Artificial intelligence in obstetrics for predicting acute cerebrovascular disorders

• Emmanuella A. Bayanduryan
• Margarita D. Andreeva

Abstract

The incidence of acute cerebrovascular accidents (ACVA) remains high among pregnant women and is 3–13 times higher than the frequency in the population. Pregnancy is considered today as a kind of screening test for thrombotic pathology, as pregnancy in the norm is accompanied by hypercoagulability. Somatic pathologies (obesity, chronic arterial hypertension, cardiac rhythm disorders, etc.), as well as a range of obstetric complications (severe preeclampsia, HELLP-syndrome, amniotic fluid embolism, etc.), only increase the risks of developing acute cerebrovascular disorders during gestation. All these data indicate the need to study the risk factors for acute cerebrovascular disorders during pregnancy, in the postpartum period, and in the intergenic interval, as well as to address the issue of preventive therapy.

The aim of the study was to investigate risk factors for development of acute cerebrovascular accidents during pregnancy, postpartum period and in the intergenetic interval to build a prognostic model aimed at preventing vascular disorders.

Material and methods. 80 birth histories were prospectively studied, from which two groups were formed: 1^st group (n=50), consisting of pregnant women who suffered episodes of acute cerebrovascular accident during pregnancy or in the postpartum period, as well as with episodes of acute cerebrovascular accident in intergenetic interval, and 2^nd group (n=30), which consisted of birth histories of apparently healthy patients. Statistical analysis was carried out using the Statistica 13.3 program (USA, Tibco).

Results. Analysis of clinical and laboratory data in pregnant women who suffered episodes of acute cerebrovascular accident during pregnancy, after childbirth and in the intergenetic interval (1^st group) in comparison with apparently healthy pregnant women (2^nd group) allowed us to develop a prognostic model for identifying a group at risk for developing the pathology. The implementation of this model in clinical practice allowed, through additional clinical and laboratory research and risk calculations for acute cerebrovascular disorders, to conduct preventive therapy for 20 patients with a high risk of acute cerebrovascular accident, as well as for patients with a history of acute cerebrovascular accident who were preparing for pregnancy.

Conclusion. The absence of episodes of circulatory disorders in 20 patients with a high risk of developing acute cerebrovascular accidents confirms high predictive properties of the developed model.

Keywords: pregnancy; acute cerebrovascular accident; prognostic modelAbstract

REFERENCES

1. Varakin Yu.A. Epidemiological aspects of the prevention of cerebral circulation disorders. Nervnye bolezni [Nervous Diseases]. 2005; (2): 4–10. (in Russian)

2. Bakunts G.O. Endogenous factors of cerebral stroke. Moscow: GEOTAR-Media, 2011: 360 p. (in Russian)

3. Kol’tsova E.A., Petrova E.A., Borshch Yu.V. Review of stroke risk factors. Zhurnal nevrologii i psikhiatrii imeni S.S. Korsakova [Journal of Neurology and Psychiatry named after S.S. Korsakov]. 2022; 122 (12-2): 12–9. DOI: https://doi.org/10.17116/jnevro202212212212 (in Russian)

4. Stakhovskaya L.V. Stroke. A guide for doctors. In: L.V. Stakhovskaya, S.V. Kotov (eds). Moscow: Meditsinskoe informatsionnoe agentstvo, 2013: 400 p. (in Russian)

5. James A.H., Bushnell C.D., Jamison M.G., Myers E.R., Incidence and risk factors for stroke in pregnancy and the puerperium. Obstet Gynecol. 2005; 106 (3): 509–16. DOI: https://doi.org/10.1097/01.AOG.0000172428.78411.b0

6. Sin’kov S.V., Zabolotskikh I.B., Penzhoyan G.A., Muzychenko V.P. Thrombophilias and principles of thromboprophylaxis in obstetrics. Anesteziologiya i reanimatologiya [Anesthesiology and Reanimatology]. 2011; (2): 66–70. (in Russian)

7. Zabolotskikh I.B., Penzhoyan G.A., Sin’kov S.V., et al. Analysis of diagnosis and correction of coagulopathies in pregnant women and postpartum women with gestosis. Anesteziologiya i reanimatologiya [Anesthesiology and Reanimatology]. 2012; (6): 28–33. (in Russian)

8. Taytubaeva G.K., Gribacheva I.A., Petrova E.V., Popova T.F. Stroke and pregnancy: main risk factors. Issledovaniya i praktika v medicine [Research and Practice in Medicine]. 2017; 4 (4): 27–34. DOI: https://doi.org/10.17709/2409-2231-2017-4-4-3 (in Russian)

9. Khalafyan A.A. STATISTICS 6. Mathematical statistics with elements of probability theory. Moscow: Binom, 2010: 496 p. (in Russian)

Анализ наличия соматической патологии показал, что имеется статистически значимое межгрупповое различие в отношении таких показателей, как частота сердечно-сосудистых заболеваний (р=0,003), избыточная масса тела (р<0,001) и ожирение (р<0,001), клиническое проявление дисплазии соединительной ткани (р=0,049) и частота встречаемости антифосфолипидного синдрома (р=0,049) (табл. 2).

Межгрупповой анализ частоты встречаемости сердечно-сосудистых заболеваний между группами показал, что значимо чаще в 1-я группе диагностировалась АГ - у 6 (12,0%) беременных, в отличие от 2-й группы, где данная патология не выявлена (р=0,049).

Также была проанализирована частота наследственно обусловленных тромбофилий (НОТ): в 1-й группе НОТ были выявлены у 42 (84,0%) беременных, а во 2-й - у 2 (6,67%) пациенток [гетерозиготная мутация метилентетрагидрофолатредуктазы (MTHFR), р<0,001]. В 1-й группе НОТ были представлены мутацией V фактора свертывания крови (Лейден) у 6 (12,0%), II фактора свертывания (протромбин) у 10 (20,0%), PAI 1 (ингибитор активации плазминогена 1-го типа) у 17 (34,0%), протеина S и протеина С - по 7 (14,0%) беременных, антитромбина III у 8 пациенток (16,0%), антифосфолипидный синдром был выявлен у 6 (12,0%) и гипергомоцистеинемия у 15 (30,0%). Степень корреляции статистически значимо чаще встречалась между 1-й группой и наличием НОТ: R=0,777.

Анализ частоты встречаемости гинекологической патологии выявил статистически значимую разницу между группами только в отношении частоты встречаемости цервикальная интраэпителиальная неоплазия (Cervical Intraepithelial Neoplasia - CIN) (в 1-й группе CIN выявлена у 13 (26,0%) беременных, во 2-й группе - у 1 (3,33%; р=0,009), и синдрома поликистозных яичников - 17 (34,0%) и 3 (10,0%) соответственно (р=0,016).

Были проанализированы частоты осложнений беременности, послеродового периода и состояние детей. Результаты показали, что существуют статистически значимые межгрупповые отличия в отношении частот выявления АГ (р=0,049), угрозы прерывания беременности (р<0,001) и антенатальной гибели плода (р=0,032) (табл. 3). Также статистически значимо различалась частота встречаемости патологии на фоне беременности: в 1-й группе она составила 68,0%; во 2-й группе - 16,7% (р=0,028). Статистически недостоверно чаще в 1-й группе фиксировались преждевременная отслойка нормально расположенной плаценты (ПОНРП), преждевременный разрыв плодных оболочек (ПРПО), кровотечения на фоне беременности, а также острые респираторно-вирусные инфекции (ОРВИ), инфекции мочевыводящих путей (ИМВП), послеродовый эндометрит, субинволюция матки, мастит, фетоплацентарная (ФПН) и плацентарная недостаточность (ПН), а также задержка развития плода (ЗРП).

В ходе проведения данного исследования 80 беременных были разделены на обучающую выборку - 56 пациенток, контрольную и тестовую выборку (по 12 человек). В каждой выборке больные и здоровые составили соответственно 37 и 19; 7 и 5; 6 и 6 беременных. Обучающая выборка использовалась для обучения с помощью искусственного интеллекта нейронной сети, контрольная - для проверки ее производительности и работоспособности во время обучения, тестовая - для выполнения финальных проверочных тестов (это было предпринято, для того чтобы определить, как программа прогнозирует новые данные, которые не использовались ни в обучающей, ни в контрольных выборках).

Искусственным интеллектом было сгенерировано 200 сетей. Однако нами выбрана одна из них, под номером 169, которая обладала наилучшими способностями в прогнозировании риска развития ОНМК (табл. 4).

Первое число во 2-м столбце табл. 4 показывает количество входных нейронов в модели сети - 69. Это число вычисляется как сумма количественных показателей: возраст, ИМТ, начало менархе, число преждевременных родов, самопроизвольных абортов и замерших беременностей, антенатальной гибели плодов по триместрам. Кроме количественных, использованы 30 качественных показателей: 29 показателей принимают два значения - да и нет, профессия - одна из четырех возможных (служащая, рабочая, руководитель, домохозяйка). В итоге: 7 + 29 × 2 + 4 = 69. Второе число - 18 скрытых нейронов и третье - 2 выходных нейрона. В последующих столбцах показана производительность сетей в трех выборках, которая определяется как доля правильно классифицированных наблюдений (больных) в процентах. Максимально возможная производительность равна 100%.

С целью обучения сети использовали алгоритм Бройдена-Флетчера-Гольдфарба-Шанно (Broyden-Fletcher-Goldfarb-Shanno) - BFGS, итерационный квазиньютоновский метод численной оптимизации. Цифра рядом с наименованием алгоритма обучения (6-й столбец) указывает на количество итераций, на которые сеть была обучена. В 7-м столбце табл. 4 указана функция ошибки SOS, используемая в процессе обучения, которая вычисляется как корень из суммы квадратов отклонений предсказанной переменной от исходной. В последних двух столбцах представлены функции активации скрытого (Identity) и выходного (Tanh) слоя построенной нейросети. Топология (архитектура) нейронной сети представлена на рис. 1.

Результаты классификации обучающей, тестовой и контрольной выборок показали, что ошибок в обучающей и контрольной выборках нет, все пациентки классифицированы правильно, в соответствии с принадлежностью к 1-й или ко 2-й группе. В тестовой выборке 1 беременная была ошибочно классифицирована сетью как здоровая, т.е. сеть допустила одну ошибочную классификацию в трех выборках из 80 беременных, следовательно, ее общая производительность составляет 98,75%. Чувствительность модели и ее специфичность на обучающей и контрольной выборках составила по 100%, на тестовой - чувствительность 83,3% и специфичность 100%. Созданная ROC-кривая для всей выборки представляет собой графическое изображение, построенное в системе координат между долями ложноположительных классификаций (ось Х) и истинно-положительных классификаций (ось Y). Чем больше площадь под ROC-кривой, тем выше прогностические свойства модели, максимально она стремится к 1,0. Площадь под ROC-кривой - 0,98, следовательно, наша модель имеет высокие прогностические свойства (рис. 2).

Диалоговое окно разработанной программы показано на рис. 3.

Программа призвана помочь акушеру-гинекологу выделить группу риска по развитию ОНМК на основании общего и репродуктивного анамнеза с учетом социального статуса и вредных привычек партнера пациентки. После ввода соответствующих данных программа выводит на экран результат вычислений - вероятность возникновения ОНМК.

После внедрения разработанной программы в клиническую практику на основании полученных результатов была выделена группа пациенток с высоким риском развития сосудистых нарушений, что позволило своевременно провести дополнительные клинико-лабораторные исследования и назначить профилактическую терапию пациенткам на прегравидарном этапе. Параллельно профилактическую терапию проходили пациентки с ОНМК в анамнезе и готовились к беременности.

Таким образом, полученная нами модель способна облегчить процедуру классификации пациенток по клиническим показателям и состоянию здоровья в группы высокого и низкого риска развития ОНМК на прегравидарном этапе и на ранних сроках беременности. Она проста в использовании, не требует обучения клинических специалистов работы с ней. Данная работа была проведена на базе центральной научно-исследовательской лаборатории ФГБОУ ВО КубГМУ Минздрава России.

Заключение

Внедрение разработанной прогностической модели создало условия для выделения пациенток с высокой степенью риска развития ОНМК, что позволило провести профилактические мероприятия путем назначения по показаниям низкомолекулярных гепаринов (0,4 мл подкожно в сутки), ацетилсалициловой кислоты (100 мг/сут), фолиевой кислоты (5 мг/сут) и витаминов группы В.

Отсутствие эпизодов нарушения кровообращения у 20 пациенток с высокой степенью риска развития ОНМК подтверждает высокие прогностические свойства модели. Создание программных приложений по разработанным на основе проведенных исследований алгоритмам автоматизирует анализ полученных в процессе сбора анамнеза и клинического обследования данных и способствует принятию наиболее обоснованных решений лечащим врачом.

ЛИТЕРАТУРА

1. Варакин Ю.А. Эпидемиологические аспекты профилактики нарушений мозгового кровообращения // Нервные болезни. 2005. № 2. С. 4-10.

2. Бакунц Г.О. Эндогенные факторы церебрального инсульта. Москва : ГЭОТАР-Медиа, 2011. 360 с.

3. Кольцова Е.А., Петрова Е.А., Борщ Ю.В. Обзор факторов риска инсульта // Журнал неврологии и психиатрии им. С.С. Корсакова. 2022. Т. 122, № 12-2.С. 12-19. DOI: https://doi.org/10.17116/jnevro202212212212

4. Стаховская Л.В. Инсульт : руководство для врачей / под ред. Л.В. Стаховской, С.В. Котова. Москва : Медицинское информационное агентство, 2013. 400 с.

5. James A.H., Bushnell C.D., Jamison M.G., Myers E.R., Incidence and risk factors for stroke in pregnancy and the puerperium // Obstet. Gynecol. 2005. Vol. 106, N 3. P. 509-516. DOI: https://doi.org/10.1097/01.AOG.0000172428.78411.b0

6. Синьков С.В., Заболотских И.Б., Пенжоян Г.А., Музыченко В.П. Тромбофилии и принципы тромбопрофилактики в акушерстве // Анестезиология и реаниматология. 2011. № 2. С. 66-70.

7. Заболотских И.Б., Пенжоян Г.А., Синьков С.В. и др. Анализ диагностики и коррекции коагулопатий у беременных и родильниц с гестозом // Анестезиология и реаниматология. 2012. № 6. С. 28-33.

8. Тайтубаева Г.К., Грибачева И.А., Петрова Е.В., Попова Т.Ф. Инсульт и беременность: основные факторы риска // Исследования и практика в медицине. 2017. Т. 4, № 4. С. 27-34. DOI: https://doi.org/10.17709/2409-2231-2017-4-4-3

9. Халафян А.А. STATISTICA 6. Математическая статистика с элементами теории вероятностей. Москва : Бином, 2010. 496 с.

All articles in our journal are distributed under the CC BY-NC-ND 4.0 (Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International)