Математическое моделирование и прогнозирование эффективности оперативного лечения в хирургии позвоночно-тазового комплекса

ТОМ 23, №4 (2019)

Цитировать

Полный текст

Аннотация

На основе изучения литературы, посвященной оценке качества оперативного лечения в реконструктивной хирургии позвоночно-тазового комплекса можно сделать вывод, что для прогнозирования качества оперативного лечения, как правило, применяется множественная линейная или логистическая регрессия, дерево решений. Реже применяются нейронные сети.
Прогнозирование выполняется на основе сравнения до- и послеоперационного состояния больного, оцениваемого по различным порядковым и количественным шкалам в результате опроса пациента.
При сравнительно небольшом количестве анализируемых случаев заболевания (несколько десятков или сотен) и незначительном количестве показателей (не более двух-трех десятков) применение нейронных сетей представляется преждевременным по двум причинам: небольшое количество данных позволяет анализировать их классическими методами математической статистики, и выявление зависимостей на данном этапе требует постоянного «ручного» вмешательства с учетом оценок и взаимосвязей из предметной области.
Применение методов статистического анализа к данным о лечении застарелой травмы показало наличие стандартных проблем для медицинских данных. Это представление исходной информации в номинальной или порядковой шкалах, субъективный характер некоторых показателей, а также взаимозависимость представленных характеристик, что снижает качество исследования.
Поиск целевой функции, характеризующей качество оперативного лечения, показал неоднозначность решения этой задачи даже для узкоспециализированной ситуации.
Объективно присутствующие взаимосвязи также выявило обусловили количество проблем, особенно связанных с выбором типа оперативного лечения, которое в большей степени определяется опытом хирурга.
На основе проведенного исследования было предложено строить модель прогноза качества оперативного лечения с учетом экспертных оценок в виде прогнозного дерева с рекомендуемыми вариантами хирургического лечения и статистическом прогнозе, основанном на имеющемся опыте. Предполагается, что модель будет динамической с обратной связью и иметь возможность самообновления.
Для прогнозирования качества оперативного лечения в реконструктивной хирургии позвоночно-тазового комплекса целесообразно применять дерево прогноза, позволяющее рекомендовать тип операции для конкретного случая повреждения или заболевания и рассчитывающего прогнозные значения показателей качества жизни.

Об авторах

Леонид Юрьевич Коссович

Саратовский национальный исследовательский государственный университет им. Н. Г. Чернышевского

Email: rector@sgu.ru, nano-bio@sgu.ru
доктор физико-математических наук, профессор

Александр Владимирович Харламов

Саратовский национальный исследовательский государственный университет им. Н. Г. Чернышевского

Email: harlamovav@info.sgu.ru
кандидат экономических наук

Юлия Владимировна Лысункина

Саратовский национальный исследовательский государственный университет им. Н. Г. Чернышевского

