Возможности нейросетевого анализа данных в прогнозировании преждевременных родов

Введение. Рождение детей с экстремально низкой массой тела зачастую приводит к инвалидности, которая может выражаться не только в нарушении общего психомоторного развития, но и сопровождаться слепотой, глухотой, церебральными нарушениями, хроническими заболеваниями легких и т. д. В связи с этим преждевременные роды стали весьма деликатной проблемой для здравоохранения [1; 2].

В настоящее время преждевременные роды (ПР) представляют собой комплексную медико-социальную проблему, которая связана не только с высокой вероятностью инвалидности ребенка, но и сопряжена с высокими материальноэкономическими затратами 1 [2; 4]. Выхаживание одного 22-недельного ребенка может обойтись в несколько сотен тысяч долларов. Между тем контраст дальнейшего наблюдения за состоянием здоровья этого ребенка в амбулаторнополиклинических условиях часто удручает, так как качество жизни у детей, родившихся с экстремально низкой массой тела, оставляет желать лучшего [2]. Проблемы со здоровьем детей приводят к конфликтам в семье, отказу от последующей беременности на фоне наличия страха за аналогичный исход [2; 4]. В связи с этим практический интерес вызывает изучение возможностей нейросетевого анализа в прогнозировании преждевременных родов.

Материалы и методы. Номинальные данные описывались с указанием абсолютных значений и процентных долей. Сравнение номинальных данных исследования проводилось при помощи критерия х ² Пирсона [8]. Во всех случаях р<0,05 считали статистически значимым. Наиболее статистически значимые параметры включены в тестовую базу данных, которая легла в основу обучения многослойного персептрона, позволяющего прогнозировать развитие преждевременных родов. Для определения диагностической ценности разработанной модели использовалась ROC-кривая с последующим определением площади под ней [9].

Результаты. Указанные параметры были включены в основу обучения многослойного персептрона. Структура обучаемой нейронной сети включала 12 входных нейронов (проживание в сельской или городской местности, наличие анемии, заболеваний мочевыделительной системы, многоводие, скорость оседания эритроцитов, уровень глюкозы крови, миелоцитов и международного нормализованного отношения накануне родов), один скрытый слой, содержащий 8 единиц, и 2 выходных нейрона (рис. 1).

Синаптический вес > О

Синаптический вес <О

Рис. 1. Структура многослойного персептрона, позволяющего прогнозировать развитие преждевременных родов

Точность прогноза разработанной модели составила более 98% (Se=0,98, Sp=0,98, AUC=0,99 [95% CI 0,97-1,00], p<0,001), что представляется достаточно значимым. Для наглядной оценки информативности нейросетевого анализа данных в прогнозировании наступления преждевременных родов использовался ROC-анализ (рис. 2).

Зависимая переменная: ПР

Рис. 2. ROC-анализ вероятности преждевременных родов на основании нейросетевого анализа данных