RU2675067C1 - Способ прогнозирования возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства - Google Patents
Способ прогнозирования возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства Download PDFInfo
- Publication number
- RU2675067C1 RU2675067C1 RU2017132653A RU2017132653A RU2675067C1 RU 2675067 C1 RU2675067 C1 RU 2675067C1 RU 2017132653 A RU2017132653 A RU 2017132653A RU 2017132653 A RU2017132653 A RU 2017132653A RU 2675067 C1 RU2675067 C1 RU 2675067C1
- Authority
- RU
- Russia
- Prior art keywords
- thrombin
- peak
- patients
- time
- coronary
- Prior art date
Links
- 208000029078 coronary artery disease Diseases 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 108090000190 Thrombin Proteins 0.000 claims abstract description 40
- 229960004072 thrombin Drugs 0.000 claims abstract description 40
- 102000012607 Thrombomodulin Human genes 0.000 claims abstract description 15
- 108010079274 Thrombomodulin Proteins 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 9
- 230000000977 initiatory effect Effects 0.000 claims abstract description 9
- 230000015271 coagulation Effects 0.000 claims abstract description 6
- 238000005345 coagulation Methods 0.000 claims abstract description 6
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims abstract description 4
- 230000023597 hemostasis Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 abstract description 5
- 239000000203 mixture Substances 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 239000003814 drug Substances 0.000 abstract description 3
- 238000007675 cardiac surgery Methods 0.000 abstract description 2
- 238000009472 formulation Methods 0.000 abstract 3
- 238000012032 thrombin generation assay Methods 0.000 abstract 2
- 230000002439 hemostatic effect Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 description 12
- 238000013146 percutaneous coronary intervention Methods 0.000 description 11
- 210000004351 coronary vessel Anatomy 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 208000031481 Pathologic Constriction Diseases 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 239000003153 chemical reaction reagent Substances 0.000 description 5
- 238000001356 surgical procedure Methods 0.000 description 5
- 208000004476 Acute Coronary Syndrome Diseases 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 210000002381 plasma Anatomy 0.000 description 4
- 230000036262 stenosis Effects 0.000 description 4
- 208000037804 stenosis Diseases 0.000 description 4
- 239000003146 anticoagulant agent Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 2
- 208000007536 Thrombosis Diseases 0.000 description 2
- 229960001138 acetylsalicylic acid Drugs 0.000 description 2
- 229940127219 anticoagulant drug Drugs 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 208000031225 myocardial ischemia Diseases 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000011541 reaction mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010056867 Activated protein C resistance Diseases 0.000 description 1
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 239000005552 B01AC04 - Clopidogrel Substances 0.000 description 1
- UXVMQQNJUSDDNG-UHFFFAOYSA-L Calcium chloride Chemical compound [Cl-].[Cl-].[Ca+2] UXVMQQNJUSDDNG-UHFFFAOYSA-L 0.000 description 1
- 206010007556 Cardiac failure acute Diseases 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 206010053567 Coagulopathies Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 101000635804 Homo sapiens Tissue factor Proteins 0.000 description 1
- 101800004937 Protein C Proteins 0.000 description 1
- 102100036546 Salivary acidic proline-rich phosphoprotein 1/2 Human genes 0.000 description 1
- 101800001700 Saposin-D Proteins 0.000 description 1
- 208000007718 Stable Angina Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 230000000702 anti-platelet effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 239000001110 calcium chloride Substances 0.000 description 1
- 229910001628 calcium chloride Inorganic materials 0.000 description 1
- 235000011148 calcium chloride Nutrition 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 230000007213 cerebrovascular event Effects 0.000 description 1
- GKTWGGQPFAXNFI-HNNXBMFYSA-N clopidogrel Chemical compound C1([C@H](N2CC=3C=CSC=3CC2)C(=O)OC)=CC=CC=C1Cl GKTWGGQPFAXNFI-HNNXBMFYSA-N 0.000 description 1
- 229960003009 clopidogrel Drugs 0.000 description 1
- 230000035602 clotting Effects 0.000 description 1
- 238000007887 coronary angioplasty Methods 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 206010025135 lupus erythematosus Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- UPSFMJHZUCSEHU-JYGUBCOQSA-N n-[(2s,3r,4r,5s,6r)-2-[(2r,3s,4r,5r,6s)-5-acetamido-4-hydroxy-2-(hydroxymethyl)-6-(4-methyl-2-oxochromen-7-yl)oxyoxan-3-yl]oxy-4,5-dihydroxy-6-(hydroxymethyl)oxan-3-yl]acetamide Chemical compound CC(=O)N[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@H]1O[C@H]1[C@H](O)[C@@H](NC(C)=O)[C@H](OC=2C=C3OC(=O)C=C(C)C3=CC=2)O[C@@H]1CO UPSFMJHZUCSEHU-JYGUBCOQSA-N 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 150000003904 phospholipids Chemical class 0.000 description 1
- 239000000106 platelet aggregation inhibitor Substances 0.000 description 1
- 239000003755 preservative agent Substances 0.000 description 1
- 230000002335 preservative effect Effects 0.000 description 1
- 239000003805 procoagulant Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 229960000856 protein c Drugs 0.000 description 1
- 230000003331 prothrombotic effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000250 revascularization Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000001509 sodium citrate Substances 0.000 description 1
- NLJMYIDDQXHKNR-UHFFFAOYSA-K sodium citrate Chemical compound O.O.[Na+].[Na+].[Na+].[O-]C(=O)CC(O)(CC([O-])=O)C([O-])=O NLJMYIDDQXHKNR-UHFFFAOYSA-K 0.000 description 1
- 238000011301 standard therapy Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Hematology (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Urology & Nephrology (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Peptides Or Proteins (AREA)
Abstract
Изобретение относится к медицине, а именно к кардиологии и кардиохирургии, и может быть использовано для прогнозирования возобновления клиники ишемической болезни сердца после эндоваскулярного вмешательства. Определяют состояние системы гемостаза по тесту генерации тромбина (ТГТ) в двух параллельных постановках. Одна постановка без добавления тромбомодулина (- rh-TM), а другая постановка с добавлением тромбомодулина (+ rh-TM). Определяют в каждой постановке время инициации свертывания LT (Lag Time), пиковую концентрацию тромбина Peak (Peak thrombin), время достижения пиковых концентраций тромбина ttPeak (time to peak) и эндогенный тромбиновый потенциал ЕТР (Endogenous Thrombin Potential). Рассчитывают скорость образования тромбина по заявленной формуле. После чего с помощью нейронных сетей анализируют ЕТР, Peak, VI_TM и % LT, программируемых в пакете Mathematica Wolfram. Определяют персональный коэффициент каждого пациента. Если персональный коэффициент находится в пределах от 0,10 до 3,35, считают риск рецидива ишемической болезни минимальным. Если персональный коэффициент находится в пределах от - 0,02 до - 4,58, риск рецидива ишемической болезни считают максимальным. Способ позволяет повысить прогностическую достоверность результатов теста генерации тромбина при прогнозировании возобновления клиники ишемической болезни сердца у пациентов после эндоваскулярного вмешательства, выявлять пациентов с высоким риском и обеспечить индивидуальный подход к ведению пациентов с высоким риском, повысить эффективность лечения за счет использования нейронных сетей и оценки комплекса наиболее значимых показателей. 1 ил., 3 табл.
Description
Изобретение относится к медицине, в частности к кардиологии и кардиохирургии, и может быть использовано для выявления больных с высоким риском возобновления клиники ишемической болезни сердца после коронарной ангиопластики со стентированием коронарных артерий у больных ишемической болезнью сердца.
Известен способ расчета риска возникновения отдаленных больших кардиальных и цереброваскулярных событий в группе пациентов, подвергшихся чрескожному коронарному вмешательству, с помощью калькулятора SYNTAX Score [Mohr FW, Morice MC, Kappetein AP, Feldman ТЕ, E, Colombo A, Mack MJ, Holmes DR Jr, Morel MA, Van Dyck N, Houle VM, Dawkins KD, Serruys PW. Coronary artery bypass graft surgery versus percutaneous coronary intervention in patients with three-vessel disease and left main coronary disease: 5-year follow-up of the randomised, clinical SYNTAX trial. Lancet. 2013 Feb 23; 381(9867):629-38. doi: 10.1016/S0140-6736(13)60141-5.], при котором производится анализ анатомически сложных поражений коронарных артерий у больных со стенозом ствола левой коронарной артерии и 3-сосудистым поражения коронарных артерий. Известный способ позволяет выбрать оптимальный метод лечения путем выявления пациентов с высоким риском развития неблагоприятных событий после чрескожного коронарного вмешательства.
Основным недостатком этого способа является использование для расчета риска возникновения таких осложнений после эндоваскулярных вмешательств как смерть, инфаркт миокарда, инсульт, повторная реваскуляризация, только лишь на основании анализа состояния коронарного русла (определение типа коронарного кровоснабжения, оценка сегментарного поражения коронарных артерий, диаметра стеноза, длины стеноза, кальцификации и наличия тромбоза в случае окклюзии, а также оценка три - и бифуркационных стенозов, наличие аорто-остиального поражения коронарных артерий и диффузно пораженных и суженных сегменты дистальнее стеноза). При этом неучтенными остаются факторы, влияние которых на возобновление клиники ишемической болезни сердца после эндоваскулярных вмешательств подтверждено результатами многоцентровых клинических исследований.
Однако выводы, сделанные на основе этих исследований, отражают лишь общие тенденции в популяции и носят рекомендательный характер. Соответственно, недостатками данных способов являются в первом случае одноплановая оценка факторов риска, а во втором случае отсутствие возможности персонального подхода в оценке риска развития осложнений после эндоваскулярных вмешательств.
Известен также способ расчета риска развития осложнений после аортокоронарного шунтирования с помощью математической модели нейронных сетей [Souza С., Pizzolato Е., Mendes R. Artificial neural networks prognostic evaluation of post-surgery complications in patients underwent to coronary artery bypass graft surgery. International Conference on Machine Learning and Applications, ICMLA 2009, Miami Beach, Florida, USA, December 13-15, 2009. DOI: 10.1109/ICMLA.2009.116], позволяющей произвести анализ известных факторов риска возникновения осложнений после коронарного шунтирования. Известный способ обеспечивает выявление пациентов с высоким риском развития осложнений, требующих применение экстракорпорального кровообращения, длительной механической вентиляции, реинтубации.
Однако недостатком известного способа является большой перечень разноплановой информации, которая не всегда может быть известна лечащему врачу.
Технический результат, достигаемый изобретением, заключается в повышении прогностической достоверности результатов теста генерации тромбина при прогнозировании возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства, в выявлении пациентов с высоким риском возобновления клинических проявлений ишемической болезни сердца после чрескожного коронарного вмешательства, и индивидуальном подходе к ведению пациентов с высоким риском, позволяющим повысить эффективность лечения.
Заявленный технический результат, достигается за счет того, что в способе прогнозирования возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства, у пациентов предварительно оценивают состояние системы гемостаза по тесту генерации тромбина (ТГТ) в двух параллельных постановках, одна из которых без добавления тромбомодулина (- rh-TM), а другая постановка с добавлением тромбомодулина (+ rh-TM), определяют в каждой постановке время инициации свертывания LT (Lag Time); пиковую концентрацию тромбина Peak (Peak thrombin), время достижения пиковых концентраций тромбина ttPeak (time to peak) и эндогенный тромбиновый потенциал ЕТР (Endogenous Thrombin Potential), а также рассчитывают скорость образования тромбина по формуле:
где Peak - пиковая концентрация тромбина, нМ;
ttPeak - время достижения пика, мин;
Lag Time - время инициации свертывания, мин; определяют % LT как процент изменения времени инициации образования тромбина после добавления тромбомодулина; после чего с помощью нейронных сетей анализируют ЕТР, Peak, VI_TM и % LT, программируемых в пакете Mathematica Wolfram, определяют персональный коэффициент каждого пациента:
по полученному коэффициенту судят о вероятности возобновления клиники ишемической болезни после эндоваскулярного вмешательства, а именно: в случае, если персональный коэффициент находится в пределах от 0,10 до 3,35, считают риск рецидива ишемической болезни минимальным, если персональный коэффициент находится в пределах от - 0,02 до - 4,58 риск рецидива ишемической болезни считают максимальным.
В отличие от известных аналогов, главной особенностью заявленного способа прогнозирования возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства является то, что он позволяет выявлять пациентов с высоким риском возобновления клинических проявлений ишемической болезни сердца после чрескожного коронарного вмешательства и обеспечивает индивидуальный подход к ведению пациентов с высоким риском, что приводит к повышению эффективности лечения таких пациентов.
Способ осуществляют следующим образом.
У пациентов предварительно оценивают состояние системы гемостаза с помощью теста генерации тромбина (ТГТ), согласно методике, предложенной Hemker H.et al. в 2003 г. Для этого используют плазму крови, бедную тромбоцитами, взятую для исследования перед чрескожным коронарным вмешательством. Для стандартизации ТГТ образцы крови отбирают в вакуумные пробирки VACUETT®, содержащие в качестве консерванта 3,2% (0,109 М) раствор цитрата натрия при соотношении антикоагулянта и крови 1:9. Бедная тромбоцитами плазма для исследования подготавливается путем последовательного двойного центрифугирования образцов крови: при 130g в течение 10 мин и 2500g в течение 30 мин. Для постановки ТГТ используют реагенты производства Thrombinoscope bv (Нидерланды). Триггерный реагент «РРР-Reagent 5рМ» представляет собой смесь рекомбинантного человеческого тканевого фактора (rh-TF) в конечной концентрации 5 пМоль и прокоагулянтных фосфолипидов. Смесь специфичного для тромбина флюорогенного субстрата и CaCl2 готовится перед каждой постановкой теста из реагентов «Fluo-Buffer» и «Fluo-Substrate».
Для оценки влияния системы активированного протеина С используется постановка ТГТ с добавлением в реакционную смесь человеческого рекомбинантного тромбомодулина (rh-TM) [Dargaud Y, Trzeciak MC, Bordet JC, Ninet J, Negrier C. Use of calibrated automated thrombinography +/- thrombomodulin to recognize the prothrombotic phenotype. Thromb. Haemost. 2006; 96(5)562-567; Tripodi A., Martinelli I., Chantarangkul V., Battaglioli Т., Clerici M., Mannucci P.M. The endogenous thrombin potential and the risk of venous thromboembolism. Thromb. Res. 2007; 121: 353-359; Liesel S., Sandset P.M., Mowinckel M.C, Wisloff F. Activated protein С resistance determined with a thrombin generation-based test is associated with thrombotic events in patients with lupus anticoagulants. J. Thromb. Haemost. 2007; 5(11): 2204-10]. Для этого ТГТ производят в двух параллельных постановках, одна из которых без добавления тромбомодулина (- rh-TM), а другая - с добавлением тромбомодулина (+ rh-TM) [Hemker Н.С., Giesen P., A1 Dieri R., Regnault V., de Smedt E., Wagenvoord R., et al. Calibrated automated thrombin generation measurement in clotting plasma. Pathophysiol Haemost Thromb 2003; 33:4-15.]. Калибровку осуществляют параллельно с генерацией тромбина в каждом исследуемом образце плазмы при помощи реагента «Thrombin Calibrator». Постановку ТГТ проводят в дублях на планшетном флюориметре Fluoroskan Ascent®, оборудованном диспенсером производства ThermoFisher SCIENTIFIC (Финляндия). Построение и расчет показателей тромбограмм генерации тромбина осуществляют при помощи программного обеспечения Thrombinoscope® версия 3.0.0.26.
Оценивают следующие показатели ТГТ: LT (Lag Time) - время инициации свертывания (мин); Peak (Peak thrombin) - пиковая концентрация тромбина, (нМ); ttPeak (time to peak) - время достижения пика (мин); ЕТР (Endogenous Thrombin Potential) - эндогенный тромбиновый потенциал (нМ⋅мин). V (Velocity Index) - скорость образования тромбина (нМ/мин), которую рассчитывали по формуле:
Далее проводят анализ показателей теста генерации тромбина (ЕТР, Peak, V в постановке с тромбомодулином и %LT) и клинических вариантов течения заболевания с помощью нейронных сетей, программируемых в пакете Mathematica Wolfram.
Математическое моделирование классификатора осложнений после операции на основе данных теста генерации тромбина, полученных непосредственно перед операцией, осуществляют с помощью аппарата нейронных сетей заданной архитектуры, который представляет собой модель, построенную на основе теории и алгоритмов, изложенных в книге (Васильев А.Н., Тархов Д.А. Нейросетевое моделирование: принципы. Алгоритмы. Приложения: монография. - Санкт-Петербург: Политехнический университет, 2009. - 528 с. - ISBN). Алгоритмы выбирают индивидуально для поставленной задачи в ходе вычислительных экспериментов, что в свою очередь является особенностью заявленного способа. Сама модель является оригинальной, так как ее параметры и архитектура подбирались в ходе обучения (машинного обучения) на конкретной базе данных. Модель имеет общий функциональный вид для всех пациентов, а различает их своим значением на выходе после введения входных данных по конкретному пациенту. В качестве входных данных по каждому пациенту используют оригинальные показатели, полученные на основе результатов ТГТ. Упомянутая задача при построении модели классификатора заключалась в поиске аппроксиматора некоторой неизвестной функции, зависящей от входных данных и отражающей в той или иной степени вероятность появления осложнений у объекта после оперативного вмешательства.
Результат моделирования представляет собой выход искусственной нейронной сети заданной архитектуры [Васильев А.Н., Тархов Д.А., 2009]
где n - число нейронов, скаляры с=(с0, …, cn) и векторы а=(а0, …, an) - входящие веса (параметры) модели; v - базисная функция выбранного типа (Васильев А.Н., Тархов Д.А., 2009), вектор t - используемые данные (результаты ТГТ). В частности, j-oe наблюдение обозначено как tj.
Значения весов нейросетевой модели подбирают в процессе минимизации так называемого функционала ошибки, дискретная форма которого имеет вид
где М - число наблюдений, Gj - значения приближаемой функции в точках tj,δj - некоторые положительные штрафные множители.
В результате решения задачи глобальной нелинейной оптимизации получают итоговую нейросетевую модель U(a,c;t)=Ua,c(t) с фиксированными параметрами (весами). Данная функция принимает значения на вещественной прямой. Классификатор осложнений получен путем выбора порогового значения. В качестве базисных функций выбраны сигмоиды (гиперболические тангенсы), поведение которых лучше всего подходит для классификации данных [Bolgov I., Kaverzneva Т., 2016; Filkin V., Kaverzneva Т., 2016; Kaverzneva Т., Lazovskaya Т., 2016].
Во избежание излишней сложности модели, нейронную сеть строили в несколько этапов, на каждом из которых добавляли и обучали один дополнительный нейрон. Подразумевается, что процесс обучения сети идет до удовлетворительного результата. На первом этапе в функционале ошибки значения Gi закодированы в виде - 3 и 1 как наличие и отсутствие осложнений в первый год после операции. Построение бинарного классификатора обусловлено относительно небольшой рассматриваемой выборкой, а особенно общего числа наблюдений осложнений.
На последующих этапах производят аппроксимацию ошибки Gi предыдущего этапа с помощью выхода нейронной сети с одним нейроном. В результате выходы сетей суммируют, и число нейронов в текущей модели увеличивают на один. Общее число параметров модели равно 1+6 n, где n - число нейронов. На всех этапах обучения сети процесс минимизации функционала ошибки проводился с использованием таких алгоритмов оптимизации как RProp и Particle Swarm [Васильев А.Н., Тархов Д.А., 2009; Riedmiller М., Braim Н. А., 1993]. Начальные веса выбираются таким образом, чтобы уравновесить вклад каждого из факторов. Количество нейронов модели также является предметом исследования. Необходимо соблюдать баланс в меньшем числе нейронов и большем качестве построенного классификатора.
В результате проведенных расчетов с помощью искусственной нейронной сети заданной архитектуры для каждого больного определяют персональный коэффициент, по которому после выбора порогового значения, можно судить о вероятности возобновления клиники ИБС после эндоваскулярного вмешательства.
Способ иллюстрируется следующими клиническими примерами.
Было обследовано 66 больных ИБС в возрасте от 53 до 75 лет. Материалом для исследования являлась венозная кровь, полученная до первичного чрескожного коронарного вмешательства. Критериями исключения являлись: возраст >75 лет, аортокоронарное шунтирование и стентирование коронарных артерий в анамнезе, острая сердечная недостаточность и/или фракция выброса левого желудочка <40%, ХСН IIБ и III стадии, креатинин крови >180 ммоль/л, хроническая обструктивная болезнь легких, анемии средней и тяжелой степени, постоянная форма фибрилляции и трепетания предсердий, онкопатология. Все пациенты получали стандартную терапию, включающую препарат ацетилсалициловой кислоты (АСК) 300 мг и клопидогрель в дозе 600 мг за сутки до ЧКВ. В качестве клинических исходов рассматривались варианты возобновления клинических проявлений ИБС в течение года после вмешательства: нет событий (51 наблюдение); прогрессирование заболевания - возобновление клиники стабильной стенокардии напряжения II-III функционального класса (8 наблюдений); развитие острого коронарного синдрома (ОКС) (7 наблюдений)(Таблица 1). В контрольную группу вошли 35 сопоставимых по полу и возрасту практически здоровых людей без клинических проявлений ИБС и не принимающих антиагрегантные и антикоагулянтные препараты с какой-либо иной целью.
Анализ результатов ТГТ, выполненного в контрольной группе, а также у больных ИБС до ЧКВ показал, что значения большинства показателей не выходят за рамки референсных значений независимо от клинических исходов в течение первого года наблюдения.
В качестве клинических вариантов возобновления клиники ИБС в течение первого года после ЧКВ рассматривались случаи острого коронарного синдрома, а также возобновления стабильной стенокардии напряжения, подтвержденной результатами пробы с физической нагрузкой (стрессЭхоКГ).
Корреляции между рассматриваемыми факторами и категориальной переменной «осложнения» не выявлено, регрессионный анализ не дал значимых результатов. Для анализа данных с помощью нейронных сетей были выбраны показатели, характеризующие интенсивность образования тромбина (ЕТР, Peak), скорость образования тромбина при добавлении в реакционную смесь тромбомодулина (V_TM) и процент изменения времени инициации образования тромбина после добавления тромбомодулина (%LT).
Результатом нейросетевого моделирования является функция с полученными в ходе обучения сети 25 параметрами, принимающая значения на числовой прямой:
Установлено, что минимальный риск рецидива ИБС имеется при значениях данного коэффициента от 0,10 до 3,35 (у 51 больного). Напротив, максимальный риск - при значениях данного коэффициента от - 0,02 до - 4,58 (у 25 больных). Все пациенты, госпитализированные в экстренном порядке с острым коронарным синдромом имели значения данного коэффициента в этом диапазоне. И лишь 2 пациента, имеющие подтвержденный с помощью стрессЭхоКГ факт возобновления клиники ИБС, имели коэффициенты в диапазоне минимального риска: 0,34 и 0,46.
Качество построенных нейросетевых моделей было оценено с помощью ROC-анализа.
Изобретение иллюстрируется следующим графическим материалом, где:
на фиг. 1 представлено графическое изображение ROC-анализа.
Сравним результаты для нейросетевых моделей с возрастающим количеством нейронов на каждом из этапов моделирования.
Площадь под ROC-кривой AUC (Area Under Curve) является агрегированной характеристикой качества классификации, не зависящей от соотношения цен ошибок. Результаты ROC-анализа приведены в таблице 2.
Значения стандартной ошибки площади под кривой оценивались непараметрическим методом на уровне для доверительного интервала 95%. Можно говорить о том, что уже при использовании трех нейронов качество модели является хорошим, четырех нейронов - очень хорошим.
Таблица 3 иллюстрирует качество классификаторов после выбора наилучшего порогового значения (cut-off value). Учитывая особенности кодирования исходов (возобновления клиники ИБС) в наших случаях пороговое значение для всех моделей было близко или равно нулю.
Чувствительность (Sensitivity) - это и есть доля истинно положительных случаев; специфичность (Specificity) - доля истинно отрицательных случаев, которые были правильно идентифицированы моделью; доля истинно положительных примеров (True Positives Rate); доля ложно положительных примеров (False Positives Rate).
Модель с одним нейроном недостаточно чувствительна. Добавление второго нейрона значительно улучшает распознавание наблюдений, соответствующих осложнениям, но при этом резко падает специфичность. Начиная с трехнейронной модели, все показатели улучшаются.
Таким образом, заявленный способ обеспечивает получение технического эффекта, а именно повышает прогностическую достоверность результатов теста генерации тромбина при прогнозировании возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства, позволяет выявлять пациентов с высоким риском возобновления клинических проявлений ишемической болезни сердца после чрескожного коронарного вмешательства, и обеспечивает индивидуальный подход к ведению пациентов с высоким риском, позволяющим таким образом повысить эффективность лечения.
Заявитель просит рассмотреть представленные материалы заявки «Способ прогнозирования возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства» на предмет выдачи патента РФ на изобретение.
Claims (7)
- Способ прогнозирования возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства, характеризующийся тем, что у пациентов предварительно оценивают состояние системы гемостаза по тесту генерации тромбина (ТГТ) в двух параллельных постановках, одна из которых без добавления тромбомодулина (- rh-TM), а другая постановка с добавлением тромбомодулина (+ rh-TM), определяют в каждой постановке время инициации свертывания LT (Lag Time); пиковую концентрацию тромбина Peak (Peak thrombin), время достижения пиковых концентраций тромбина ttPeak (time to peak) и эндогенный тромбиновый потенциал ЕТР (Endogenous Thrombin Potential), а также рассчитывают скорость образования тромбина по формуле:
- где Peak - пиковая концентрация тромбина, нМ;
- ttPeak - время достижения пика, мин;
- Lag Time - время инициации свертывания, мин; определяют % LT как процент изменения времени инициации образования тромбина после добавления тромбомодулина; после чего с помощью нейронных сетей анализируют ЕТР, Peak, VI_TM и % LT, программируемых в пакете Mathematica Wolfram, определяют персональный коэффициент каждого пациента:
- по полученному коэффициенту судят о вероятности возобновления клиники ишемической болезни после эндоваскулярного вмешательства, а именно: в случае, если персональный коэффициент находится в пределах от 0,10 до 3,35, считают риск рецидива ишемической болезни минимальным, если персональный коэффициент находится в пределах от - 0,02 до - 4,58, риск рецидива ишемической болезни считают максимальным.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2017132653A RU2675067C1 (ru) | 2017-09-18 | 2017-09-18 | Способ прогнозирования возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2017132653A RU2675067C1 (ru) | 2017-09-18 | 2017-09-18 | Способ прогнозирования возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2675067C1 true RU2675067C1 (ru) | 2018-12-14 |
Family
ID=64753446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2017132653A RU2675067C1 (ru) | 2017-09-18 | 2017-09-18 | Способ прогнозирования возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2675067C1 (ru) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
UA49085U (ru) * | 2009-12-01 | 2010-04-12 | Национальный Научный Центр "Институт Кардиологии Имени Академика Н.Д. Стражеско" Амн Украины | Способ прогнозирования эффективности лечения ишемической болезни сердца |
RU2462722C1 (ru) * | 2011-07-27 | 2012-09-27 | Государственное образовательное учреждение высшего профессионального образования "Национальный исследовательский Томский политехнический университет" | Способ оценки эффективности лечения ишемической болезни сердца |
US20130041683A1 (en) * | 2010-04-07 | 2013-02-14 | Novacare | Computer based system for predicting treatment outcomes |
RU2571715C1 (ru) * | 2014-12-12 | 2015-12-20 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний" (НИИ КПССЗ) | Способ прогнозирования сердечно-сосудистых осложнений у больных ишемической болезнью сердца после коронарного шунтирования |
-
2017
- 2017-09-18 RU RU2017132653A patent/RU2675067C1/ru not_active IP Right Cessation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
UA49085U (ru) * | 2009-12-01 | 2010-04-12 | Национальный Научный Центр "Институт Кардиологии Имени Академика Н.Д. Стражеско" Амн Украины | Способ прогнозирования эффективности лечения ишемической болезни сердца |
US20130041683A1 (en) * | 2010-04-07 | 2013-02-14 | Novacare | Computer based system for predicting treatment outcomes |
RU2462722C1 (ru) * | 2011-07-27 | 2012-09-27 | Государственное образовательное учреждение высшего профессионального образования "Национальный исследовательский Томский политехнический университет" | Способ оценки эффективности лечения ишемической болезни сердца |
RU2571715C1 (ru) * | 2014-12-12 | 2015-12-20 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний" (НИИ КПССЗ) | Способ прогнозирования сердечно-сосудистых осложнений у больных ишемической болезнью сердца после коронарного шунтирования |
Non-Patent Citations (2)
Title |
---|
CESAR SOUZA. Artificial Neural Networks Prognostic Evaluation of Post-Surgery Complications in Patients Underwent To Coronary Artery Bypass Graft Surgery. International Conference on Machine Learning and Applications 2009, pp. 799-803. * |
БЕРЕЗОВСКАЯ Г.А. Коронарное кровообращение и возобновление клиники ишемической болезни сердца после интракоронарного стентирования. Регионарное кровообращение и микроциркуляция Т. 15. N 3 (59) 2016, стр. 57-63. * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10325673B2 (en) | Deep transcriptomic markers of human biological aging and methods of determining a biological aging clock | |
Giannitsis et al. | Cardiac troponin level elevations not related to acute coronary syndromes | |
WO2020069501A1 (en) | Multimodal machine learning based clinical predictor | |
Kundi et al. | The relation between platelet-to-lymphocyte ratio and Pulmonary Embolism Severity Index in acute pulmonary embolism | |
JP2017506510A (ja) | 敗血症の発症を予測するための装置、キット及び方法 | |
JP4486260B2 (ja) | 患者サンプルにおける止血機能不全の存在を予測するための方法および装置 | |
RU2536279C1 (ru) | Способ прогнозирования осложнений после операций шунтирования коронарных артерий в условиях искусственного кровообращения | |
KR102044094B1 (ko) | 딥 러닝 기반 유전체 발현량 해석을 통한 암 또는 정상 판별 방법 및 그 장치 | |
Sung et al. | Prediction of early neurological deterioration in acute minor ischemic stroke by machine learning algorithms | |
CN114292931B (zh) | 急性冠脉综合征的风险评估标志物及其应用 | |
Petersen et al. | Repeated measurements of blood lactate concentration as a prognostic marker in horses with acute colitis evaluated with classification and regression trees (CART) and random forest analysis | |
Öz et al. | The predictive value of plasma osmolality for in‐hospital mortality in patients with acute pulmonary embolism | |
Planquette et al. | Fibrinogen and the prediction of residual obstruction manifested after pulmonary embolism treatment | |
EP3963336A1 (en) | Elucidating a proteomic signature for the detection of intracerebral aneurysms | |
Hu et al. | Identification of pulmonary hypertension animal models using a new evolutionary machine learning framework based on blood routine indicators | |
RU2675067C1 (ru) | Способ прогнозирования возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства | |
Kong et al. | WGCNA combined with machine learning algorithms for analyzing key genes and immune cell infiltration in heart failure due to ischemic cardiomyopathy | |
Sladojević et al. | Data mining approach for in-hospital treatment outcome in patients with acute coronary syndrome | |
Newaz et al. | A case study on risk prediction in heart failure patients using random survival forest | |
Karsli et al. | Galectin-3 as a potential prognostic biomarker for COVID-19 disease: A case-control study | |
Karthigha et al. | A XGBOOST based algorithm for early prediction of human sepsis | |
WO2023133309A1 (en) | Noninvasive methods for quantifying and monitoring liver disease severity | |
Liu et al. | Immune-associated biomarkers identification for diagnosing carotid plaque progression with uremia through systematical bioinformatics and machine learning analysis | |
Li | Diagnostic model for In-Hospital bleeding in patients with Acute ST-Segment Elevation myocardial infarction: Algorithm Development and Validation | |
Mele et al. | Short-term anti-remodeling effects of gliflozins in diabetic patients with heart failure and reduced ejection fraction: an explainable artificial intelligence approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20200919 |