Email: lysunkina@yandex.ru

Алексей Евгеньевич Шульга

Саратовский государственный медицинский университет им. В. И. Разумовского

Email: doc.shulga@yandex.ru
кандидат медицинских наук

Список литературы

  1. Goncharova A. B., Sergeeva E. I., "Decision support system in medicine for diagnosing diseases", Innovation in Science, 2017, no. 1(62), 23-25 (In Russian)
  2. Litvin A. A., Litvin V. A., "Decision support systems in surgery", Novosti Khirurgii, 22:1 (2014), 96-100 (In Russian)
  3. Davuluri P., Wu J., Ward K. R., Cockrell C. H., Najarian K., Hobson R. S., "An automated method for hemorrhage detection in traumatic pelvic injuries", Conf. Proc. IEEE Eng. Med. Biol. Soc., 2011, 5108-5111
  4. Egorov A. A., Mikshina B. C., "The model of surgeon's decision", Vestn. Novykh Med. Tekhnol., 18:4 (2011), 287-290 (In Russian)
  5. Mofidi R., Duff M. D., Madhavan K. K., Garden O. J., Parks R. W., "Identification of severe acute pancreatitis using an artificial neural network", Surgery, 141:1 (2007), 59-66
  6. Andersson B., Andersson R., Ohlsson M., Nilsson J., "Prediction of severe acute pancreatitis at admission to hospital using artificial neural networks", Pancreatology, 11:3 (2011), 328-335
  7. Korenevskii N. A., Shekhine M. T., Pekhov D. A., Tarasov O. N., "The forecasting and early recognition of the acute cholecystitis and the estimation of its severity degree on basis of fuzzy decision making logic", Vestn. Voronezh. Gos. Tekhn. Univ., 5:11 (2009), 150-155 (In Russian)
  8. Krut'ko A. V., Baikov E. S. "Analysis of the criteria for predicting the outcomes of surgery for intervertebral disc herniation: review of current literature", Geniy Ortopedii, 2012, no. 1, 140-145 (In Russian)
  9. During J., Goudfrooij H., Keessen W., Beeker T. W., Crowe A., "Toward standards for posture. Postural characteristics of the lower back system in normal and pathologic conditions", Spine, 10:1 (1985), 83-87
  10. Duval-Beaupere G., Boisaubert B., Hecquet J., Legaye J., Marty C., Montigny J. P., "Sagittal profile of normal spine change in spondylolisthesis", Severe Spondylolisthesis, eds. J. Harms, H. Stürz, Steinkopff, Darmstadt, 2002, 21-32
  11. Sur Y. J., Kong C. G., Park J. B., "Survivorship analysis of 150 consecutive patients with DIAM (TM) implantation for surgery of lumbar spinal stenosis and disc herniation", Eur. Spine J., 20:2 (2011), 280-288
  12. Shen M., Razi A., "Retrolisthesis and lumbar disc herniation: a preoperative assessment of patient function", Spine J., 7:4 (2007), 406-413
  13. Ovcharenko S. I., Forecasting of volume and an outcome of surgical intervention at lumbar osteochondrosis, Thesis of Dissertation (Cand. Medic. Sci.), Belgorod, 2007, 21 pp. (In Russian)
  14. Antipko A. L., Prediction of recurrence of hernias of intervertebral discs of the lumbar spine based on magnetic resonance imaging and mathematical modeling, Thesis of Dissertation (Cand. Medic. Sci.), Voronezh, 2009, 18 pp. (In Russian)
  15. Krut'ko A. V., Baikov E. S., Prediction of the results of surgical treatment of patients with herniated lumbar intervertebral discs {(}M51.0, M51.2, M51.3, M51.8, M51.9{)}, Clinical Guidelines, Association of Orthopaedists and Traumatologists of the Russian Federation, Novosibirsk, 2016, 16 pp. (In Russian)
  16. Nazarenko A. G., Selection of optimal surgical tactics in degenerative diseases of the lumbosacral spine using analytical information system and computer simulation, Thesis of Dissertation (Dr. Medic. Sci.), Moscow, 2012, 50 pp. (In Russian)
  17. Berne J. D., Cook A., Rowe S. A., Norwood S. H., "A multivariate logistic regression analysis of risk factors for blunt cerebrovascular injury", J. Vasc. Surg., 51:1 (2010), 57-64
  18. Liu J.-e, Zhou J., "Additive-multiplicative hazards model for case-cohort studies with multiple disease outcomes", Acta Math. Appl. Sin.-Engl. Ser., 33:1 (2017), 183-192
  19. Dong C.-l., Zhou J., Sun L.-q., "A class of weighted estimators for additive hazards model in case-cohort studies", Acta Math. Appl. Sin.-Engl. Ser., 30:4 (2014), 1153-1168
  20. Johansson P. I. et al., "Traumatic endotheliopathy: A prospective observational study of 424 severely injured patients", Ann. Surg., 265:3 (2017), 597-603
  21. Jang H.-D. et al., "Risk factor analysis for predicting vertebral body re-collapse after posterior instrumented fusion in thoracolumbar burst fracture", Spine J., 18:2 (2018), 285-293
  22. Lafage R. et all., "Self-learning computers for surgical planning and prediction of postoperative alignment", Eur. Spine J., 27:1 (2018), 123-128
  23. Zhang B. et al., "Risk factors of cage subsidence in patients with ossification of posterior longitudinal ligament (OPLL) after anterior cervical discectomy and fusion", Med. Sci. Monit., 24 (2018), 4753-4759
  24. Beng J., Lim T., Yeo W., Chen J.L.T., "Preoperative leg pain score predicts patient satisfaction after transforaminal lumbar interbody fusion surgery", Global Spine J., 8:4, 354-358

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Самарский государственный технический университет, 2019

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».