Использование изображения лица пациента для нейросетевого прогнозирования риска трудной интубации трахеи

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. Прогноз ситуации трудной интубации трахеи остается актуальной проблемой. Эффективность используемых в настоящее время предикторов не позволяет точно предсказать такую ситуацию.

Цель работы — разработка компьютерной системы прогнозирования трудной интубации трахеи, основанной на анализе изображения лица в сочетании с наиболее значимыми ее предикторами, и оценка эффективности разработанной системы.

Методы. Сформирована база данных, основанная на регистрации предикторов трудной интубации трахеи. Предикторы базируются на изображении лица пациента с отмеченными реперными точками, позволяющими рассчитывать информационные признаки, сопряженные с трудностью интубации трахеи. Степень тяжести интубации определяли непосредственно во время интубации по предложенной оригинальной шкале тяжести интубации.

Результаты. Синтезирован классификатор с использованием метода самоорганизации нейронной сети. Обученная нейронная сеть легла в основу модели классификатора, реализованного в виде компьютерного приложения. Чувствительность прогноза трудной интубации трахеи составила 90,90 %, специфичность — 97,02 %, прогностическая ценность положительного результата — 58,82 %, отрицательного — 99,56 %.

Выводы. Предложенная система поддержки принятия решения позволяет стратифицировать пациентов на группы по степени риска развития трудной интубации трахеи. Кроме того, процесс самообучения системы продолжается по мере получения новых данных, что позволяет непрерывно повышать ее эффективность.

Об авторах

А. А. Айдаралиев

Международный университет Кыргызстана

Email: volkovich_oleg@mail.ru
Киргизия, Бишкек

О. В. Волкович

Чуйская областная объединенная больница

Автор, ответственный за переписку.
Email: volkovich_oleg@mail.ru
Киргизия, Бишкек

