Научно-практический журнал
«Клиническая физиология кровообращения»

Главный редактор

Лео Антонович Бокерия, доктор медицинских наук, профессор, академик РАН и РАМН, президент ФГБУ «НМИЦ ССХ им. А.Н. Бакулева» МЗ РФ


Нейросетевые технологии как основа стратегии предупреждения осложнений после операций реваскуляризации миокарда в условиях искусственного кровообращения

Авторы: А.С. Семенова 1, В.В. Агапов 1, В.А. Прелатов 1,   А.В. Жуков 1, М.Ю. Шигаев 2

Организация:
1 ГУЗ «Областной кардиохирургический центр», ул. Крымская, 15, Саратов, 410039, Россия; 

2 ГБОУ ВПО «Саратовский государственный медицинский университет им. В.И. Разумовского» Министерства здравоохранения Российской Федерации, ул. Б. Казачья, 112, Саратов, 410012, Россия

Раздел: Искусственное кровообращение

Библиографическая ссылка: Клиническая физиология кровообращения. 2013; (): -

Цитировать как: А.С. Семенова , В.В. Агапов , В.А. Прелатов ,  А.В. Жуков , М.Ю. Шигаев . Нейросетевые технологии как основа стратегии предупреждения осложнений после операций реваскуляризации миокарда в условиях искусственного кровообращения. Клиническая физиология кровообращения. 2013; (): -. DOI:

Ключевые слова: коронарное шунтирование; нейронные сети; послеоперационные осложнения

Полнотекстовая версия:  

Аннотация

Цель исследования – оценка возможности прогнозирования развития осложнений в раннем периоде после операций реваскуляризации миокарда на основании интраоперационных параметров с использованием технологии нейронных сетей. Материал и методы. В ретроспективное исследование по принципу «случай–контроль» были включены данные 107 пациентов (средний возраст 58,4±8,5 года), которым были выполнены операции изолированного шунтирования коронарных артерий. Осложнениями считали развитие органных дисфункций (острая почечная, дыхательная, сердечно-сосудистая, центральной нервной системы, инфаркт миокарда и пароксизмы фибрилляции предсердий) в раннем послеоперационном периоде (0–6 сут). В качестве предикторов использовали рутинно мониторируемые во время хирургического вмешательства в условиях искусственного кровообращения показатели гемодинамики и внутренней среды организма. Для прогнозирования использовали метод нейронных сетей, обучение и тестирование нейросетей, а также статистический анализ выполнялся с использованием программного пакета Statistica 6.0 StatSoft Inc. Результаты. В ходе анализа из более чем 3 тыс. автоматически построенных с использованием персонального компьютера сетей были отобраны 2 нейронные сети, обладающие лучшими операционными характеристиками. После ввода значений предикторов в двоичном формате нейросетью выводится заключение о предполагаемом исходе: наличии или отсутствии осложнений. Величина площади под кривой по результатам ROC-анализа составила: для оценки по EuroSCORE – 0,611 (p=0,48), для нейронных сетей: 0,778 (p=0,027), 0,833 (p=0,034) и 0,944 (p=0,005). Заключение. Получены прогностические модели – нейронные сети с высокой предсказательной точностью, пригодные для использования в клинической практике.

Литература

1. Бокерия Л.А., Гудкова Р.Г. Сердечно-сосудистая хирургия – 2010. М.: НЦССХ им. А.Н. Бакулева РАМН; 2011. 2. Miyata H., Motomura N., Murakami A. et al. Effect of benchmarking projects on outcomes of coronary artery bypass graft surgery: Challenges and prospects regarding the quality improvement initiative. J. Thorac. Cardiovasc. Surg. 2012; 143 (6): 1364–9. 3. Mangos G.J., Brown M.A., Chan W.Y. et al. Acute renal failure following cardiac surgery: incidence, outcomes and risk factors. Aust. N. Z. J. Med. 1995; 25: 284–9. 4. Stallwood M.I., Grayson A.D., Mills K. et al. Acute renal failure in coronary artery bypass surgery: independent effect of cardiopulmonary bypass. Ann. Thorac. Surg. 2004; 77 (3): 968–72. 5. Zangrillo A., Landoni G., Sparicio D. et al. Predictors of atrial fibrillation after off-pump coronary artery bypass graft surgery. J. Cardiothorac. Vasc. Anesth. 2004; 18: 704–8. 6. Carnero-Alcazar M., Silva Guisasola J.A., Reguillo Lacruz F.J. et al. Validation of EuroSCORE II on a single-centre 3800 patient cohort. Interact. Cardiovasc. Thorac. Surg. 2013; 16 (3): 293–300. 7. Noyez L., Kievit P.C., van Swieten H.A., de Boer M.J. Cardiac operative risk evaluation: The EuroSCORE II, does it make a real difference? Neth. Heart J. 2012; 20 (12): 494–8. 8. Vanagas G., Kinduris S., Leveckyte A. Comparison of various systems for fisk stratification in heart surgery. Medicina (Kaunas). 2003; 39 (8): 739–44. 9. Бабаев М.А. Синдром полиорганной недостаточности после сердечно-сосудистых операций в условиях искусственного кровообращения: Дис. … д-ра мед. наук. М.; 2011. 10. Lette J., Colletti B.W., Cerino M. et al. Artificial intelligence versus logistic regression statistical modeling to predict cardiac complications after noncardiac surgery. Clin. Cardiol. 1994; 17 (11): 609–14. 11. Orr R.K. Use of a probabilistic neural network to estimate the risk of mortality after cardiac surgery. Med. Desic. Making. 1997; 17 (2): 178–85. 12. Tu J.V., Gurriere M.R. Use of a neural network as a predictive instrument for length of stay in the intensive care unit following cardiac surgery: Proceedings 16th Annual Symposium on Computer Applications in Medical Care. Baltimore; 1992. AMIA: 666–72.

Об авторах

Семенова Анна Сергеевна, кандидат мед. наук, заместитель главного врача; e-mail: semannserg@yandex.ru;
Агапов Валерий Владимирович, доктор мед. наук, главный врач;
Прелатов Вадим Алексеевич, доктор мед. наук, профессор, заместитель главного врача;
Жуков Алексей Валериевич, заведующий кардиохирургическим отделением № 2;
Шигаев Михаил Юрьевич, кандидат мед. наук, ассистент

 Если вы заметили опечатку, выделите текст и нажмите Alt+A