Александр Михайлович Мироманов — доктор медицинских наук, профессор, Первый проректор, проректор по лечебной работе, заведующий кафедрой
Чита
Alexander M. Miromanov — Doctor of Medical Sciences, Professor, First Vice-Rector, Vice-Rector for Medical Work, Head of Department
Chita
Кирилл Аркадьевич Гусев — кандидат медицинских наук, доцент кафедры
Чита
Kirill A. Gusev — Candidate of Medical Sciences, Associate Professor of the Department
Chita
Артем Николаевич Старосельников — ассистент кафедры
Чита
Artem N. Staroselnikov — Assistant of the Department
Chita
Виктор Андреевич Мудров — специалист научного отдела по патентной работе
Чита
Viktor A. Mudrov — Specialist in the Scientific Department for Patent work
Chita
Введение. Нарушение репаративной регенерации костной ткани у пациентов с переломами является наиболее частым осложнением, в патогенезе которого ведущую роль играют иммуногенетические механизмы. Поиском «идеального» диагностического маркера занимаются многие исследователи. С этой целью все чаще используются нейросети, которые позволяют осуществлять не только прогноз различных патологических состояний, но и определяют достоверные варианты профилактики и лечения.
Цель работы — оценить эффективность прогнозирования нарушения консолидации переломов длинных костей конечностей с помощью нейросетевого анализа данных.
Материалы и методы. Обследовано 108 пациентов молодого возраста (по ВОЗ) с переломами длинных костей нижних конечностей. Группа клинического сравнения — 62 пациента без осложнений в возрасте 34,5 лет [18; 44]. Основная группа — 46 пациентов аналогичного возраста (36 [18; 44]) с развитием замедленной консолидации. Группа контроля — 92 практически здоровых человека. Критерии невключения: любые сопутствующие заболевания, другая локализация и характер травм, алкоголизм, недостаточное сопоставление костных отломков при репозиции, повторные операции. Исключены пациенты, получавшие антирезорбтивную терапию и препараты кальция на догоспитальном этапе. Лабораторные (генетические) исследования включали определение носительства полиморфных молекул TNFRSF11B-1181(G>C), IL6-174(C>G), TGFβ1-25(Arg>Pro), EGFR-2073(A>T) и VDR(BsmI283G>A). Амплификацию осуществляли с помощью наборов праймеров «Литех» — «SNP» (Россия). Оценку риска развития замедленной консолидации выполняли в программе SPSS Statistics Version 25.0 (модуль Neural Networks). Прогностические характеристики нейронной сети оценивали с помощью ROC-анализа.
Результаты. При определении важности независимой переменной отмечена следующая градация: полиморфизм гена TGFβ1-25(Arg>Pro) — 100 %; полиморфизм гена TNFRSF11B-1181(G>C) — 97,1 %, полиморфизм гена VDR-BsmI283(G>A) — 34,7 %; полиморфизм гена IL6-174(C>G) — 31,5 %; полиморфизм гена EGFR-2073(A>T) — 15,3 %. Процент неверных предсказаний составил — 8,3 %. Площадь под кривой ROC-анализа (англ.: area under curve, AUC) = 0,91[0,85–0,98], p < 0,001. Специфичность полученной модели — 0,95 %, чувствительность — 0,87 %, точность — 91,7 %.
Обсуждение. В настоящее время использование подобных технологических решений в практике ограничено отсутствием универсального программного обеспечения и начальными этапами цифровизации медицинской сферы. В ближайшем будущем при развитии исследований генетической предрасположенности к различным заболеваниям/осложнениям данная технология, на наш взгляд, будет иметь широкое распространение.
Заключение. Применение нейронной сети для прогнозирования замедленной консолидации переломов с использованием данных носительства определенных полиморфизмов генов оказалось достаточно эффективным, поскольку обладает высокой степенью точности (91,7 %), что свидетельствует о перспективности внедрения нейросетевого анализа в травматологию и ортопедию.
Introduction Impaired reparative regeneration in patients with fractures is the most common complication; immunogenetic mechanisms play a leading role in its pathogenesis. Many researchers are engaged in the search for an "ideal" diagnostic marker. For this purpose, neural networks have been increasingly used, which allow not only to predict various pathological conditions but also to determine reliable options for prevention and treatment.
The purpose of the study was to evaluate the effectiveness of predicting impaired consolidation of long-bone fractures of the extremities using the neural network data analysis.
Material and methods We examined 108 young patients (WHO classification) with fractures of lower limb long bones. The clinical comparison group consisted of 62 patients without complications at the age of 34.5 [18; 44] years. The study group included 46 patients of similar age (36 [18; 44]) years and gender with delayed consolidation. The control group included 92 practically healthy individuals. Exclusion criteria from the study were any concomitant disease, other location and nature of injuries, alcoholism, as well as inaccurate reduction of bone fragments, and repeated operations. Patients who received antiresorption therapy and calcium supplements in the prehospital stage were also excluded. Laboratory (genetic) studies included determination of carriage of polymorphic molecules — TNFRSF11B-1181(G>C), IL6-174(C>G), TGFβ1-25(Arg>Pro), EGFR-2073(A>T) and VDR(BsmI283G>A). Amplification was carried out using primer sets Litekh-SNP (Russia). The risk of developing delayed consolidation was assessed using SPSS Statistics Version 25.0 (Neural Networks module). The predictive performance of the neural network was assessed using ROC analysis.
Results For determining the importance of the independent variable, the following gradation was noted: TGFβ1-25(Arg>Pro) gene polymorphism — 100 %; gene polymorphism TNFRSF11B-1181(G>C) — 97.1 %, gene polymorphism VDR-BsmI283(G>A) — 34.7 %; IL6-174(C>G) gene polymorphism — 31.5 %; polymorphism of the EGFR-2073(A>T) gene — 15.3 %. The percentage of incorrect predictions was 8.3 %. Area under the curve of ROC analysis (AUC) = 0.91[0.85–0.98], p < 0.001. The specificity of the resulting model is 0.95 %, sensitivity is 0.87 %, accuracy is 91.7 %.
Conclusion The use of the neural network for predicting delayed consolidation of fractures using data on the carriage of certain gene polymorphisms has a sufficient degree of accuracy (91.7 %), which indicates that the introduction of the neural network analysis into practical medicine is promising.
The authors declare that there are no conflicts of interest present.