CC BY
38
I и информационные
технологии
%
>
Н.М. АГАРКОВ,
д.м.н., профессор кафедры биомедицинской инженерии ФГБОУ ВПО «Юго-Западный государственный университет», г. Курск, Россия, nikiti4007@yandex.ru М.В. ФРОЛОВ,
д.м.н., профессор кафедры акушерства и гинекологии ГБОУ ВПО «Воронежская государственная медицинская академия», г. Воронеж, Россия
B. Н. СНОПКОВ,
д.м.н., профессор кафедры биомедицинской инженерии ФГБОУ ВПО «Юго-Западный государственный университет», г. Курск, Россия
C. Н. ГОНТАРЕВ,
д.м.н., профессор кафедры биомедицинской инженерии ФГБОУ ВПО «Юго-Западный государственный университет», г. Курск, Россия Л.В. ШУЛЬГА,
д.м.н., профессор кафедры охраны труда и окружающей среды ФГБОУ ВПО «ЮгоЗападный государственный университет», г. Курск, Россия Е.П. АФАНАСОВА,
к.м.н., соискатель кафедры биомедицинской инженерии ФГБОУ ВПО «Юго-Западный государственный университет», г. Курск, Россия
ПРОГНОЗИРОВАНИЕ ТЯЖЕЛОГО ГЕСТОЗА НА ОСНОВЕ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ
УДК 614.8 + 297.89: 356(412.85)
Агарков Н.М, Фролов М.В., Снопков В.Н., Гонтарев С.Н., Шульга Л.В., Афанасова Е.П. Прогнозирование тяжелого гестоза на основе компьютерных технологий (Юго-Западный государственный университет, г. Курск, Россия; Воронежская государственная медицинская академия, г. Воронеж, Россия)
Аннотация: Для прогнозирования развития тяжелого гестоза предложена компьютерная система поддержки принятия решений врача-акушера-гинеколога, ориентированная на индивидуальное прогнозирование у беременных и интеграцию с территориальной системой здравоохранения.
Ключевые слова: компьютерные технологии, тяжелый гестоз, прогнозирование тяжелого гестоза.
UDC 614.8 + 297.89:356(412.85)
Agarkov N.M., Frolov M.V., Snopkov V.N., Gontarev S.N., Shulga L.V., Afanasova E.P. Prediction of severe preeclampsia based on computer technology (Southwest State University, Kursk, Russia; Voronezh State Medical Academy, Voronezh, Russia)
Abstract: To predict the development of severe preeclampsia provided a computer decision support system of the obstetrician-gynecologist, focused on individual prediction in pregnant and territorial integration with the health system. Keywords: computer technology, heavy preeclampsia, prediction of severe preeclampsia.
Тяжелые формы гестоза вызывают ежегодно около 50 000 случаев смертности матерей во всем мире, 25% всех ограничений развития плода и 15% досрочных родов в развитых странах [8]. Поэтому актуальной задачей акушерско-гинекологической службы является прогнозирование развития тяжелого гестоза, позволяющее уменьшить
негативные последствия как для беременной, так и ребенка. Предложенные ранее подходы к прогнозированию тяжелого гестоза основываются преимущественно на выявлении достоверно различающихся биохимических, гемодинамических, иммунологических и других показателей у беременных с гестозом и нормальным течением и априорно считающихся информативны-
© Н.М. Агарков, М.В. Фролов, В.Н. Снопков, С.Н. Гонтарев, Л.В. Шульга, Е.П. Афанасова, 2013 г.
26
I/IT и диагностика
ми критериями для прогнозирования этого состояния, реже на определении информативности указанных параметров и разработке математических моделей [1-3, 5]. Крайне редко проводится прогнозирование тяжелого гестоза по комплексу лабораторных, инструментальных маркеров, медицинских и социальных факторов риска [4, 6, 7]. Отсутствуют необходимые для осуществления прогнозирования тяжелого гестоза на индивидуальном и популяционном уровне компьютерные системы.
Для прогнозирования развития тяжелых форм гестоза и определения степени риска их формирования у конкретной беременной нами предлагается компьютерная система поддержки принятия решений врача-акуше-ра-гинеколога.
Основу данной системы составляют ряд новых функциональных подсистем и информационное обеспечение. Обобщенная схема системы поддержки принятия решений представлена на рис 7.
Отличительной особенностью системы является то, что она предназначена для решения задачи прогнозирования развития тяжелого гестоза на индивидуальном и популяционном уровнях.
При индивидуальном прогнозировании эта задача осуществляется подсистемой отбора информативных признаков, индивидуального прогнозирования и моделирования. Кроме того, данная подсистема производит отбор информативных факторов риска, лабораторных показателей, параметров функциональных тестов и хронобиологических исследований, связанных с гестозом. Отбор указанных разнотипных признаков выполняется с учетом разработанного алгоритма анализа лабораторных показателей и оценки результатов обследования беременной (рис. 2). На основе выделенных информативных признаков осуществляется индивидуальное прогнозирование степени риска возникновения тяжелого гестоза и математическое моделирование диагностического процесса у данной беременной. Математиче-
www.idmz.ru
гол 3, №5
■■■■
гш
ское обеспечение подсистемы представлено информативностью Кульбака, прогностическим коэффициентом и моделями Петри.
Подсистема отбора информативных признаков, индивидуального прогнозирования и моделирования интегрирует информацию следующих подсистем: социальных факторов риска, медицинских факторов риска, лабораторных показателей и оценки биоритмов. Информационное обеспечение перечисленных функциональных подсистем включают градации факторов риска, лабораторных показателей, хронобиологических параметров.
Решение задачи прогнозирования, тяжелых форм гестоза и его осложнений на территориальном уровне достигается посредством подсистемы анализа взаимосвязей и прогнозирования на популяционном уровне.
С этой подсистемой обмениваются информацией подсистемы частоты тяжелого гестоза, распространенности экстрагенитальной патологии, частоты осложнений беременности и родов. Подсистема частоты тяжелых форм гестоза накапливает информацию о распространенности данной патологии на 1000 беременных в г. Белгороде и области.
В подсистему распространенности экстрагенитальной заболеваемости поступают сведения об основных формах экстрагенитальной патологии в расчете на 1000 беременных. Подсистема частоты осложнений беременности и родов включает осложнения, которые развиваются у беременных с тяжелым гестозом: перинатальная смертность, мертворождаемость, ранняя неонатальная смертность, материнская смертность, преждевременные роды, частота кровотечений в родах и в раннем послеродовом периоде. Сведения о перечисленных осложнениях в функциональной подсистеме представлены в интенсивных величинах.
Интегрируются все функциональные подсистемы посредством интерфейса пользователя.
Экспериментальные исследования автоматизированной системы поддержки принятия
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 27 ■
ВрЭЧ :::: ИТ и диагностика
™ и информационные
технологии
Рис. J. Схема системы поддержки принятия решений врача-акушера-гинеколога
решений врача-акушера-гинеколога свидетельствуют о ее эффективности и целесообразности применения в практике специализированной службы.
Выполненный компьютерной системой анализ причинно-следственных взаимосвязей распространенности тяжелого гестоза с экстрагенитальной патологией и различными осложнениями беременности и родов в различных иерархических системах позволил установить негативное влияние частоты экстрагенитальной заболеваемости на уровень тяжелых форм гестоза и распространенности последних на частоту репродуктивных потерь независимо от иерархического уровня территориальной системы. Полученные результаты позволили внести существенные коррективы в территори-
альные и городскую программу по охране здоровья матери и ребенка. В частности, лечебнопрофилактическим учреждением амбулаторного и стационарного типа, женским консультациям, акушерско-гинекологической службе рекомендовано увеличить объем профилактических мероприятий, направленных на снижение у беременных анемии, болезней мочеполовой и сердечно-сосудистой системы; обеспечить полноценное диспансерное наблюдение за беременными с данной патологией.
Разработанные системой поддержки принятия решений врача-акушера-гинеколога математические модели обеспечивают прогнозирование частоты тяжелого гестоза на популяционном уровне, что позволяет органам управления здравоохранением различных террито-
28
I/IT и диагностика
www.idmz.ru
SOI 3, №5
■■■■
гш
рий принимать и осуществлять лечебно-профилактические мероприятия заблаговременно. Синтезированы также модели для прогнозирования осложнений со стороны матери и плода, развивающихся при тяжелом гестозе. Модели обеспечивают высокий уровень безошибочного прогнозирования. При этом время на создание одной математической модели сократилось с 6,2±0,8 до 2,8±0,6 минуты.
