Содержание к диссертации
Введение
Глава I. Гестоз: современное состояние проблемы (обзор литературы) 10
1.1. Гестоз как медико-социальная проблема 10
1.2. Современные тенденции распространенности гестоза 12
1.3 Классификация гестоза 15
1.4. Факторы риска 18
1.5. Прогнозирование гестоза 24
1.6. Профилактика гестоза 27
1.7. Возможности использования компьютерных нейронных сетей в моделировании медико-биологических процессов 30
1.8. Резюме 39
Глава II. Материал и методы исследования 40
2.1. Материал исследования 40
2.2. Формирование основной и контрольной групп 41
2.3. Методы клинического исследования 42
2.4. Изучение факторов риска гестоза 45
2.5. Моделирование гестоза 47
2.6. Прогнозирование гестоза 54
2.7. Формирование групп для использования препарата Омеганол с целью профилактики гестоза 55
Глава III. Эпидемиология, структура и анализ факторов риска возникновения гестоза в изучаемых регионах за 2000-2004 гг 57
3.1. Сравнительная характеристика частоты гестоза в изучаемых регионах 57
3.2. Анализ факторов риска возникновения гестоза в изучаемых популяциях 61
3.2.1. Медико-социальная характеристика пациенток изучаемых групп 62
3.2.2. Клинико-эпидемиологическая характеристика пациенток изучаемых групп 69
3.2.3. Особенности течения беременности и родов в исследуемых группах 80
3.2.4. Результаты обследования беременных изучаемых групп 83
Глава IV. Использование искусственных нейронных сетей для построения модели прогнозирования развития гестоза 88
4.1. Особенности построения нейросетевой модели прогнозирования развития гестоза 88
4.2. Реализация построенной модели прогнозирования вероятности возникновения гестоза в виде прикладного программного обеспечения 95
4.3. Прогнозирование вероятности развития гестоза с использованием балльной шкалы 98
Глава V. Эффективность использования препарата Омеганол в программе профилактики гестоза 105
Заключение 111
Выводы 121
Практические рекомендации 122
Список литературы 123
Приложение 1 151
Приложение 2 157
Приложение 3 159
- Возможности использования компьютерных нейронных сетей в моделировании медико-биологических процессов
- Моделирование гестоза
- Клинико-эпидемиологическая характеристика пациенток изучаемых групп
- Прогнозирование вероятности развития гестоза с использованием балльной шкалы
Возможности использования компьютерных нейронных сетей в моделировании медико-биологических процессов
В последнее время сильно возрастает значение информационного обеспечения деятельности, в том числе медицинской. Это становится движущим фактором развития науки, что обусловливает разработку и внедрение разных информационных систем.
Разработка математических методов решения медико-биологических задач началась в XX веке — исследователи изобрели много способов проверки гипотез и выводов. В 60-е годы были разработаны методы анализа, общим признаком которых явилось наличие явных алгоритмов принятия решений. Наиболее популярные методы до сих пор активно используются в теоретической медицине, однако в клинической практике они не нашли широкого применения. Многолетние исследования, проводимые с различными явными алгоритмами, показали, что медицинские задачи, имеющие неявный характер (а таких задач большинство), решаются явными методами с точностью и удобством, неприемлемыми для широкого практического использования в конкретных задач диагностики, прогнозирования и принятия решений.
Поиски и изучение неявных алгоритмов, позволяющих автоматически накапливать и затем использовать опыт при обучении, продолжаются уже более 100 лет. Первые серьезные попытки создания нейронных сетей были сделаны в 1943 г., когда W. McCulloch и W. Pitts выдвинули основное положение теории работы головного мозга, на основе их идей в 1965 г. F. Rosenblatt сформулировал принципы нейродинамики.
Разработка недорогих ЭВМ позволила широкому кругу исследователей обратиться к данной проблеме и произвести резкий скачок в этой области [2,15,16,17,21,24,], который в начале 80-х годов сформировался в целую науку - нейроинформатику [11,27,35,41,44,51,53,77,114,117].
