Автореферат и диссертация по медицине (14.00.05) на тему:Прогнозирование некоторых осложнений и исхода инфаркта миокарда с использованием компьютерных нейронных сетей

МИНИСТЕРСТВО ЗДРАВООХРАНЕНИЯ И МЕДИЦИНСКОЙ ПРОМЫШЛЕННОСТИ РОССИЙСКОЙ ФЕДЕРАЦИИ КРАСНОЯРСКАЯ ГОСУДАРСТВЕННАЯ МЕДИЦИНСКАЯ АКАДЕМИЯ

7 Г С- ОД

П " ,г.г,1 На правах рукописи

I 'О , ::*.]<>

УДК 616.127-005.8-06-036.88:681.322 ГОЛОВЁНКИН Сергей Евгеньевич

Л

ПРОГНОЗИРОВАНИЕ НЕКОТОРЫХ ОСЛОЖНЕНИЙ И ИСХОДА ИНФАРКТА МИОКАРДА С ИСПОЛЬЗОВАНИЕМ КОМПЬЮТЕРНЫХ НЕЙРОННЫХ СЕТЕЙ 14.00.05 - внутренние болезни 14.00.06 - кардиология

А втореферат диссертации на соискание учёной степени кандидата медицинских паук

Красноярск 1997

Работа выполнена в Красноярской медицинской академии МЗ РФ. Научные руководители:

доктор медицинских наук, профессор В.А.ШУЛЬМАН; доктор физико-м атем атических наук, профессор А.Н.ГОРБАНЬ

Официальные оппоненты:

доктор медицинских наук, профессор В.А.МАРКОВ; кандидат медицинских наук, И.И.ХАМНАГАДАЕВ

Ведущая организация - Новосибирский государственный медицинский институт

Защита состоится __1997г.

в ".¿^С," час. на заседании специализированного совета К 084.47.01 при Красноярской государственной медицинской академии (660022, г.Красноярск, ул. Партизана Железняка, I)

С диссертацией можно ознакомиться в библиотеке Красноярской государственной медицинской академии

Авюреферат разослан ______1997г.

Ученый секретарь специализированного совета, к.м.н., доцент З.Н.Гончарук

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

АКТУАЛЬНОСТЬ ПРОБЛЕМЫ. В течение многих лет ншемическая болезнь сердца является главной причиной смертности населения в большинстве экономически развитых странах мира. Инфаркт миокарда - наиболее грозное её проявление, нередко приводящее к летальным исходам. В последние десятилетия отмечается значительный рост как заболеваемости инфарктом миокарда (ИМ), так и смертности от него (Е.И.Чазов,1992). Это заставляет искать новые подходы к профилактике, лечению и реабилитации больных с данным заболеванием. Для решения этих задач необходимо, в частности, совершенствование методов прогнозирования течения и исходов острого ИМ. Многие авторы (И.Е.Ганелина,1970; М.К.Мандыбаева,1974; Е.В.Ермаков с соавт.,1979; А.П.Леопов,1991 ; L.Sellier et al.,1977; B.Uretsky et al.,1977; R.Bassan et al.,1994; G.Jensen et al.,1996) прогнозировали течение ИМ на основе клинико-лабораторных и клинико-инструментальных данных. Некоторые авторы для прогноза, используя клинические данные, применяли различные математические методы. В частности, были предложены методы прогнозирования с вычислением прогностических индексов (S.Schnur,1953; A.Peel et al.,1962; R.Norris et al. ,1969; Э.Халфен с соавт.,1967), применялись дискриминантный анализ (В.Г.Попов и соавт.,1983; Г.А.Трофимов и соавт.,1994; J.Willems et al.,1984), алгоритм распознавания образов (Л.Б.Штейн,1987). Однако, приходится констатировать, что полученные в этих работах результаты часто не находят широкого практического применения. Это можно объяснить сложностью и громоздкостью некоторых прогностических правил; использованием для прогнозирования результатов наблюдения за больным на протяжении всего периода болезни, вплоть до момента развития осложнения; невозможностью дообучения и совершенствования прогностических экспертных систем на новых данных; использованием для прогнозирования сложных дорогостоящих диагностических исследований, проведение которых возможно далеко не во всех клиниках.

Это делает поиски новых методов прогнозирования осложнений и исходов ИМ актуальной задачей.

ЦЕЛЬ ИССЛЕДОВАНИЯ: Создание и апробация нейросетсвой экспертной системы для прогнозирования некоторых осложнений и исхода инфаркта миокарда.

ЗАДАЧИ ИССЛЕДОВАНИЯ:

1 .Апробировать методик)' компьютерных нейронных сетей для прогнозирования некоторых осложнений и летального исхода у больных инфарктом миокарда на материале базы данных из 1700 пациентов и создать на её основе экспертную систему.

2.Выясиить чувствительность и специфичность методики при прогнозировании выбранных осложнений и исхода инфаркта миокарда.

3.Используя нейросетевую технологию, определить значимость входных параметров при прогнозировании некоторых осложнений и исхода инфаркта миокарда.

4.Сравнить точность прогноза при применении нейросетевого алгоритма back-propagation и метода потенциальных функций.

5.Определить наилучшие для нейронных сетей значения параметров обучения "время отклика" и "уровень надежности".

НАУЧНАЯ НОВИЗНА. Впервые создана экспертная система прогнозирования некоторых осложнений и исхода ИМ (на период пребывания больного в стационаре) с использованием компьютерных нейронных сетей.

Впервые проведены сравнительные испытания нейросетевого алгоритма back-propagation и метода потенциальных функций при применении их для прогнозирования осложнений и исхода инфаркта миокарда.

Выяснены чувствительность и специфичность нейросетевого метода прогнозирования некоторых осложнений и летального исхода у больных инфарктом миокарда.

Определены наилучшие для обучения нейронных сетей значения параметров "время отклика'' и '"уровень надежности".

ПРАКТИЧЕСКАЯ ЗНАЧИМОСТЬ РАБОТЫ. Показано, что методика обучения компьютерных нейронных сетей может быть использована при оценке течения острог о инфаркта миокарда. Используя данную экспертную систему, можно выделить группы больных с высокой вероятностью развития некоторых осложнений и летального исхода, что позволит индивидуализировать врачебную тактику по отношению к конкретному пациенту.

Собрана база данных о 1700 пациентах, которая может использоваться в клиниках и научных коллективах для изучения осложнений ИМ и апробации других методов прогнозирования.

Выяснение оптимальных значений параметров обучения нейронных сетей "время отклика" и "уровень надежности" позволит более продуктивно использовать нейросетевую методику для диагностики и прогнозирования в кардиологии.

Создание неиросетевой программы с использованием метода потенциальных функций позволит использовать при обучении разное количество примеров в распознаваемых классах, сократит время обучения нейронных сетей.

Нейронные сети экспертной системы могут постоянно дообучаться по мере пополнения базы данных новыми клиническими примерами.

ПОЛОЖЕНИЯ. ВЫНОСИМЫЕ НА ЗАЩИТУ:

1 .Методика компьютерных нейронных сетей может быть применена для прогнозирования некоторых осложнений и исхода инфаркта миокарда. При этом она обладает высоким уровнем чувствительности и специфичности.

2.Методика компьютерных нейронных сетей позволяет выяснить значимость входных параметров при прогнозировании некоторых осложнений и исхода инфаркта миокарда.

3.Методика нейросетевого прогнозирования с применением алгоритма back-propagation и метод потенциальных функций близки по точности прогнозирования осложнений и исхода инфаркта миокарда. Для повышения точности прогноза необходимо одновременное использование обеих методик.

ВНЕДРЕНИЕ. Основные положения и результаты диссертации нашли практическое применение в городской клинической больнице № 20 г.Красноярска. По теме диссертации разработаны и внедрены в отделении реанимации и интенсивной герапии городской клинической больницы № 20 пять рационализаторских предложений.

АПРОБАЦИЯ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ. Основные положения работы доложены на симпозиуме кардиологов "Актуальные проблемы реабилитации больных с сердечно-сосудистыми заболеваниями" (Красноярское Загорье, 1994); ежегодных всероссийских семинарах "Нейроинформатика и се приложения" (Красноярск, 1994,1995,1996); ежегодной научно-технической конференции "Диагностика, информатика и метрология" (Саикт-Пегербург, 1994,1995); международной конференции "Нейроинформатика" (Сеул,Корея,1994); 2-ом международном симпозиуме "Нейроинформатика и нейрокомпьютеры" (Ростов-на Дону, 1995); всемирном конгрессе "Нейронные сети" (Вашингтон, 1995).

ПУБЛИКАЦИИ. По теме диссертации опубликовано 11 печатных работ.

ОБЪЁМ И СТРУКТУРА ДИССЕРТАЦИИ. Диссертация изложена па 244 страницах машинописного текста, содержит 62 таблицы, 9 рисунков. Диссертация состоит из введения, четырех глав, выводов, практических рекомендаций, списка литературы и

4

приложения. Список литературы содержит 100 отечественных и 156 зарубежных источников.

СОДЕРЖАНИЕ ДИССЕРТАЦИИ

МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ

В исследование включены 1700 больных острым инфарктом миокарда (ИМ), проходивших лечение в отделении реанимации и интенсивной терапии и I кардиологическом отделении городской клинической больницы № 20 в 1989-1995гг. Информация об анамнезе пациентов и течении ИМ получена из историй болезни в архиве больницы № 20 и сконцентрирована в 117 полях электронной таблицы (базы данных). База данных содержит информацию о возрасте, поле пациента, локализации и глубине ИМ, данных анамнеза, изменениях ЭКГ, количестве калия, натрия, некоторых ферментов крови, особенностях клиники в первые часы заболевания.

Из 1700 больных с ИМ мужчин с было 1065 (62,6%), женщин - 635 (37,4%). Локализация ИМ была следующей: ИМ преимущественно передней стенки, в том числе передней, переднеперегородочныи, передневерхушечный и иередиебоковой - у 885 (52,1%) больных; заднедиафрагмальнын (нижний) - у 542 (31,9%) больных; заднебазальный (задний) ИМ у 47 (2,8%), ИМ нижней и боковой стенок - у 52 (3,1%) больных, ИМ нижней и задней стенок - у 101 (5,9%) пациента, циркулярный ИМ у 73 (4,2%). ИМ правого желудочка имел место у 50 (2,9%) больных. Трансмуральный (крупноочаговый) ИМ (комплекс QRS типа QS или QR) имел место у 1141 (67,1%) больных, нетрансмуральный ИМ - у 559 (32,9%) больных.

Настоящему ИМ предшествовали следующие заболевания: стенокардия у 933 (54,9%) больных, ИМ у 636 (37,4%), гипертоническая болезнь у 1086 (63,9%), симптоматическая гипертония у 56 (3,3%), хроническая сердечная недостаточность у 178 (10,5%), сахарный диабет у 228 (13,4%), ожирение у 43 (2,5%), тиреотоксикоз у 13

(0,8%), нарушения ритма сердца у 134 (7,9%), нарушения проводимости у 28 (1,6%). хронические заболевания легких у 323 (19,0%).

За период пребывания больных в стационаре фибрилляция предсердий (ФП) наблюдалась у 170 (10,0%) больных, фибрилляция желудочков (ФЖ) у 71 (4,2%), отек легких (ОЛ) у 159 (9,4%), разрыв сердца (РС) у 54 (3,2%), летальный исход (ЛИ) у 271 (15,9%). Данные осложнения и ЛИ были выбраны нами для прогнозирования.

В качестве метода прогнозирования выбрана методика обучения компьютерных нейронных сетей (ПС). (Л.Н.Горбань, 1990,1996).

Основой работы самообучающихся нейропрограмм является нейронная сеть, представляющая собой совокупность нейронов - элементов, связанных между собой определенным образом. Нейроны и межнейронные связи задаются программно на обычном персональном компьютере или могут иметь "материальную" основу - особые микросхемы, которые применяются в специально созданных нейрокомпьютерах. Функционирование нейрона в нейрокомпьютере или нейропрограмме похоже на работу биологического нейрона.

Функционирование нейрона в нейронной сети происходит следующим образом. В текущий момент времени нейрон получает по дендритам сигналы извне. В нашей задаче эти сигналы представляют собой закодированную в цифровом виде информацию о состоянии пациента при поступлении в клинику. Эти сигналы называются входными. Сигнал с каждого входа умножается на весовой коэффициент этого входа (весовые коэффициенты входов могут быть различными) и складывается с другими сигналами, также умноженными на весовые коэффициенты соответствующих входов. В нейроне происходит изменение величины сигнала согласно функции нейрона. В программе "классификатор" это характеристическая функция

т- А

и+\.

где Ь - характеристика, определяющая крутизну нелинейного преобразования (чем б

меньше Ь - тем круче график преобразования). Параметр И задается при инициализации нейросети.

11осле преобразования в нейроне формируется выходной сигнал, передающийся по аксону другим нейронам.

Таким образом, нейронная сеть, получающая на входе некоторый сигнал, способна после прохода его по нейронам выдавать на выходе определенный ответ, который зависит от весовых коэффициентов всех нейронов. Самообучение НС есть ни что иное, как "настраивание" весовых коэффициентов таким образом, чтобы определенному входному сигналу соответствовал определенный выходной сигнал.

Из всех типов задач, решаемых на основе предыдущего опыта, довольно значительную группу составляют задачи классификации. Это задачи, для которых ответом является указание класса - выбор одного из нескольких возможных вариантов решения.

Обучающая выборка представляет собой обыкновенную базу данных -электронную таблицу. Она состоит из строк (записей), в которых содержатся обучающие примеры, и столбцов (полей), представляющих собой структуру входных параметров. Каждый пример имеет параметр "класс", представляющий ЗАРАНЕЕ ИЗВЕСТНОЕ решение данного примера (например, имеет пациент данное осложнение нли нет; наличие осложнения кодируется цифрой 1, отсутствие осложнения - 0). Вывод можно сделать только при оценке нескольких параметров сразу, и этот вывод делается на основании опыта.

Цель обучения нейросети - приобрести этот опыт, поработав с данной обучающей выборкой.

Многократно анализируя обучающую выборку НС "настраивает" весовые коэффициенты таким образом, чтобы определенным входным сигналам (т.е. информации о состоянии пациента с ИМ в момент поступления в больницу) соответствовал определенный выходной сигнал (т.е. разовьется в дальнейшех! у данного пациента прогнозируемое осложнение или нет).

ПОЛУЧЕННЫЕ РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ

Для прогнозирования мы выбрали четыре осложнения ИМ: фибрилляцию предсердий, фибрилляцию желудочков, разрыв сердца, отек легких, a i акже летальный исход. При прогнозировании использовалась программа нейроимитатора "MultiNeuron", позволяющая разделять выборку на классы - программа "классификатор". Эта программа использует в своей работе алгоритм функционирования back-propagation. При использовании данной программы количество больных с осложнением и без осложнения должно быть примерно равным. В нашей базе данных количество больных с осложнениями было существенно меньше количества пациентов без осложнения. В данной ситуации нами был разработан метод обучения нескольких НС, решающих одну и ту же задачу. Впоследствии он получил название метода консилиумов нейронных сетей. При использовании этого метода обучается несколько нейросетей с равным представительством примеров в каждом классе и одинаковыми параметрами обучения. После обучения все нейросети апробируются на данных одной тестирующей выборки. Результаты теста суммируются, после чего принимается окончательное решение в отношении каждого примера.

В тестирующую выборку первого осложнения - фибрилляции предсердий было включено 20 больных с этим осложнением и 30 - без данного осложнения. После обучения нейросети консилиума верно интерпретировали 17 больных с фибрилляцией предсердий и 20 без этого осложнения. Т.о. чувствительность методики (В.В.Власов, 1988) составила 85%, специфичность - 66,7%.

При прогнозировании других осложнений ИМ и летального исхода консилиумы нейросетей были созданы по аналогичной схеме. Отличие было лишь в количестве пациентов в группе тестирования и числе создаваемых нейросетей в каждом консилиуме. Результаты тестирования обученных нейросетей представлены в таблице 1.

Таблица 1.

Точность прогноза при использовании программы "классификатор"

Прогнозируемое осложнение Чувствительность Специфичность

Фибрилляция предсердий 85,0% 66,7%

Ф11 б р и лля ц 11 я же л удо ч к о и 76,2% 70,0%

Разрыв сердца 70,0% 60,0%

Отек легких 75,0% 70,0%

Летальный исход 85,7% 80,0%

Чувствительность - верно распознанные примеры с осложнением, специфичность - верно распознанные примеры без осложнения.

Нейроимитатор "МиЙГК'сигоп"' с помощью функции оценки позволяет подсчитать значимость входных параметров. Значимость каждого параметра, выраженная в относительных единицах, показывает насколько важен был каждый из них при прогнозировании каждого осложнения.

Самым значимым параметром при прогнозировании ФП (см.табл. 2) стало наличие пароксизмов этого нарушения ритма в анамнезе. Вторым по значимости стал параметр, отражающий пол пациента. У женщин ФП возникает гораздо чаще, особенно существенны различия в старшей возрастной группе - среди пациентов старше 70 лет. Более частое возникновение ФП у женщин отмечают многие исследователи (Д.М.Аронов,1974; Б.В.Назаров,1982; Ь.Наи\\'оосЗ,1972). Возникновение ФЖ при поступлении - третий по значимости параметр при прогнозировании ФП. Это, по мнению М.С.Кушаковского (1992), отражает общие механизмы возникновения обоих нарушений ритма (расстройства электролитного и кислотно-основного равновесия, глубокая

Таблица 2.

Наиболее значимые входные параметры при прогнозировании фибрилляции предсердий (в порядке убывания значимости)

Входной параметр Значимость в относит, единицах

I .ФП в анамнезе 0.261.............-.................-

2. Пол 0.256—..................-..........

З.ФЖ при поступлении 0.2! 4—-......................

4.KIJJ при поступлении 0.2I3......-........—.........

5.Длительность арт. гипертензии в ан-зе 0.2Н.........------------------

ишемия миокарда, нервно-рефлекторные воздействия). Возникновение кардиогенного шока (КШ) при поступлении стал четвертым по значимости параметром. Достоверно более частое возникновение ФГ1 у больных ИМ с КШ отмечается многими авторами (И.Е.Ганелина,1970; Б.В.Назаров,1982; L.Hauwood,1972). Д.Алнерг (1994) различий в возникновении ФП у больных ИМ с КШ и без КШ не находит. Следующим по значимости следует параметр, отражающий длительность АГ. В литературе по этому вопросу нет однозначного мнения. М.С.Кушаковский (1992) считает, что АГ (особенно в сочетании с сахарным диабетом и ожирением) вызывает дистрофические изменения прежде всего в мышце предсердий, что способствует возникновению ФП. В тоже время Б.В.Назаров (1982) не выявил различий в возникновении ФП у больных с АГ и без нее.

Самым значимым параметром при прогнозировании ФЖ (см.табл. 3) стали глубина

и локализация ИМ. Трансмуральное поражение передней стенки миокарда -

важнейший, по данным, полученным при использовании программы "MultiNeuron",

фактор риска возникновения ФЖ. Более частое возникновение ФЖ при

трансмуральном ИМ отмечают (А.Л.Сыркин,1991; M.Sniezek,1983). По поводу влияния ю

локализации ИМ на возникновение ФЖ есть несколько точек зрения. Ряд авторов (В.Г.Попов, 1983; М.Яшегек, 1983) считают, что ФЖ чаще возникает при передней локализации ИМ. Другие исследователи (Б.В.Назаров, 1982; А.Л.Сыркин,1991) такой зависимости не наблюдали.

Таблица 3.

Наиболее значимые входные параметры при прогнозировании фибрилляции желудочков (в порядке убывания значимости)

Входной параметр Значимость в относит, единицах

1.Передний трансмуральный ИМ 0.236—............-...........-........—

2.Гипокалиемия 0.229..................-....................

З Артернальная гипертензия 0.212-----------------------------------

4.Желудочковая тахикардия 0.205—-.....-............-.........-

5.Частая желудочковая экстрасист-я 0.204----------------------------------

Вторым по значимости стал параметр, отражающий снижение калия в сыворотке крови. Это полностью совпадает с данными литературы. Па роль гипокалиемии в возникновении ФЖ указывают М.С.Кушаковский (1992), .ШогйгепЬаиз (1983). Наличие АГ - третий по значимости фактор риска возникновения ФЖ. Это совпадает с мнением О.СЬпзИапзеп (1977). В то же время другие авторы (Б.В.Назаров, 1982; М.Яш'егекЛ 983 ) подобной связи не находили.

Следующий по значимости фактор - возникновение желудочковой тахикардии в первые часы заболевания. О том, что желудочковая тахикардия часто предшествует ФЖ сообщают многие авторы (М.Я.РудаД981; Б.В.Назаров,1982; В.Г.Попов, 1983; N.06 8оуга,1978; М.Вгнс7ск,1983). Пятым по значимости фактором риска возникновения ФЖ стало наличие частой желудочковой экстрасистолии. Это согласуется с данными многих аеторов (М.Я.Руда,1981; В.Г.Попов, 1983; А.Л.Сыркин,1991; В.Ьсти,1967).

Самым значимым параметром при прогнозировании РС (см. табл.4)стати передняя локализация и глубина ИМ. Это полностью согласуется с данными литературы в этом вопросе. По результатам многих исследований в 93-98,8% случаев РС наблюдаются при трансмуральном ИМ (Л.П.Голиков,1986; З.И.Янушкевичус,1987; И.А.Латфуллин,1991; Е.О.Белова,1995). Наиболее часто разрывы наблюдаются в области передней стенки левого желудочка. (Б.И.Гороховский,1970; Г.М..Яковлев, 1991; Е.О.БеловаД995; СЬ. Тоф-Рсс1сгьеп,1988).

Таблица 4.

Наиболее значимые входные параметры при прогнозировании разрыва сердца (в порядке убывания значимости)

Входной параметр Значимость в относит, единицах

I.Передний трансмуральный ИМ 0.287.....г..................................

2.Рецидивы ангинозных болей 0.280.......................................

3.Отсутствие ИМ в анамнезе 0.275-------------------..............

4.Артериальная гипертензия 0.274..............-....................—

Вторым по значимости стал параметр, отражающий частоту применения наркотических анальгетиков при рсцидивировании ангинозных болей в первые часы нахождения больного в стационаре. Это то же согласуется с данными других авторов (Л.Т.Малая,1981; А.П.Голиков,1988; Е.О.Белова,1995; J.Edwards,1975; H.Lawrence,1981). Отсутствие ИМ в анамнезе - стал третьим по важности фактором при прогнозировании РС. На то, что РС чаще встречаются при первичном ИМ указывают данные многих исследований (И.Е.Ганелина,1970; А.П.Голиков,1982; А.А.Ступницкий, 1984; И.А.Латфуллин,1991; Е.О.Белова, 1995).

Четвертым по важности параметром при обучении нейросети был показатель, отражавший наличие у пациента повышеного АД. На этот счет в литературе нет единого

мнения. Большинство исследователей придерживается взгляда об учащении РС у больных с артериальной гипертснзией, особенно, если высокое ЛД сохраняется в остром и подостром периодах ИМ (Б.И.Гороховский,1973; Г.М.Яковлев, 1982; А.П.Голиков, 1984; Г.А.Трофимов,1993; Е.О.Белова, 1995). Это объясняется тем, что повышенное внутрижелудочковое давление ведет к чрезмерной растяжимости миокарда, пораженного некрозом, нарушая анатомическую целостность стенки желудочка в месте наименьшего сопротивления. В то же время некоторые авторы (А.А.Грицюк,1977; Ф.Ф.Костюк,1993) считают влияние артериальной гипертензии на частоту РС сомнительной.

Самыми значимыми параметрами при прогнозировании ОЛ (см. табл. 5) стали возникновение КШ при поступлении в клинику и наличие ИМ в анамнезе. Важность ИМ в анамнезе для возникновения ОЛ отмечают многие авторы (М.Я.Руда,1981; А. Л .Сыркин, 1991, Ф.Ф.Костю к, 1993).

Таблица 5.

Наиболее значимые входные парамет ры при прогнозировании отека легких (в порядке убывания значимости)_____

Входной параметр Значимость в относит, единицах

1.КШ при поступлении 0.315----------------------------------------

2.ИМ в анамнезе 0.293---------------------—.............

3.Артериальная гипертензия 0.273—-------------------------------

4.Хр. обструктивный бронхит 0.269----------------------------------

5.Бронхиальная астма 0.250...............................

Третье место по значимости занимает параметр, отражающий наличие артериальной гипертензии в анамнезе. Значение повышенного АД в анамнезе у больных с ОЛ отмечают (М.Я.Руда,1981; А.Л.Сыркин,1991, Ф.Ф.Костюк,1993). Большое значение в возникновении ОЛ программа "МиШЫеигоп" придает обструктивным заболеваниям легких. Хронический обструктивный бронхит занимает четвертое по значимости место,

бронхиальная астма - пятое. В литературе мы не встретили сообщений о непосредственном влиянии этих заболеваний на возникновение ОЛ у больных ИМ.

Самым значимым параметром при прогнозировании ЛИ (см. табл. 6) стал параметр, отражающий возникновение КШ на догоспитальном этапе или в момент госпитализации. Высокую значимость КШ в возникновении ЛИ отмечают многие авторы (Е.В.Смолкин,1986; Л.Л.Сыркин,1991; Ф.Ф.Костюк,1993; Дж.Алпсрт,1994).

Таблица 6.

Наиболее значимые входные параметры при прогнозировании летального исхода (в порядке убывания значимости)

Входной параметр Значимость в относит, единицах

1.КШ при поступлении 0.341----------------------------------------

2.Передний трансмуральный ИМ 0.313—-.........—-...................

3.Хроническая СН в анамнезе 0.259------------------------------

4.Частая желудочковая экстрасист-я 0.211—-.............-.......

5.Рецидивы ангинозных болей 0.210-------------—.......-

Вторым по значимости стал параметр, отражающий переднюю локализацию и трансмуральное поражение миокарда. Это совпадает с результатами исследований ряда авторов (Дж.Алперт,1994; L.Sellier,1977; H.Henning,1979), показавших, что при передних трансмуральных ИМ летальность достоверно выше, чем при задних ИМ. Наличие сердечной недостаточности в анамнезе - третий по значимости параметр. Важность данного синдрома в анамнезе отмечают многие авторы (Е.В.Смолкин,1986; E.Madsen,1984; J.Sanz,1982; W.Boden,1989; K.Schectman.1989).

Следующим по значимости при прогнозировании ЛИ стал параметр, отражающий

наличие частой желудочковой экстр асистолии в первые часы ИМ. Более частое возникновение частой желудочковой экстрасистолии у пациентов с ЛИ отмечали (М.Я.Руда,1981; Е.И.Чазов, 1992; В.Ьо\уп,1969). Пятым по значимости стал параметр, отражающий частоту рецидивов ангинозных болей в первые часы ИМ. Важность данного фактора для возникновения ЛИ отмечают (И.Н.Солоненко,1979; В.Г.Попов, 1981; Е.В.Смолкип,1986; ].Н!тЬеП,1967). В то же время, (Ь.8еШег,1977; В.игс1$ку,1977) данной взаимосвязи не находят.

В процессе обучения нейронных сетей мы столкнулись с методической сложностью, обусловленной тем, что до настоящего времени параметры обучения "уровень надежности" и "время отклика" окончательно не определены. Поэтому мы в своей работе постарались найти их оптимальные значения.

Уровень надежности - величина, показывающая насколько сигнал с нейрона, соответствующий верному ответу, должен превосходить сигналы остальных выходных нейронов. Оптимальное значение уровня надежности находилось следующим образом. Проводилось обучение консилиумов нейронных сетей по каждому осложнению и ЛИ с различными значениями этого параметра. Причем апробировались значения от минимальных до максимальных (0,01; 0,05, 0,1; 0,2; 0,4; 0,6; 0,8; 1,0; 1,2; 1,4; 1,6; 1,7). С уровнем надежности 1,8 обучиться смогли не все НС. А уровень надежности 1,9 вообще оказался слишком высоким для обучения на данном задачнике. После обучения все двенадцать консилиумов апробировались на одинаковой тестирующей выборке. Результаты тестирования по одному из прогнозируемых осложнений - фибрилляции предсердий представлены на рисунке 1.

При прогнозировании ФП лучшая точность распознавания (при уровнях надежности 0,05; 0,4; 0,8) составила 70% (35 примеров из 50), худшая (при уровне надежности 0,01) - 64% (32 примера из 50), различия статистически недостоверны (Р>0,05). При прогнозировании других осложнений и летального исхода различия в распознавании примеров тестирующей выборки с разными уровнями надежности при обучении также были статистически недостоверны.

80 т

70 ■■

60 Л

50 • • V

%40 • л

30 •

20 ■

10 0 ■

В

• у у %

ж

1

щ 'Я'

§

41

1

I!

ь

1 щ

& '•>! V* «1 Ш

Г; У

! " ;•* ЛЯ т . ш к/: Ы;

....... т 1,2 1,4 1,6 1,7

Уровень надежности

Рисунок 1. Процент правильно распознания примеров тестовой выборки больных в зависимости от уровня надежности

Точность прогноза при изменении уровня надежности не изменяется. Однако количество циклов при обучении, а следовательно, и затраты времени существенно различаются при разных уровнях надежности. На рисунке 2 показано среднее число циклов при обучении НС в зависимости от уровня надежности. При уровне надежности 0,01 количество циклов обучения достоверно выше, чем при уровне надежности 0,05 (Р < 0,001). В дальнейшем при увеличении уровня надежности с 0,05 до 1,5 достоверных различий по количеству циклов функционирования не выявлено (Р0м 5>0,05). При доведении уровня надежности до 1,6 и выше количество циклов функционирования достоверно возрастает (Р15.]6 < 0,05). Таким образом, при различных уровнях надежности точность прогноза достоверно не изменяется, а число циклов при обучении минимально при уровне надежности 0,05-1,5. Поэтому этот интервал параметра является наилучшим при обучении НС прогнозировать осложнения и исходы ИМ.

Уровень надежности

Ро,о„,<0>001 05 <0,001

^о 1-1,5> 0,05

Рисунок 2-Число циклов при обучении нейронных сетей в зависимости от уровня надежности

Время отклика - величина, определяющая число тактов функционирования нейронной сети с момента подачи входных сигналов до момента снятия выходных сигналов.

Определение оптимального значения времени отклика нами проводилось с использованием консилиумов НС. Проводилось обучение девяти консилиумов НС с одинаковыми - наилучшими для обучения параметрами, и различными значениями времени отклика, изменяющимися от 2 до 10. После обучения все консилиумы апробировались на материале тестирующей выборки. Результаты тестирования по одному осложнению - отеку легких, представлены на рисунке 3. Достоверно лучшее распознавание больных тестирующей выборки наблюдалось при значениях времени отклика 3 и 4. Распознаны соответственно 41 и 40 из 50 примеров тестирующей выборки. При больших значениях этого параметра (5 и более) точность прогноза достоверно снижается. Распознаны от 26 до 31 примера из 50. (Р < 0,05). При

17

использовании времени отклика равным 2 точность тоже достоверно ниже, чем при 3 или 4. Верно интерпретирован 31 пример из 50. (Р <0,05). При апробации консилиумов НС, прогнозирующих дру гие осложнения и ЛИ получены аналогичные результаты. Таким образом, значения времени отклика 3 и 4 являются достоверно наилучшими при обучении нейронных сетей.

90 -80 -70 -60 -50 40 30 20 10 0

■ »V

■а ш

-1-

"0,

Го

5 6 7 Время отклика

10

Р <0,05

Р45<0,05

Рисунок 3. Процент правильно расиознаных примеров тестовой выборки в зависимости от заданного времени отклика.

Поскольку обучение НС с использованием программы "классификатор" требует создания нескольких обучающих выборок (в случае слишком различного количества примеров каждого класса), а это достаточно трудоемкая процедура, мы решили на нашей базе данных апробировать еще одну методику прогнозирования - метод потенциальных функций. Он был интегрирован в оболочку нейроимитатора

"МиШ№игоп". Программа получила название "потенциатор". Она позволяет проводить обучение независимо от количественного представительства в каждом классе. Поэтому нами были созданы 5 нейронных сетей, каждая из которых обучалась различать возникло или нет прогнозируемое осложнение или исход. Для сравнения результатов мы пользовались теми же обучающими и тестирующими выборками, что и при обучении "классификатора'. После обучения нейросетей с использованием программы "потенциагор" проведено контрольное тестирование, результаты которого (в сравнении с результатами "классификатора") представлены в таблице 7.

Таблица 7.

Точность прогноза при использовании программ "классификатор" и "потенциатор"

Прогнозируемое осложнение Ч у ветви 1 слы юс 11, Специфичное! ь

"классификатор" "потепиматор" "классификатор" "потенциатор"

Фибрилляция предсердий 85,0% 90.0% 66,7% 70,0%

Фибрилляция желудочков 76,2% 76,2% 70,0% 56,2%

Разрыв сердца 70,0% 80,0% 60,0% 70,0%

Отек лс1 ких 75,0% 85,0% 70,0% 80,0%

Летальный исход 85,7% 76,2° о 30,0% 70,0%

Чувствительность - верно распознанные примеры с осложнением, специфичность - верно распознанные примеры без осложнения.

11о результатам тестирования "потенциатор" для трёх осложнений: фибрилляции предсердий, разрыва сердца и отека легких дает лучшие результаты, в сравнении с программой "классификатор", как по чувствительности, так и по специфичности. В то же время, при прогнозировании фибрилляции желудочков "потенциатор"

показал более низкую специфичность в сравнении с "классификатором". При прогнозировании легального исхода ниже цифры и чувствительности и специфичности.

Проведенные сравнительные испытания нейросетевого алгоритма back-propagation и метода потенциальных функций не выявили абсолютного приоритета какой-то одной методики. Прогнозирование с их использованием даёт близкие ио точности результаты. Для повышения точности прогноза необходимо использование обеих методик.

ВЫВОДЫ:

1.При прогнозировании возникновения фибрилляции предсердий при инфаркте миокарда с использованием компьютерных нейронных сетей (программа "потенциатор") чувствительность методики составляет 90%, специфичность - 70%. Наиболее значимые для прогнозирования параметры: наличие данного нарушения ритма в анамнезе, иол пациента, возникновение фибрилляции желудочков и карлиогенного шока при поступлении пациента, длительность артериальной гипертензии в анамнезе.

2.При прогнозировании возникновения фибрилляции желудочков при инфаркте миокарда с использованием компьютерных нейронных сетей (программа "классификатор") чувствительность методики составляет 16,2%, специфичность - 70%. Наиболее важные для прогнозирования параметры: наличие трансмурального инфаркта миокарда передней стенки, гипокалиемия, наличие артериальной гипертензии в анамнезе, возникновение желудочковой тахикардии и частой желудочковой экстрасистолии при поступлении пациента.

3.При прогнозировании возникновения разрыва сердца при инфартс миокарда с использованием компьютерных нейронных сетей (программа "потенциатор") чувствительность методики составляет 80%, специфичность - 70%. Наиболее важные для прогнозирования параметры: наличие трансмурального инфарта миокарда передней стенки, частое рецидивирование ангинозных болей, отсутствие инфарта

миокарда и наличие артериальной гипертензии в анамнезе.

4.При прогнозировании возникновения отека легких при инфарте миокарда с использованием компьютерных нейронных сетей (программа "потенциатор") чувствительность методики составляет 85%, специфичность - 80%. Наиболее важные для прогнозирования параметры: возникновение кардиогенного шока при поступлении; наличие инфаркта миокарда, артериальной гипертензии и хронических обструктивных заболеваний легких в анамнезе.

5.При прогнозировании возникновения летального исхода при инфаркте миокарда с использованием компьютерных нейронных сетей (программа "классификатор") чувствительность методики составляет 85,7%, специфичность - 80%. Наиболее важные для прогнозирования параметры: возникновение кардиогенного шока, наличие сердечной недостаточности в анамнезе, наличие переднего трансмурального инфаркта миокарда, частая желудочковая экстрасистолия и рецидивы ангинозных болей в первые часы заболевания.

6.Достоверпо наилучшими при нейросетевом прогнозировании осложнений и исхода инфаркта мнокардаяшшотся следующие значения параметров нейросети: время отклика 3 или 4, уровень надежности 0,05-1,5.

ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ

1 .С помощью созданной экспертной системы можно выделить группы больных с высоким риском развития некоторых осложнений и исхода инфаркта миокарда, с целыо индивидуализации тактики лечения и ведения каждого пациента.

2.Созданная экспертная система может быть подвергнута дальнейшему обучению по мере пополнения примеров в базе данных.

3.Метод потенциальных функций может быть использован для прогнозирования

осложнений и исходов инфаркта миокарда. При его использовании затраты времени невелики, не имеет значение количество примеров каждого класса в обучающей выборке.

4.Собранная база данных предлагается научным коллективам для апробации

других методов прогноза инфаркта миокарда.

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ:

1 .Прогнозирование возникновения мерцательной аритмии в острый и подострый периоды инфаркта миокарда с помощью компьютерных нейронных сетей. // Актуальные проблемы реабилитации больных с сердечно-сосудистыми заболеваниями. Тез. докл. симпозиума кардиологов 18-20 мая 1994 г., "Красноярское Загорье", Красноярск.-1994,- С.28. (Соавт.: Назаров Б.В., Матюшин Г.В., Россиев Д.А., Шевченко В.Ф., Зинченко О.П., Токарева И.М.).

2.Определение информативности медицинских параметров с помощью нейронной сети. // Диагностика, информатика и метрология-94.-Тез. научно-технической конференции (г. Санкт-Петербург, 28-30 июня 1994 г.).-С.-Пстсрбург.-1994.- С.348. (Соавт.: Россиев Д.А., Назаров Б.В., Шульман В.А., Матюшин Г.В.).

3.Прогнозирование осложнений инфаркта миокарда с помощью нейронных сетей. // 11ейроинформатика и ее приложения. Тез. докл. II Всероссийского рабочего семинара 7-10 октября 1994 г.Красноярск.- 1994 - С.40. (Соавт.: Россиев Д.А.).

4.Neural networks for forecasting of myocardial infarction complications //' The Second International Symposium on Neuroinformatics and Neurocomputers, Rostov-on-Don, Russia, September 20-23, 1995.- Rostov-on-Don, 1995,- P.292-298. (Соавт.: Россиев Д.А., Шульман B.A., Матюшин Г.В.).

5.Прогнозирование нарушений ритма сердца в острый и подострый периоды инфаркта миокарда с помощью компьютерных нейронных сетей. // Нейроинформатика и ее

приложения. Тез. докл. III Всероссийского рабочего семинара. 6-8 октября 1995г. Красноярск.- 1995.- С.53. (Соавт.: Россиев Д.Л., Шудьман В.А., Назаров Б.В.. Зинченко 0.11., Моснна В.А., Матюшин Г.В., Чупахин С.А.).

6.Примсненсние нейронных сетей для медицинской диагностики и прогнозирования. // Диагностика, информатика и метрология-95.-Тез. докл. научно-технической конференции (г.Санкт-Петербург, 4-6 июля 1995 г.).- С.-Петербург.- 1995.- С.274. (Соавт.: Россиев Д.А., Шульман В.А., Матюшин Г.В.).

7.Forccasting of myocardial infarction complications with the help, of neural networks // Proc. WCNN 95. (World Congress on Neural Networks).-Washington, DC, July 1995.P.054. (Соавт.: Россиев Д.А., Шульман B.A., Матюшин Г.В.).

8.'"MultiNeuron" neural simulator and its medical applications // Modelling, Measurement & Control,-1996,-V.55,N.l.- pp. 1-5. (Соавт.: Горбань A.H., Шульман В. А., Матюшин Г.В., Россиев Д.А., Борисов А.Г., Гилев С.Е., Коченов Д.А., Миркес Е.М., Догадин С.А., Ноздрачев К.Г., Масленникова Е.В., Савченко A.A.).

9.Прогнозирование возникновения фибрилляции предсердий в острый период инфаркта миокарда с помощью пейросетевого "консилиума". // Нсйроинформатика и ее приложения. Тез. докл. IV Всероссийского рабочего семинара. 5-7 октября 1996 г. Красноярск.-1996.- С.90. (Соавт.: Россиев Д.А., Шульман В.А., Матюшин Г.В., Мосина В.А., Зинченко О.П.).

10.Прогнозирование возникновения разрыва миокарда в острый период инфаркта миокарда с помощью компьютерных нейронных сетей. // Нейроинформатика и ее приложения. Тез. докл. IV Всероссийского рабочего семинара. 5-7 октября 1996г. Красноярск.-1996.- С.91. (Соавт.: Россиев Д.А., Шульман В.А., Матюшин Г.В., Мосина В.А., Зинченко О.П.).

11 .Осложнения инфаркта миокарда: база данных для апробации систем распознавания и прогноза. - Красноярск, 1997. - 14с.- (Препринт / Вычислительный центр СО РАН: № 6). (Соавт.: Горбань А.Н., Шульман В.А., Россиев Д.А., Назаров Б.В., Мосина В.А., Зинченко О.П., Миркес Е.М., Матюшин Г.В., Бугаенко H.H.).

СОКРАЩЕНИЯ, ПРИНЯТЫЕ В АВТОРЕФЕРАТЕ:

ЛД - артериальное давление ИМ - инфаркт миокарда КШ - кардиогенный шок ЛИ - летальный исход НС - нейронная сеть ОЛ - отек легких РС - разрыв сердца ФЖ - фибрилляция желудочков ФП- фибрилляция предсердий