WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     || 2 | 3 |

На правах рукописи

КИМ Татьяна Сергеевна ОПТИМИЗАЦИЯ ПРОГНОЗИРОВАНИЯ КЛИНИЧЕСКОГО ТЕЧЕНИЯ ПЕРВИЧНОЙ ОТКРЫТОУГОЛЬНОЙ ГЛАУКОМЫ 14. 00. 08 – Глазные болезни А в т о р е ф е р а т на соискание ученой степени кандидата медицинских наук

Москва - 2007

Работа выполнена на кафедре глазных болезней ГОУ ВПО «Красноярская государственная медицинская академия Федерального агентства по здравоохранению и социальному развитию» в Красноярском межрегиональном центре микрохирургии глаза им. П.Г. Макарова;

ФГУ «3 Центральный военный клинический госпиталь им. А.А. Вишневского Минобороны России»

Научный консультант:

заслуженный врач РФ, доктор медицинских наук, профессор ЛАЗАРЕНКО Виктор Иванович

Официальные оппоненты:

доктор медицинских наук, профессор ЕРИЧЕВ Валерий Петрович доктор медицинских наук, профессор КОРНИЛОВСКИЙ Игорь Михайлович

Ведущая организация: ГОУ ВПО «Российский университет дружбы народов»

Защита состоится «_» _ 2007 г. вчасов на заседании диссертационного совета Д 208.042.01. при ФГУ «Московский научно-исследовательский институт глазных болезней им. Гельмгольца Росздрава» (105062, Москва, ул. Садовая-Черногрязская, д. 14/19).

С диссертацией можно ознакомиться в библиотеке Московского НИИ глазных болезней им. Гельмгольца

Автореферат разослан «» 2007 г.

Ученый секретарь диссертационного совета доктор медицинских наук, профессор КОДЗОВ М.Б.

2

Общая характеристика работы

Актуальность проблемы. В последнее время наблюдается широкое внедрение компьютерных технологий в область медицины. Быстрыми темпами развивается медицинская нейроинформатика. На базе Института вычислительного моделирования РАН и лаборатории нейросетевого моделирования КрасГМА были разработаны теория и методология применения в медицине самообучающихся экспертных систем на основе искусственных нейронных сетей. Это позволило использовать нейронные сети для диагностики и прогнозирования различных заболеваний. Известны первые результаты по использования ИНС в офтальмологии (Гарькавенко В.В., 2002; Комаровских Е.Н., Лазаренко В.И., Ильенков С.С., 2001; Хомушку М.Д., 2005).

Наболевшей проблемой современной офтальмологии остается первичная открытоугольная глаукома. ПОУГ привлекает внимание офтальмологов всего мира многообразием клинических форм, сложностью патогенеза, трудностью диагностики и лечения, а также серьезностью прогноза и медико-социальной значимостью заболевания (Водовозов А.М., 1983; Егоров В.В., 2000; Еричев В.В., 2004; Краснов М.М., 1998; Кунин В.Д.,2000; Лазаренко В.И., 2000;

Нестеров А.П., 1995; Bautista-R-D, 1999; Broadway D., Drance H., 1998; Gloster J., 1986; Greve E.L., 1992; Sommer A., 1996; Tiande Sbou et al., 2003).

Отмечаются широкая распространенность, неуклонный рост и тяжелые последствия заболевания. Несмотря на многочисленные исследования в этой области, число больных ПОУГ неизменно растет с каждым годом (Исламова С.Е. с соавт., 2004; Южаков А.М., 2003). Одним из приоритетных направлений в решении проблемы глаукомы является раннее прогнозирование клинического течения заболевания с целью профилактики слепоты и стабилизации патологического процесса.

В последнее время появилась возможность привлечь для прогнозирования клинического течения ПОУГ самообучающиеся искусственные нейронные сети, параметрами баз данных которых выступают показатели глаукомы.

Нейронная сеть после полного обучения и автоматической минимизации числа обучающих параметров способна прогнозировать клинического течения первичной открытоугольной глаукомы. На практике это позволяет дифференцировать информацию и значительно сокращает время сбора анамнеза. Это облегчает работу врача и помогает осуществить индивидуальный подход в лечении конкретного больного. Применение самообучающихся искусственных нейронных сетей в прогнозировании глаукомы актуально.

Новый метод может быть использован в скрининговых исследованиях, при массовых обследованиях больных глаукомой.

Цель работы Разработка метода прогнозирования клинического течения первичной открытоугольной глаукомы.

Задачи исследования 1. Разработать метод нейросетевого прогнозирования клинического течения первичной открытоугольной глаукомы.

2. Определить наиболее значимые показатели развития неблагоприятного и благоприятного течения первичной открытоугольной глаукомы для прогнозирования с помощью самообучающихся искусственных нейронных сетей.

3. Изучить изменения клинических показателей у больных первичной открытоугольной глаукомы и их зависимость от характера течения заболевания, для последующего обучения искусственных нейронных сетей.

Научная новизна и практическая значимость работы 1. Впервые определены наиболее значимые признаки глаукомы в зависимости от клинического течения при моделировании самообучающихся искусственных нейронных сетей.

2. Впервые обоснована возможность прогнозирования клинического течения первичной открытоугольной глаукомы с помощью самообучающихся искусственных нейронных сетей.

3. Предложен метод нейросетевого прогнозирования, который позволяет определить степень вероятности развития неблагоприятного течения первичной открытоугольной глаукомы.

Основные положения, выносимые на защиту 1. Разработка методики прогнозирования клинического течения первичной открытоугольной глаукомы с помощью искусственных нейронных сетей.

2. Больные первичной открытоугольной глаукомой с благоприятным и неблагоприятным течением заболевания, прослеженного в течение – 10 лет, отличаются выраженностью и частотой патологических изменений глаз. Неблагоприятное течение глаукомы чаще наблюдали у больных с длительным стажем первичной открытоугольной глаукомы, сопутствующими глазными и соматическими заболеваниями.

3. Наиболее важными клиническими признаками при прогнозировании клинического течения первичной открытоугольной глаукомы с помощью самообучающихся искусственных нейронных сетей являются: окраска диска зрительного нерва, стадия глаукомы, размер экскавации диска зрительного нерва, сужение поля зрения, ВГД, наличие сопутствующих атеросклероза и сахарного диабета.

4. Применение ИНС позволяет правильно прогнозировать клиническое течение ПОУГ в 81,1% случаев, что является основой для скрининговых исследований.

Апробация работы Результаты исследования доложены и обсуждены на заседаниях кафедры глазных болезней КрасГМА (2001-2006 гг.), на межрегиональных научнопрактических конференциях офтальмологов КМЦМГ им. П.Г. Макарова (20012006 гг.), на юбилейной научно-практической конференции, посвященной 60летию А.И.Еременко (Краснодар, 2002), на межотделенческой конференции Московского научно-исследовательского института глазных болезней им.

Гельмгольца (2006 г.) Внедрение в практику Результаты работы внедрены в клиническую практику КМЦМГ им. П.Г.

Макарова (г. Красноярск) и в поликлинике ФГУ «3 ЦВКГ им. А.А.Вишневского Министерства обороны РФ» (Москва). Результаты исследования используются в учебном процессе для лекционных и практических занятий по курсу глазных болезней для студентов лечебного факультета КрасГМА.

Объем и структура работы Диссертация изложена на 116 страницах машинописного текста и состоит из введения, обзора литературы, главы материалов и методов исследования, главы собственных исследований, главы, посвященной нейроинформационной технологии прогнозирования клинического течения глаукомы, заключения, выводов, практических рекомендаций, указателя литературы, который включает в себя 132 отечественных и 27 иностранных источников. Работа иллюстрирована 29 таблицами и 9 рисунками.

Публикации результатов исследования По материалам диссертации опубликовано 7 печатных работ (1 – в центральной печати), разработаны и подготовлены к печати усовершенствованные медицинские технологии по теме диссертации.

СОДЕРЖАНИЕ РАБОТЫ

Материалы и методы Характеристика клинического материала В исследовании принимали участие 105 пациентов (179 глаз). Наблюдали пациентов с различными стадиями первичной открытоугольной глаукомы, получавших лечение в КМЦМГ им. П.Г. Макарова, городской поликлинике № 14 г. Красноярска, ФГУ «3 ЦВКГ им. А.А. Вишневского» (г. Красногорск, Моск. обл.). Анализ течения заболевания производили в сроки 5 – 10 лет.

Диспансерное наблюдение за всеми больными осуществляли регулярно.

Из всех обследованных больных сформировали 3 клинические группы:

обучающую (1), тестирующую (2) и контрольную (3). Обучающая группа (1) состояла из 77 больных (123 глаза). Среди них было 33 (43%) мужчины и (57%) женщины. Средний возраст пациентов составлял 70,9±0,7 лет.

Тестирующая клиническая группа (2) состояла из 33 больных (63 глаза). В этой группе было 10 мужчин (30%) и 23 женщины (70%). Средний возраст обследованных пациентов составлял 65,2±0,6 лет. Контрольную группу (3) составили 28 человек (56 глаз). Среди пациентов было 6 женщин (22%) и мужчин (78%). Средний возраст - 72,5±0,6 лет.

Демографические и соматические показатели пациентов были сопоставимы.

Характеристика пола всех обследованных больных представлена на рис. 1.

52.Женщины 47,Мужчины Рис. 1. Распределение пациентов обследованных групп в зависимости от пола.

Во всех обследованных группах преобладали городские жители (97%).

Распределение пациентов по месту жительства представлено на рис. 2.

Город Село Рис. 2. Распределение пациентов обследованных групп в зависимости от места жительства.

Уд. вес, % Уд. вес, % По социальному положению больные распределились следующим образом:

рабочих было 4%, служащих – 8%, пенсионеров – 87%, прочих – 1%. Среди обследованных пациентов преобладали пенсионеры (87%). Характеристика социального статуса обследованных больных представлена на рис. 3.

Рабочие Служащие Пенсионеры Прочие Рис. 3. Распределение пациентов обследованных групп в зависимости от социального положения.

Из сопутствующих глазных заболеваний у пациентов всех групп преобладали сосудистая патология сетчатки и катаракта. Удельный вес ангиосклероза составил 73%, ангиопатии – 68%, катаракты – 70%. Нарушение рефракции в виде миопии встречалось в 9% случаев ПОУГ. Частота сопутствующей патологии глаз обследованных групп представлена на рис. 4.

Уд. вес, % Рис. 4. Частота сопутствующей патологии глаз пациентов обследованных групп.

Во всех группах у больных ПОУГ имелась сопутствующая соматическая патология. Чаще всего наблюдались заболевания сердечно-сосудистой системы. Удельный вес атеросклероза составил 80%, ИБС – 73%, гипертонической болезни – 58%. Частота сопутствующих соматических заболеваний у обследованных пациентов представлена на рис. 5.

ИБС Гипертоническая Атеросклероз Сахарный болезнь диабет Рис. 5. Частота сопутствующих соматических заболеваний у пациентов обследованных групп.

Уд. вес, % Уд. вес, % з я я а я о р кт ти ти пи е а а а о р п п и а о М скл но ги о ат н ти К ги А е н Р А Методы исследования В период наблюдения применяли традиционные методы обследования офтальмологических больных:

• визометрия • офтальмобиомикроскопия • офтальмоскопия • тонометрия • периметрия • гониоскопия Исследования во всех группах проводили в равном объеме:

Статистическую обработку данных осуществляли с помощью методов вариационной статистики с вычислением основных величин: средней арифметической (М), средней квадратичной ошибки (m), Т – критерия Стьюдента. Корреляционный анализ проводили на персональном компьютере с помощью пакета прикладных программ для статистических расчетов «MN Stat».

Нейроинформационные исследования производили на персональном компьютере с программным обеспечением для создания и обучения искусственных нейронных сетей. Использовали пакет программ «Multi Neuron 2.0» и программу - нейроимитатор «NeuroPro 2.0» (Россиев Д.А., 1998).

Результаты исследования и их обсуждение Основой работы самообучающихся нейропрограмм является нейронная сеть. Нейросеть – это совокупность нейронов, связанных между собой определенным образом посредством связей (синапсов и дендритов). Структура взаимосвязей между нейронами в нейрокомпьютере или нейропрограмме аналогична таковой в биологических объектах. Уникальность сетей проявляется в том, что сети с одинаковыми параметрами, обучающиеся на одинаковых задачах, ведут себя неодинаково. Это касается времени обучения, качества обучения, уверенности в выдаваемых ответах при тестировании.

Единицей нейросети является искусственный нейрон. Нейрон состоит из двух функциональных блоков: входного сумматора и собственно нейрона, или преобразователя (Россиев Д.А., 1998)(рис. 6).

Синапс Синапс Сумматор Преобразователь Синапс Рис. 6. Схема нейрона.

Через входные синапсы на нейрон подаются сигналы (значения параметров глаукомы). Они суммируются, преобразуются и получается новое число, которое отправляется к другим нейронам. Процесс повторяется снова до тех пор пока на выходном нейроне мы не получим ответ нейросети (прогноз глаукомы). Чтобы добиться выдачи сетью требуемого результата, необходимо обучить ее.

Процесс создания искусственной нейронной сети включает несколько этапов:

1. Создание обучающей выборки.

2. Обучение созданных нейронных сетей.

3. Проверка качества обученности на примерах с известным прогнозом.

4. Прогностическое тестирование неизвестных клинических примеров.

Для создания ИНС из всех обследованных пациентов сформировали три группы: обучающую, тестирующую и контрольную.

• ОБУЧАЮЩАЯ – для обучения самообучающейся искусственной нейронной сети • ТЕСТИРУЮЩАЯ– для проверки качества обучения нейронной сети • КОНТРОЛЬНАЯ – для нейросетевого прогнозирования клинического течения первичной открытоугольной глаукомы В процессе работы мы выделили клинические признаки глаукомы, послужившие входными параметрами Баз данных нейронной сети. Если значение параметра представляет собой выбор из нескольких вариантов, после названия параметра перечислены числовые значения и соответствующая им расшифровка каждого варианта. Большинство признаков относятся к субъективным категориям, выработанным в процессе накопления опыта в определенных клинических школах. Многие параметры могут принимать всего два значения – 0 (нет признака) и 1 (есть признак).

Pages:     || 2 | 3 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»