Нейронная сеть, которая является основой работы самообучающихся нейропрограмм. представляет собой совокупность «нейронов» — простых элементов, связанных между собой определенным образом. «Нейроны» и межнейронные связи задаются при помощи программирования на обычном компьютере. Структура взаимосвязей между «нейронами» в нейрокомпьютере или нейропрограмме аналогична таковой в биологических объектах. Искусственный «нейрон» имеет коммуникации с другими «нейронами» через «синапсы», передающие сигналы от других «нейронов» к данному («дендриты») или от данного «нейрона» к другим («аксон»). Несколько «нейронов», связанных между собой определенным образом, и образуют нейронную сеть.
Искусственная нейронная сеть — это существенно параллельно распределенный процессор, который обладает естественной склонностью к сохранению опытного знания и возможностью предоставления его нам. Она сходна с мозгом в двух аспектах: знание приобретается сетью в процессе обучения: для сохранения знания используются силы межнейронных соединений, называемые также синаптическими весами. Процедура, используемая для осуществления процесса обучения, называется алгоритмом обучения. Ее функция состоит в модификации синаптических весов ИНС определенным образом так, чтобы она приобрела необходимые свойства. Модификация весов является традиционным способом обучения ИНС. Такой подход близок к теории адаптивных линейных фильтров, которые уже давно и успешно применяются в управлении. Однако для ИНС существует еще и возможность модификации собственной топологии, основывающаяся на том факте, что в живом мозге нейроны могут появляться, умирать и менять свои связи с другими нейронами.
ИНС реализуют свою вычислительную мощь, благодаря двум основным своим свойствам: существенно параллельно распределенной структуре и способности обучаться и обобщать полученные знания. Под свойством обобщения понимается способность ИНС генерировать правильные выходы для входных сигналов, которые не были учтены в процессе обучения (тренировки). Эти два свойства делают ИНС системой переработки информации, которая решает сложные многомерные задачи, непосильные другим техникам.
В общем случае понятие "искусственная нейронная сеть " охватывает ансамбли нейронов любой структуры, однако практическое применение нашли только некоторые из них. Это объясняется тем, что архитектура ИНС непосредственно связана с методом ее обучения. Даже различные этапы развития ИНС определялись появлением новых архитектур сетей и специально разработанных для них методов обучения.
На сегодняшний день можно выделить четыре основные разновидности архитектуры ИНС (рис. 1):
1. однослойные прямонаправленные сети (сигналы в сети распространяются только по направлению из начала в конец, имеется слой входных и слой выходных нейронов),
2. многослойные прямонаправленные сети (имеется один или нескольких скрытых слоев, осуществляющих преобразование информации, нейроны входного слоя в таких сетях просто ретранслируют входные сигналы на первый скрытый слой, не преобразуя их),
3. рекуррентные сети (имеются обратные связи и элементы временной задержки сигнала. При этом каждый нейрон получает задержанные выходные сигналы всех остальных нейронов. Если рекуррентная сеть содержит скрытый слой нейронов, каждый нейрон получает, кроме входных сигналов, еще и все выходные сигналы сети)
4. Полностью связанные сети (характерным признаком ИНС этого типа является наличие связей между всеми нейронами).
Как и их биологические прообразы, ИНС могут обучаться, то есть улучшать свою работу под воздействием окружающей среды, изменяющей ее параметры. Обучение-— это процесс, при котором свободные параметры нейронной сети адаптируются в результате ее непрерывной стимуляции внешним окружением. Тип обучения определяется тем способом, которым производятся изменения параметров.
Можно выделить два основных вида обучения: контролируемое обучение (обучение с учителем) и самообучение. Первый вид подразумевает наличие "учителя", который наблюдает реакцию сети и направляет изменения ее параметров. Во втором случае сеть самоорганизуется под действием внешней среды и изучает ее самостоятельно, без помощи "учителя". Самообучение свойственно задачам распознавания образов и классификации. При решении задач управления обычно используется контролируемое обучение ИНС.
Обучение нейронной сети происходит на обучающей выборке, состоящей из примеров, каждый из которых представляет собой типовую задачу с индивидуальным набором условий и конкретным ответом.
Например, в качестве входных сигналов в примере могут использоваться формализованные определенным образом данные исследования одного больного (анамнез, жалобы, данные объективного обследования, дополнительных методов исследования), тогда заранее известным ответом в этом примере может быть либо диагноз, либо прогноз наступления какого-либо исхода, осложнения. Несколько примеров с разными ответами образуют задачник, который располагается в базе данных. Каждая запись в базе данных является примером.
Моделирование гестоза
С учетом большого числа параметров, находящихся между собой в нелинейной связи и сложности оценки их совокупного влияния на течение и исход беременности, с целью разработки метода индивидуального прогноза, произведено моделирование гестоза с использованием искусственных нейронных сетей.
Для решения поставленных задач в рамках компьютерной программной реализации была выбрана и использовалась прикладная программа «NeuroPro», автор к.т.н. Царегородцев Виктор Геннадьевич, Институт вычислительного моделирования СО РАН, г. Красноярск [114].
Данный программный продукт представляет собой менеджер обучаемых искусственных нейронных сетей, работающий в среде MS Windows и предоставляющий помимо набора стандартных функций [18,19,42,48,60,63,80,97,112,115,116], широкий спектр практических возможностей, а именно:
1. Создание нейропроекта;
2. Подключение к нейропроекту файла (базы) данных в формате dfb (dBase, FoxBase, FoxPro, Clipper) или db (Paradox);
3. Редактирование файла данных - изменение существующих значений и добавление новых записей в базу данных; сохранение файла данных в другом формате;
4. Добавление в проект нейронной сети слоистой архитектуры;
5. Обучение нейронной сети решению задачи прогнозирования или классификации. Нейронная сеть может одновременно решать как несколько задач прогнозирования (прогнозирование нескольких чисел), так и несколько задач классификации, а также одновременно задач и прогнозирования, и классификации;
6. Тестирование нейронной сети на файле данных, получение статистической информации о точности решения задачи;
7. Вычисление показателей значимости входных сигналов сети, сохранение значений показателей значимости в текстовом файле на диске [П5];
8. Генерация и визуализация вербального описания нейронной сети, сохранение вербального описания в текстовом файле на диске (упрощение нейронной сети [85];
9. Выбор алгоритма обучения, назначение требуемой точности прогноза, настройка нейронной сети [116].
От имеющихся в настоящее время нейросетевых программных продуктов данный продукт отличает наличие возможностей целенаправленного упрощения нейронной сети для последующей генерации вербального описания. При упрощении нейронной сети возможно выполнение следующих операций:
1. Сокращение числа входных сигналов нейронной сети путем удаления входных сигналов, наименее значимых для принятия сетью решения.
2. Сокращение числа нейронов сети путем удаления нейронов, наименее значимых для принятия сетью решения.
3. Комплексное равномерное упрощение нейронной сети. Для каждого нейрона сети выполняется сокращение числа приходящих на него сигналов до максимально возможного числа, задаваемого пользователем.
4. Сокращение числа связей в нейронной сети путем удаления связей, наименее значимых для принятия сетью решения.
5. Бинаризация связей в нейронной сети - приведение весов синапсов к значениям -1 и 1 или значениям из более широкого набора выделенных значений.
Таким образом, описанный нейроимитатор «NeuroPro» обладает широким спектром возможностей, что позволило признать его удовлетворяющим потребностям проводимого исследования и использовать в качестве основного компьютерного программного обеспечения для построения нейросетевой модели прогнозирования гестоза.
Общая схема исследования представлена на рис. 3. Первым этапом явилось формирование проекта искусственной нейронной сети и указание всех необходимых параметров, определяющих свойства создаваемой модели.
Дообучение искусственной нейронной сети Рис. 3. Схема исследования модели искусственной нейронной сети При создании проекта (макета) нейросети были установлены следующие параметры:
1. Число слоев нейронов- 10.
2. Число нейронов в одном слое - 100.
3. Функция трансформации сигнала - сигмоида.
4. Надежность прогноза выходных данных - 1 (максимальная).
5. Значение необучаемой константы - ! (максимальное, для проявления лучших интерполяционных и экстраполяционных способностей у обученной сети).
Схема создаваемой нейросети представлена на рис. 4.
В создаваемой модели реализована сеть слоистой архитектуры, в которой все нейроны сгруппированы в 10 слоев, при этом нейроны внутри одного слоя работают параллельно. Каждый нейрон в слое принимает все выходные сигналы нейронов предыдущего слоя, а его выходной сигнал рассылается всем нейронам следующего слоя.
Каждый нейрон сети имеет адаптивный сумматор, вычисляющий взвешенную сумму приходящих на нейрон сигналов, и следующий за ним нелинейный элемент. Веса адаптивных связей при создании сети изначально принимают случайные значения и при обучении сети изменяются в диапазоне [-1,1] таким образом, чтобы результат прогнозирования соответствовал данным обучаемой выборки.
В качестве нелинейного элемента нейрона был использован нелинейный сигмоидный преобразователь f A)=A/(c+A), где А - выход сумматора нейрона, а константа с - параметр крутизны сигмойды.
Исходные данные представляли собой выборку, содержащую сведения о 1520 случаях беременности женщин Красноярского края и р. Бурятия за 2000-2004 гг. Из них в 1040 случаях был диагностирован гестоз различной степени тяжести, число случаев физиологически протекающей беременности составило - 480 наблюдений (табл. 4).
Клинико-эпидемиологическая характеристика пациенток изучаемых групп
Заболевания женщины не только оказывают непосредственное воздействие на формирование системы мать-плацента-плод, но и являются фоном, на котором развиваются осложнения беременности, и играют основную роль в развитии гестоза. С целью оценки влияния экстрагенитальной патологии (ЭГП) в развитии тяжелых форм гестоза нами обследовано 893 женщин основной группы, которые были разделены на 2 подгруппы: А - 329 пациенток с тяжелым гестозом, Б - 564 женщины с легким гестозом.
Частыми респираторными заболеваниями страдали - 99 (30.09%) пациентки подгруппы А и 59 (10,46%) женщин подгруппы Б (р 0.01), заболеваниями бронхолегочной системы - 19 (5,78%) и 18 (3.19%) пациенток соответственно (р 0,05). заболеваниями желудочно-кишечного тракта - 25 (7,6%) и 41 (7,27%) соответственно (р 0,05), мочекаменной болезнью - 7 (2,13%) и 14 (2,48%) женщин контрольной группы, достоверно не отличаясь (р 0,05). При анализе частоты эндокринопатии в группах сравнения статистически значимых отличий не выявлено: заболеваниями щитовидной железы с нарушением ее функции страдали 10 (3.04%) пациенток с тяжелыми формами гестоза и 20 (3,55%) женщин с легким гестозом, сахарным диабетом I типа - 13 (3,95%) и 11 (1,95%) соответственно (р 0,05), ожирением ІІ-Ш степени - 83 (22,23%) и 150 (26,6%) соответственно.
Достоверные отличия выявлены лишь в отношении гипертонической болезни II стадии, которая диагностирована у 28 (8,51%) пациенток с тяжелым течением гестоза и у 8 (1,42%) женщин с легким гестозом (р 0,01, ОР=6,47, ДИ=2,4-15,94), хронического пиелонефрита - 62 (18,84%) и 75 (13,3%) соответственно (р 0,05, ОР=1,61, ДИ=0,59-3,9), заболеваний нервной системы - 13 (3,95%) и 5 (0,89%) женщин соответственно (р 0,01, ОР=4,6, ДИ= 1,68-11,17) (табл. 10). У каждой четвертой пациентки отмечались две и более нозологические формы экстрагенитальных заболеваний.
Таким образом, к статистически значимым факторам риска развития тяжелых форм гестоза отнесены гипертоническая болезнь II стадии (ОР=6,47), хронический пиелонефрит (ОР=1,61) и заболевания нервной системы (ОР=4,6).
При сравнении действующих в двух изучаемых популяциях факторов риска выяснено, что у женщин, страдающих гипертонической болезнью II стадии, риск развития тяжелых форм гестоза в Красноярском крае оказался более высоким (ОР=22,1, ДИ=5,95-39,46), в республике Бурятия значение ОР составило 4,3 (ДИ=1,57-10,48). Из заболеваний мочевыделительной системы для популяции Красноярского края характерен хронический пиелонефрит при котором повышается риск развития тяжелых форм гестоза в 2 раза {ДИ=І,01-5,4), а в республике Бурятия преобладали пациентки с хроническим гломерулонефритом, при этом границы относительного риска составили 3,45-22,92. Заболевания нервной системы в Красноярском крае повышают риск тяжелого гестоза в 5 раз (ДИ= 1,79-11,01), в республике Бурятия влияния этой патологии на развитие гестоза не обнаружено (табл. 11).
Различные гинекологические заболевания в анамнезе достоверно чаще регистрировались у женщин основной группы: бесплодие - у 57 (5,48%) пациенток основной против 4 (0,83%) женщин контрольной группы (р 0,01, ОР=6,9, ДИ=2,49-15,4); эндометриоз - у 28 (2,69%) пациенток основной против 4 (0,83%) женщин контрольной группы (р 0,05, ОР=3.29, ДИ=І,2-7,41); миома матки-у 89(8,56%) пациенток основной и у 22 (4,58%) женщин контрольной группы (р 0,05, ОР=1,99, ДИ=0,94-4,77); аномалии развития матки - у 31 (2,98%) пациенток основной против 4 (0,83%) женщин контрольной группы (р 0,05, ОР-3,66, ДИ=1,33-8,22); нарушения менструального цикла - у 170 (16,35%) пациенток основной против 46 (9,58%) женщин контрольной группы (р 0,05, ОР=1,84, ДИ=0,74-4,55).
Распространенность таких гинекологических заболеваний, как эрозия шейки матки (40,19% и 35,0% соответственно, р 0,05), хронических воспалительных процессов органов малого таза (ВЗОМТ) (22,98% и 18,54% соответственно, р 0,05), в основной и контрольной группах не имела статистически значимых отличий (табл. 12).
Таким образом, наиболее значимыми факторами риска развития гестоза из гинекологического анамнеза явились: бесплодие (ОР=6,9). эндометриоз (ОР=3,29), аномалии развития матки (ОР=3,66).
В ходе нашего исследования были выявлены некоторые различия в гинекологическом анамнезе у пациенток в изучаемых популяциях. Так, несмотря на достаточно высокую частоту воспалительных заболеваний органов малого таза в Красноярском крае (22,6%), достоверного риска развития гестоза при этой патологии не выявлено, к значимым факторам риска отнесены бесплодие (ОР=6,54, ДИ=2,27-14,19) и аномалии развития матки (удвоение, двурогая матка и др.) (ОР=10,78, ДИ= 1,14-4,64). В республике Бурятия риск развития гестоза повышается в 2 раза у женщин с хроническими воспалительными заболеваниями органов мачого таза (ДИ=1,0!-5,83), а также с миомой матки (ДИ= 1,09-5,57). Максимальный популяционный риск так же, как и в Красноярском крае, отмечен у женщин с бесплодием в анамнезе {ОР=8,38, ДИ=!. 11 -5,57).
При анализе характера менструальной функции выявлено, что menarche до 11 лет достоверно чаще отмечено у пациенток основной группы по сравнению с контрольной (10,77% против 6,88%, р 0,05, ОР=1,63); частота позднего наступления menarcbe (в 15 лет и более) в обеих группах не отличалась (22,79% и 20,21% соответственно, р 0,05В основной группе достоверно выше доля женщин с дисменореей по сравнению с контрольной -170 (16,35%) и 47 (9,79%) соответственно (р 0,01, ОР=1,8, ДИ=1.12-4,45), гиперполименорея выявлена у 124 (11,92%) пациенток основной и у 34 (7,08%) женщин контрольной группы (р 0,01, ОР=1,78, ДИ=0.99-4.37) (табл. 13).
При анализе менструальной функции в популяциях Красноярского края и Бурятии установлено, что в Красноярском крае возраст начала менархе не является значимым фактором риска гестоза, у пациенток с дисменореей, гиперполименореей риск данного осложнения беременности повышается в 2 раза. В республике Бурятия раннее наступление менархе увеличивает риск развития гестоза в 3 раза (ДИ=1,14-7,04), наличие нарушений менструального цикла - 2 раза (ДИ=1,02-4,66).
Гипертензивные нарушения, индуцированные беременностью, наиболее характерны для первородящих женщин. По литературным данным, частота преэклампсии у первобеременных женщин составляет 5,8% и всего лишь 0.4% у женщин со второй беременностью [223,232].
В нашем исследовании среди пациенток обеих групп преобладали женщины, имеющие в анамнезе одну и более беременности перед первыми предшествующими родами - 495 (47.59%) пациенток основной и 281 (58.54%) женщин контрольной группы. Первая беременность отмечена - у 545 (52.4%) пациенток основной и у 199 (41,46%) женщин контрольной группы, первые роды - у 720 (69,23%) пациенток основной и у 284 (59.16%) женщин контрольной группы (р 0.05. ОР=1,55. ДИ=0.62-3.86). Остальные пациентки имели в анамнезе различное число абортов и родов. При анализе паритета родов выяснилось, что роды были вторыми - у 198 (19.04%) пациенток основной и 99 (20,63%) женщин контрольной группы (р 0.05). третьими и более у 122 (11,73%) пациенток основной против 97 (20,21%) женщин контрольной группы (р 0.05, ОР=0,52) (табл. 14).
Прогнозирование вероятности развития гестоза с использованием балльной шкалы
Использование прикладного программного обеспечения для прогнозирования гестоза требует в лечебно-профилактических учреждениях достаточного наличия персональных компьютеров, что не всегда является возможным в связи с существующим общим дефицитом вычислительной техники в медицинских учреждениях. Это стало причиной поиска выхода из сложившейся ситуации, одним из решений которой явилось возможность разработки балльной шкалы прогнозирования вероятности развития гестоза, не требующей для своего использования ЭВМ.
Балльная шкала представляет собой набор вопросов с предложенными вариантами ответа, каждый из которых оценивается в различное количество баллов. По окончании опроса пациента и заполнении всего опросника выполняется арифметическое суммирование баллов, полученных за каждый из предложенных вопросов. Итоговая сумма оценивается в соответствие с градационными шкалами, предлагая один из различных вариантов прогноза развития гестоза у беременной женщины.
Для построения балльной шкалы прогнозирования вероятности развития гестоза у беременной женщины использовались результаты нейросетевого моделирования, сведения об обнаруженных факторах риска и экспертные оценки. Это позволило выделить наиболее значимые признаки, каждому из которых, в случае его присутствия, присваивалось эквивалентное числовое значение (балл). Кроме того, поскольку построенная нейросетевая модель не использует сведения о регионе проживания женщин, учитывая, выявленные в процессе проведенного анализа различия в показателях факторов риска между обследуемыми из различных регионов, нами была поставлена и решена задача разработки двух отдельных балльных шкал для Красноярского края и республики Бурятия (Приложения 2, 3). Общее количество вопросов в созданных балльных шкалах составило 33. В них раскрывались особенности социального статуса женщины, состояния соматического здоровья, акушерско-гинекологического анамнеза, состояния репродуктивной системы и течения беременности.
Исследование балльных шкал, как для Красноярского края, так и для республики Бурятия строилось по определенной схеме, включавшей в себя три этапа: 1. Проверка нулевой гипотезы об отсутствие различий в сумме баллов у женщин с гестозом различной степени тяжести и женщин с физиологически протекающей беременностью в отдельности для каждой шкалы. 2. Определение балльных границ риска вероятности возникновения гестоза (низкий, средний, высокий). 3. Вычисление показателей чувствительности и специфичности для созданных балльных шкал.
Для проверки нулевой гипотезы об отсутствие различий в сумме баллов по предложенным балльным шкалам у женщин с физиологически протекающей беременностью и женщин с гестозом были обработаны сведения о 668 случаях беременности женщин Красноярского края и 652 - из р. Бурятия за 2000-2004 гг. В выборке по Красноярскому краю количество женщин с физиологически протекающей беременностью составило 215 случаев; с гестозом легкой степени - 257; средней степени - 47; тяжелой степени - 149. В выборке по р. Бурятия количество женщин с физиологически протекающей беременностью составило 203 случаев; с гестозом легкой степени - 234; средней степени - 78; тяжелой степени - 137. Женщины с гестозом различной степени тяжести составили основную группу; женщины с физиологически протекающей беременностью - контрольную. Для доказательства присутствия статистически значимой разницы суммы баллов между женщинами изучаемых регионов, относящимися к основной и контрольной группам на основе использования предложенных шкал было проведено сравнение различий по критерию Стьюдента t (табл. 22).
Вычисленные значения критерия Стьюдента (11,8 и 11,5) больше критического значения для вероятности безошибочного прогноза 99,9% (р 0,001) и заданном количестве степеней свободы (v 200) - 3,29.
Таким образом, нулевая гипотеза об отсутствие различий в сумме баллов у женщин с гестозом различной степени тяжести и женщин с физиологически протекающей беременностью является опровергнутой как для выборки по Красноярскому краю, так и по р. Бурятия, а различия в сумме баллов у женщин указанных групп признаются статистически достоверными, что свидетельствует о ликвидности созданных балльных шкал (рис. 19).
Результат оценки итогового значения суммы баллов, рассчитанных для пациенток по предложенным шкалам, рассматривается в трех градациях, в зависимости от степени риска возникновения гестоза: низкий, средний и высокий. Для определения границ указанных групп риска было выполнено построение интегральных функций распределения суммы баллов F, при наличии гестоза и (І-Fi) при его отсутствии для обеих шкал (рис. 20). А)
Для определения границ уровней риска в созданных балльных шкалах оценки риска возникновения гестоза были выбраны следующие значения вероятностей: от 0 до 10% - низкий уровень риска; от 10 до 25% - средний уровень; выше 25% - высокий уровень. Исходя из выбранных относительных границ, были определены следующие балльные критерии: А) Красноярский край:
- до 9 баллов - низкая степень риска; от 10 до 16 баллов - средняя степень риска; от 17 баллов и выше - высокая степень риска. Б) р. Бурятия:
- до 8 баллов - низкая степень риска; от 9 до 14 баллов - средняя степень риска; от 15 баллов и выше - высокая степень риска. С целью проверки эффективности разработанных балльных шкал риска были проанализированы результаты оценки вероятности возникновения гестоза у 100 женщин из Красноярского края и 100 женщин из р. Бурятия. В выборке по Красноярскому краю количество гестозов, легкой степени составило — 37; средней степени - 10; тяжелой степени - 22; число случаев физиологически протекающей беременности составило - 31 наблюдение. В выборке по р. Бурятия количество гестозов, легкой степени составило - 36; средней степени - 12; тяжелой степени - 21; число случаев физиологически протекающей беременности составило - 3 1 наблюдение.
Для пациенток данных группы были вычислены суммарные значения баллов на основе предложенных балльных шкал и произведена их оценка в соответствии с установленными градациями.
Исследование шкалы, разработанной для Красноярского края, обнаружило следующие результаты. В группу низкого риска попали 37 пациенток (отрицательный прогноз), среднего - 24, высокого - 39 (положительный прогноз). Значения чувствительности и специфичности данного метода представлены в табл. 23.
Анализ показателей шкалы, созданной для р. Бурятия выявил, что в группу низкого риска попали 34 пациентки (отрицательный прогноз), среднего -21, высокого - 45 (положительный прогноз).
![Оценка эффективности прогнозирования хромосомной патологии у плода на основе нейросетевого моделирования [Электронный ресурс]](/i/i/4239/189805.png "Оценка эффективности прогнозирования хромосомной патологии у плода на основе нейросетевого моделирования [Электронный ресурс] Синицина Оксана Викторовна")