Е. Л. Миркин

Международный университет Кыргызстана

Email: volkovich_oleg@mail.ru
Киргизия, Бишкек

С. С. Нежинских

Международный университет Кыргызстана

Email: volkovich_oleg@mail.ru
Киргизия, Бишкек

Список литературы

  1. Cook TM, Woodall N, Frerk C; Fourth National Audit Project. Major complications of airway management in the UK: results of the Fourth National Audit Project of the Royal College of Anaesthetists and the Difficult Airway Society. Part 1: anaesthesia. Br J Anaesth. 2011;106(5):617-631. https://doi.org/10.1093/bja/aer058.
  2. Hove LD, Steinmetz J, Christoffersen JK, et al. Analysis of deaths related to anesthesia in the period 1996-2004 from closed claims registered by the Danish patient insurance association. Anesthesiology. 2007;106(4):675-680. https://doi.org/10.1097/01.anes.0000264749.86145.e5.
  3. Hagberg CA, Benumof J. Benumof and Hagberg’s airway management. 3rd ed. Philadelphia, PA: Elsevier/Saunders; 2013. 1141 p.
  4. Connor CW, Segal S. Accurate classification of difficult intubation by computerized facial analysis. Anesth Analg. 2011;112(1):84-93. https://doi.org/10.1213/ane. 0b013e31820098d6.
  5. Nørskov AK, Wetterslev J, Rosenstock CV, et al. Effects of using the simplified airway risk index vs usual airway assessment on unanticipated difficult tracheal intubation — a cluster randomized trial with 64,273 participants. Br J Anaesth. 2016;116(5):680-689. https://doi.org/10.1093/bja/aew057.
  6. Айдаралиев А.А., Волкович О.В., Миркин Е.Л., и др. Интеллектуальная система поддержки принятия решений в прогнозировании риска трудной интубации трахеи // Врач и информационные технологии. – 2018. – № 1. – С. 59–67. [Aidaraliev AA, Volkovich OV, Mirkin EL, et al. Intelligent decision supports system in prediction of difficult tracheal intubation. Vrach i informacionnye tehnologii. 2018;(1):59-67. (In Russ.)]
  7. Eberhart L, Arndt C, Aust H, et al. A simplified risk score to predict difficult intubation: development and prospective evaluation in 3763 patients. Eur J Anaesthesiol. 2010;27(11):935-940. https://doi.org/10.1097/eja.0b013e328338883c.
  8. el-Ganzouri AR, McCarthy RJ, Tuman KJ, et al. Preoperative airway assessment: predictive value of a multivariate risk index. Anesth Analg. 1996;82(6):1197-1204. https://doi.org/10.1097/00000539-199606000-00017.
  9. Wilson ME, Spiegelhalter D, Robertson JA, Lesser P. Predicting difficult intubation. Br J Anaesth. 1988;61(2):211-216. https://doi.org/10.1093/bja/61.2.211.
  10. Langeron O, Cuvillon P, Ibanez-Esteve C, et al. Prediction of difficult tracheal intubation. Anesthesiology. 2012;117(6):1223-1233. https://doi.org/10.1097/aln.0b013e31827537cb.
  11. Naguib M, Scamman FL, O’Sullivan C, et al. Predictive performance of three multivariate difficult tracheal intubation models: a double-blind, case-controlled study. Anesth Analg. 2006;102(3):818-824. https://doi.org/10.1213/01.ane.0000196507.19771.b2.
  12. Shiga T, Wajima Z, Inoue T, Sakamoto A. Predicting difficult intubation in apparently normal patients. Anesthesiology. 2005;103(2):429-437. https://doi.org/10.1097/ 00000542-200508000-00027.
  13. Suzuki N, Isono S, Ishikawa T, et al. Submandible angle in nonobese patients with difficult tracheal intubation. Anesthesiology. 2007;106(5):916-923. https://doi.org/10.1097/01.anes.0000265150.71319.91.
  14. Connor CW, Segal S. The importance of subjective facial appearance on the ability of anesthesiologists to predict difficult intubation. Anesth Analg. 2014;118(2):419-427. https://doi.org/10.1213/ANE.0000000000000012.
  15. Cuendet GL, Schoettker P, Yuce A, et al. Facial image analysis for fully automatic prediction of difficult endotracheal intubation. IEEE Trans Biomed Eng. 2016;63(2):328-339. https://doi.org/10.1109/TBME.2015. 2457032.
  16. Mirkin B, Mirkin EL, Gutman PO. State-feedback adaptive tracking of linear systems with input and state delays. Int J Adapt Control Signal Process. 2009;23(6):567-580. https://doi.org/10.1002/acs.1070.
  17. Миркин Е.Л., Нежинских С.С. Случайная стратегия автоматизированного синтеза топологии нейронной сети // Автоматизированные технологии и производства. – 2016. – № 3. – С. 48−55. [Mirkin EL, Nezhinskikh SS. Random strategy of forming a self-organizing neural network topology. Avtomatizirovannye tekhnologii i proizvodstva. 2016;(3):48-55. (In Russ.)]
  18. Шаршеналиев Ж.Ш., Миркин Е.Л. Синтез модифицированных алгоритмов адаптивного управления процессом роста монокристаллов кремния // Мехатроника, автоматизация, управление. – 2012. – № 3. – С. 37−43. [Sharshenaliev ZhSh, Mirkin EL. Synthesis of modified adaptive control algorithms growth process of silicon single crystals. Mekhatronika, Avtomatizatsiya, Upravlenie. 2012;(3):37-43. (In Russ.)]
  19. Акрамов Э.Х., Миркин Е.Л., Волкович О.В., и др. Разработка компьютерной системы диагностики показания к операции по поводу синдрома кишечной непроходимости // Проблемы автоматики и управления. – 2015. – № 2. – С. 56−63. [Akramov EKh, Mirkin EL, Volkovich OV, Nezhinskikh SS, Saliev AT. Development of computer diagnostic systems indications for surgery for intestinal obstruction syndrome. Problemy avtomatiki i upravleniya. 2015;(2):56-63. (In Russ.)]
  20. Акрамов Э.Х., Волкович О.В., Васильева О.И. Успешное оперативное лечение длительной обструкции мочеточника // Хирургия. Журнал им. Н.И. Пирогова. – 2006. – № 4. – С. 74. [Akramov EKh, Volkovich OV, Vasil’eva OI. Uspeshnoe operativnoe lechenie dlitel’noi obstruktsii mochetochnika. Khirurgiia, Moskva. 2006;(4):74. (In Russ.)]
  21. Волкович О.В., Молдобаева Н.Т. Унифицированная оценка степени травматичности операции и ее корреляция с интенсивностью послеоперационного болевого синдрома // Хирургия, морфология, лимфология. – 2007. – Т. 4. – № 8. – С. 53−55. [Volkovich OV, Moldobaeva N.T. Unifitsirovannaya otsenka stepeni travmatichnosti operatsii i ee korrektsiya s intensivnost’yu posleoperatsionnogo bolevogo sindroma. Khirurgiya, morfologiya, limfologiya. 2007;4(8):53-55. (In Russ.)]

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Фотография человека в профиль с выделенными ориентирами. Точка 1 — кончик носа, точка 2 — козелок, точка 3 — подбородочный выступ, точка 4 — точка визуального перехода шеи в субмандибулярную область. Отрезок А соединяет точки 1 и 2, отрезок B соединяет точки 2 и 3, отрезок С соединяет точки 3 и 4. Линия F лежит во фронтальной плоскости на уровне точки 2 (козелка). Линия G лежит во фронтальной плоскости на уровне точки 4. Линия H лежит во фронтальной плоскости на уровне точки 3. Отрезок D соединяет линии G и H. Отрезок E соединяет линии G и F. Угол α — субмандибулярный угол

Скачать (130KB)
Метаданные
3. Рис. 2. Поэтапная эволюция интегрированной ошибки обучения нейронной сети

Скачать (197KB)
Метаданные
4. Рис. 3. Информационная матрица результата обучения нейронной сети по исходной выборке

Скачать (204KB)
Метаданные
5. Рис. 4. На фотографии отмечены реперные точки

Скачать (106KB)
Метаданные

© Айдаралиев А.А., Волкович О.В., Миркин Е.Л., Нежинских С.С., 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».