Проблема гнойных осложнений урологических заболеваний с выраженной эндогенной интоксикацией, острой и хронической почечной недостаточностью, развитием вторичного иммунодефицитного состояния, являются одной из наиболее актуальных проблем современной урологии, так как, протекая в условиях нарушенной уродинамики, они сопровождаются развитием осложнений, к числу которых относятся: интоксикация, уросепсис, септический шок, при этом летальность достигает 50-60 % [1-6].

Тактика ведения больных острым пиелонефритом определяется патогенезом и особенностями клинического течения заболевания. При первичном серозном пиелонефрите показано консервативное лечение, при вторичном серозном и гнойном пиелонефрите, помимо антибактериальной, противовоспалительной и дезинтоксикационной терапии необходимо хирургическое лечение, в связи с чем раннее разделение больных острым пиелонефритом на группы с серозной и гнойной формами является принципиальным [7-11].

В настоящее время во многих отраслях медицины прогнозирование приобретает все большую значимость. Так, например, в хирургической практике это обусловлено возрастающим процентом лиц, поступающих в стационар в тяжелом состоянии с высоким риском летального исхода [12-14]. Одним из подходов к решению задачи классификации степени тяжести острого пиелонефрита может быть использован нейросетевой классификатор, основанный на использовании самообучающихся нейроструктур [15,16].

В большинстве клинических ситуаций одновременно действует множество факторов (параметров), при этом между ними существуют сложные взаимные влияния, например, общий эффект от двух факторов может превышать их индивидуальную сумму, или наличие одного показателя нивелирует эффективность другого и так далее. Поэтому привычное понимание и анализ важности только одного лабораторного или инструментального показателя в условиях нейронной сети не правомочно.

Искусственные нейронные сети, отличаются от других методов математического анализа тем, что при поиске решения не следуют строго фиксированному набору математических методов, а повторяют дедуктивные методы поиска решения, свойственные работе высококвалифицированного эксперта. Более того, нейронные сети могут включать практически неограниченное число факторов для построения прогноза, и эти факторы можно добавлять в модель. Метод может также оценить степень прогностической значимости и взаимодействие новых факторов с уже имеющимся набором. Это отличает его от традиционных статистических методов. Особенностью метода нейронных сетей является то, что освоить и применять технологии нейронных сетей значительно проще, чем изучать математическую статистику [17].

Использование данного метода в оценке тяжести острого пиелонефрита, на наш взгляд, обусловлено тем, что, несмотря на проводимую модернизацию системы здравоохранения, достаточно большое количество лечебно-профилактических учреждений все еще не в состоянии в полной мере реализовать стандарт обследования данной категории пациентов, который бы позволил максимально объективно оценить степень тяжести острого пиелонефрита, тогда как применение нейронной сети с уже имеющимся арсеналом диагностических методов исследования позволит улучшить качество диагностики степени тяжести пациентов с острым пиелонефритом.

Цель работы - разработка системы оценки тяжести острого пиелонефрита с использованием нейронных сетей.

МАТЕРИАЛЫ И МЕТОДЫ

Проведен ретроспективный анализ 206 историй болезни пациентов, проходивших стационарное лечение в урологическом отделении ОБУЗ ГБ СМП г. Курска и в Урологическом центре НУЗ «Научный клинический центр ОАО «РЖД» г. Москва (клиническая база кафедры эндоскопической урологии РМАПО) с диагнозом острый серозный (ОСП) или острый гнойный пиелонефрит (ОГП), на основе которого создана нейросеть для оценки тяжести острого пиелонефрита. Для того, чтобы проверить работоспособность созданной нейросети в оценке тяжести состояния пациентов с пиелонефритом под постоянным наблюдением находилось 40 пациентов с верифицированным диагнозом, подтвержденным клиническими и инструментальными методами обследования (обзорная и экскреторная урография, ультразвуковое исследование (УЗИ), мультиспиральная компьютерная томография (МСКТ) мочевыводящих путей): острый серозный (20 пациентов) и острый гнойный пиелонефрит (20 больных), рандомизированных по возрасту, полу, минимальному количеству сопутствующих заболеваний в стадии ремиссии. Группа контроля включала 15 здоровых доноров-добровольцев того же возраста.

Критериями включения в исследование были: верифицированный диагноз ОСП и ОГП, вовлечение в процесс одной почки, переносимость использованных в исследовании фармакологических препаратов, уровень простатспецифического антигена (PSA) у лиц мужского пола ниже 4,0 нг/мл, письменное согласие на участие в проводимых исследованиях. Критериями исключения были: наличие специфических инфекций, передаваемых половым путем, наличие инфравезикальной обструкции, соматической патологии в стадии неполной ремиссии и стадии обострения, аллергических реакций на проводимое лечение, уровень простатспецифического антигена у лиц мужского пола выше 4,0 нг/мл, отказ от проводимого исследования.

Уровень цитокинов (ФНО, ИЛ-1а, ИЛ-8, ИЛ-2, ИЛ-10, ИФа, РАИЛ), иммуноглобулинов классов M, G, A, СРБ определяли в биологическом материале (плазме крови) методом твердофазного иммуноферментного анализа с детекцией продуктов реакции в диапазоне длин волн 405-630 нм с использованием коммерческих наборов. Компоненты системы комплимента (С3а и С5а) и фактор Н определяли диагностическим набором с использованием двух принципов: гемолитического метода учета активации системы комплемента и ИФА-метода определения терминального комплекса, выявляемого специфическиими антителами. Для оценки уровня циркулирующих иммунных комплексов применяли метод селективной преципитации с полиэтиленгликолем.

В качестве базовых (входных) параметров, на основе которых проводилась диагностика характера пиелонефрита, были выбраны показатели, представленные в таблицах 1 и 2.

Таблица 1. Субъективные, объективные и анамнестические данные у больных с пиелонефритом

В качестве выходного (прогнозируемого) параметра использовалась форма острого пиелонефрита: серозная и гнойная. Оценка информативности качественных факторов, построение на их основе прогностической модели осуществлялось с помощью нейроимитатора NeuroPro 0,25 [10].

Статистическую обработку результатов исследования проводили по общепринятым критериям вариационно-статистического анализа с вычислением средних величин (M), ошибки средней арифметической (m) с помощью пакета компьютерных программ Microsoft Excel (2010). Существенность различий оценивали по U-критерию. Статистически значимыми считали различия при p<0,05.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Обучение нейроимитатора проводилось в режиме классификатора для консилиума из 43 нейросетей-экспертов с заданной степенью надежности (это объективные, субъективные и лабораторные показатели, оцениваемые у пациентов с пиелонефритом) (табл. 1, 2). Включение именно данных показателей в программу для оценки тяжести острого пиелонефрита проводилось методом сплошной выборки из представленных 206 историй болезни пациентов с острым пиелонефритом. Разделение каждого из показателей на 4 группы (градации) осуществлялось путем равномерного распределения их у 206 пациентов (по 25%).

Таблица 2. Лабораторные показатели у больных с пиелонефритом

Для всех без исключения нейросетей было осуществлено обучение и упрощение структуры для основной обучающей выборки (102 набора первого класса - серозный пиелонефрит и 104 - второго - гнойный пиелонефрит) и тестирование на тестовой выборке (по 20 наборов записей каждого класса). Тестирование нейросетей показало высокую степень уверенности прогнозируемых состояний заболевания -«Пиелонефрит».

После проведения эксперимента было получено из 43 предложенных 24 нейросети минимальной структуры, правильно решающих поставленную задачу. Отличия в структуре этих сетей объясняются многозначностью решения задачи поиска системы информативных факторов.

Для оценки информационной значимости каждого из симптомов в работе нейросети нами рассчитывался коэффициент использования фактора (КИФ) по формуле:

КИФ =M/N,

где М - число нейросетей, в которых используется после упрощения данный фактор, N - мощность множества (общее число) обученных нейросетей.

Величина данного показателя свидетельствует о частоте использования показателя нейросетью для оценки тяжести острого пиелонефрита. Кроме этого был рассчитан средний показатель значимости (СПЗ) для каждого из симптомов, значения которого свидетельствуют о значимости данного показателя в принятии решения нейросетью в оценке тяжести состояния пациентов с острым пиелонефритом (табл. 3).

Таблица 3. Средние показатели значимости и коэффициенты информативности факторов у пациентов с пиелонефритом

Анализ представленных характеристик показывает, что для исследуемой системы факторов наибольшим СПЗ соответствуют наибольшие КИФ, что свидетельствует о том, что соответствующие факторы могут быть отнесены к категории наиболее информативных, поскольку имеют высокие показатели значимости и оказываются часто востребованными при обучении на множестве нейросетей. Данное предположение подтверждено проведенными ранее исследованиями с использованием нейросетевого классификатора у детей с аппендикулярным перитонитом [12,13], тогда как по данным литературы у пациентов с пиелонефритом данный метод анализа не применялся.

Итоги тестирования консилиума нейросетей на контрольной выборке (по 20 пациентов с острым пиелонефритом гнойным и серозным) выявили высокие показатели точности диагностики заболевания «Пиелонефрит» - среднее число правильно решенных примеров на консилиуме нейросетей составило 96% при 100% степени уверенности в результате, что свидетельствует о работоспособности нейросети с использованием 24 показателей, а не всех 43 (табл. 4).

Таблица 4. Тестирование консилиума нейросетей

С целью повышения эффективности прогнозирования тяжести острого пиелонефрита нами проведен поиск достоверных иммунных лабораторных показателей, для чего выполнен анализ иммунных нарушений у пациентов с ОСП и ОГП.

У пациентов с ОСП в плазме периферической крови установлено повышение концентрации провоспалительных цитокинов (ФНО, ИЛ-1а, ИЛ-8), ИФа, ИЛ-2 и разнонаправленное изменение противовоспалительных (повышение ИЛ-10 и снижение РАИЛ). У больных ОГП также выявлено повышение про-воспалительных, ИЛ-2, ИФа, но снижение противовоспалительных цитокинов (табл. 5).

В группе больных с ОСП в плазме крови выявлено разнонаправленное изменение содержания компонентов комплемента (снижение С3а и повышение С5а), снижение ингибитора системы комплемента фактора Н и ЦИК, повышение всех исследованных классов иммуноглобулинов (M, G и A). У больных ОГП перед началом лечения выявлены аналогичные с ОСП по направленности изменения показателей системы комплемента и иммуноглобулинов, за исключением повышенной концентрации фактора Н (табл. 5).

Таблица 5. Показатели иммунного статуса у здоровых лиц и у больных с острым пиелонефритом (M±m)

Для 14 нейросетей изученных лабораторных показателей было осуществлено обучение и упрощение структуры, в связи с чем было получено 3 нейросети минимальной структуры, правильно решающих поставленную задачу: ФНО, С3а, фактор Н.

Итоги повторного тестирования консилиума нейросетей при контрольной выборке с использованием этих 3-х иммунных лабораторных показателей, установили повышение точности прогнозирования заболевания «Пиелонефрит» до 99%, при 100% степени уверенности в результате.

В клинической практике распознавание различных форм острого пиелонефрита должно проводиться максимально результативно, в короткие сроки и на основе применения по возможности ограниченного числа рутинных методов инструментального и лабораторного исследований. Поэтому, далее нами производилась проверка эффективности установления формы острого пиелонефрита на основе минимального количества наиболее информативных лабораторных критериев. С этой целью нами были выбраны наиболее значимые показатели на основе СПЗ и КИФ: уровень белка в моче на основе общего анализа мочи (СПЗ - 0,82 и КИФ - 0,70), суточное количество белка выделяемого с мочой (СПЗ -0,35 и 0,74), ЧДД (СПЗ - 0,32 и КИФ - 0,38), уровень ФНО (СПЗ - 0,72 и КИФ - 0,70). Проведение тестирования консилиума нейросетей на контрольной выборке с использованием 4 показателей позволяет прийти к следующему выводу. Наличие у больного с острым пиелонефритом в общем анализе мочи белка 1,1 г/л и более; выделение с мочой белка за сутки более 0,51 г; учащение ЧДД до 25 и более в минуту и уровень в плазме крови ФНО 10,0-25,0 пкг/мл с 96% вероятностью позволяет утверждать, что у пациента имеет место острый гнойный пиелонефрит, требующий активной хирургической тактики. Наличие в общем анализе мочи 0,033 и менее г/л белка, выделение с мочой за сутки менее 0,05 г белка, ЧДД менее 20 в минуту и уровень в плазме крови ФНО 32,0 пкг/мл и более с аналогичной вероятностью могут свидетельствовать об остром серозном пиелонефрите, для лечения которого необходимо проводить консервативную фармакотерапию.

ЗАКЛЮЧЕНИЕ

Таким образом, анализ результатов, полученных на нейросетях с различными топологиями и параметрами обучения, позволил найти оптимальную структуру нейросети, обеспечивающую максимально возможную для выбранной нейросетевой структуры точность прогнозирования формы пиелонефрита. Для данной нейросетевой структуры с использованием субъективных, объективных и анамнестических данных, рутинных и иммунных лабораторных показателей точность прогнозирования на тестирующей выборке, применявшейся для контроля за качеством обучения, составила 99%. Нейросетевой классификатор на основе характерных симптомов острого пиелонефрита, отдельных лабораторных и инструментальных данных позволяют с высокой степенью уверенности прогнозировать форму заболевания: острый серозный или гнойный пиелонефрит.

Это может использоваться как вспомогательный метод наряду с основными лабораторными и инструментальными методами.

На основе множества лабораторных параметров, в том числе и иммунологических, проведенная работа позволила нам выделить наиболее информативные показатели которые можно было бы использовать для составления программ.

Полученные нами результаты с высокими показателями точности прогнозирования дают основание для создания интерактивных компьютерных классификаторов (программ), позволяющих получать вспомогательную информацию при постановке диагноза в условиях урологической клиники с целью своевременного определения тактики лечения данной категории пациентов.

ВЫВОДЫ

Полученные данные могут быть использованы для составления обучающих программ с целью формирования правильного клинического мышления, а также как вспомогательное средство для врачей-урологов и врачей смежных специальностей, сталкивающихся с урологической патологией. Использование данной программы-классификатора не требует затрат на подготовку специалистов и дорогостоящей техники, так как данное приложение может быть установлено на любой планшет или телефон (iOS, Android, Windows и др.). Врачу необходимо будет внести в мультимедийном интерфейсе показатели конкретного пациента в течение 5-7 мин и сразу получить ответ. Самым главным преимуществом нейросетевого классификатора является необязательность наличия всех показателей для его работы, что даже при отсутствии в лечебно-профилактическом учреждении иммунологической лаборатории, ряда лабораторных и инструментальных методов исследования, позволит с вероятностью 93% и более оценить тяжесть острого пиелонефрита. 

ЛИТЕРАТУРА

1. Глыбочко П.В., Аляев Ю.Г. Практическая урология. М.: Медфорум, 2012. 352 с

2. Конопля А.И., Братчиков О.И., Холименко И.М., Шатохин М.Н., Джари-мок А.Р., Маврин М.Ю., Локтионов А.Л. Состояние иммунного статуса у пациентов с серозной и гнойной формами острого пиелонефрита. Урология. 2016; (2): 10-16.

3. Шатохин М.Н., Теодорович О.В., Конопля А.И., Гаврилюк В.П., Маврин М.Ю., Краснов А.В. Иммунометаболические нарушения при хроническом бактериальном простатите и их коррекция. Урология. 2011;5: 39-42.

4. Мурзалиев А.Д. Иммунологические показатели у больных с острым пиелонефритом. Вестник Кыргызско-Российского славянского университета. 2015;7(15): 112-114.

5. Ханина Е.А., Добрынина И.С., Зуйкова А.А. Коррекция адаптационных возможностей у больных с острым пиелонефритом. Альманах современной науки и образования. 2015;1(91): 106-108.

6. Арбулиев К.М., Арбулиев М.Г., Магомедов М.Г., Абдурахманова Ф.М. Гнойный пиелонефрит и динамика цитокинов. Вестник Дагестанской государственной медицинской академии. 2014;1(10):54-59.

7. Глыбочко П.В., Аляев Ю.Г. Интегративная урология. Руководство для врачей. М.: Медфорум. 2014. 432 с.

8. Нефрология. Национальное руководство.Краткое изложение. М.: ГЭОТАР-Медиа, 2014. 213 с.

9. Холименко И.М., Братчиков О.И., Джаримок А.Р., Шатохин М.Н., Маврин М.Ю., Быстрова Н.А. Лабораторная эффективность стандартного лечения при остром серозном и гнойном пиелонефрите. Курский научно-практический вестник «Человек и его здоровье». 2016;1:62-68.

10. Джаримок А.Р., Маврин М.Ю., Шатохин М.Н., Чирков С.В., Холименко И.М., Быстрова Н.А. Система комплемента и цитокиновый спектр при остром обструктивном и необструктивном пиелонефрите. Научные ведомости Белгородского государственного университета. Серия: Медицина. Фармация. 2016;5 (226),33:69-75.

11. Братчиков О.И., Охотников А.И., Озеров А.А, Чаплыгина С.В. Хирургическая тактика и лечение гнойно-деструктивных форм острого пиелонефрита беременных. Курский научно-практический вестник «Человек и его здоровье». 2012;1: 43-50.

12. Гаврилюк В.П., Конопля А.И., Лопин В.Н., Лапшиков О.И. Выбор объема хирургического пособия у детей с аппендикулярным перитонитом с использованием нейросетевых классификаторов. Системный анализ и управление в биомедицинских системах. 2011;2(10):371-374.

13. Лопин В.Н., Лапшиков О.И., Гаврилюк В.П. Нейросетевые классификаторы в оценке тяжести аппендикулярного перитонита у детей. Вестник новых медицинских технологий. 2011;3(18):195-196.

14. Лобынцева Е.М., Локтионов А.Л., Конопля А.И., Лопин В.Н. Использование нейросетевых классификаторов в прогнозировании тяжести течения и вероятности летального исхода в зависимости от этиологии острого панкреатита. Вестник новых медицинских технологий. 2012;2(19):150-152.

15. Петров С.В., Серегин С.П., Агарков Н.М. Математическая оценка эффективности лечения острого гестационного пиелонефрита по диагностически значимым параметрам врожденного иммунитета. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика, медицинское приборостроение. 2014;1:97-100.

16. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. 1996; 276 с.

17. Боженко В.К. Многопараметрический анализ лабораторных показателей крови для получения диагностической информации в экспериментальной и клинической онкологии. 2004; 223 с.