Зиганшин Айдар Миндиярович – к.м.н., доцент кафедры акушерства и гинекологии с курсом Института дополнительного профессионального образования
450008 Уфа, ул. Ленина, д. 3
Aydar M. Ziganshin – MD, РhD, Associate Professor, Department of Obstetrics and Gynecology with a Course of the Institute of Additional Professional Education
3 Lenin Str., Ufa 450008
Дикке Галина Борисовна – д.м.н., профессор кафедры акушерства и гинекологии с курсом репродуктивной медицины
190013 Санкт-Петербург, Московский проспект, д. 22, лит. М
Galina B. Dikke – MD, Dr Sci Med, Professor, Department of Obstetrics and Gynecology with a Course of Reproductive Medicine
22 Lit. M, Moskovskiy Avenue, Saint Petersburg 190013
Мудров Виктор Андреевич – к.м.н., доцент кафедры акушерства и гинекологии лечебного и стоматологического факультетов
672000 Чита, ул. Горького, д. 39а
Viсtor A. Mudrov – MD, РhD, Associate Professor, Department of Obstetrics and Gynecology, Medical and Dental Faculties
39а Gorkogo Str., Chita 672090
Aim: to improve the efficiency of predicting a clinically narrow pelvis (СNP) using neural network data analysis and to evaluate its prognostic characteristics.
Materials and Мethods. The study was designed as a retrospective non-randomized clinical trial. An analysis of 184 born neonates was carried out: group 1 included 135 female patients whose delivery occurred through the natural birth canal, group 2 – 49 patients whose delivery was complicated by СNP development and ended up with emergency caesarean section. Examination of patients was carried out on the eve of childbirth (1–2 days) and included anamnesis, general and special obstetric examination, including pelvimetry, a clinical assessment of cephalopelvic disproportion was carried out during childbirth. The condition of newborns was assessed using the Apgar scale, height and body weight were measured. Neural network analysis was performed using the built-in Neural Networks module of SPSS Statistics Version 25.0 (IBM, USA).
Results. Despite hypothetically important role of anatomically narrowed pelvis in development of cephalopelvic disproportion, no significant inter-group differences were found. Significant parameters (abdominal circumference, uterine fundus height and woman’s weight, fetal head circumference, as well as data on the presence or absence of oligohydramnios and fetal macrosomia) were determined, which were included in the test database to create the basis for training the multilayer perceptron. Out of 135 patients of group 1, the prognosis was negative in 131 (97.0 %), positive in 4 (3.0 %); out of 49 patients in group 2, negative in 0 (0.0 %), positive in 49 (100.0 %). The forecast accuracy of the developed model was 98 % (sensitivity – 100 %, specificity –97 %). The information content of neural network data analysis in СNP predicting is presented in ROC analysis: area under the curve (AUC) = 0.99 (95 % confidence interval = 0.97–1.00). Neonatal anthropometric parameters were significantly higher in group 2 vs. group 1, and the Apgar score at 1 minute was correspondingly lower.
Conclusion. The use of neural network analysis of clinical data obtained on the eve of childbirth allows to predict СNP development at sufficient degree of accuracy (98.0 %), which, in the future, after being introduced into clinical practice, will optimize a choice of delivery method in patients at risk (anatomically narrow pelvis, large fetus), reduce emergency caesarean sections and improve birth outcomes.
Цель: повысить эффективность прогнозирования клинически узкого таза (КУТ) с помощью нейросетевого анализа данных и оценить его диагностические характеристики.
Материалы и методы. Выполнено ретроспективное нерандомизированное клиническое исследование. Проведен анализ 184 родов: в группу 1 вошли 135 пациенток, роды которых произошли через естественные родовые пути, в группу 2 – 49 пациенток, роды которых осложнились развитием КУТ и завершились экстренным кесаревым сечением. Обследование пациенток проводилось накануне родов (за 1–2 дня) и включало сбор анамнеза, общее и специальное акушерское исследование, включая пельвиометрию; в родах проводилась клиническая оценка краниотазовой диспропорции. Оценку состояния новорожденных выполняли по шкале Апгар, измеряли рост и массу тела. Нейросетевой анализ выполняли с помощью встроенного модуля Neural Networks программы SPSS Statistics Version 25.0 (IBM, США).
Результаты. Несмотря на гипотетически значимую роль анатомического сужения таза в развитии краниотазовой диспропорции, статистически значимых различий между группами выявлено не было. Определены статистически значимые параметры (значения окружности живота, высоты дна матки и массы тела женщины, окружности головки плода, а также данные о наличии или отсутствии маловодия и макросомии плода), которые были включены в базу данных, которая легла в основу обучения многослойного перцептрона. Из 135 пациенток группы 1 прогноз оказался отрицательным у 131 (97,0 %) женщины, положительным – у 4 (3,0 %); у 49 (100,0 %) пациенток группы 2 прогноз был положительным. Точность прогноза разработанной модели составила 98 % (чувствительность – 100 %, специфичность – 97 %). Информативность нейросетевого анализа данных в прогнозировании КУТ представлена ROC-анализом: площадь под кривой (англ. area under curve, AUC) = 0,99 (95 % доверительный интервал = 0,97–1,00). Показатели антропометрии новорожденных статистически значимо были выше в группе 2 по сравнению с группой 1, а оценка по Апгар на 1-й минуте соответственно ниже.
Заключение. Применение нейросетевого анализа клинических данных, полученных накануне родов, позволяет с достаточной степенью точности (98,0 %) прогнозировать развитие КУТ, что в перспективе при его внедрении в клиническую практику позволит оптимизировать выбор метода родоразрешения пациенток, входящих в группу риска (анатомически узкий таз, крупный плод), снизить частоту экстренных кесаревых сечений и улучшить исходы родов.
The authors declare that there are no conflicts of interest present.