Применение информационных технологий для оптимизации лечения мочекаменной болезни

Обложка

Цитировать

Полный текст

Аннотация

Мочекаменная болезнь (МКБ) является одной из самых часто встречающихся патологий в урологической практике. Для обеспечения персонифицированного подхода в лечении уролитиаза с учетом конкретных особенностей каждого отдельного пациента, при наличии различных альтернативных методов лечения все чаще привлекают математические модели и алгоритмы, значительно повышающие качество оказания медицинской помощи. Одним из самых перспективных направлений в области создания математических компьютерных моделей является разработка и внедрение в ежедневную практику прогностических моделей на базе так называемых искусственных нейронных сетей, которые объединяют в себе сложные свойства нейронов головного мозга человека по анализу и обработке получаемой информации. Проведен анализ отечественной и зарубежной литературы, который показал, что идет активное развитие компьютерных технологий с использованием нейросетевых моделей, позволяющих рационализировать тактику лечения пациентов, в частности с МКБ. С целью персонификации подхода по ведению пациентов с МКБ, повышения достоверности прогнозирования результатов лечения на базе урологического отделения ГБУЗ «ГКБ им. С.П. Боткина» в рамках научно-исследовательской работы кафедры урологии и хирургической андрологии ФГБОУ ДПО РМАНПО совместно с кафедрой высшей математики №1 ФГАОУ ВО «НИУ “Московский институт электронной техники”» планируется разработать программу на основе нейросетевого моделирования. Данная программа позволит стандартизировать выборы метода лечения камней мочеточника и поможет практикующему врачу принимать сложные решения в нестандартных ситуациях, что приведет к повышению эффективности и качества оказываемой медицинской помощи.

Об авторах

Саргис Сергеевич Туманян

ФГБОУ ДПО «Российская медицинская академия непрерывного профессионального образования» Минздрава России

Email: sargis_tu manyan@mail.ru
аспирант каф. урологии и хирургической андрологии Москва, Россия

Игорь Вячеславович Лукьянов

ФГБОУ ДПО «Российская медицинская академия непрерывного профессионального образования» Минздрава России

канд. мед. наук, проф., доц. Москва, Россия

Олег Борисович Лоран

ФГБОУ ДПО «Российская медицинская академия непрерывного профессионального образования» Минздрава России

акад. РАН, д-р мед. наук, проф., зав. каф. урологии и хирургической андрологии Москва, Россия

