Сетевое издание

Современные проблемы науки и образования

ISSN 2070-7428

"Перечень" ВАК

ИФ РИНЦ = 1,006

Введение

Бронхиальная астма (БА) – распространенное среди детей и взрослых заболевание, которое поражает более 200 миллионов человек во всем мире и ежегодно становится причиной около 450 000 смертей [1]. Несмотря на достижения в терапии и контроле бронхиальной астмы, у значительной части пациентов сохраняются обострения, независимо от степени тяжести заболевания и режима лечения. Причины обострения БА многофакторны и включают в себя генетические, клинические, поведенческие, средовые и иные факторы. Ситуация еще больше осложняется у пациентов с легкими симптомами БА, когда ухудшение контроля заболевания может остаться незамеченным. Обострение БА, как правило, приводит к госпитализации пациентов с увеличением объема терапии [1, 2, 3]. Любые подходы прогнозирования обострения бронхиальной позволят обеспечить своевременное оказание помощи и оптимизировать лечение заболевания.

Своевременность диагностики обострения БА у детей по-прежнему остается сложной проблемой в современной педиатрии [3-5]. Причиной затруднения прогнозирования обострения астмы является большое количество и высокая вариабельность клинико-лабораторных показателей у детей. При мониторинге заболевания и эффективности проводимой терапии приходится оценивать множество параметров. За счет субъективных оценок врача часто возникают тактические ошибки в прогнозировании риска обострения бронхиальной астмы у детей [6, 7, 8].

В современном обществе возрастает значимость быстрого анализа информации для принятия верного врачебного решения [9-11]. Пристальное внимание уделяется информационным технологиям, в том числе с применением машинного обучения (МО), способного учиться на анализе сложных многомерных данных и предлагать решения на основе оригинальных алгоритмов [1, 2]. Применение методов МО в клинических условиях остается мало изученным, и авторов заинтересовали их прогностические возможности.

Существует множество примеров применения моделей МО в области здравоохранения. Подавляющее большинство работ посвящено диагностике различных клинических ситуаций и выполнено преимущественно зарубежными исследователями. Так, в исследованиях авторами представлены систематические обзоры существующих подходов и методов МО для прогнозирования риска обострения астмы и предложены потенциальные возможности для будущих приложений [1, 2]. В работе Shilpa J. Patel с соавторами были показаны прогностические возможности четырех моделей МО для определения потребности в госпитализации на фоне обострения бронхиальной астмы у детей [12]. Математические алгоритмы диагностики рассматривались авторами на популяции взрослого населения с ХОБЛ и бронхиальной астмой [13]. Другие авторы приводят результаты исследования с использованием моделей МО для прогнозирования приступов бронхиальной астмы (более 6,3 миллиона пациентов от более чем 700 врачей общей практики в Великобритании) [14].

Основным преимуществом нейронных сетей является их способность к обучению, которое математически описывается коэффициентами связей между нейронами. Искусственные нейронные сети значимо упрощают работу в ситуациях, когда нет однозначного решения задач и отсутствует определенность или точность в изучаемых параметрах [9, 10].

Цель исследования: изучение прогностических возможностей нейронных сетей в диагностике обострения бронхиальной астмы у детей.

Материалы и методы исследования

Анализ данных пациентов. В исследование вошли 872 ребенка с БА в возрасте от 2 до 17 лет, наблюдавшиеся в педиатрическом отделении ГБУЗ РБ «Городская клиническая больница №17» г. Уфы. Во всех случаях диагноз БА был верифицирован в соответствии с Клиническими рекомендациями [15]. Основные параметры оценки статуса пациентов с бронхиальной астмой приведены в таблице 1.

Таблица 1

Основные параметры оценки статуса пациентов с бронхиальной астмой

Алгоритм построения нейронной сети. Задача данной работы относится к решению задачи классификации – отнесения образца к одному из нескольких попарно не пересекающихся множеств, то есть определения периода бронхиальной астмы у детей.

Работа проведена на оригинальном наборе данных, собранных авторами самостоятельно. Результаты клинико-анамнестических и лабораторно-инструментальных данных детей составили 84 параметра, из которых были заданы входные поля нейронной сети. В качестве выходных параметров выбран период заболевания.

Конфигурация нейронной сети разработана авторами в программе Deductor Academic. Инструментом, позволяющим формализовать и гибко перестраивать логику принятия решений, является Deductor Studio. В основе искусственной нейронной сети, реализованной в Deductor, лежит многослойный персептрон.

Обучающую выборку разбили (либо по порядку, либо случайным образом) на два множества – обучающее (60% выборки) и тестовое (40% выборки) Тестовое множество используется для проверки результатов обучения.

Далее по задаваемым параметрам формируется структура нейронной сети. В использованной авторами модели трехслойной нейронной сети первый слой является входным и состоит из множества узлов (нейронов). Второй скрытый слой состоит из одного слоя нейронов. Каждый из выходных нейронов третьего слоя соответствует одному из множества классов (заранее известных диагнозов и состояний). При отнесении некоего входного вектора к определенному выходному нейрону он принимает значение 1, для остальных нейронов - 0. Такая организация выходного слоя соответствует реализованной в Deductor Academic схеме многоклассовой классификации [9, 10].

Для обучения сети авторами использовался алгоритм Back Propagation со скоростью обучения - 0.1, моментом - 0.9 и сигмоидой с крутизной, равной 1 в качестве активационной функции. Далее производится процесс обучения нейронной сети с предварительно заданными условиями его прекращения.

Статистическая обработка результатов методами описательной и непараметрической статистики и нейронных сетей проводилась с помощью программ MS Office Excel, Statistica 10.0, Deductor Academic.

Количественные переменные приведены в виде медианы и интерквартильного размаха (значения 25%-ного и 75%-ного квартилей): Ме [Q1; Q3].

В процессе обучения нейронной сети в программе Deductor Academic отображаются максимальная квадратичная ошибка, средняя квадратичная ошибка и процент распознанных примеров на обучающем и тестовом множествах (табл. 3). Высокий процент распознанных примеров (близкий к 100%) свидетельствует об успешности обучения.

Результаты исследования и их обсуждение

Клинико-анамнестическая характеристика пациентов. Среди пациентов с БА преобладали мальчики до 63,88% (557/872). На долю девочек приходилось 36,12% (315/872) от всех пациентов. Медиана возраста детей с БА составила 10 [7; 13] лет.

Возраст постановки диагноза БА был равен 6 [4; 9] лет, а первые проявления обструктивного и риноконъюнктивального синдромов у детей с БА отмечались в возрасте 3 [2; 5] лет и 4 [2; 6] лет, соответственно. Отставание в постановке диагноза после первых эпизодов обструктивного и риноконъюнктивального синдромов составило в среднем 2-3 года.

Структура диагноза 872 обследованных пациентов, согласно Клиническим рекомендациям [15] представлена в таблице 2.

Таблица 2

Структура диагноза пациентов с бронхиальной астмой

Из анамнеза заболевания у 94,72% детей (826/872) было выявлено от одного до трех случаев обострений БА в течение года с госпитализацией.

Коморбидный фон у пациентов с БА в 98,16% случаев (856/872) был отягощен симптомами аллергического ринита, в 12,04% случаев (105/872) – проявлениями атопического дерматита и в 13,18% случаев (115/872) – эпизодами крапивницы.

У 72,70% детей с БА (634/872) преобладала сенсибилизации к бытовым аллергенам, а пыльцевая сенсибилизация отмечалась у 25,45% детей с БА (222/872). Триггерными факторами у 55,84% детей (487/872) были вирусные инфекции, у 39,33% детей (343/872) – физические нагрузки. Лекарственная аллергия была выявлена у 9,51% детей (83/872).

Лишь у половины детей с БА – 55,39% (483/872) и 57,11% (498/872), соответственно, подтверждалось контролируемое течение заболевания по результатам спирографии и импульсной осциллометрии.

Построение нейронной сети с одним скрытым слоем по периоду бронхиальной астмы у детей. Структура трехслойной сети по периоду бронхиальной астмы у детей в виде графа представлена на рисунке.

Структура нейросети по периоду бронхиальной астмы у детей

Первый слой является входным и состоит из 84 узлов (нейронов).

Второй скрытый и третий выходной слой состоят из 2 нейронов. Каждый из выходных нейронов третьего слоя соответствует одному из двух классов периода заболевания (отсутствие / наличие признаков обострения).

Накопленный опыт использования нейронных сетей указывает на избыточность большого количества нейронов, приводящих к переобучению сети с хорошими результатами обучающего множества, и низкими результатами на тестовых примерах [9, 10].

Находящийся в распоряжении авторов набор данных признаков для обучения сети имел относительно небольшой объем, поэтому было достаточно использовать нейронные сети с одним скрытым слоем, что упрощало структуру сети и сокращало время обучения.

Результат обучения нейронной сети представлен в таблице 3.

Таблица 3

Результат обучения нейронной сети по периоду бронхиальной астмы у детей

Как показано в таблице 3 обострение бронхиальной астмы у детей обученной нейронной сетью распознано в 100% случаев на обучающем и тестовом множествах.

В одном из обзоров было отобрано 20 исследований с алгоритмами МО при работе с многомерными данными пациентов с обострением астмы (клиническими, биологическими, социально-демографическими, экологическими и метеорологическими и т.д.) [1]. В отличие от прогнозирования обострения БА как категории (да или нет), вероятность приступа астмы предоставляет практикующему врачу больше информации. По выводам авторов обзора указанной выше работы расширенные нейронные сети достигли приемлемых результатов в прогнозировании вероятности обострения БА, особенно при более коротком окне прогнозирования.

Как видно из таблицы 3 обострение бронхиальной астмы у детей обученной нейронной сетью определено в 100% случаев как на обучающем, так и на тестовом множествах. Высокий процент распознанных примеров (100%) свидетельствует об успешности обучения.

Таким образом, разработанная авторами прогностическая модель хорошо диагностирует обострения бронхиальной астмы у детей.

Выводы

1. Обострения БА по-прежнему сложно предотвратить, несмотря на современные достижения в терапии и контроле заболевания, особенно в детской популяции.

2. Причины обострения БА многофакторны и включают в себя генетические, клинические, поведенческие, средовые и иные факторы.

3. Машинное обучение использует математические и статистические методы для обнаружения закономерностей в больших наборах данных пациентов.

4. Машинное обучение потенциально может улучшить процесс принятия клинических решений и оптимизировать лечение для улучшения как прогноза БА, так и общего качества жизни пациентов.