Возможности прогноза и предупреждения ранних послеоперационных осложнений


https://doi.org/10.21626/vestnik/2020-4/08

Полный текст:


Аннотация

Цель исследования - улучшение прогноза раннего послеоперационного периода путем дополнительной индивидуализации анестезиологического ведения больных во время экстренных хирургических вмешательств на желчном пузыре за счет технологий искусственных нейронных сетей. 

Материалы и методы. У 92 пациентов с проведенной по экстренным показаниям эндоскопической холецистэктомией проанализировано течение комбинированного анестезиологического пособия и особенности послеоперационного периода. Прогноз варианта послеоперационного этапа госпитализации реализовали с помощью анализа значимости избранных для описания больных 20 разномодальных переменных с привлечением технологий нечеткой логики. Возможность изменения прогноза на более благоприятный достигалась на основе разработанного алгоритма оценки результатов обучения нейронных сетей на нейроимитаторе Neuro Pro 0.2. 

Результаты. Согласно общепринятым критериям у всех больных эндоскопическая холецистэктомия и наркоз прошли без осложнений. На послеоперационном этапе выявили 2 группы лиц - с ожидаемой короткой госпитализацией (72 случая - 6,7±2,1 дня) и с клиникой, приведшей к ее достоверной пролонгации (20 случаев - 12,2±3,5 дня). Показано, что использование нейросетевого подхода позволяет с уверенностью более 80% предполагать случаи с высокой вероятностью послеоперационных расстройств и у половины таких больных улучшить прогноз в рамках технологии нейронных сетей и разработанного алгоритма подбора степени выраженности избранных 5 переменных факторов, относящихся к методике проведения анестезиологического пособия. 

Заключение. Технология нейронных сетей позволяет прогнозировать случаи с индивидуальными «непредсказуемыми» реакциями на хирургическую травму. Оценка значимости используемых факторов и варьирование их степени выраженности создает основу для индивидуализации анестезиологического ведения больных, предупреждения послеоперационных реакций и сокращения периода госпитализации.


Об авторах

Игорь Анатольевич Сараев
Курский государственный медицинский университет
Россия
д-р мед. наук, профессор, профессор кафедры внутренних болезней № 2


Владимир Николаевич Мишустин
Курский государственный медицинский университет
Россия
д-р мед. наук, профессор, профессор кафедры хирургических болезней ФПО


Список литературы

1. Воскресенский О.В., Смоляр А.Н., Дамиров М.М., Александрович Ю.С., Гордеев В.И. Оценочные и прогностические шкалы в медицине критических состояний. Санкт-Петербург: Сотис, 2007. 140 c.

2. Басова Л.А., Карякина О.Е., Мартынова Н.А., Кочорова Л.В. Прогнозирование послеоперационных осложнений на основе нейросетевых технологий. Вестник новых медицинских технологий. 2015;22(4):117-121. DOI: 10.12737/17035

3. Вараксин А.Н. Статистические модели регрессионного типа в экологии и медицине. Екатеринбург: Гощицкий, 2006. 255 с.

4. Иванов Н.В. Нейронные сети в медицине. Сложные системы. 2018;4(29):46-70

5. Койчубеков Б.К., Сорокина М.А., Мхитарян К.Э. Математические методы прогнозирования в медицине. Успехи современного естествознания. 2014;4:29-36. URL: http://www.natural-sciences.ru/ru/article/view?id=33316

6. Лебедев Н.В. Система объективной оценки состояния больных и пострадавших. Москва: БИНОМ, 2015. 160 с.

7. Милова К.А. Интеллектуальная система прогнозирования развития осложнений у хирургических больных. Нейрокомпьютеры: разработка, применение. 2010;11:20-22

8. Точило С.А. Предикторы развития синдрома полиорганной дисфункции у пациентов после абдоминальных хирургических вмешательств. Новости хирургии. 2017;25(5):494-502. DOI: 10.18484/2305-0047.2017.5.494

9. Basit A., Sarim M., Raffat K., Kamran A., Nadeem A., Muhammad S. Artificial Neural Network: A Tool for Diagnosing Osteoporosis. Res J Recent Sci. 2014;3(2):87-91.

10. Brooks G.P., Barcikowski R.S. The PEAR method for sample sizes in multiple linear regression. Multiple Linear Regression Viewpoints. 2012;38(2):1-16.

11. Díaz-Hierro J., Martín Martín J.J., Vilches Arenas A., López del Amo González M.P., Patón Arévalo J.M., Varo González C. Evaluation of time-series models for forecasting demand for emergency health care services. Emergencias. 2012;24(3):181-188.

12. Moriña D., Puig P., Ríos J., Vilella A., Trilla A. A statistical model for hospital admissions caused by seasonal diseases. Stat Med. 2011;30(26):3125-3136. DOI: 10.1002/sim.4336

13. Naqvi I.H., Mahmood K., Ziaullaha S., Kashif S.M., Sharif A. Better prognostic marker in ICU - APACHE II, SOFA or SAP II!. Pak J Med Sci. 2016;32(5): 1146-1151. DOI: 10.12669/pjms.325.10080

14. Siettos C.I., Russo L. Mathematical modeling of infectious disease dynamics. Virulence. 2013;4(4):295-306. DOI: 10.4161/viru.24041

15. Unkel S., Farrington C., Garthwaite P., Robertson C., Andrews N. Statistical methods for the prospective detection of infectious disease outbreaks: A review. Journal of the Royal Statistical Society. Series A (Statistics in Society). 2012;175(1):49-82. URL: http://www.jstor.org/stable/41409708

16. Wick J.P., Turin T.C., Faris P.D., MacRae J.M., Weaver R.G., Tonelli M., Manns B.J., Hemmelgarn B.R. A Clinical Risk Prediction Tool for 6-Month Mortality After Dialysis Initiation Among Older Adults. Am J Kidney Dis. 2017;69(5):568-575. DOI: 10.1053/j.ajkd.2016.08.035


Дополнительные файлы

Для цитирования: Сараев И.А., Мишустин В.Н. Возможности прогноза и предупреждения ранних послеоперационных осложнений. Курский научно-практический вестник «Человек и его здоровье». 2020;(4):63-71. https://doi.org/10.21626/vestnik/2020-4/08

For citation: Saraev I.A., Mishustin V.N. Possibilities for forecasting and preventing early postoperative complications. Kursk Scientific and Practical Bulletin "Man and His Health". 2020;(4):63-71. (In Russ.) https://doi.org/10.21626/vestnik/2020-4/08

Просмотров: 34

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1998-5746 (Print)