i i i i i i i i i i i i
