Прогнозирование нарушения консолидации переломов длинных костей конечностей с помощью нейросетевого анализа

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.

1. Бондаренко А.В., Гусейнов Р.Г., Герасимова О.А. и др. Частота, факторы риска, особенности диафизарных несращений длинных костей нижних конечностей. Политравма. 2023;(2):36-44. doi: 10.24412/1819-1495-2023-2-36-44.

2. Федоров В.Г., Кузин И.В. Результаты лечения переломов диафиза бедренной кости блокируемым интрамедуллярным и накостным остеосинтезом (итоги за 10 лет). Acta biomedica scientifica. 2023;8(5):166-173. doi: 10.29413/ABS.2023-8.5.18.

3. Wildemann B, Ignatius A, Leung F, et al. Non-union bone fractures. Nat Rev Dis Primers. 2021;7(1):57. doi: 10.1038/s41572-021-00289-8.

4. Мироманов А.М., Гусев К.А., Старосельников А.Н. и др. Современные генетические и иммунологические аспекты патогенеза нарушения консолидации переломов (обзор литературы). Acta Biomedica Scientifica. 2022;7(2):49-64. doi: 10.29413/ABS.2022-7.2.6.

5. Afrasiabian B, Eftekhari М. Prediction of mode I fracture toughness of rock using linear multiple regression and gene expression programming. J Rock Mech Geotech Eng. 2022;14(5):1421-1432. doi: 10.1016/j.jrmge.2022.03.008.

6. Cui Y, Hu X, Zhang C, Wang K. The genetic polymorphisms of key genes in WNT pathway (LRP5 and AXIN1) was associated with osteoporosis susceptibility in Chinese Han population. Endocrine. 2022;75(2):560-574. doi: 10.1007/s12020-021-02866-z.

7. Ding ZC, Lin YK, Gan YK, Tang TT. Molecular pathogenesis of fracture nonunion. J Orthop Translat. 2018;14:45-56. doi: 10.1016/j.jot.2018.05.002.

8. MacEachern SJ, Forkert ND. Machine learning for precision medicine. Genome. 2021;64(4):416-425. doi: 10.1139/gen-2020-0131.

9. Pasini A. Artificial neural networks for small dataset analysis. J Thorac Dis. 2015;7(5):953-960. doi: 10.3978/j.issn.2072-1439.2015.04.61.

10. Curchoe CL, Bormann CL. Artificial intelligence and machine learning for human reproduction and embryology presented at ASRM and ESHRE 2018. J Assist Reprod Genet. 2019;36(4):591-600. doi: 10.1007/s10815-019-01408-x.

11. Plumarom Y, Wilkinson BG, Willey MC, et al. Sensitivity and specificity of modified RUST score using clinical and radiographic findings as a gold standard. Bone Jt Open. 2021;2(10):796-805. doi: 10.1302/2633-1462.210.BJO-2021-0071.R1.

12. Lang TA, Altman DG. Statistical analyses and methods in the published literature: The SAMPL guidelines. Medical Writing. 2016;25(3):31-36. doi: 10.18243/eon/2016.9.7.4.

13. Мудров В.А. Алгоритм применения ROC-анализа в биомедицинских исследованиях с помощью пакета программ SPSS. Забайкальский медицинский вестник. 2021;(1):148-153. doi: 10.52485/19986173_2021_1_148.

14. Симбирцев А.С. Иммунофармакологические аспекты системы цитокинов. Бюллетень сибирской медицины. 2019;18(1):84-95. doi: 10.20538/1682-0363-2019-1-84-95.

15. Schaettler MO, Richters MM, Wang AZ, et al. Characterization of the Genomic and Immunologic Diversity of Malignant Brain Tumors through Multisector Analysis. Cancer Discov. 2022;12(1):154-171. doi: 10.1158/2159-8290.CD-21-0291.

16. Akbarov AN, Ziyadullayeva NS, Reimnazarova GD, Nurullaeva MU. Peculiarities of osteoreparation in case of bone defect replacement with bioactive glass in combination with an antibiotic. British View. 2022;7(1):101-105. doi: 10.5281/zenodo.6571286.

17. Ding ZC, Lin YK, Gan YK, Tang TT. Molecular pathogenesis of fracture nonunion. J Orthop Translat. 2018;14:45-56. doi: 10.1016/j.jot.2018.05.002.

18. Zimmermann G, Schmeckenbecher KHK, Boeuf S, et al. Differential gene expression analysis in fracture callus of patients with regular and failed bone healing. Injury. 2012;43(3):347-356. doi: 10.1016/j.injury.2011.10.031.

19. Waki T, Lee SY, Niikura T, et al. Profiling microRNA expression in fracture nonunions: Potential role of microRNAs in nonunion formation studied in a rat model. Bone Joint J. 2015;97-B(8):1144-1451. doi: 10.1302/0301-620X.97B8.34966.

20. Wang H, Xie Z, Hou T, et al. MiR-125b Regulates the Osteogenic Differentiation of Human Mesenchymal Stem Cells by Targeting BMPR1b. Cell Physiol Biochem. 2017;41(2):530-542. doi: 10.1159/000457013.

21. He B, Zhang ZK, Liu J, et al. Bioinformatics and microarray analysis of mirnas in aged female mice model Implied new molecular mechanisms for impaired fracture healing. Int J Mol Sci. 2016;17(8):1260. doi: 10.3390/ijms17081260.

22. Guimarães JM, Guimarães IC, Duarte ME, et al. Polymorphisms in BMP4 and FGFR1 genes are associated with fracture non-union. J Orthop Res. 2013;31(12):1971-1979. doi: 10.1002/jor.22455.

23. Комков А.А., Мазаев В.П., Рязанова С.В. и др. Основные направления развития искусственного интеллекта в медицине. Научное обозрение. Медицинские науки. 2020;(5):33-40. doi: 10.17513/srms.1141.

24. Bernard de Villeneuve F, Jacquet C, El Kadim B, et al. An artificial intelligence based on a convolutional neural network allows a precise analysis of the alignment of the lower limb. Int Orthop. 2023;47(2):511-518. doi: 10.1007/s00264-022-05634-4.

25. Memiş A, Varlı S, Bilgili F. Semantic segmentation of the multiform proximal femur and femoral head bones with the deep convolutional neural networks in low quality MRI sections acquired in different MRI protocols. Comput Med Imaging Graph. 2020;81:101715. doi: 10.1016/j.compmedimag.2020.101715.

26. Lee SI, Celik S, Logsdon BA, et al. A machine learning approach to integrate big data for precision medicine in acute myeloid leukemia. Nat Commun. 2018;9(1):42. doi: 10.1038/s41467-017-02465-5.

27. Зиганшин А.М., Дикке Г.Б., Мудров В.А. Прогнозирование клинически узкого таза с помощью нейросетевого анализа данных. Акушерство, Гинекология и Репродукция. 2023;17(2):211-220. doi: 10.17749/2313-7347/ob.gyn.rep.2023.382.