Метаболические факторы риска и формирование мочевых камней. Исследование IV: прогнозирование химического состава камня in vivo по метаболическим показателям

Метаболические факторы риска и формирование мочевых камней. Исследование IV: прогнозирование химического состава камня in vivo по метаболическим показателям

Автор: Голованов С.А., Сивков А.В., Просянников М.Ю., Дрожжева В.В.

Журнал: Экспериментальная и клиническая урология @ecuro

Рубрика: Мочекаменная болезнь

Статья в выпуске: 4, 2018 года.

Бесплатный доступ

Введение. Важное значение для выбора как инвазивных методов лечения иочекаменной болезни (МКБ), так и методов предупреждения повторного камнеобразования имеют данные о химическом составе мочевого камня, точнее о его метаболическом типе. Однако мочевые камни не всегда доступны для анализа, что затрудняет выбор оптимальных методов лечения и приводит к необходимости поиска (разработки) способов оценки химического состава мочевых камней у пациента in vivo. Одним из направлений поиска является всесторонняя анализ литогенных метаболических факторов, длительное воздействие которых ведет к образованию мочевого камня. Цель данной работы оценить возможность некоторых алгоритмов машинного обучения в прогнозировании метаболического типа мочевого камня in vivo по комплексу метаболических показателей. Материал и методы. Исследован минеральный состав 708 мочевых конкрементов (от 305 мужчин и 403 женщин в возрасте от 16 до 81 лет), а также биохимические показатели сыворотки крови (кальций, мочевая кислота, фосфаты, магний) и показатели суточной экскреции с мочой кальция, мочевой кислоты, фосфатов, магния...

Еще

Мочекаменная болезнь, метаболизм, компьютерное моделирование, прогнозирование химического состава камней

Короткий адрес: https://sciup.org/142216910

IDR: 142216910

Список литературы Метаболические факторы риска и формирование мочевых камней. Исследование IV: прогнозирование химического состава камня in vivo по метаболическим показателям

