Использование искусственного интеллекта при прогнозировании острого нарушения мозгового кровообращения в акушерской практике

• Баяндурян Эммануэлла Ашотовна
• Андреева Маргарита Дарчоевна

Резюме

Частота острых нарушений мозгового кровообращения (ОНМК) остается высокой среди беременных и в 3-13 раз превышает частоту данной патологии в популяции. В настоящее время беременность рассматривают как своеобразный скрининг на тромботическую патологию, так как в норме беременность сопровождается гиперкоагуляцией. Соматическая патология (ожирение, хроническая артериальная гипертензия, нарушения сердечного ритма и т.д.), а также целый ряд акушерских осложнений (тяжелая форма преэклампсии, HELLP-синдром, эмболия амниотической жидкостью и т.д.) только увеличивают риски развития ОНМК во время гестации. Все эти данные свидетельствуют о необходимости изучения факторов риска ОНМК во время беременности, в послеродовом периоде и в интергенетическом интервале, а также о проведении профилактической терапии.

Цель исследования - изучить факторы риска развития ОНМК на фоне беременности, во время послеродового периода и в интергенетическом интервале для построения прогностической модели, направленной на профилактику развития сосудистых нарушений.

Материал и методы. Проспективно были изучены 80 историй родов, из их числа были сформированы2 группы: 1-я группа (n=50), состоящая из историй родов беременных, перенесших эпизоды ОНМК во время беременности или в послеродовом периоде, а также с эпизодами ОНМК в интергенетическом интервале, и 2-я группа (n=30), которую составили истории родов условно здоровых пациенток. Статистический анализ проведен с использованием программы Statistica 13.3 (USA, Tibco).

Результаты. Анализ клинико-лабораторных данных беременных, перенесших во время беременности, после родов и в интергенетическом интервале ОНМК (1-я группа) в сравнении с условно здоровыми беременными (2-я группа), позволил разработать прогностическую модель по выявлению группы риска развития рассматриваемой патологии. Внедрение данной модели в клиническую практику позволило путем дополнительного клинико-лабораторного исследования и расчетов риска развития ОНМК провести у 20 пациенток с высокой степенью риска развития ОНМК профилактическую терапию наряду с пациентками, которые имели в анамнезе ОНМК и готовились к беременности.

Заключение. Отсутствие эпизодов нарушения кровообращения у 20 пациенток с высокой степенью риска развития ОНМК подтверждает высокие прогностические свойства разработанной модели.

Ключевые слова: беременность; острое нарушение мозгового кровообращения; прогностическая модель

Проблема развития инсульта на фоне беременности чрезвычайно актуальна. При этом необходимо указать, что частота инсульта в Российской Федерации в конце ХХ столетия ежегодно составляла 400 тыс. новых случаев [1], или 3-3,4 случая на 1000 населения в год [2]. Острые нарушения мозгового кровообращения (ОНМК) в виде геморрагического (ГИ) и ишемического инсульта (ИИ) ведут к длительной инвалидизации населения, смерти, когнитивным нарушениям [3]. Частота ИИ у женщин составила 1,93 на 1000 населения, а ГИ - 0,44 [4].

При этом данные о частоте ИИ и ГИ среди беременных весьма противоречивы. В своей работе A.H. James и соавт. (2005) пишут, что среди беременных отмечается 3-13-кратное увеличение риска ОНМК [5]. Важно помнить, что физиологическая беременность характеризуется гиперкоагуляцией [6, 7], а дополнительные соматические факторы риска, такие как сердечно-сосудистая патология, артериальная гипертензия (АГ), сахарный диабет, метаболический синдром и большие акушерские синдромы, увеличивают риск ОНМК в несколько раз [8].

Учитывая тот факт, что до сегодняшнего дня не прекращаются попытки выделить факторы риска у пациенток на прегравидарном этапе, а также на фоне наступившей беременности, мы провели проспективное исследование, направленное на выявление факторов риска развития НМК у пациенток с ОНМК в анамнезе на фоне беременности, в послеродовом периоде и в интергенетическом интервале.

Цель исследования - изучить факторы риска развития ОНМК на фоне беременности, в послеродовом периоде и в интергенетическом интервале для построения прогностической модели, направленной на профилактику развития данного состояния.

Материал и методы

Проспективно изучены 80 историй родов; из их числа были сформированы 2 группы: 1-я группа (n=50), состоящая из историй родов беременных, перенесших эпизоды ОНМК во время беременности или в послеродовом периоде, а также с эпизодами ОНМК в интергенетическом интервале, и 2-я группа (n=30), которую составили истории родов условно здоровых пациенток.

Статистический анализ проведен в программе Statistica 13.3 (USA, Tibco). Теоретическое обоснование взято из книги А.А. Халафян [9]. Параметрические методы сравнения средних Стьюдента (t-критерий) в двух независимых выборках и при повторных измерениях (зависимых выборках). Метод двухмерного частотного анализа таблицы сопряженности (кросс-табуляции). Корреляционные связи оценивали при помощи коэффициента корреляции Спирмена, сопряженности, φ, Крамера.

Для качества оценки среднего использовали среднее арифметическое и стандартное отклонений (M±m), медиану (Me), нижнюю и верхнюю квартиль [25%; 75%]. Различия считались статистически значимыми при р≤0,05.

При сравнении показателей в обеих группах ввиду небольшого количества проанализированных историй применен критерий Манна-Уитни. Для сравнения категориальных показателей использованы таблицы сопряженности, критерий χ², коэффициент корреляции Спирмена, Крамера, φ, сопряженности.

Результаты

Анализ данных обеих групп показал, что имеется статистически значимая разница в возрасте: в 1-й группе средний возраст составил 32,38±2,47, Ме - 32,0 года, межквартильный интервал [30,0; 34,0], а во 2-й группе - 27,7±2,55, Ме - 28,0 года, межквартильный интервал [26,0; 29,0], р<0,001. Иными словами, беременные с ОНМК в анамнезе были статистически значимо старше. Обнаружено, что беременные с ОНМК в анамнезе (1-я группа) имели более высокие показатели индекса массы тела (ИМТ), чем беременные из группы контроля (2-я группа): в 1-й группе ИМТ - 27,93±3,0 кг/м², Ме - 27,1 кг/м² [25,4; 30,5]; во 2-й группе - ИМТ - 22,7±1,32 кг/м², Ме - 22,6 кг/м² [22,0; 23,3].

Необходимо отметить, что ожирение было зафиксировано только у беременных 1-й группы и встречалось у 15 (30,0%) пациенток (р<0,001). Избыточная масса тела в 1-й группе была диагностирована у 56,0% (28 беременных), а во 2-й группе - у 2 (6,67%) пациенток (р<0,001). Пациенток с нормальным уровнем ИМТ (18,5-24,9 к/м²) значимо больше было во 2-й группе: 28 (93,33%) беременных против 7 (14,0%) 1-й группы (р<0,001). Таким образом, беременные с эпизодами ОНМК в анамнезе были не только статистически значимо старше беременных из контрольной группы (условно здоровые), но и в среднем имели статистически значимо большую массу тела (ожирение у каждой третьей, избыточная масса тела у большинства).

Мы провели анализ репродуктивной функции в группах (табл. 1). Начало первой менструации значимо отличалось между группами: в 1-й группе менархе началась в 12,5±1,05 года; во 2-й группе - в 13,93±0,93 года (р=0,025). Также были выявлены различия в длительности менструального цикла: в 1-й группе она составила 27,68±2,11 дней и была статистически значимо короче, чем во 2-й группе - 29,27±1,51 дней (р<0,001).

У беременных 1-й группы чаще регистрировались преждевременные роды (в 1-й группе - 0,76±0,56, во 2-й группе - 0,17±0,46), кесарево сечение (в 1-й группе - 0,38±0,53; во 2-й группе - 0,33±0,66; р≤0,022). В 1-й группе статистически значимо чаще были выявлены самопроизвольные аборты (выкидыши) и замершие беременности: 0,7±0,86 в сравнении со 2-й группой - 0,2±0,48 (р=0,019).

Можно сделать вывод, что в группе беременных с ОНМК значимо раньше наступает менархе, более длинный менструальный цикл, чаще фиксируются преждевременные роды и более высокая частота кесарева сечения, а также значимо выше частота самопроизвольных абортов и замерших беременностей.

Проведенный анализ уровня образования показал, что значимо чаще высшее образование было у беременных из 1-й группы - у 39 (78,0%) пациенток в отличие от 2-й группы - у 4 (13,33%) пациенток (р<0,001). В 1-й группе каждая 3-я беременная занимала пост руководителя - 15 (30,0%) пациенток, а во 2-й группе не было беременных, работавших на руководящих должностях (р<0,001). При этом уровень образования умеренно коррелировал с риском развития ОНМК (R=0,468).

Изучение семейного анамнеза в обеих группах не выявило отличий в семейном статусе. Не отличались группы по такому показателю, как курение: в 1-й курили 4 (8,0%) беременные и во 2-й - 2 (6,67%). Несмотря на низкий коэффициент корреляции Спирмена (R=0,172) мы выявили, что мужья беременных из 1-й группы с ОНМК курили в 3 раза чаще по сравнению с мужьями беременных из 2-й группы.

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.

Материалы данного сайта распространяются на условиях лицензии Creative Commons Attribution 4.0 International License («Атрибуция - Всемирная»)