Компьютерная система осуществляет автоматизированный отбор информативных факторов риска и лабораторных показателей, сократив время на выполнение данной процедуры в расчете на одну беременную с
гестозом при ручной обработке информации с 3,15±0,2 часа до 15,71±0,3 минуты. Выделение наиболее информативных лабораторных показателей и методов исследования с последующим математическим моделированием на основе сетей Петри в рамках созданной системы привело к уменьшению на 25-31% избыточности лабораторного и инструментального обследования беременных с тяжелым гестозом, что способствовало совершенствованию диагностического процесса.
Эффективность компьютерной системы определяется выполнением индивидуального прогнозирования тяжелого гестоза в зависи-
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 29 ■
ВрЭЧ :::: ИТ и диагностика
™ и информационные
технологии
мости от большого числа разнородных признаков. Отнесение беременной к одной из выделяемых групп прогноза позволило осуществлять дифференцированную терапию и увеличить продолжительность беременности до родоразрешения на 13,2±1,1 дня.
Достигнуто сокращение времени индивидуального прогнозирования степени риска развития тяжелого гестоза у беременных в перерасчете на один случай с 7,8±0,2 до 2,4±0,1 минуты.
Таким образом, система поддержки принятия решений врача-акушера-гинеколога является эффективной и способствует улучшению качества медицинского обслуживания беременных с гестозом.
К достоинствам созданной компьютерной системы следует также отнести возможность ее интеграции с территориальной системой здравоохранения, так как ряд функциональных подсистем (частоты тяжелого гестоза, распространенности экстрагенитальной патологии, частоты отклонений беременных и родов) осуществляют регистрацию показателей, относящихся к обязательной статистической отчетности территориальных служб и органов управления здравоохранением. На основе сформированной базы данных могут приниматься соответствующие управленческие решения.
ЛИТЕРАТУРА
1. Аксененко В.А., Дубовой А.А., Найденова О.В. , Тоторкулова Ф. Р. К вопросу о прогнозировании осложнений тяжелого гестоза//Медицинский вестник Северного Кавказа. - 2012. - Т. 26. - №2. - С.27-29.
2. Башмакова Н.В., Крысова Л.А., Ерофеев Е.Н. Современные подходы к профилактике гестоза//Акушерство и гинекология. — 2006. — № 5. — С. 45-47.
3. Еазиева И.А. Оценка лабораторных показателей иммунной системы при патологически протекающей беременности с целью разработки диагностических критериев развития гестоза//Автореф. дис. ...канд. биол. наук. — Челябинск, 2005. — 22 с.
4. Еайдуков С.Н., Аверина И.В. Современные подходы к диагностике и прогнозированию гестоза у беременных//Казанский медицинский журнал. — 2011. — Т. 92. — №1. — С. 127-131.
5. Курочка М.П. Прогнозирование развития тяжелых и критических форм гесто-за//Кубанский научный медицинский вестник. — 2012. — № 1. — С. 98-99.
6. Kim S.C., Joo J.K., Suh D.S, Lee K.S., Park M.J, Joo B.S. Decreased expressions of vascular endothelial growth factor and visfatin in the placental bed of pregnancies complicated by preeclampsia//Journal of Obstetrics and Gynaecology Research. — 2012. — Vol. 38. — №4. — P. 665-673.
7. Mihu D., Costin N., Ciortea R, Malutan A, Sabau L., Mihu C.M. Implications of maternal systemic oxidative stress in normal pregnancy and in pregnancy complicated by preeclampsia//Journal of Maternal-Fetal and Neonatal Medicine. — 2012. — Vol. 25. — №7. — P. 944-951.
8. Powers R.W., Roberts J.M, Cooper K.M, Gallaher MJ, Frank M.P., Harger G.F., Ness R.B. Maternal serum soluble fms-like tyrosine kinase 1 concentration are not increased in early pregnancy and decrease more slowly postpartum in women who develop preeclampsia//American Journal of Obstetrics and Gynaecology. — 2005. — Vol. 193. — №.1. — P. 160-166.
30
