Artificial neural network in prediction of pelvic organ prolapse

Cover Page

Cite item

Full Text

Abstract

The aim of this study was to assess the possibility of using an artificial neural network in predicting pelvic organ prolapse. 180 patients were selected from the urological database, of which 62 had pelvic organ prolapse, in 118 cases prolapse was not detected. Data analysis was carried out with the use of the artificial neural network (ANN). As a result, the most important risk factors or predictors for the development of pelvic organ prolapse include the number of births, the number of pregnancies, chronic obstructive pulmonary disease, prolapse of the heart valves, as well as accessory chords, urinary incontinence before/after childbirth, BMI. Artificial neuron network can potentially be useful in decision-making on the development of preventive measures aimed at the prophylaxis of pelvic organ prolapse.

About the authors

Alexey V. Galkin

Penza Regional Clinical Hospital named after N.N. Burdenko

Author for correspondence.
Email: galkin81@inbox.ru

Urologist of the Department of Urology

Russian Federation, Penza

Natalya G. Galkina

Penza State University; Penza Extension Course Institute for Medical Practitioners, the Branch of Russian Medical Academy of Continuous Professional Education

Email: natalya-galkina@mail.ru

Candidate of Medical Sciences, Associate professor of the Department of Surgery, Associate professor of the Department of Oncology and Urology

Russian Federation, Penza; Penza

Oleg I. Kaganov

Samara State Medical University; Penza Extension Course Institute for Medical Practitioners, the Branch of Russian Medical Academy of Continuous Professional Education

Email: o.i.kaganov@samsmu.ru

Doctor of Medical Sciences, Associate Professor, Professor of the Department of Oncology, Head of the Department of Oncology and Urology

Russian Federation, Samara; Penza

Nadezhda S. Karamysheva

Penza State University

Email: karamyshevans@yandex.ru

Candidate of Technical Sciences, Associate Professor of the Department of Computer Engineering

Russian Federation, Penza

Ekaterina A. Kalinina

Penza Extension Course Institute for Medical Practitioners, the Branch of Russian Medical Academy of Continuous Professional Education

Email: ekaterinaa.kalinina@yandex.ru

Resident physician, Department of Oncology and Urology

Russian Federation, Penza

Igor S. Shapovalov

Penza State University

Email: shapovalov.shap@yandex.ru

Master’s Degree Student, Department of Computer Engineering

Russian Federation, Penza

References

  1. Боташева Д.А., Адамян Л.В., Данилов А.Ю. Генетические и ферментативные маркеры пролапса гениталий. Новые технологии в диагностике и лечении гинекологических заболеваний / под ред. Г.Т. Сухих, Л.В. Адамян. – М.: МЕДИ Экспо, 2010. [Botasheva DA, Adamjan LV, Danilov AJ. Geneticheskie i fermentativnye markery prolapsa genitalij. Novye tehnologii v diagnostike i lechenii ginekologicheskih zabolevanij. Ed by. G.T. Suhih, L.V. Adamjan. Moscow: MEDI Jekspo; 2010. (In Russ.)]
  2. Вишневский Д.А., Касян Г.Р., Тупикина Н.В., Пушкарь Д.Ю. Применение новых видов синтетических протезов для оперативного лечения тазового пролапса с учетом локализации дефекта // Материалы XIX конгресса Россйского общества урологов; Сентябрь 19-21, 2019; Ростов-на-Дону. 328 с. [Vishnevskij DA, Kasjan GR, Tupikina NV, Pushkar DJ. Primenenie novyh vidov sinteticheskih protezov dlja operativnogo lechenija tazovogo prolapsa s uchetom lokalizacii defekta. Proceeding of the XIX congress Rossiiskogo obshchestva urologov; 2019 sep 19-21; Rostov-na-Donu. (In Russ.)]
  3. Краснопольская И.В., Попов А.А., Горина Н.В. и др. Экспрессия генов белков метаболизма коллагена в парауретральной соединительной ткани у женщин с недержанием мочи и пролапсом органов малого таза // Российский вестник акушера-гинеколога. – 2015. – Т. 15. – № 6. – С. 36–41. [Krasnopol’skaja IV, Popov AA, Gorina NV, et al. Gene expression of collagen metabolic proteins in the paraurethral connective tissue of women with urinary incontinence and small pelvic organ prolapse. Rossijskij vestnik akushera-ginekologa. 2015;15(6):36–41. (In Russ.)] https://doi.org/10.17116/rosakush201515636-41.
  4. Малхасян В.А., Абрамян К.Н. Эпидемиология, патогенез и факторы риска пролапса гениталий у женщин: обзор зарубежной литературы // Тихоокеанский медицинский журнал. – 2011. – № 1. – С. 9–13. [Malhasyan VA, Abramyan KN. Epidemiology, pathophysiologic mechanisms and risk factors for female genital prolapse: foreign literature review. Tihookeanskij medicinskij zhurnal. 2011;(1):9–13. (In Russ.)] https://doi.org/10.17116/rosakush201717137-45.
  5. Шнейдерман М.Г., Аполихина И.А. Пессарии – новые модели и новые возможности // Медицинский совет. – 2013. – № 6. – С. 102–105. [Shnejderman MG, Apolihina IA. Pessaries – new models and new opportunities. Medical Council. 2013;6:102–105. (In Russ.)]
  6. Almeida JS. Predictive non-linear modeling of complex data by artificial neural networks. Curr Opin Biotechnol. 2002;13(1):72–76. https://doi.org/10.1016/s0958-1669(02)00288-4.
  7. Asresie A, Admassu E, Setegn T. Determinants of pelvic organ prolapse among gynecologic patients in Bahir Dar, North West Ethiopia: a case–control study. Int J Womens Health. 2016;8:713–719. https://doi.org/10.2147/IJWH.S122459.
  8. Brækken IH, Majida M, Engh ME, et al. Pelvic floor function is independently associated with pelvic organ prolapsed. BJOG. 2009;116(13):1706–1714. https://doi.org/10.1111/j.1471-0528.2009.02379.x.
  9. Checcucci E, Autorino R, Cacciamani G. Artificial intelligence and neural networks in urology: current clinical applications. Minerva Urol Nefrol. 2020;72(1):49–57. https://doi.org/10.23736/S0393-2249.19.03613-0.
  10. Connell KA, Guess MK, Chen H, et al. HOXA11 is critical for development and maintenance of uterosacral ligaments and deficient in pelvic prolapsed. J Clin Invest. 2008;118(3):1050–1055. https://doi.org/10.1172/JCI34193.
  11. Dreiseitl S, Ohno-Machado L. Logistic regression and artificial neural network classifica tion models: a methodology review. J Biomed Inform. 2002;35(5-6):352–359. https://doi.org/10.1016/s1532-0464(03)00034-0.
  12. Geelen HV, Ostergard D, Sand P. A review of the impact of pregnancy and childbirth on pelvic floor function as assessed by objective measurement techniques. Int Urogynecol J. 2018;29(3):327–338. https://doi.org/10.1007/s00192-017-3540-z.
  13. Grobman WA, Stamilio DM. Methods of clinical prediction. Am J Obstet Gynecol. 2006;194(3):888–894. https://doi.org/10.1016/j.ajog.2005.09.002.
  14. Haylen BT, de Ridder D, Freeman RM, et al. An International Urogynecological Association (IUGA)/International Continence Society (ICS) joint report on the terminology for female pelvic floor dysfunction. Int Urogynecol J. 2010;21(1):5–26. https://doi.org/10.1007/s00192-009-0976-9.
  15. Kondo A, Narushima M, Yoshikawa Y, Hayashi H. Pelvic fascia strength in women with stress urinary incontinence in comparison with those who are continent. Neurourol Urodyn. 1994;13(5):507–513. https://doi.org/10.1002/nau.1930130502.
  16. Lammers K, Sabrina LL, Marian AS, van Kempen L. Pelvic organ prolapse and collagen-associated disorders. Int Urogynecol J. 2012;23(3):313–319. https://doi.org/10.1007/s00192-011-1532-y.
  17. Mant J, Painter R, Vessey M. Epidemiology of genital prolapse: observations from the Oxford Family Planning Association Study. Br J Obstet Gynаecol. 1997;104(5):579–585. https://doi.org/10.1111/j.1471- 0528.1997.tb11536.x.
  18. Moalli PA, Ivy SJ, Meyn LA, Zyczynski HM. Risk factors associated with pelvic floor disorders in women undergoing surgical repair. Obstet Gynecol. 2003;101(5):869–874. https://doi.org/10.1016/s0029-7844(03)00078-4.
  19. Robinson C, Swift S, Johnson D, Almeida JS. Prediction of pelvic organ prolapsed using an artificial neural network. Am J Obstet Gynecol. 2008;199(2):193.e1–6. https://doi.org/10.1016/j.ajog.2008.04.029.
  20. Rortveit G, Brown JS, Thom DH, et al. Symptomatic pelvic organ prolapse: prevalence and risk factors in a population-based, racially diverse cohort. Obstet Gynecol. 2007;109(6):1396–1403. https://doi.org/10.1097/01.AOG.0000263469.68106.90.
  21. Salvatore S, Serati M, Siesto G, et al. Correlation between anatomical findings and symptoms in women with pelvic organ prolapse using an artificial neural network analysis. Int Urogynecol J. 2011;22(4):453–459. https://doi.org/10.1007/s00192-010-1300-4.
  22. Świetlik D, Białowąs J. Application of artificial neural networks to identify alzheimer’s disease using cerebral perfusion SPECT Data. Int J Environ Res Public Health. 2019;16(7):1303. https://doi.org/10.3390/ijerph16071303.
  23. Swift SE, Pound T, Dias JK. Case-control study of etiologic factors in the development of severe pelvic organ prolapse. Int Urogynecol J Pelvic Floor Dysfunct. 2001;12(3):187–192. https://doi.org/10.1007/s001920170062.
  24. Tegerstedt G, Miedel A, Maehle-Schmidt M, et al. Obstetric risk factors for symptomatic prolapse: a population-based approach. Am J Obstet Gynecol. 2006;194(1):75–81. https://doi.org/10.1016/j.ajog.2005.06.086.
  25. Versi E, Harvey M, Cardozo L, et al. Urogenital prolapsed and atrophy tmenopause: A Prevalence study. Int Urogynecol J Pelvic Floor Dysfunct. 2001;12(2):107–110. https://doi.org/10.1007/s001920170074.
  26. Weber AM, Walters MD, Piedmonte MR, Ballard LA. Anterior colporrhaphy: A randomized trial of three surgical techniques. Am J Obstet Gynecol. 2001;185(6):1299–1306. https://doi.org/10.1067/mob.2001.119081.
  27. Yen JH, Khayrullina Т, Ganea D. PGE2-induced metalloproteinase-9 is essential for dendritic cell migration. Blood. 2008;111(1):260–270. https://doi.org/10.1182/blood-2007-05-090613.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2020 Galkin A.V., Galkina N.G., Kaganov O.I., Karamysheva N.S., Kalinina E.A., Shapovalov I.S.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».