Прогнозирование течения и исхода витректомии пациентов с
advertisement
УДК 617.735 Прогнозирование течения и исхода витрэктомии у пациентов с пролиферативной диабетической ретинопатией с применением элементов искусственного интеллекта. А.Н. Рубан (ruban33@gmail.com), А.Ю. Зольникова Национальная медицинская академия последипломного образования имени П.Л.Шупика, кафедра Медицинской информатики. Введение. Проблема сахарного диабета (СД) в настоящее время становится все более актуальной. Согласно данным ВОЗ, в 2003 году общее количество больных сахарным диабетом в мире составило около 189 млн. человек. Ежегодно эта цифра увеличивается на 5-7% [1]. В Украине официально зарегистрировано около 1.5 млн. больных сахарным диабетом, однако считается, что настоящая заболеваемость значительно выше. Главной причиной инвалидизации больных являются диабетическая пролиферативная ретинопатия (ДПР) - осложнение СД, что приводит к гибели сетчатки, зрительного нерва и устойчивой и необратимой слепоты. На ее долю приходится 80-90% всей инвалидности по зрению, обусловленной сахарным диабетом [2]. Внедренное в клиническую практику в 1972 году R. Machemer (США), хирургическое лечение (витрэктомия) диабетической пролиферативной ретинопатии заключается в удалении из полости глаза кровоизлияний, фиброваскулярных мембран и задней гиалоидной мембраны с поверхности сетчатки, проведении эндолазерокоагуляции и, при необходимости, удалении хрусталика и имплантации искусственной интроокулярной линзы [3]. Применение в последние годы миниинвазивной хирургии, оптических систем широкоугольной визуализации глазного дна, использование ингибиторов эндотелиального фактора роста (VEGF), витреоретинальных красителей позволило значительно повысить эффективность витреоретинальных операций [4,5,6,7]. В то же время, это не позволило полностью избежать появления тяжелых интра и послеоперационных осложнений (кровоизлияние, отслойка сетчатки, неоваскулярной глаукомы, атрофия сетчатки и зрительного нерва), которые могут привести к тяжелой потере зрения [8]. В некоторых клинических задачах невозможно добиться желаемых результатов без применения методов прогнозирования. При витрэктомиии это прежде всего выбор тактики хирургического вмешательства, оптимизация ведения и диспансеризации пациентов после оперативного лечения. На сегодняшний день, результат хирургического лечения пациентов с пролиферативной диабетической ретинопатией недостаточно прогнозируем и определяется многими факторами. Среди них наиболее важными, по данным литературы, являются: соматическое состояние больного, офтальмологический статус и интраоперационные особенности хирургии [9,10]. Если исход операции нельзя предсказать со стопроцентной точностью, это значит, что решение приходится принимать в условиях неопределенности. Если существует возможность того, что в силу ряда причин, результат успешно выполненной операции будет неудовлетворительным, то говорят об операционных рисках. Адекватный учет неопределенности позволяет снизить риски и принять оптимальное решение для пациента. В поисках решения этой непростой проблемы внимание исследователей все больше и больше привлекают новые перспективные направления, среди которых одно из ведущих мест принадлежит физиологической кибернетике и клиническому прогнозированию [11]. 1. Основные типы систем поддержки принятия решений. Повысить вероятность принятия правильного решения в условиях неопределенности, позволяют современные системы поддержки принятия решений. Выделяют три основных типа систем, позволяющих учесть неопределенность в процессе принятия решений [12,13,14]. Экспертная система (ЭС), основанная на правилах и содержащая библиотеку правил, отражающих закономерности внутри конкретной проблемной области. Когда приходит специфическая информация о данной области, правила позволяют на основе логического вывода сделать заключения и предпринять соответствующие действия. Существует несколько методик, позволяющих учитывать неопределенность в экспертных системах, основанных на правилах. Наиболее популярные из них: нечеткая логика, факторы определенности и функции ожиданий Демпстера-Шефера [13,15]. Общее у всех этих методик то, что они позволяют учесть неопределенность только локально, что может приводить к ошибкам в прогнозах. Нейронная сеть (НС), состоящая из нескольких уровней взаимосвязанных вершин. Верхний уровень — это вершины-входы, нижний уровень — вершины-выходы, между верхним и нижним уровнем может быть несколько скрытых уровней, вершины которых связаны со всеми вершинами следующего нижнего уровня. Нейронные сети также можно использовать там, где есть неопределенность [14]. Если отношения неопределенны, то нейронная сеть при соответствующем обучении будет способна найти наиболее вероятное решение по данному набору входных переменных. Однако нейронная сеть не позволит получить следующее наиболее вероятное решение. Нельзя также будет определить, при каких предположениях о данной проблемной области предлагаемое решение будет наиболее вероятным. Байесова сеть (БС), содержащая набор вершин и направленных связей между ними. Связи отражают причинно-следственные отношения внутри данной проблемной области. Байесовы сети в основном используют для того, чтобы пересчитывать вероятности наступления событий по мере поступления новой информации [16]. В отличие от систем, основанных на правилах, БС использует глобальную перспективу для учета неопределенности. И если модель и исходная информация правильны, то БС рассчитывает последующие вероятности. Байесовы сети — более гибкие. В нейронной сети направление логического вывода заранее задано и в нейронной сети вершина скрытого уровня сама по себе не имеет содержательной интерпретации в данной проблемной области, в то время как все вершины Байесовой сети определены. Это означает, что построение Байесовой сети требует детального знания проблемной области. Существенная разница между системами, основанными на правилах, и системами, основанными на Байесовых сетях, состоит в том, что первые моделируют способ аргументации эксперта (поэтому и называются экспертными системами), а вторые пытаются моделировать зависимости в самой проблемной области (поэтому их чаще называют системами поддержки решений). Однако, в клинической медицине в ситуациях неопределенности наибольшие трудности заключаются в отработке правил принятия решений, построении оптимального плана обследования пациентов, выборе оптимального (в смысле минимизации осложнений) метода лечения и обосновании профилактических мероприятий. Для определения структуры прогностической системы при витреоретинальном вмешательстве необходимо выяснить два кардинальных вопроса - создать априорную классификацию состояний и симптомов (медицинское обеспечение) и обосновать последовательность этапов прогнозирования их последствий. 2. Прогнозирование результатов хирургического лечения. Прогнозирование операционных рисков всегда связано с реально существующим процессом. Под реальным процессом понимают изменения во времени происходящие в исследуемых объектах. Все процессы, рассматриваемые в медицине, являются немарковскими. И в этом случае ход процесса в последующие моменты времени определяется не только значением показателей в определенный момент времени, но и всей реализацией в предыдущие моменты времени - так называемой предысторией. Основная цель прогнозирования в клинической медицине - осуществление целенаправленного, эффективного, с наименьшими затратами управления ходом лечения и достижения необходимого результата в будущем [11]. Простейшая блок-схема принятия решений в медицине представлен на рис. 1, из которой следует, что управление начинается с определения состояния пациента в определенный момент времени и его оценки на основе установленных критериев оптимальности. Последние, в свою очередь, зависят от цели управления. Далее важно определить, каким будет состояние больного в следующий момент времени при отсутствии изменений в управлении, т.е. спрогнозировать состояние объекта, а затем сделать его оценку. Решение вопроса о том, следует ли изменить систему управления, как видим, зависит от состояния пациента, для которого проводят прогнозирование, при реализации каждого из возможных вариантов управления. После реализации признанного оптимальным управляющего влияния на процесс лечения, возвращаемся к началу алгоритма. Рис. 1. Алгоритм принятия решения в медицине. Характерной особенностью приведенного алгоритма является циклическое повторение процедуры прогнозирования в процессе уточнения состояния больного и его реакции на лечение. Поэтому этапность принятия решений определяется тремя факторами: характером патологии, особенностями задачи прогнозирования и процесса прогнозирования. Если речь идет о первом факторе, то предполагается, что выбор стратегии лечения – операция, происходит один раз и не пересматривается. Иерархия клинических проблем и ее учет в прогнозировании определяет действие второго фактора. Суть последнего фактора заключается в необходимости учета в процедуре прогнозирования характера патологии и количества этапов в принятии решения. Следует также учитывать тяжесть состояния пациента и стационарность морбидного процесса. Для решения задач прогнозирования на практике, большинство авторов применяют относительно простые методики, связанные с бальными критериями. Значительный удельный вес в прогнозировании последствий заболеваний принадлежит моделям, связанным с факторизацией пространства прогнозируемых состояний на непересекающиеся классы с помощью линейных и нелинейных преобразований. На сегодняшний день достаточно распространены подходы, связанные с применением теории вероятности, в частности формулы Байеса, последовательного статистического анализа Вальда. Кроме того, применяют методы построения оптимальной разделяющей гиперплоскости, методы обучения распознаванию и другие. Во всех перечисленных подходах одно из ведущих мест занимает определение прогностической значимости клинических признаков, что является сложной и трудоемкой процедурой, включающей обработку большого информационного массива. 3. Прогностическая значимость клинических признаков и карта риска. Первая и, пожалуй, важнейшая задача в процессе создания системы прогнозирования, - выделение и систематизация признаков, имеющих наибольшее значение для течения и исхода патологического процесса. Предварительно эти признаки группирует врач на основе практического профессионального опыта. Получаемые субъективные показатели называются экспертным оцениванием. С точки зрения математики, задача заключается в снижении размерности вектора измерений X с L до размерности М (М < L). Если предполагать статистическую независимость признаков (симптомов и синдромов), которые применяют для описания характера болезни, то один из простых методов вычисления прогностической значимости признаков может быть основан на критерии Стьюдента в модификации Н. М. Амосова с соавторами [11]. Суть его заключается в сравнении частоты неблагоприятного исхода у больных при наличии исследуемого признака (P1) со средней частотой неблагоприятного исхода у всех больных, обследованных по этому показателю (Р0). Соответствующее математическое выражение имеет вид: P1 P0 , t 2 2 m1 m0 где t - информативность признака (баллы), m1 и m0 - соответственно средние погрешности величин Р1 и Р0. Наиболее значимые показатели объединяются в карту риска. Перед составлением карты необходимо проверить взаимосвязь (корреляцию) выбранных параметров. При наличии таковой целесообразно выбрать один из них или уменьшить ценность обоих параметров, иначе прогностическая важность комплекса признаков, характеризующих одну из сторон патологического процесса, может оказаться завышенной. При r <0,3 симптомы считают невзаимосвязанными. После корректировки количественных значений факторов риска, отбирают наиболее важные и составляют карту риска. Экспериментальную проверку карты риска осуществляют на трех выборках: «учебной» выборке – входят наблюдения с верифицированными выводами, «контрольной» выборке - объединяет наблюдения с проверенными диагностическими выводами, «экзаменационной» выборке из историй болезни - истинность выводов проверяют апостериорно. Группы пациентов подбирают с верифицированным последствиями. При этом обеспечивают репрезентативность выборочного исследования. В процессе обучения определяют зависимость между суммой баллов, характеризующей состояние больных, и вероятностью неблагоприятного исхода. Эта зависимость, как правило, нелинейна и чаще всего имеет s-образный характер (рис. 2). Такая зависимость легко аппроксимируется простыми математическими методами, в частности методом наименьших квадратов. Уравнение связи имеет вид: n k x y 1 , e где у - вероятность неблагоприятного исхода; х - сумма баллов риска; к коэффициент, который находится методом наименьших квадратов. Полученные степени тяжести состояния больных и риска неблагоприятного операционного исхода позволяют количественно оценить выраженность расстройств в организме человека, а значит, объективно определить тактику лечебных мероприятий В случае проведения витреретинальной операции, экспертами были выделены 145 признаков, возможно влияющих на исход операции и повышающих вероятность возникновения ослонений [17]. С помощью описанного метода были отобраны и помещены в карту риска 33 показателя, характеризующие общее состояние, офтальмологический статус и интраоперационные факторы наиболее значимые для результата операции. Также были выделены группы интра- и послеоперационных осложнений, возникновение которых приводит к неблагоприятному исходу оперативного лечения. На основании карты риска была построена экспериментальная зависимости вероятности неблагоприятного исхода витрэктомии от суммы баллов риска. На практике использовать формулу или построенную кривую неудобно, поэтому обычно выделяют степени риска. Первая соответствует горизонтальной нижней ветви sобразной связи, причем выбирают такую сумму баллов, при которой вероятность неблагоприятного результата была бы менее 1 - 5%. Последняя степень риска характеризует группу больных с вероятностью неблагоприятного исхода более 95% (верхняя горизонтальная часть графика). Частота квантования вертикальной части определяется крутизной фронта кривой. Чем плавнее нарастает значение вероятности неблагоприятного исхода витрэктомии, тем более обоснованным является выделение нескольких степеней тяжести состояния больных. Применение предложенных степеней тяжести, т.е. риска операционного лечения, дает возможность количественно оценить выраженность патологических расстройств в организме и объективно выбрать тактику лечебных мероприятий. Приведенный метод не зависит от математической модели прогнозирования и теоретически может быть применен в любых других алгоритмах. Рис. 2. Общий вид зависимости вероятности неблагоприятного исхода лечения от суммы баллов риска. 4. Графовые модели прогнозирования операционного исхода. Остановимся на алгоритмах прогнозирования конечных состояний. Задачи определения конечного состояния заключаются в прогнозирования исхода витрэктомии для конкретного больного. В группе методов, которые применяют аппарат математического моделирования, одним из самых распространенных подходов прогностической оценки событий, как упоминалось выше, является метод Байеса. При этом варианте вероятностного подхода итоговую информацию о прогнозируемых гипотезах предоставляют в виде их апостериорных вероятностей, после введения имеющегося априорного распределения вероятностей распределения частот симптомов, полученных при обследовании больного. Преобразование данных о пациенте проводится в соответствии с известной теоремой Байеса. Принятие решения происходит в несколько этапов. Сначала по формуле Байеса вычисляют вероятность каждой из прогностических гипотез, существующей при определенной совокупности признаков, после чего составляют список гипотез в порядке убывания их апостериорных вероятностей. Если вероятность гипотезы превышает ее заданный порог, ее зачисляют в прогностический вывод. Этот алгоритм используется в вероятностных байесовых сетях, которые представляют собой графовые модели причинно-следственных связей между случайными переменными и могут органически сочетать эмпирические частоты появления различных значений переменных, субъективные оценки «ожиданий» и теоретические представления о математических вероятностях тех или иных следствий из априорной информации. Это является важным практическим преимуществом и отличает байесовы сети от других методик информационного моделирования. Модели на основе БС способны к самообучению и самосовершенствованию по мере накопления клинической информации. С этим свойством связана относительная нечувствительность таких моделей к возможным ошибочным или неполным данным. Преимуществом моделей БС является также возможность интеграции разнородных данных. Это происходит потому, что БС моделируют самые общие причинноследственные зависимости между интересующими исследователя параметрами. Модели БС легко обходят избыточность данных и не подвержены проблемам оверфиттинга. С целью большей наглядности многие авторы предлагают явно включать в граф модели переменные, отображающие внешние вмешательства или решения человека и тогда полученную модель называют диаграммой влияния. Как статистические модели, которые идентифицируются на основе эмпирических данных, графовые вероятностные модели выполняют роль инструмента познания, т.е. способны дать исследователю понимание механизмов взаимодействия в рассматриваемой предметной области. Исследование информации о больном при витрэктомии должно проводится последовательно, в заранее определенные сроки. На каждом новом этапе обследования можно сделать определенный прогноз последующего состояния и исхода . В таком случае в качестве одного из вариантов интеграции нескольких вероятностных моделей возможно построение многоуровневой вероятностной модели – метасети Байеса, в которой каждый следующий уровень сети определяет вероятности предыдущего уровня. Выводы. 1. Повышение уровня требований к управлению состоянием больного организма, сопровождающееся увеличением объема информации, с которым приходится иметь дело врачу в процессе принятия решения, определяет необходимость применения методов кибернетики для прогнозирования течения и результата лечебного процесса в режиме реального времени. 2. Внедрение системы прогнозирования рисков возникновения офтальмологических осложнений при витрэктомии способствует объективизации индивидуальной оценки риска для каждого пациента, позволяет прогнозировать течение этих осложнений и оптимизировать предоставление офтальмологической помощи. 3. Вероятностные модели систем зависимостей на основе ациклических ориентированных графов могут служить эффективным представлением знаний в условиях неопределенности и обеспечивать средство решения прогнозно-аналитических задач для экспертных систем в витреоретинальной хирургии. Литература. 1. Wild S., Roglic G., Green A., et al. Global prevalence of diabetes: estimates for the year 2000 and projections for 2030. Diabetes Care. 2004; 27:1047–1053 2. Риков С.О. Сліпота та слабкозорість. Шляхи профілактики в Україні. –Київ, 2011. 268 с. 3. Blankenship G., Cortez R., Machemer R.. The lens and pars plana vitrectomy for diabetic retinopathy complications. Arch Ophthalmol. 1979;97:1263–1267. 4. А.Н. Сергиенко, А.Н. Рубан. Ранние результаты применения техники «иссечения блоком» в хирургическом лечении пролиферативной диабетической ретинопатии // Офтальмол. журн. - 1998. - № 3. - С. 184-187 5. Глинчук Я.И., Метаев С.А., Саркисян А.И. Клинические результаты применения жидких перфторорганических соединений в комплексном хирургическом лечении тракционных отслоек сетчатки с захватом макулярной области при пролиферативной диабетической ретинопатии //Офтальмохирургия. — 1996. — № 2. — С. 7-12 6. Steinmetz R.L., Grizzard S., Hammer M.E.. Vitrectomy for diabetic traсtion retinal detachment using the multiport illumination system. Ophthalmology 2002;109:2303–2307 7. Родин С.С., Асланова В.С. Бевацизумаб (авастин) в комплексном хирургическом лечении больных с пролиферативной стадией диабетической ретинопатии // Український медичний альманах. — Луганск. — 2008. — Т. 11, № 3. — С. 126-128. 8. Schachat A.P., Oyakawa R.T., Michels R.G., Rice T.A. Complications of vitreous surgery for diabetic retinopathy. II. Postoperative complications. Ophthalmology 1983;90:522–530. 9. Oda H., Konno K., Mitsui K., et al. Recent outcomes of vitreous surgery for diabetic retinopathy. Nippon Ganka Gakkai Zasshi. 2005;109:603–612. 10. Fong DS, Ferris FL, III, Davis MD, Chew EY. Causes of severe visual loss in the early treatment diabetic retinopathy study: ETDRS report no. 24. Early Treatment Diabetic Retinopathy Study Research Group. Am J Ophthalmol. 1999;127:137–141 11. Минцер О.П., Москаленко В.З., Веселий С.В., Інформаційні технології в хірургії. – В 10 книгах «Інформаційні технології в охороні здоров’я і практичній медицині». – Кн.3. – К.: Вища школа, 2004. – 423 с. 12. Статические и динамические экспертные системы. — М.: ФиС, 1996. 13. Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике. — М.:СИНТЕГ, 1999. 14. Фролов Ю.В. Интеллектуальные системы и управленческие решения. — М.: МГПУ,2000. 15. Zadeh L.A. Fuzzy sets as a basis for a theory of possibility // Fuzzy Sets and Systems. — 1978. — V. 1 — № 1. 16. Терехов С.А. Введение в Байесовы сети//Научная сессия МИФИ-2003. V Всероссийскаянаучно-техническая конференция «Нейроинформатика-2003»: Лекции по нейроинформатике. Часть 1. — М.: МИФИ, 2003. — С.180–181. 17. А.М. Рубан. Інформаційне забезпечення стратегії визначення оптимальної тактики хірургічного лікування хворих з проліферативною діабетичною ретинопатією //Медична інформатика та інженерія №3.-2011.-С.56-62 Abstract. Article contains the review of all decision making system types in conditions of uncertainty and approaches to the construction of ocular complications outcome and risk prediction. It promotes individual risk assessment objectification for a patient and allows to optimize the provision of eye care for vitrectomy. Key words: DSS, forecasting. decision making, diabetic proliferative retinopathy (DPR), vitrectomy. Анотація. Доповідь містить огляд основних типів систем підтримки прийняття рішень в умовах невизначеності і підходи до побудови системи прогнозування результату і ризику виникнення офтальмологічних ускладнень, сприяє об'єктивізації індивідуальної оцінки ризику для пацієнта і дозволяє оптимізувати надання офтальмологічної допомоги при вітректомія. Ключові слова: СППР, прогнозування, система підтримки прийняття рішень, прогнозування, діабетична проліферативна ретинопатія (ДПР), вітректомія. Аннотация. Доклад содержит обзор основных типов систем поддержки принятия решений в условиях неопределенности и подходы к построению системы прогнозирования исхода и риска возникновения офтальмологических осложнений, способствующей объективизации индивидуальной оценки риска для пациента и позволяющей оптимизировать предоставление офтальмологической помощи при витрэктомии. Ключевые слова: СППР, система поддержки принятия решений, прогнозирование, диабетическая пролиферативная ретинопатия (ДПР), витрэктомия.
