Способ прогнозирования течения раннего послеоперационного периода у больных с осложнениями рака прямой кишки и средство для его осуществления

Изобретение относится к области медицины: в хирургии, онкологии, в частности к способу прогнозирования течения раннего послеоперационного периода у больных с осложнениями рака прямой кишки и средству для его осуществления. Сущность способа: осуществляют анализ клиническо-анамнестических и лабораторных данных субъекта: пол, возраст, срок установления онкологического диагноза, тип осложнения, степень распространенности опухоли по TNM классификации, стадия опухоли, сопутствующая патология, ранее проведенное лечение, показатели общего анализа крови, общего анализа мочи, показатели биохимического анализа крови, а также данные УЗИ, фиброколоноскопии, вид операции. Анализ осуществляют с помощью искусственной нейронной сети, которая представляет собой сеть прямого распространения с тремя слоями нейронов: в первом слое 4 нейрона, во втором - 2 нейрона, в третьем слое один нейрон. Нейроны слоев соединены между собой по типу «каждый с каждым». Каждый нейрон первого слоя имеет 28 синапсов, нейроны второго слоя имеют 5 синапсов, нейрон выходного слоя имеет 3 синапса. В качестве функции активации нейроны используют логистическую функцию. Нейронная сеть делит пространство входных сигналов на две группы и относит значение ниже 0,5 к неблагоприятному течению раннего послеоперационного периода, а при значении выше чем 0,5 - к группе с благоприятным течением. Положительный эффект: предлагаемый способ является простым, экономичным по сравнению с большинством имеющихся методов, он не инвазивен, основан на анализе полученных данных в результате стандартного предоперационного обследования пациента и не требует проведения дополнительных методов диагностики, а это, в свою очередь, повысит уровень достоверности, объективизации и при необходимости коррекцию лечения. 2 пр., 2 ил.

 

Изобретение относится к медицине: хирургии, онкологии, и, в частности, по средству осуществления к области использования нейронных сетей и/или нейрокомпьютеров для повышения скорости и точности прогнозирования.

В настоящее время при злокачественных новообразованиях прямой кишки основным методом лечения остается хирургическое вмешательство. В свою очередь, пациентам с запущенными формами рака прямой кишки, когда опухоль манифестирует осложнением, выполняют радикальные или паллиативные операции по экстренным показаниям. Прогнозирование течения послеоперационного периода у данной группы больных имеет немаловажное значение, так как необходима индивидуальная оценка состояния больных с целью планирования адекватной лечебной тактики в процессе динамического наблюдения.

Известен метод оценки прогноза выживаемости онкологических больных, подвергающихся противоопухолевому лечению, основанный на определении отношения количества гранулоцитов и лимфоцитов, соответственно которому высокое значение этого отношения свидетельствует, напротив, о неблагоприятном прогнозе [Adachi M. с соавт., US Patent 5.403.719].

Недостатком метода можно отметить, что прогноз устанавливался в отношении отдаленных результатов лечения, но не в отношении раннего послеоперационного периода.

В данный момент способов прогнозирования течения послеоперационного периода колоректального рака нет. В виду специфики больных с осложнениями рака прямой кишки, требуется разработка отдельной методики прогнозирования течения (благоприятное или неблагоприятное) послеоперационного периода для оценки общего состояния больных и своевременной коррекции лечения.

Техническим результатом предлагаемого способа является упрощение, повышение достоверности и объективизации, исключение инвазивности, своевременное выявление осложнений с целью своевременной коррекции лечения.

Сущность предложенного способа прогнозирования течения раннего послеоперационного периода у больных с осложнениями рака прямой кишки, включающего анализ клинико-анамнестических и лабораторных данных, состоит в том, что в качестве переменных-предикторов используют предоперационные показатели пациента: пол, возраст, срок установления онкологического диагноза, тип осложнения, степень распространенности опухоли по TNM классификации, стадия опухоли, сопутствующая патология, ранее проведенное лечение, показатели общего анализа крови, общего анализа мочи, показатели биохимического анализа крови, а также данные УЗИ, фиброколоноскопии, вид операции, анализ осуществляют посредством искусственной нейронной сети прямого распространения, интегрированной в программу Excel MS Office 2003 и имеющей три слоя нейронов, соединенных между собой по типу «каждый с каждым, при этом первый слой содержит четыре нейрона, второй - два, третий - один, каждый из нейронов первого слоя имеет по 28 синапсов, нейроны второго слоя - по 5 синапсов, нейрон выходного слоя - 3 синапса, в качестве функции активации нейроны используют логистическую функцию; сеть делит пространство входных сигналов на две группы и относит пациентов со значением ниже или равным 0,5, к группе с неблагоприятным течением раннего послеоперационного периода, а при значении выше 0,5 - к группе с благоприятным течением.

Взятый в основу нашего способа прогнозирования принцип нейронной сети возник из исследований в области искусственного интеллекта, а именно из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга (Patterson, 1996). Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения - одно из главных преимуществ и отличий нейронных сетей от традиционной информатики, оперирующей конструкциями типа «если - то».

Нейронные сети могут менять свое поведение в зависимости от состояния окружающей их среды. После анализа входных сигналов (возможно, вместе с требуемыми выходными сигналами) они самонастраиваются и обучаются, чтобы обеспечить правильную реакцию. Обученная сеть может быть устойчивой к некоторым отклонениям входных данных, что позволяет ей правильно «видеть» образ, содержащий различные помехи и искажения.

Способ осуществляется следующим образом. У пациента, поступившего в отделение с развившимся осложнением на фоне колоректального рака, собирают следующие данные:

1. пол,

2. возраст,

3. срок установления онкологического диагноза (менее 1 года, от 1 до 3 лет, более трех лет),

4. тип осложнения (полная кишечная непроходимость, частичная кишечная непроходимость, кишечное кровотечение, острый гнойный парапроктит).

Способ осуществляется следующим образом. У пациента, поступившего в отделение с развившимся осложнением на фоне колоректального рака, собирают следующие данные:

1. пол,

2. возраст,

3. срок установления онкологического диагноза (менее 1 года, от 1 до 3 лет, более трех лет),

4. тип осложнения (полная кишечная непроходимость, частичная кишечная непроходимость, кишечное кровотечение, острый гнойный парапроктит),

5. степень распространенности опухоли по TNM классификации,

6. стадия опухоли,

7. сопутствующая патология (нет заболеваний, одно, два или три сочетанных заболевания),

8. ранее проведенное лечение (лечение не проводилось, химиотерапия и лучевая терапия),

9. показатели общего анализа крови (эритроциты, гемоглобин, лейкоциты, СОЭ),

10. показатели биохимического анализа крови (общий белок, общий билирубин, глюкоза, креатинин, мочевина, АЛТ, ACT),

11. данные УЗИ (наличие метастазирования в печень),

12. фиброколоноскопии (размер опухоли),

13. вид операции.

Полученные анамнестические, клинико-лабораторные данные вводят в программу Excel MS Office 2003, в которую интегрирована нейронная сеть. Интегрированная нейронная сеть делит пространство входных сигналов на две группы и относит пациентов со значением ниже или равным 0,5 к группе с неблагоприятным течением раннего послеоперационного периода, а при значении выше 0,5 - к группе с благоприятным течением.

На фиг.1 представлена структура созданной нейронной сети. Она представляет собой сеть прямого распространения с тремя слоями нейронов: 1 - первый слой нейронов, содержащий четыре нейрона, 2 - второй слой нейронов, содержащий два нейрона, 3 - третий слой, имеющий один нейрон. Нейроны слоев соединены между собой по типу «каждый с каждым». Каждый нейрон первого слоя 4 имеет двадцать восемь синапсов, нейроны второго слоя 5 имеют пять синапсов, нейрон 6 выходного слоя имеет три синапса. Изначально на входе 7 расположены входные данные (переменные предикторы). В качестве функции активации нейроны используют логистическую функцию. Нейронная сеть обучалась с помощью алгоритма обратного распространения ошибки 100 эпох. Сумма квадратов ошибок на финальной эпохе составила 0,01996. При этом сеть на обучающих данных оптимальным образом разделила пространство входных сигналов на две группы: с благоприятным и неблагоприятным течением послеоперационного периода. Разработанная нейронная сеть была создана, обучена на основе обработки вводных данных 30 пациентов (от каждого получено по 24 показателя). Для интегрирования нейронной сети в программу Excel MS Office 2003 ее записали в виде формулы:

Для дальнейшего ее применения необходимо в «поле ввода» подставить собранные предоперационные данные (24 вышеперечисленных показателя) конкретного больного с диагнозом «колоректальный рак, осложнившееся течение». После чего в «поле вывода» выводится выходной сигнал от 0 до 1. На фиг. 2 представлен вид окна программы Excel MS Office 2003 с интегрированной в нее нейронной сетью прогнозирования осложненного течения колоректального рака (введены значения 24 необходимых показателей, получен выходной сигнал, на основании которого можно судить о вероятности благоприятного/неблагоприятного прогноза).

Для постпроцессирования и анализа качества обучения сети использовался ROC-анализ. В качестве оптимального порога отсечения оставлена величина по умолчанию 0,5. Таким образом, если выходной сигнал больше или равен 0,5, то отклик сети считается равным 1, что соответствует благоприятному течению послеоперационного периода. Если выходной сигнал менее 0,5, то отклик сети считается равным 0, а течение послеоперационного периода неблагоприятным. Площадь под ROC-кривой при анализе результатов классификации на обучающей группе составила 0,995 (95% доверительный интервал: 0,983-1), что соответствует отличному качеству модели.

Пример 1. Больной Ш, 73 лет, поступил в хирургическое отделение Клинической больницы №1 г. Смоленска с диагнозом: рак прямой кишки, осложнение: острая обтурационная кишечная непроходимость. Проведена операция Гартмана.

Из необходимых для прогнозирования данных, полученных до выполнения операции, выделено: пол - мужской, возраст - 73 года, срок установления онкологического диагноза - более трех лет, тип осложнения - полная обтурационная кишечная непроходимость, степень распространенности опухоли по TNM классификации - Т3 N1 M1, стадия опухоли - 4, сопутствующая патология - три сочетанных заболевания, ранее проведенное лечение - лечение не проводилось, показатели общего анализа крови (эритроциты 5,0×10×12/л, гемоглобин - 130 г/л, лейкоциты 9,3×10×9/л, СОЭ 12 мм/час), показатели биохимического анализа крови (общий белок - 51, общий билирубин - 28,8, глюкоза - 6,8, креатинин - 78, мочевина - 4,3, АЛТ - 165, ACT - 138), данные УЗИ - есть метастазирование в печень, фиброколоноскопия - размер опухоли 4×5 см, вид операции - операция Гартмана.

Полученные данные были введены в программу Excel MS Office 2003 с интегрированной в нее нейронной сетью. Выходное значение у данного больного составило 0,2, соответственно менее 0,5. Это свидетельствовало о том, что у пациента следовало ожидать неблагоприятное течение раннего послеоперационного периода.

На 4-ый день послеоперационного периода у больного развилось нагноение послеоперационной раны, но в связи с вовремя принятыми профилактическими мерами (адекватно подобранной антибактериальной терапией и в срок) данный факт не повлек за собой летального исхода.

Пример 2. Больной И., 49 лет, поступил в хирургическое отделение ОГБУЗ «Клиническая больница №1» г. Смоленска с диагнозом: рак прямой кишки, осложнение: частичная обтурационная кишечная непроходимость. Проведена операция Гартмана.

Из необходимых для прогнозирования данных выделено: пол - мужской, возраст - 49 года, срок установления онкологического диагноза - от 1 до 3 лет, тип осложнения - частичная кишечная непроходимость, степень распространенности опухоли по TNM классификации - Т3 N0 М0, стадия опухоли - 4, сопутствующая патология - нет заболеваний, ранее проведенное лечение - химиотерапия и лучевая терапия, показатели общего анализа крови (эритроциты 4,5×10×12/л, гемоглобин - 150 г/л, лейкоциты 6,3×10×9/л, СОЭ 8 мм/час), показатели биохимического анализа крови (общий белок - 59, общий билирубин - 9,6, глюкоза - 5,6, креатинин - 94, мочевина - 3,7, АЛТ - 34, ACT - 35), данные УЗИ - метастазирования в печень нет, фиброколоноскопия - размер опухоли 3×4 см, вид операции - операция Гартмана.

Полученные данные были введены в программу Excel MS Office 2003 с интегрированной в нее нейронной сетью. Выходное значение у данного больного составило 0,69, соответственно более 0,5. Это свидетельствовало в пользу того, что у пациента следовало ожидать благоприятное течение раннего послеоперационного периода, что и было подтверждено при дальнейшем динамическом наблюдении.

Приведенные примеры иллюстрируют информативность заявляемого способа для прогнозирования течения послеоперационного периода у больных с осложнениями рака прямой кишки, что и определяет перспективность применения заявленного способа в практике онкохирургов.

Проведен ретроспективный анализ 30 историй болезней пациентов с диагнозом «осложненный рак прямой кишки» за период с 2007 по 2013 год в клинике факультетской хирургии на базе ОГБУЗ Клинической больницы №1 г. Смоленска. Женщин было 18, мужчин - 12. Возраст пациентов варьировал от 46 до 83 лет. В основу анализа были положены анамнестические данные, стадия заболевания, степень распространения опухоли, сопутствующая патология, данные лабораторно-инструментальных методов, учитывался тип выполненной операции.

В качестве переменных-предикторов выступали: пол, возраст, срок установления онкологического диагноза (менее 1 года, от 1 до 3 лет, более трех лет), тип осложнения (полная кишечная непроходимость, частичная кишечная непроходимость, кишечное кровотечение, острый гнойный парапроктит), степень распространенности опухоли по TNM классификации, стадия опухоли, сопутствующая патология (нет заболеваний, одно, два или три сочетанных заболевания), ранее проведенное лечение (лечение не проводилось, химиотерапия и лучевая терапия), показатели общего анализа крови, общего анализа мочи, показатели биохимического анализа крови. А также данные УЗИ, фиброколоноскопии (размер опухоли), вид операции.

Переменная отклика представляла собой бинарный признак: благоприятное течение послеоперационного периода (условно обозначим как 1) или неблагоприятное течение послеоперационного периода (условно обозначим как 0). Все пациенты были рандомизированы на две группы: обучающую - 15 человек, контрольную - 15 человек.

При тестировании нейронной сети на контрольной группе и последующем проведении ROC-анализа были получены следующие результаты: площадь под ROC-кривой составила 0,998 (95% доверительный интервал: 0,989-1), что соответствует отличному качеству модели. Чувствительность модели составляет 90%, специфичность - 100%.

Таким образом, использование нейронной сети позволило с высокой достоверностью прогнозировать течение послеоперационного периода у 90% больных.

Преимуществами предлагаемого способа являются простота, экономичность по сравнению с большинством имеющихся методов, он не инвазивен, основан на анализе полученных данных в результате стандартного предоперационного обследования пациента и не требует проведения дополнительных методов диагностики, а это, в свою очередь, позволит повысить уровень достоверности, объективизации, направить действия хирурга на диагностический поиск, ликвидацию осложнений и коррекцию лечения.

Способ прогнозирования течения раннего послеоперационного периода у больных с осложнениями рака прямой кишки, включающий анализ клинико-анамнестических и лабораторных данных, отличающийся тем, что в качестве переменных-предикторов используют предоперационные показатели пациента: пол, возраст, срок установления онкологического диагноза, тип осложнения, степень распространенности опухоли по TNM классификации, стадия опухоли, сопутствующая патология, ранее проведенное лечение, показатели общего анализа крови, общего анализа мочи, показатели биохимического анализа крови, а также данные УЗИ, фиброколоноскопии, вид операции, анализ осуществляют посредством искусственной нейронной сети прямого распространения, интегрированной в программу Excel MS Office 2003 и имеющей три слоя нейронов, соединенных между собой по типу «каждый с каждым, при этом первый слой содержит четыре нейрона, второй - два, третий - один, каждый из нейронов первого слоя имеет по 28 синапсов, нейроны второго слоя - по 5 синапсов, нейрон выходного слоя - 3 синапса, в качестве функции активации нейроны используют логистическую функцию; сеть делит пространство входных сигналов на две группы и относит пациентов со значением ниже или равным 0,5 к группе с неблагоприятным течением раннего послеоперационного периода, а при значении выше 0,5 - к группе с благоприятным течением.



 

Похожие патенты:

Изобретение относится к вычислительной технике и может быть использовано при создании бесплатформенных инерциальных систем, входящих с состав систем автоматического управления высокоманевренными судами, объектами авиационной техники, изделиями ракетно-космической техники и космическими аппаратами в частности, а также мобильными робототехническими комплексами, особенностью которых является обеспечение работоспособности в экстремальных условиях.

Изобретение относится к аналогово-цифровым управляющим устройствам и может быть использовано при создании сложных многопараметрических систем автоматического управления различными объектами и технологическими процессами, позволяющих объекту изменять свою реакцию в зависимости от изменения характера внешних влияющих факторов, в системах распознавания образов, в робототехнике, а также для моделирования мозга человека.

Изобретение относится к вычислительной технике и может быть использовано при создании вычислительных средств для систем управления высокоманевренными объектами авиационной и ракетно-космической техники, где требуется быстрое вычисление функций, например тригонометрических, используемых в матричных преобразованиях при решении задач формирования инерциальной системы координат по информации датчиков угловых скоростей, а также при решении задачи сохранения работоспособности вычислителей при изменениях параметров элементов БИС из-за действия ионизирующих излучений естественного или искусственного происхождения.

Изобретение относится к области проведения электрофизиологических манипуляций с живой тканью и может быть использовано для обучения нейронной сети in vitro. Техническим результатом является создание протокола обучения, включающего алгоритм определения оптимальных для индивидуальной биологической нейронной сети параметров, используемых в протоколе обучения.
Изобретение относится к медицине, ортопедии и может быть использовано для выявления особенностей походки, присущих ранним стадиям плосковальгусной деформации стоп у детей.
Изобретение относится к информационным технологиям и нейрофизиологии. Техническим результатом изобретения является повышение скорости работы технологий нейрокомпьютерного интерфейса.

Изобретение относится к области моделирования функциональных аспектов человека. .

Изобретение относится к нейроподобным вычислительным структурам и может быть использовано в качестве процессора вычислительных систем с высоким быстродействием.

Изобретение относится к программным вычислительным системам, основанным на коробах. .

Изобретение относится к области элементов автоматики и вычислительной техники, в частности к магнитным тонкопленочным элементам. .

Изобретение относится к вычислительной технике и может быть использовано для воспроизведения искусственного интеллекта. .

Изобретение относится к оптоэлектронным нейроподобным модулям для нейросетевых вычислительных структур и предназначено для применения в качестве операционных элементов у нейрокомпьютерах.

Изобретение относится к вычислительной технике и может быть использовано при построении систем обработки информации в нейросетевом базисе, в том числе для распознавания образов (классификации). Техническим результатом является возможность обеспечения многопараметрической классификации. Устройство содержит блок входных сигналов, узлы умножения входной величины на весовой коэффициент, сумматор, блок функции активации, каждый узел умножения входной величины на весовой коэффициент включает умножитель входного сигнала на весовой коэффициент и блок формирования весового коэффициента, включающий блок сравнения входной и пороговых величин, ячейки памяти постоянного запоминающего устройства, с записанными в них пороговыми величинами, коммутатор, ячейки памяти постоянного запоминающего устройства с записанными в них весовыми коэффициентами. 2 ил.
Наверх