  • Romero V, Akpinar H, Assimos DG. Kidney stones: a global picture of prevalence, incidence, and associated risk factors. Rev Urol 2010; 12(2-3):e86-96.
  • Sorokin I, Mamoulakis C, Miyazawa K, Rodgers A, Talati J, Lotan Y. Epidemiology of stone disease across the world. World J Urol 2017;35(9):1301-1320 DOI: 10.1007/s00345-017-2008-6
  • Заболеваемость населения России в 2003 году: Статистические материалы. М.; 2004 г. C. 153-154
  • Заболеваемость населения в России в 2016. (электронная версия). URL: http://mednet.ru/ru/statistika/zabolevaemost-naseleniya.html
  • Türk C, Neisius A, Petrik A, Seitz C, Skolarikos A, Tepeler A, Thomas K. EAU Guidelines on Urolithiasis. EAU, 2017 URL: http://uroweb.org/wp-content/uploads/Guidelines_WebVersion_Com-plete-1.pdf ].
  • Nakasato T, Morita J, Ogawa Y. Evaluation of Hounsfield Units as a predictive factor for the outcome of extracorporeal shock wave lithotripsy and stone composition. Urolithiasis 2015;43(1):69-75 DOI: 10.1007/s00240-014-0712-x
  • Stewart G, Johnson L, Ganesh H, Davenport D, Smelser W, Crispen P, Venkatesh R. Stone size limits the use of Hounsfield units for prediction of calcium oxalate stone composition. Urology 2015;85(2):292-5 DOI: 10.1016/j.urology.2014.10.006
  • Tailly T, Larish Y, Nadeau B, Violette P, Glickman L, Olvera-Posada D, et al. Combining mean and standard deviation of hounsfield unit measurements from preoperative CT allows more accurate prediction of urinary stone composition than mean hounsfield units alone. J Endourol 2016;30(4):453-9 DOI: 10.1089/end.2015.0209
  • Kulkarni NM, Eisner BH, Pinho DF, Joshi MC, Kambadakone AR, Sa-hani DV. Determination of renal stone composition in phantom and patients using single-source dual-energy computed tomography. J Comput Assist Tomogr 2013;37(1):37-45 DOI: 10.1097/RCT.0b013e3182720f66
  • Руденко В.И., Серова Н.С/, Капанадзе Л.Б. Возможности двухэнергетической компьютерной томографии в диагностике мочекаменной болезни. Материалы 3-й научно-практической конференции урологов Северо-Западного федерального округа РФ 20-21 апреля 2017 г. Урологические ведомости 2017;7(S): 92-93.
  • Cicerello E, Merlo F, Maccatrozzo L. Urinary alkalization for the treatment of uric acid nephrolithiasis. Arch Ital Urol Androl 2010;82:145-148.
  • Trinchieri A, Esposito N, Castelnuovo C. Dissolution of radiolucent renal stones by oral alkalinization with potassium citrate/potassium bicarbonate. Arch Ital Urol Androl 2009;81:188-191.
  • Аль-Шукри СХ, Слесаревская МН, Кузьмин ИВ. Литолитическая терапия уратного нефролитиаза. Урология 2016;(2):23-27
  • Eisner BH, Sheth S, Dretler SP, Herrick B, Pais VM Jr. Abnormalities of 24-hour urine composition in first-time and recurrent stone-formers. Urology 2012;80(4):776-9. Epub 2012 Aug 22 DOI: 10.1016/j.urology.2012.06.034
  • Голованов СА, Сивков АВ, Дрожжева ВВ, Анохин НВ. Метаболические факторы риска и формирование мочевых камней. Исследование I: влияние кальцийурии и урикурии. Экспериментальная и клиническая урология 2017;(1):52-57
  • Голованов СА, Сивков АВ, Дрожжева ВВ, Анохин НВ. Метаболические факторы риска и формирование мочевых камней. Исследование II: влияние фосфатурии и магнийурии. Экспериментальная и клиническая урология 2017;(2):42 -48
  • Голованов СА, Сивков АВ, Поликарпова АМ, Дрожжева ВВ, Андрюхин МИ, Просянников МЮ. Метаболические факто-ры риска и формирование мочевых камней. Исследование III: влияние рН мочи. Экспериментальная и клиническая урология, № 1, 2018; (1):84 -91
  • Поповкин НН, Гришкова НВ, Чудновская МВ, Даренков АФ, Голованов СА. Дифференциальная диагностика состава мочевого камня in vivo по метаболическим показателям у больных нефролитиазом. Актуальные вопросы урологии и оперативной нефрологии: Сборник научных трудов. М., 1994. С. 32-42.
  • Moreira DM, Friedlander JI, Hartman C, Elsamra SE, Smith AD, Okeke Z. Using 24-hour urinalysis to predict stone type. J Urol 2013;190(6):2106-11 DOI: 10.1016/j.juro.2013.05.115
  • Torricelli FC, De S, Liu X, Calle J, Gebreselassie S, Monga M. Can 24-hour urine stone risk profiles predict urinary stone composition? J Endourol 2014;28(6):735-8. Epub 2014 Feb 14 DOI: 10.1089/end.2013.0769
  • Torricelli FC, Brown R, Berto FC, Tarplin S, Srougi M, Mazzucchi E, et al. Nomogram to predict uric acid kidney stones based on patient's age, BMI and 24-hour urine profiles: A multicentre validation. Can Urol Assoc J 2015;9(3-4):E178-82 DOI: 10.5489/cuaj.2682
  • Tseng CJ, Lu CJ, Chang CC, Chen GD, Cheewakriangkrai C. Integration of data mining classification techniques and ensemble learning to identify risk factors and diagnose ovarian cancer recurrence. Artif Intell Med 2017;78:47-54 DOI: 10.1016/j.artmed.2017.06.003
  • Shahmoradi L, Langarizadeh M, Pourmand G, Fard ZA, Borhani A.Comparing Three Data Mining Methods to Predict Kidney Transplant Survival. Acta Inform Med 2016;24(5):322-327. doi: 10.5455/aim.2016.24.322-327.
  • Tavares M, Paredes S, Rocha T, Carvalho P, Ramos J, Mendes D, et al. Expert knowledge integration in the data mining process with application to cardiovascular risk assessment. Conf Proc IEEE Eng Med Biol Soc 2015;2015:2538-42 DOI: 10.1109/EMBC.2015.7318909
  • Rendina D, De Filippo G, De Pascale F, Zampa G, Muscariello R, De Palma D, et al. The chang-ing profile of patients with calcium nephrolithiasis and the ascendancy of overweight and obesity: a comparison of two patient series observed 25 years apart. Nephrol Dial Transplant 2013;28 Suppl 4:iv146-51 DOI: 10.1093/ndt/gft076
  • Cho ST, Jung SI, Myung SC, Kim TH. Correlation of metabolic syndrome with urinary stone composition. Int J Urol 2013 Feb;20(2):208-13 DOI: 10.1111/j.1442-2042.2012.03131.x
  • Daudon M, Lacour B, Jungers P. Influence of body size on urinary stone composition in men and women. Urol Res 2006;34(3):193-9 DOI: 10.1007/s00240-006-0042-8]
  • Daudon M, Lacour B, Jungers P. Influence of body size on urinary stone composition in men and women. Urol Res 2006;34(3):193-9 DOI: 10.1007/s00240-006-0042-8]
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp