Прогнозирование клинически узкого таза с помощью нейросетевого анализа данных

Введение / Introduction

Основными приоритетными задачами системы родовспоможения являются сохранение здоровья матери и рождение здорового ребенка, что позволяет улучшить репродуктивный потенциал населения в целом. Прогнозирование и диагностика плодово-тазовой диспропорции являются наиболее сложными разделами практического акушерства, что связано с субъективизмом акушерского исследования в интранатальном периоде, нередко приводящим к запоздалому абдоминальному родоразрешению [1][2]. Распространенность краниотазовой диспропорции составляет от 1 до 8 % родов в зависимости от гео- графической зоны проживания населения [3], при этом в 65 % наблюдений эта диспропорция является основной причиной затрудненных родов [4]; макросомия плода, в свою очередь, является причиной данного осложнения в 5,8–60,0 % случаев [1].

С практической точки зрения наибольший интерес в настоящее время представляют не столько методы диагностики, сколько методы прогнозирования клинически узкого таза (КУТ) [5][6]. Однако этот вопрос в современной научной литературе освещен недостаточно. Среди факторов риска затрудненных родов и экстренного кесарева сечения (КС) указываются размеры таза матери, окружность головы плода и возраст матери [7][8]. В то же время значение клинической пельвиометрии и ее влияние на исходы для матери и ребенка подвергается сомнению [9]. Женщины, которым выполняли рентгенопельвиметрию (метаанализ 5 исследований, 1159 женщин; доказательства низкого качества), чаще подвергались операции КС с отношением рисков (ОР) = 1,34 (95 % доверительный интервал (ДИ) = 1,19–1,52); однако разницы в исходах для матери и плода не наблюдалось [10]. Расчет плодово-тазового индекса также не был клинически полезным инструментом для прогнозирования способа родоразрешения у пациенток с высоким риском краниотазовой диспропорции [8].

Перспективным направлением пoвышения качества акушерскo-гинекoлогической помoщи является разрабoтка иннoвационных технoлогий в системе рoдовспоможения. Медицинская информатика, применение искусственного интеллекта (ИИ) и машинного обучения (МО) позволяют решать задачи диагностики и прогнозирования различных заболеваний, осложнений и вариантов лечения с помощью искусственных нейронных сетей (ИНС). С помощью таких продуктов уменьшаются временные и технические затраты на получение результатов, что определяет их актуальность и востребованность [11][12]. ИНС уже широко используются в медицине, в том числе в гинекологии [13], акушерстве [14], репродукции и эмбриологии [15][16]. Систематический обзор работ по ИИ в акушерстве и гинекологии, опубликованный в 2022 г., показал, что поиск в PubMed выявил 66 статей и 579 цитирований. В публикациях в основном сообщается о предварительной работе в области ИИ, например, об алгоритме или методе проверки концепции, применяемом в этой дисциплине, но клиническая валидация остается неудовлетворенным условием [17]. Работ по применению ИНС для прогнозирования КУТ нами не найдено.

Цель: повысить эффективность прогнозирования КУТ с помощью нейросетевого анализа данных и оценить его прогностические характеристики.

Материалы и методы/ Materials and Methods

Дизайн исследования / Study design

В период с 2018 г. по 2021 г. выполнено ретроспективное нерандомизированное клиническое исследование 184 случаев родов. На базе акушерских отделений ГУЗ «Краевая клиническая больница» (Чита) было выделено 2 группы исследования: группа 1 включала 135 женщин, роды которых не осложнялись развитием КУТ и произошли через естественные родовые пути; группа 2 – 49 пациенток, роды которых осложнились КУТ и завершились экстренным КС.

Критерии включения и исключения / Inclusion and exclusion criteria

Критерии включения: доношенный срок беременности (37–41⁺⁶ нед); затылочное предлежание плода.

Критерии исключения: использование вспомогательных репродуктивных технологий для наступления настоящей беременности; преждевременные роды; переношенная беременность; предшествующий патологический прелиминарный период; тазовое предлежание плода; неправильные положения плода; неправильное вставление головки плода; рубец на матке; предлежание плаценты; многоплодная беременность; пороки развития плода; дистоция плечиков плода; аномалии развития половых органов; рубцовые изменения промежности и шейки матки; родовозбуждение методом амниотомии и окситоцином; проведение хирургической защиты промежности; тяжелая экстрагенитальная и акушерская патология; травмы таза в анамнезе; генетические и врожденные заболевания; онкологические заболевания; иммунодефицитные заболевания; острые инфекционные заболевания.

Методы исследования / Study methods

Обследование пациенток проводилось накануне родов (за 1–2 дня) и включало сбор общего и специального анамнеза, объективный осмотр и специальное акушерское исследование; в процессе родоразрешения проводилась клиническая оценка таза в динамическом режиме в соответствии с действующими клиническими рекомендациями, утвержденными Минздравом России. Оценку состояния новорожденных выполняли по шкале Апгар, измеряли рост и массу тела.

Этические аспекты / Ethical aspects

Исследование одобрено локальным этическим комитетом ФГБОУ ВО ЧГМА Минздрава России (протокол № 64 от 23.06.2014) и проведено в соответствии с этическими стандартами Хельсинской декларации Всемирной медицинской ассоциации 1964 г. и ее последующими изменениями (пересмотр 2013 г., Форталеза, Бразилия). Все пациентки давали письменное информированное добровольное согласие на участие в исследовании.

Программное обеспечение и методы статистического анализа / Software and statistical analysis

Для оценки риска краниотазовой диспропорции и экстренного КС применяли встроенный модуль Neural Networks программы SPSS Statistics Version 25.0 (IBM, США). Наиболее статистически значимые клинические параметры, полученные при обследовании пациенток, включены в качестве входных нейронов в архитектуру многослойного перцептрона (математическая или компьютерная модель восприятия информации мозгом), обучение которого позволило прогнозировать развитие КУТ. Оценивали информативность нейросетевого анализа данных в прогнозировании КУТ.

Для статистической обработки результатов использовали программу SPSS Statistics Version 25.0 (IBM, США). Для проверки значимости различий количественных параметров между группами применяли методы описательной статистики и ряд непараметрических критериев для проверки значимости различий. Закон распределения признаков с учетом численности групп пациенток оценивали при помощи критерия Шапиро–Уилка.

Количественные показатели, имевшие распределение близкое к нормальному, представляли в виде М ± SD, где М – среднее значение, а SD – среднее квадратичное отклонение, а при распределении, отличном от нормального, в виде Ме (Q₁–Q₃), где Me – медианное значение показателя, а (Q₁–Q₃) – первый (25 %) и третий (75 %) квартили. Поскольку распределение большинства количественных показателей значительно отличалось от нормального, значимость различий между группами оценивали при помощи непараметрических критериев. Анализ различий количественных параметров исследуемых выборок проводили с помощью U-критерия Манна–Уитни. Качественные данные описывали с указанием абсолютных (n) и относительных (%) значений. Для сравнения номинальных данных двух групп исследования использовали критерий χ² Пирсона. Если количество ожидаемых наблюдений было менее 10, для сравнения использовали критерий χ² Пирсона с поправкой Йейтса на непрерывность, если менее 5 – точный критерий Фишера. Статистически значимым считали значение р < 0,05. Для определения прогностической ценности разработанной нейронной сети использовали ROC-анализ [18].

Результаты / Results

Общая характеристика пациенток / Сharacteristics of patients

Средний возраст пациенток в группах 1 и 2 был равен 27,6 ± 6,3 и 26,2 ± 6,5 лет соответственно (р = 0,65). Большинство участниц исследования (54,9 %) были в возрасте 25–35 лет. Индекс массы тела у пациенток групп 1 и 2 составлял 26,9 ± 6,0 и 27,8 ± 7,6 соответственно (р = 0,93).

Социально-демографическая характеристика и анамнез участниц исследования представлены в таблице 1.

Количество перво- и повторнобеременных было сопоставимым. Среднее количество гинекологических заболеваний в анамнезе составило 0,51 ± 0,46 на одну беременную, соматических – 1,13 ± 0,92.

Статистически значимых различий между группами по возрасту, уровню образования, социальному статусу, семейному положению, индексу массы тела, акушерскому и гинекологическому анамнезу, частоте и структуре экстрагенитальной патологии в ходе исследования установлено не было.

Результаты объективного обследования пациенток / Results of objective patients examination

Несмотря на гипотетически значимую роль анатомического сужения таза в развитии краниотазовой диспропорции, статистически значимых различий между группами не установлено (табл. 2).

Отсутствие различий может объясняться как субъективным характером пельвиометрии большого таза, так и возрастанием погрешности измерения у пациенток с алиментарно-конституциональным ожирением.

Характеристики текущей беременности в группах исследования имели ряд существенных различий, основным из которых, безусловно, являлось развитие макросомии плода преимущественно у пациенток с последующим развитием плодово-тазовой диспропорции (табл. 3).

Указанные в таблице 3 статистически значимые параметры были включены в тестовую базу данных, которая легла в основу обучения многослойного перцептрона.

Модель прогнозирования клинически узкого таза / Predictive model for clinically narrow pelvis

Для создания модели прогноза была выбрана процедура многослойного перцептрона, которая позволяет создать прогностическую модель развития интересующего события (зависимая переменная) на основании значений переменных-предикторов (независимых переменных). Многослойный перцептрон относится к сетям прямого распространения. Суть работы подобных сетей заключается в том, что при анализе данных входной сигнал распространяется в них постепенно, от слоя к слою, общий результат формируется как результат разности между ответами, полученными от каждого слоя в процессе анализа. Чем больше слоев в сети, тем выше точность. Число входных нейронов составило 8 единиц, в качестве входных нейронов выступали параметры исследования (значения окружности живота, высоты дна матки и масса тела женщины накануне родов, окружности головки плода, а также данные о наличии или отсутствии маловодия и мак- росомии плода), имевшие статистически значимые различия при сравнении групп исследования. Учитывая число входных нейронов, было решено включить в архитектуру многослойного перцептрона 2 скрытых слоя. Автоматический выбор архитектуры позволил вычислить оптимальное количество нейронов в указанных скрытых слоях, равное 7 и 5 соответственно, и позволяющее при этом максимально эффективно прогнозировать интересующий исход (наличие или отсутствие КУТ). Для создания взаимосвязи взвешенных сумм объектов с последующим слоем значений данных объектов в обоих скрытых слоях использовалась сигмоидная функция активации. В качестве функции активации в выходном слое также выступал сигмоид, так как данная функция определена для действительных переменных и переводит их в диапазон (0; 1), что соответствует исходному дизайну исследования. В качестве функции ошибки выступала сумма квадратов. Выходной слой содержал 2 целевые (зависимые) переменные (КУТ есть/нет). Архитектура разработанной нейронной сети представлена на рисунке 1.

Результаты прогноза клинически узкого таза / The results of the clinically narrow pelvis prognosis

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 %, площадь под кривой (англ. area under curve, AUC) = 0,99 (95 % доверительный интервал (ДИ) = 0,97–1,00; p < 0,001). Учитывая точность прогноза, близкую к 100 %, можно сделать вывод, что разработанная нейронная сеть обладает достаточным функционалом.

Информативность нейросетевого анализа данных в прогнозировании КУТ представлена ROC-анализом (рис. 2).

Состояние новорожденных / Neonate condition

Масса тела детей группы 1 при рождении составляла 3410,0 (3337,8–3458,9) г, группы 2 – 4050,0 (3839,4–4113,0) г (p < 0,001), а их рост – 51,5 (51,4–51,9) см и 54,5 (53,9–54,8) см соответственно (p < 0,001). Оценка состояния новорожденного по шкале Апгар в конце 1-й минуты в группе 1 составила 8,5 (8,4–8,7) баллов, в группе 2 – 8,0 (7,9–8,4) баллов (p = 0,004), в конце 5-й минуты – 9,0 (9,0–9,3) и 9,0 (8,9–9,2) баллов соответственно (p = 0,05). Таким образом, 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.

Обсуждение / Discussion

В настоящее время клиницистам доступен обширный объем информации – от клинических симптомов до биохимических анализов и данных устройств визуализации. Каждый из них должен быть оценен и соотнесен с конкретной патологией в процессе диагностики. Чтобы упростить диагностический процесс в рутинной практике и избежать ошибочных диа- гнозов, в настоящее время изучаются методы ИИ (особенно компьютерная диагностика и ИНС), которые могут обрабатывать различные типы медицинских данных и интегрировать их в категоризированные выходы [19]. Это побудило нас провести настоящее исследование, учитывая значительные трудности прогнозирования КУТ в настоящее время. Отмечается, что несмотря на использование технологии визуализации в попытке предсказать краниотазовую дипропорцию, существует слабая корреляция между рентгенологической пельвиомет- рией и исходами родов, а результаты клинической пельвиометрии, по-прежнему используемой в акушерстве для прогнозирования или подтверждения КУТ, сомнительны, и методика становится «потерянным искусством» [10][20].

Точность прогноза разработанной нами модели нейросетевого анализа составила 98 % с показателями чувствительности 100 % и специфичности 97 %. Полученные нами результаты аналогичны диагностическим оценкам на основе машинного обучения и ИНС при прогнозировании, например, недоношенности (точность 95,7 %) или неонатальной смертности (точность 99,7 %) [21].

Напротив, применение такого современного метода как МРТ-пельвиометрия для прогноза исхода родов демонстрирует существенно более низкие диагностические показатели. Так, в систематическом обзоре и метаанализе, выполненном в 2022 г., показано, что ни один из маркеров не обладал одновременно высокой чувствительностью и специфичностью – тазовый индекс плода имел показатели 59–60 % и 34–64 % соответственно, а индекс краниотазовой диспропорции – 85 и 56 % соответственно [22].

Основные преимущества, выявленные в результате систематического обзора применения ИНС в акушерстве, связаны со снижением меж- и внутриоператорской вариабельности, сокращением времени диагностики и улучшением диагностической эффективности [23], что подтверждается результатами настоящего исследования. Однако доказательства ограничены, и необходимы дальнейшие исследования применимости ИНС в клинической практике.

Заключение / Conclusion

Применение нейронной сети для прогнозирования КУТ, несмотря на простоту и доступность получения исходных клинических данных накануне родов, обладает достаточной степенью точности (98 %), что свидетельствует о перспективности применения нейросетевого анализа в практическом акушерстве. Безусловно, на данный момент времени подобный метод не может получить широкого применения ввиду некоторой сложности его воспроизведения врачом акушером-гинекологом, не получившим профильное обучение. Поэтому в первую очередь, на наш взгляд, данную технологию следует использовать для оптимизации процесса родоразрешения женщин, входящих в соответствующую группу риска (анатомически узкий таз и/или крупный плод), что позволит снизить частоту экстренных кесаревых сечений и улучшить исходы родов.