Список литературы

  1. Knoll T et al. Epidemiology, Pathogenesis, and Pathophysiology of Urolithiasis. Eur Urol Suppl 2010; 9: 802-6.
  2. Turk С и др. Мочекаменная болезнь. Пер. О.В. Антонова; ред. Н.А. Григорьев. Европейская ассоциация урологов, 2016. [Turk C et al. Urolithiasis disease. Per. O.V. Antonova; ed. ON. Grigoriev. European Association of Urology, 2016 (in Russian).]
  3. Tiselius HG, Davison AM, Cameron JS et al. Aetiological factors in stone formation.Oxford textbook of clinical nephrology. 3rd ed. Oxford: Oxford University Press, 2008; p. 1201-23.
  4. Indridason OS et al. Epidemiology of kidney stones in Iceland: a population-based study. Scand J Urol Nephrol 2009; 40 (3): 215-20.
  5. Chang IH, Kim KD, Moon YT et al. Possible Relationship between Metabolic Syndrome Traits and Nephrolithiasis: Incidence for 15 Years According to Gender. Korean J Urol 2011; 52 (8): 548-53.
  6. Romero H, Akpinar DG, Assimos V. Kidney Stones: A Global picture of prevalence, incidence, and associated risk actors. Rev Urol 2010; 12 (2): 86-96.
  7. Аполихин О.И. и др. Анализ уронефрологической заболеваемости в Российской Федерации по данным официальной статистики. Эксперим. и клин. урология. 2010; 1: 4-11.
  8. Дзеранов Н.К. Лечение мочекаменной болезни - комплексная медицинская проблема. Consilium Medicum. Урология. 2003; 5 (1): 18-22.
  9. Лопаткин Н.А., Яненко Э.К. Мочекаменная болезнь. Рус. мед. журн. 2000; 8 (3): 117-20.
  10. Аляев Ю.Г., Руденко Е.В. и др. Современные аспекты медикаментозного лечения больных мочекаменной болезнью. Рос. мед. журн. 2010; 8: 14-8.
  11. Тиктинский О.Л., Александров В.П. Мочекаменная болезнь. СПб.: Питер, 2000.
  12. Борисов В.В., Дзеранов Н.К. Мочекаменная болезнь. Терапия больных камнями почек и мочеточников. М., 2011.
  13. Львович Е.Я., Фролов В.Н. Интегрированная информационная система интеллектуальной поддержки принятия решений при организации нозологоориентированной медицинской помощи. Системный анализ и управление в биомед. системах. 2007; 6 (2): 273-6.
  14. Зесюков Д.Н., Зесюкова Ю.Б., Котова А.В. и др. Логическое моделирование процесса диагностики, лечения и применения решений при выборе хирургической компоненты. Системный анализ и управление в биомед. системах. 2005; 4 (3): 280-3.
  15. Кореневский Н.А. Проектирование нечетких решающих сетей, настраиваемых по структуре данных для задач медицинской диагностики. Системный анализ и управление в биомед, системах. 2005; 4 (1): 12-20.
  16. Жарко В.И., Цыбин А.К., Малахова И.В. и др. Здоровье народа и программа развития здравоохранения Республики Беларусь. Вопр. организации и информатизации здравоохранения. 2006; 4: 3-7.
  17. Ковалев В.А., Литвин А., Жариков О.Г. Современные возможности использования некоторых экспертных систем в медицине. Врач и информ. технологии. 2008; 5: 24-30.
  18. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: Вильямс, 2006.
  19. Миркес Е.М. Нейроинформатика: учеб. пособие для студентов. Красноярск: ИПЦ КГТУ, 2002.
  20. Лукьянов И.В., Демченко H.A., Аюпов И.Р. Математическое моделирование послеоперационного течения рака простаты. Мед. вестн. Башкортостана. 2011; 2: 244-8.
  21. Петров С.В., Кореневский Н.А. и др. Применение информационных технологий при урологических заболеваниях. Фундам. исследования. 2015; 1 (Ч. 4); 810-3.
  22. Naito S, Kuroiwa K, Kinukawa N et al. Clinicopathological Research Group for Localized Prostate Cancer Investigators Validation of Partin tables and development of a preoperative nomogram for Japanese patients with clinically localized prostate cancer. J Urol 2008; 180: 904-9.
  23. Snow PB, Smith DS, Catalona WJ. Artificial neural networks in the diagnosis and prognosis of prostate cancer: a pilot study. J Urol 1994; 152: 1923-6.
  24. Babaian J, Fritsche H, Ayala A et al. Performance of a neural network in detecting prostate cancer in the prostate-specific antigen reflex range of 2.5 to 4.0 ng/mL. Urology 2000; 56: 1000-6.
  25. Соловов В.А. Нейросетевой анализ в диагностике рака предстательной железы. Вестн. СамГУ - Естественнонауч. сер. 2005; 5 (39): 209-14.
  26. Лукьянов И.В. Симптомы нижних мочевых путей: перспективы диагностических и лечебных мероприятий с применением элементов искусственного интеллекта. Consilium Medicum. 2008; 2 (4): 24-6.
  27. Ганцев Ш.Х., Зимичев А.А., Хрисанов Н.Н., Климентьева М.С. Применение нейронной сети в прогнозировании рака мочевого пузыря. Мед. вестн. Башкортостана. 2010; 3: 44-6.
  28. Демченко Н.А. Нейросетевое прогнозирование и мониторирование больных после радикальной позадилонной простатэктомии. Дис.. канд. мед наук. М., 2015.
  29. Попков В.М., Шатылко Т.В., Королев А.Ю. и др. Оптимизация PSA-скрининга с помощью искусственного интеллекта. Мед. вестн. Башкортостана. 2015; 10 (3): 232-5.
  30. Никитаев В.Г., Проничев А.Н., Прилепская Е.А. и др. Компьютерные системы поддержки принятия решений в диагностике рака предстательной железы. Эксперим. и клин. урология. 2016; 4:52-5.
  31. Ершов А.В., Капсаргин Ф.П., Бережной А.Г., Мылтыгашев М.П. Экспертные системы в оценке данных урофлоуграмм. Вестн. урологии. 2018; 6 (3): 12-6.
  32. Sfoungaristos S, Gofrit ON, Yutkin V et al. External validation of CROES nephrolithometry as a preoperative predictive system for percutaneous nephrolithotomy outcomes. J Urol 2015. doi: 10.1016/j.juro.2015.08.079
  33. Tailly T, Okhunov Z et al. Multicenter External Validation and Comparison of Stone Scoring Systems in Predicting Outcomes After Percutaneous Nephrolithotomy J Endourol 2016; 30 (5): 594-601. doi: 10.1089/end.2015.0700
  34. De Nunzio C, Bellangino M, Voglino OA et al. Value of CROES, S.T.O.N.E nomograms and Guy’s stone score as preoperative predictive system for percutaneous nephrolithotomy (PCNL) outcomes. Eur Urol Suppl 2017; 16 (3); e941.
  35. Aminsharifi A, Irani D et al. Artificial Neural Network System to Predict the Postoperative Outcome of Percutaneous Nephrolithotomy. J Endourology 31 (5): 461-7. doi: 10.1089/end.2016.0791
  36. Капсаргин Ф.П., Ершов А.В., Зуева Л.Ф. и др. Применение нейронных сетей в выборе метода лечения мочекаменной болезни. Омский науч. вестн. 2015; 1: 68-70.
  37. Seckiner I, Seckiner S et al. A neural network - based algorithm for predicting stone-free status after ESWL therapy. Int Braz J Urol 2017; 43: 1110-4. doi: 10.1590/S1677-5538.IBJU.2016.0630
  38. Choo M, Uhmn S et al. A Prediction Model Using Machine Learning Algorithm for Assessing Stone-Free Status after Single Session Shock Wave Lithotripsy to Treat Ureteral Stones. J Urol 2018; 200: 1-7. doi: 10.1016/j.juro.2018.06.077
  39. Коцарь А.Г. Математическое моделирование и алгоритмизация прогнозирования, диагностики, профилактики и лечения мочекаменной болезни. Дис. д-ра мед. наук. Курск, 2014.
  40. Кривенко М.П., Голованов С.А. Информационно-аналитическая автоматизированная система «МЕГАЛИТ» в оптимизации и диагностики и лечения мочекаменной болезни. Информатика и ее применения. 2013; 7 (4): 82-93.
  41. Zhu XH, Yang MY, Xia HZ et al. Application of machine learning models in predicting early stone-free rate after flexible ureteroscopic lithotripsy for renal stones. Beijing Da Xue Xue Bao Yi Xue Ban 2019; 51 (4): 653-9. doi: 10.19723/j.issn.1671-167X.2019.04.010

© ООО "Консилиум Медикум", 2020

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах