CONSTRUCTION OF THE INFORMATION SYSTEM OF EVALUATION OF DIAGNOSIS AND TREATMENT OF SPINE DISEASES BASED ON THE NEURAL NETWORK MODELING


Cite item

Abstract

Pathology of the musculoskeletal system is steadily growing. A special place is occupied by the spinal pathology. In our work, we examined the implementation of neural network models, providing informational support of physician decisions when diagnosing pathologies of the spine with the holding of the quantification of the impact of different diagnostic indicators at the output signal network. Held health check information complex built.

Full Text

Сосудистые поражения нервной системы в настоящее время являются наиболее важной проблемой в клинической неврологии. Исключительное внимание к сосудистой патологии мозга, цереброваскулярным заболеваниям объясняется, прежде всего, их широкой распространенностью. Современные условия жизни (неблагоприятная экологическая обстановка, частые стрессы, усложнение процессов трудовой деятельности, недостаток физической активности) способствуют также увеличению заболеваемости среди молодых людей. Это приобретает социальную значимость, поскольку затрагивает трудоспособные слои населения. В структуре смертности взрослого населения большинства экономически развитых стран смертность от цереброваскулярных заболеваний составляет 12-15%. В то же время отмечается, что сосудистые кризы встречаются гораздо чаще при недостаточности кровообращения в вертебрально-базилярном бассейне [1, 2, 4, 6, 7, 25]. Вертебрально-базилярная недостаточность (ВБН) - это обратимое нарушение функций мозга, вызванное уменьшением кровоснабжения области, питаемой позвоночными и основной артериями. Основными причинами ВБН являются сочетание атеросклеротического поражения позвоночных артерий с экстравазальными воздействиями [5, 13, 14, 16, 17]. В то же время ощущается острая необходимость выработки оптимальных процедур принятия решения при диагностике и выборе тактики лечения ВБН. В связи с этим, моделирование диагностики пациентов с патологией шейного отдела позвоночника (ШОП), влияющей на кровоток в позвоночных артериях представляется весьма важной задачей [15, 23, 24]. Применения математических методов решения задач диагностики, имитационного моделирования, а также использование компьютерных технологий как средства, позволяющего принять во внимание большое количество диагностических признаков с учетом их индивидуального коэффициента значимости, позволяют значительно повысить качество диагностики таких пациентов [3, 8-10, 24]. В шейном отделе позвоночника выражен физиологический лордоз (изгиб кпереди). Определение степени выраженности физиологического изгиба и проведение дифференциальной диагностики между нормальной кривизной и патологической является главной задачей на этапе рентгенологического исследования. Согласно общепринятой практике, изменение лордоза можно представить в виде трех вариантов: нормальный лордоз (или нормолордоз), уплощенный или выпрямленный лордоз (гиполордоз) и кифозирование (кифотическая установка). Для моделирования процесса диагностики степени кривизны ШОП была разработана искусственная нейронная сеть (ИНС), представляющая собой многослойный персептрон с прямым распространением информации. Нейросетевые модели рекомендуется применять для отыскания скрытых закономерностей в запутанных данных. Несмотря на их большую вычислительную трудоёмкость, они помогают получить более точный результат. При этом обучение нейронной сети сводится к задаче построения полинома от элементарных функций, для которого на некотором обучающем множестве входных значений переменных x1 ,..., xn заданы промежутки, в которые попадают значения полинома [9, 12, 18, 19, 20, 22]. В качестве исходной информационной базы для обучения нейросети (обучающая выборка) были взяты результаты рентгенологического обследования 95 пациентов с симптомами ВБН, разделённых на три подгруппы в соответствии со степенью выраженности лордоза (изгиба ШОП кпереди): 1 подгруппа - пациенты с нормальным лордозом (нормолордозом) - 30 человек; 2 подгруппа - пациенты с уплощенным или выпрямленным лордозом (гиполордозом) - 45 человек; и 3 подгруппа - пациенты с кифозированием ШОП (кифотической установкой) - 20 человек. В тестовую выборку были включены 23 пациента: 1 подгруппа - 8 человек; 2 подгруппа - 11 человек и 3 подгруппа - 4 человека. Также была сформирована контрольная группа из 7 человек: 1 подгруппа - 2 человека; 2 подгруппа - 3 человека и 3 подгруппа - 2 человека [11, 15, 17, 21]. Обучение нейросети осуществлялось с помощью пакета Deductor 5.0. Всё множество исходных данных было разделено на три подмножества: обучающее, тестовое и валидационное. Обучение проводилось в режиме с кросс-проверкой на тестовом подмножестве. Валидационное подмножество использовалось в качестве дополнения для независимого контроля качества обученной нейронной сети. В качестве функции активации была выбрана сигмоида. Для оценки состояния пациента использовалась совокупность показателей, характеризующих степень выраженности физиологического изгиба шейного отдела позвоночника: X1 - верхний угол лордоза (ВУЛ, град.); X2 - нижний угол лордоза (НУЛ, град.); X3, X4, X5, X6, X7, X8 - расстояния от прямой ATh1, соединяющей позвонок С1 и Th1, до позвонков С2-С7 соответственно (мм). Граф полученной нейронной сети включает в себя 8 входных и 1 выходной узел, а также скрытый слой из 5 нейронов (рис. 1). Рис. 1. Граф нейронной сети Таблица сопряжённости для обучающей выборки и для тестового множества представлена на рис. 2. А В Рис. 2. Таблицы сопряжённости для А - обучающей выборки; В - тестового множества В процессе проверки разработанной нейросетевой модели выявлен один случай неверной постановки диагноза в тестовой и контрольной выборке, что соответствует достоверности постановки диагноза на уровне 96,7% и говорит о её высокой точности.
×

About the authors

R L Baranov

Voronezh State technical Universit

O V Rodionov

Voronezh State technical Universit

O V Sudakov

Voronezh State Medical University

N Y Alexeev

Voronezh State Medical University

E A Fursova

Voronezh State Medical University

References

  1. Алгоритмизация процесса выявления патологии в шейном отделе позвоночника при проведении общей анестезии / Р.Л. Баранов, Л.И. Фирсова, О.В. Судаков, Н.Ю. Алексеев // Прикладные информационные аспекты медицины. 2015. Т. 18. № 2. С. 11-15.
  2. Алексеев Н.Ю. Боль в спине - новые возможности лечения / Н.Ю. Алексеев, Н.Ю. Кузьменко, Ю.Н. Алексеев // Инновационный Вестник Регион. 2008. № 2. С. 51-53.
  3. Алексеев Н.Ю. Моделирование тяжелых форм острого токсического гепатита / Н.Ю. Алексеев, Н.Ю. Кузьменко, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2012. Т. 11. № 2. С. 481-484.
  4. Алексеев П.Ю. Тревожно-депрессивные расстройства у больных с острым, подострым и хроническим синдромом боли в нижних отделах спины / П.Ю. Алексеев, Н.Ю. Кузьменко, Н.Ю. Алексеев // Прикладные информационные аспекты медицины. 2012. Т. 15. № 1. С. 3-7.
  5. Баранов Р.Л. Алгоритмизация диагностики и лечения вертебрально-базилярной недостаточности на основе анализа клинических признаков / Р.Л. Баранов, О.В. Родионов, В.М. Фролов // Системный анализ и управление в биомедицинских системах. 2010. Т. 9. № 1. С. 153-156.
  6. Баранов Р.Л. Моделирование и алгоритмизация диагностики и рационального выбора тактики лечения вертебрально-базилярной недостаточности /Р.Л. Баранов, О.Е. Работкина, О.В. Родионов // монография. Воронеж: ГОУВПО «Воронежский государственный технический университет», 2008. 96с.
  7. Баранов Р.Л. Разработка нейросетевой модели диагностики пациентов с патологией шейного отдела позвоночника на основе данных рентгенологического исследования / Р.Л. Баранов, О.В. Родионов, О.Е. Работкина // Вестник Воронежского государственного технического университета. 2008. Т. 4. № 8. С. 8-10.
  8. Выбор тактики лечения осложнений сахарного диабета на основе нейросетевого моделирования / Д.В. Судаков, Е.Н. Коровин, О.В. Родионов, О.В. Судаков, Е.А. Фурсова // Системный анализ и управление в биомедицинских системах. 2014. Т. 13. № 3. С. 592-597.
  9. Есауленко И.Э. Мониторинг здоровья учащейся молодежи на основе компьютерных технологий / И.Э. Есауленко, Т.Н. Петрова, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2014. Т. 13. № 2. С. 483-487.
  10. Математическая модель, используемая для исследования вариабельности ритма сердца на длительных временных интервалах / А.В. Свиридова, О.В. Судаков, О.В. Родионов, Н.Ю. Алексеев // Системный анализ и управление в биомедицинских системах. 2007. Т. 6. № 1. С. 109-113.
  11. Математическое, алгоритмическое и программное обеспечение информационного комплекса поддержки принятия врачебных решений у пациентов с сахарным диабетом и артериальной гипертензией / О.В. Судаков, Н.А. Гладских, Е.В. Богачева, Н.Ю. Алексеев, О.А. Андросова // Системный анализ и управление в биомедицинских системах. 2015. Т. 14. № 4. С. 815-819.
  12. Основные этапы и особенности обработки статистической информации в процессе судебно-медицинской идентификации личности с целью построения моделей недостающих частей тела по имеющимся / В.И. Бахметьев, Д.В. Бавыкин, Д.В. Судаков, О.В. Судаков // Прикладные информационные аспекты медицины. 2015. Т. 18. № 5. С. 27-33.
  13. Пат. 2166923 Россия, МПК: 7A 61H 1/00 A, 7A 61H 9/00 B. Способ лечения заболеваний позвоночника
  14. Пат. 2199300 Россия, МПК: 7A 61H 7/00 A, 7A 61H 23/00 B. Способ лечения миофасциальных болей и устройство для его осуществления
  15. Петрова Т.Н. Анализ состояния здоровья студентов высших учебных заведений города Воронежа / Т.Н. Петрова, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2012. Т. 11. № 1. С. 217-221.
  16. Петрова Т.Н. Комплексный подход к оценке состояния здоровья студентов медицинского вуза / Т.Н. Петрова, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2012. Т. 11. № 1. С. 121-128.
  17. Петрова Т.Н. Сравнительный анализ состояния здоровья студенческой молодежи в зависимости от профиля вуза / Т.Н. Петрова, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2012. Т. 11. № 3. С. 804-809.
  18. Построение адаптивного алгоритма процесса лечения больных сахарным диабетом и артериальной гипертензией / О.В. Родионов, Е.Н. Коровин, О.В. Судаков, Е.А. Фурсова, Д.В. Судаков // Системный анализ и управление в биомедицинских системах. 2014. Т. 13. № 3. С. 688-690.
  19. Построение информационного комплекса поддержки принятия врачебных решений в лечебно-диагностическом процессе больных сахарным диабетом в сочетании с артериальной гипертонией / О.В. Судаков, Т.Н. Петрова, Н.Ю. Алексеев, Е.А. Фурсова // Прикладные информационные аспекты медицины. 2015. Т. 18. № 6. С. 4-9.
  20. Построение математической модели выбора вида лечебного воздействия у пациентов с синдромом диабетической стопы по результатам предварительной обработки информации / Д.В. Судаков, О.В. Родионов, Е.Н. Коровин, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2012. Т. 11. № 4. С. 869-872.
  21. Судаков О.В. Построение прогностической математической модели, базирующейся на параметрах сердечного ритма для оценки тяжести сердечных заболеваний / О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2007. Т. 6. № 1. С. 201-208.
  22. Фурсова Е.А. Применение нейросетевого моделирования для поддержки принятия решений при диагностике хронической сердечной недостаточности / Е.А. Фурсова, Е.И. Новикова, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2009. Т. 8. № 2. С. 410-413.
  23. Эффективность применения вакуумно-мембранного мышечно-скелетного вытяжения в комплексном лечении синдрома боли в нижних отделах спины / Н.Ю. Алексеев, Ю.Н. Алексеев, Н.Ю. Кузьменко, Э.В. Минаков // Практическая медицина. 2011. № 3-1 (50). С. 56.
  24. Alexeev Yu. N, Alexeeva N. V., Alexeev N. Yu., Alexeeva N. Yu., Alexeev P. Yu.//International Journal on Immunorehabilitation. -Jull, 1998. -№ 8. -P. 165.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies