Болдина Юлия Сергеевна – аспирант, старший преподаватель кафедры акушерства и гинекологии, дерматовенерологии Медицинского института имени профессора А.П. Зильбера ФГБОУ ВО «Петрозаводский государственный университет», Петрозаводск, Россия; врач акушер-гинеколог ГБУЗ Республики Карелия «Республиканский перинатальный центр имени Гуткина К.А.»
185035 Петрозаводск, проспект Ленина, д. 33;
185002 Петрозаводск, ул. Сыктывкарская, д. 9
Yulia S. Boldina – MD, Postgraduate Student, Senior Lecturer, Department of Obstetrics and Gynecology, Dermatovenerology, Medical Institute named after Professor A.P. Zilber, Petrozavodsk State University, Petrozavodsk, Russia; Obstetrician-Gynecologist, Karelian Republican Perinatal Center named after Gutkin K.A.
33 Lenin Avenue, Petrozavodsk 185035;
9 Syktyvkarskaya Str., Petrozavodsk 185002
Ившин Александр Анатольевич – к.м.н., доцент, зав. кафедрой акушерства и гинекологии, дерматовенерологии Медицинского института имени профессора А.П. Зильбера
185035 Петрозаводск, проспект Ленина, д. 33
Alexander A. Ivshin – MD, PhD, Associate Professor, Head of the Department of Obstetrics and Gynecology, Dermatovenerology, Medical Institute named after Professor A.P. Zilber
33 Lenin Avenue, Petrozavodsk 18503
Obstetric hemorrhages (OH) are the main preventable cause of morbidity, mortality and cases of "near miss" among obstetric complications worldwide. Early preventive measures based on the OH prediction allow to profoundly reduce the rate of female mortality and morbidity as well as prevent the economic costs of patient intensive care, blood transfusion, surgical treatment and long-term hospitalization. Postpartum haemorrhage (PPH) is the most frequent obstetric haemorrhage determined by one of the four causes: a uterine tonus disorder, maternal birth trauma, retention of placenta parts and blood-clotting disorder. There is still a need for the continued search for an accurate and reliable prediction method despite multiple attempts to develop an effective system for predicting OH. The solution to this may be reasonably considered an innovative method such as artificial intelligence (AI) including computer technologies capable of obtaining conclusions similar to human thinking. One of the particular AI variants is presented by machine learning (ML), which develops accurate predictive models using computer analysis. Machine learning is based on computer algorithms, the most common among them in medicine are the decision tree (DT), naive Bayes classifier (NBC), random forest (RF), support vector machine (SVM), artificial neural network (ANNs), deep neural network (DNN) or deep learning (DL) and convolutional neural network (CNN). Here, we review the main stages of ML, the principles of algorithms action, and the prospects for using AI to predict OH in real-life clinical practice.
Акушерские кровотечения (АК) представляют собой основную предотвратимую причину заболеваемости, смертности и случаев «near miss» среди акушерских осложнений во всем мире. Своевременные профилактические меры, основанные на прогнозировании АК, позволяют существенно снизить уровень смертности и заболеваемости женщин, а также предотвратить экономические затраты на интенсивную терапию, гемотрансфузию, оперативное лечение и длительную госпитализацию пациенток. Наиболее частый вариант всех АК – послеродовое кровотечение (ПРК), обусловленное одной из четырех основных причин: нарушение тонуса матки, травмы родовых путей, аномалии плацентации и нарушения в системе гемостаза. Несмотря на многочисленные попытки разработать эффективную систему прогнозирования АК, сохраняется необходимость дальнейшего поиска точного и надежного метода прогноза. Для решения этой задачи целесообразно рассмотреть возможности технологий искусственного интеллекта (англ. artificial intelligence, AI). Это компьютерные технологии, основанные на нейросетях, способные генерировать выводы, подобно процессам мышления человека. Одним из частных вариантов AI является машинное обучение (англ. machine learning, ML), которое при помощи компьютерного анализа позволяет разрабатывать модели прогнозирования. В основе ML лежат компьютерные алгоритмы. Самые распространенные из них в медицинской сфере – это дерево решений (англ. decision tree, DT), наивный байесовский классификатор (англ. naive Bayes classifier, NBC), случайный лес (англ. random forest, RF), машина опорных векторов (англ. support vector machine, SVM), искусственная нейронная сеть (англ. artificial neural network, ANNs), глубокая нейронная сеть (англ. deep neural network, DNN) или глубокое обучение (англ. deep learning, DL) и сверточная нейронная сеть (англ. convolutional neural network, CNN). В обзоре представлены основные этапы ML, принципы работы алгоритмов и построения предиктивных моделей, а также перспективы применения AI для прогнозирования АК в реальной клинической практике.
The authors declare that there are no conflicts of interest present.