Материалы и методы

Исследование проведено на базе городского центра воспалительных заболеваний кишечника СПб ГБУЗ «Елизаветинская больница» (Санкт-Петербург), тип исследования – ретроспективное когортное. Данный центр является одним из двух городских центров ВЗК Санкт-Петербурга, в нем проводится амбулаторное и стационарное лечение пациентов, он является последним уровнем маршрутизации пациентов с ВЗК, прикрепленных к амбулаторно-поликлиническим учреждениям девяти из 18-ти районов Санкт-Петербурга. Проведение исследования одобрено Локальным этическим комитетом СПб ГБУЗ «Елизаветинская больница» (выписка из протокола заседания № 137 от 27.10.2021).

В анализ были включены ретроспективные данные 291 взрослого пациента с верифицированным диагнозом ВЗК, обратившихся за медицинской помощью в амбулаторном и стационарном порядке в городской центр воспалительных заболеваний кишечника СПб ГБУЗ «Елизаветинская больница» за период с 2020 по 2022 гг.

Исследовательские данные включали в себя показатели, характеризующие демографические сведения, характеристики и особенности течения ВЗК, коморбидность, особенности базисной терапии ВЗК в анамнезе. Изучаемым исходом было развитие первого в анамнезе жизнеугрожающего осложнения ВЗК.

В рамках статистического анализа для описания качественных данных использовались частоты, для описания количественных данных использовались медиана и квартили. Для расчета 95% доверительных интервалов (ДИ) использовался метод Уилсона [20].

Математическое моделирование развития жизнеугрожающих осложнений проводилось с использованием трех методов:

1. Логистическая регрессия.
2. Построение деревьев классификации.
3. Построение нейронных сетей.

Логистический регрессионный анализ дает возможность оценить взаимосвязь между переменной отклика (зависимой переменной) и любыми, количественными или качественными, переменными предикторами (независимыми переменными), что позволяет прогнозировать, к какой из двух групп принадлежит изучаемый случай (значение переменной отклика) в зависимости от известных значений переменных-предикторов [12]. Аналогичным образом применяются деревья классификации, построение которых также позволяет решить задачу прогнозирования качественного признака (другими словами, такая задача называется задачей классификации) [21].

В отличие от данных двух методов, нейронная сеть относится к категории искусственного интеллекта, так как предполагает свойство обучения. Математическая модель нейронной сети представляет собой попытку воспроизвести передачу нервного импульса между нейронами, а структурной единицей искусственной нейронной сети является искусственный математический нейрон, представляющий собой набор математических операций. Данные нейроны формируют слои, которые в свою очередь составляют нейронную сеть. Наиболее часто используемой структурой искусственной нейронной сети является многослойный перцептрон (полное название – полносвязная многослойная искусственная нейронная сеть прямого распространения). В нейронной сети данного типа каждый нейрон предыдущего слоя связан с помощью синапсов с каждым нейроном следующего слоя [13].

Принципиальная структура нейронной сети в применении к данному исследованию представлена на рис. 1.

Рисунок 1. Принципиальная структура нейронной сети.

Figure 1. The fundamental structure of the neural network.

На нейроны входного слоя математически «подаются» сигналы, описывающие характеристики заболевания, демографические данные, информацию о терапии в анамнезе и др. Далее все полученные каждым нейронов входного слоя данные передаются на каждый нейрон скрытого слоя, в рамках которого собственно происходит работа классического математического нейрона, которая включает в себя следующие процессы:

1. Каждому математическому синапсу придается определенный вес, на который умножается значение, приходящее по этому синапсу.
2. Перемноженные на соответствующие коэффициенты значения со всех синапсов нейрона скрытого слоя подаются на сумматор данного нейрона, в котором суммируются в одно значение.
3. Значение сумматора преобразуется с помощью ряда математических функций, с целью привести его к определенному диапазону.
4. Преобразованное и приведенное к определенному диапазону значение сумматора подается на все нейроны следующего слоя нейронной сети (следующего скрытого слоя или выходного слоя).

Как видно из рис. 1, количество нейронов выходного слоя – два, что равно числу классов, на которые производится классификация объекта: в случае данного исследования эти классы – развитие или отсутствие развития жизнеугрожающего осложнения. При этом выходное значение на первом нейроне выходного слоя характеризует степень принадлежности объекта к первому классу, а на втором нейроне – ко второму классу: на каком нейроне выходного слоя значение будет больше, к тому классу и будет отнесеннейросетью объект наблюдения – пациент.

Таким образом, функционирование нейронной сети позволяют осуществлять постепенное преобразование поступивших на входные нейроны данных в ответ нейронной сети, выражающийся в значениях на выходных нейронах, что позволит отнести объект к одному из двух классов. Следует отметить, что исходно сама по себе такая нейронная сеть не имеет возможности провести верную классификацию, для этого ее необходимо обучить на выборке объектов с заранее известными классами. Данная выборка делится на две неравные части – обучающую выборку (обычно она составляет 70% от первоначальной базы данных) и тестовую выборку (обычно она составляет 30% от первоначальной базы данных). Обучающая выборка используется для непосредственного обучения нейронной сети, а тестовая – для оценки качества классификации (проверки эффективности разделения объектов на классы).

Математически обучение нейронной сети осуществляется методом обратного распространения ошибки следующим образом:

1. Первоначальная нейронная сеть создается со случайными весами синапсов.
2. Далее на входные нейроны нейронной сети подаются данные первого объекта из обучающей выборки, которые проходят по всем нейронам до выходного слоя, на которых собственно и оценивается предполагаемый класс объекта.
3. Если предполагаемый класс объекта совпадает с заранее известным классом, то осуществляется переход к данным второго объекта и процесс повторяется уже со вторым объектом. Если предполагаемый класс объекта не совпадает с заранее известным классом, то получившаяся ошибка распространяется обратно от выходного слоя к входному, корректируя веса синапсов так, чтобы класс на выходе нейронной сети совпал с заранее известным классом, после чего осуществляется переход к данным следующего объекта выборки.