Информативность индикаторов силы дыхательных мышц в оценке тяжести хронической обструктивной болезни легких при моделировании на основе искусственных нейронных сетей
https://doi.org/10.18093/0869-0189-2019-29-5-571-581
Аннотация
Сила дыхательных мышц (ДМ) является основным индикатором их функционального состояния, а ее исследование получает все большее распространение в клинической пульмонологии, в т. ч. у больных хронической обструктивной болезнью легких (ХОБЛ). Вместе с тем в классификации ХОБЛ показатели силы ДМ не рассматриваются как биомаркеры, характеризующие ее тяжесть, и не используются в качестве критериев для стратификации больных. Целью исследования явился анализ информативности показателей силы ДМ для оценки тяжести ХОБЛ на основе методов машинного обучения и искусственных нейронных сетей (ИНС). Материал и методы. Обследованы госпитализированные в стационар мужчины (n = 115) с ХОБЛ различной степени тяжести в стадии обострения. Регистрировались силовые индикаторы ДМ (максимальное инспираторное (MIP), экспираторное (MEP) и интраназальное (SNIP) давление) на аппарате MicroRPM (CareFusion, Великобритания), 9 антропометрических параметров, спирометрические и газометрические показатели, а также результаты тестирования по шкалам выраженности одышки (modified Medical Research Council – mMRC) и оценочного теста по хронической обструктивной болезни легких (COPD Assessment Test – САТ). Обработка данных проводилась с помощью тестов Манна–Уитни, Фишера, Тьюки, корреляционного анализа. Моделирование силы ДМ выполнялось методами линейной и нелинейной регрессии, а модели стратификации тяжести ХОБЛ – методом ИНС. Результаты. При помощи модели силы ДМ у здоровых лиц и больных ХОБЛ оценены суммарные эффекты влияния различных факторов на их функциональный статус. По данным сравнительного анализа «модельных» результатов верификации тяжести ХОБЛ с диагнозами экспертов-пульмонологов отмечено, что повышение их точности с помощью ИНС достигается только при комбинации показателя объема форсированного выдоха за 1-ю секунду с другими индикаторами. Наиболее информативными из них явились показатели MIP, общей массы тела, парциального давления углекислого газа в артериальной крови и уровня фибриногена. При этом MIP выступал в качестве универсального предиктора, при помощи которого повышается точность всех моделей. Заключение. Перспектива внедрения диагностических моделей на основе ИНС в проекты телемедицины связана с совершенствованием их архитектуры и разработкой информационных сервисов, при помощи которых состояние больных будет оцениваться в реальном времени.
Ключевые слова
Об авторах
Б. И. ГельцерРоссия
Гельцер Борис Израйлевич – доктор медицинских наук, профессор, член-корреспондент РАН, директор Департамента клинической медицины Школы биомедицины.
690091, Приморский край, Владивосток, ул. Суханова, 8.
тел.: (423) 245-17-83
К. И. Шахгельдян
Россия
Шахгельдян Карина Иосифовна – доктор технических наук, директор Института информационных технологий ВГУЭС; заведующая лабораторией анализа больших данных в биомедицине и здравоохранении ДВФУ.
690091, Приморский край, Владивосток, ул. Суханова, 8; 690014, Приморский край, Владивосток, ул. Гоголя, 41.
тел.: (924) 231-44-91И. Г. Курпатов
Россия
Курпатов Илья Геннадьевич – аспирант Департамента клинической медицины Школы биомедицины.
690091, Приморский край, Владивосток, ул. Суханова, 8.
тел.: (423) 245-17-83
А. Б. Кригер
Россия
Кригер Александра Борисовна – кандидат физико-математических наук, доцент Института информационных технологий ВГУЭС.
690091, Приморский край, Владивосток, ул. Суханова, 8; 690014, Приморский край, Владивосток, ул. Гоголя, 41.
тел.: (904) 627-97-81М. Ф. Киняйкин
Россия
Киняйкин Михаил Федорович – кандидат медицинских наук, заведующий Краевым пульмонологическим центром ГБУЗ ПККБ №1, доцент Института терапии и инструментальной диагностики ТГМУ Минздрава России.
690091, Приморский край, Владивосток, ул. Алеутская, 57; 690002, Владивосток, пр. Острякова, 2.
тел.: (423) 240-08-46Список литературы
1. Kaminska M., Noel F., Petrof B.J. Optimal method for assessment of respiratory muscle strength in neuromuscular disorders using sniff nasal inspiratory pressure (SNIP). PLoS One. 2017; 12 (5): e0177723. DOI: 10.1371/journal.pone.0177723.
2. Byrd R.B., Hyatt R.E. Maximal respiratory pressures in chronic obstructive lung disease. Am. Rev. Respir. Dis. 1968; 98 (5): 848–856.
3. Rochester D.F., Braun N.M., Arora N.S. Respiratory muscle strength in chronic obstructive pulmonary disease. Am. Rev. Respir. Dis. 1979; 119 (2, Pt 2): 151–154.
4. Decramer M., Demedts M., Rochette F. et al. Maximal transrespiratory pressures in obstructive lung disease. Bull. Eur. Physiopathol. Respir. 1980; 16 (4): 479–490.
5. Morrison N.J., Richardson J., Dunn L., Pardy R.L. Respiratory muscle performance in normal elderly subjects and patients with COPD. Chest. 1989; 95 (1): 90–94.
6. Rochester D.F., Braun N.M.T. Determinants of maximal inspiratory pressure in chronic obstructive pulmonary disease. J. Crit. Care. 1986; 1 (1): 61–62. DOI: 10.1016/s0883-9441(86)80138-1.
7. Terzano C., Ceccarelli D., Conti V. et al. Maximal respiratory static pressures in patients with different stages of COPD severity. Respir. Res. 2008; 9 (1): 8. DOI: 10.1186/1465-9921-9-8.
8. Hafez M.R., Elsheikh R.M. Assessment of the Respiratory Muscles Function in Chronic Obstructive Pulmonary Disease patients. Egypt. J. Hosp. Med. 2012; 49: 661–671.
9. Formiga M.F., Campos M.A., Cahalin L.P. et al. Sustained maximal inspiratory pressure is significantly related to mortality risk in COPD. Eur. Respir. J. 2017; 50 (Suppl. 61): PA2007. DOI: 10.1183/1393003.congress-2017.PA2007.
10. Khalil M., Wagih K., Mahmoud O. Evaluation of maximum inspiratory and expiratory pressure in patients with chronic obstructive pulmonary disease. Egypt. J. Chest Dis. Tuberc. 2014; 63 (2): 329–335. DOI: 10.1016/j.ejcdt.2014.01.010.
11. Kim N.S., Seo J.H., Ko M.H. et al. Respiratory muscle strength in patients with chronic obstructive pulmonary disease. Ann. Rehabil. Med. 2017; 41 (4): 659–666. DOI: 10.5535/arm.2017.41.4.659.
12. van der Palen J., Rea T.D., Manolio T.A. et al. Respiratory muscle strength and the risk of incident cardiovascular events. Thorax. 2004; 59 (12): 1063–1067. DOI: 10.1136/thx.2004.021915.
13. Volaklis K.A., Halle M., Meisinger C. Muscular strength as a strong predictor of mortality: a narrative review. Eur. J. Intern. Med. 2015; 26 (5): 303–310. DOI: 10.1016/j.ejim.2015.04.013.
14. Гельцер Б.И., Котельников В.Н., Шахгельдян К.И., Курпатов И.Г. Результаты моделирования должных величин силы дыхательных мышц на основе метода искусственных нейронных сетей. Российский физиологический журнал им. И.М.Сеченова. 2018; 10 4 (9): 1065–1074. DOI: 10.7868/S0869813918090058.
15. Чучалин А.Г., Авдеев С.Н., Айсанов З.Р. и др. Российское респираторное общество. Федеральные клинические рекомендации по диагностике и лечению хронической обструктивной болезни легких. Пульмонология. 2014; (3): 15–54. DOI: 10.18093/0869-0189-2014-0-3-15-54.
16. Филипенко П.С., Шутко И.С. Оценка степени интоксикации при деструктивной пневмонии и остром абсцессе легкого. Медицинский вестник Северного Кавказа. 2010; 20 (4): 14–16. Доступно на: https://cyberleninka.ru/article/n/otsenka-stepeni-intoksikatsii-pri-destruktivnoy-pnevmonii-i-ostrom-abstsesse-legkogo/viewer
17. Щанкин А.А. Связь конституции человека с физиологическими функциями. М. – Берлин: Директ-Медиа Паблишинг; 2015.
18. Hyndman R.J., Athanasopoulos G. Forecasting: principles and practice. Sydney: OTexts; 2013.
19. Le Cessie S., van Houwelingen J.C. Ridge estimators in logistic regression. J. Royal Stat. Soc. 1992; 41 (1): 191–201. DOI: 10.2307/2347628.
20. Воронцов К.В. Комбинаторный подход к оценке качества обучаемых алгоритмов. В кн.: Лупанов О.Б., ред. Математические вопросы кибернетики. М.: Физматлит; 2004. Т. 13: 5–36.
21. Evans J.A., Whitelaw W.A. The assessment of maximal respiratory mouth pressures in adults. Respir. Care. 2009; 54 (10): 1348–1359.
22. Гельцер Б.И., Курпатов И.Г., Котельников В.Н. Силовые характеристики дыхательных мышц у здоровых лиц: возрастные, гендерные и конституциональные особенности. Российский физиологический журнал им. И.М.Сеченова. 2017; 103 (12): 1425–1433.
23. Абросимов В.Н., Пономарева И.Б., Осычная Н.А. Респираторная мышечная дисфункция и ее диагностика у больных хронической обструктивной болезнью легких. Клиническая геронтология. 2008; 14 (6): 38–43. Доступно на: https://cyberleninka.ru/article/n/respiratornaya-myshechnaya-disfunktsiya-i-ee-diagnostika-u-bolnyh-s-hronicheskoy-obstruktivnoy-boleznyu-legkih/viewer
24. Кабаков Р.И. R в действии. Анализ и визуализация данных на языке R. Пер. с англ. П.Д.Волковой. М.: ДМК Пресс; 2014.
25. Мун С.А., Глушов А.Н., Штернис Т.А. и др. Регрессионный анализ в медико-биологических исследованиях. Кемерово: КемГМА; 2012.
26. Александрова Н.П., Бреслав И. С. Дыхательные мышцы человека: три уровня управления. Физиология человека. 2009; 35 (2): 103–111.
27. Artuğ N.T., Goker I., Bolat B. et al. New features for scanned bioelectrical activity of motor unit in health and disease. Biomed. Signal Proces. Control. 2018; 41: 109–128. DOI: 10.1016/j.bspc.2017.11.011.
28. Fernandes M., Cukier A., Ambrosino N. et al. Respiratory pattern, thoracoabdominal motion and ventilation in chronic airway obstruction. Monaldi Arch. Chest Dis. 2007; 67(4): 209–216.
29. Maltais F., Decramer M., Casaburi R. et al. An Official American Thoracic Society/European Respiratory Society statement: update on limb muscle dysfunction in chronic obstructive pulmonary disease. Am. J. Respir. Crit. Care Med. 2014; 189 (9): е15–62. DOI: 10.1164/rccm.201402-0373st.
30. Tudorache V., Oancea C., Mlădinescu O.F. Clinical relevance of maximal inspiratory pressure: determination in COPD exacerbation. Intern. J. Chron. Obstruct. Pulmon. Dis. 2010; 5: 119–123 DOI: 10.2147/copd.s9194.
Рецензия
Для цитирования:
Гельцер Б.И., Шахгельдян К.И., Курпатов И.Г., Кригер А.Б., Киняйкин М.Ф. Информативность индикаторов силы дыхательных мышц в оценке тяжести хронической обструктивной болезни легких при моделировании на основе искусственных нейронных сетей. Пульмонология. 2019;29(5):571-581. https://doi.org/10.18093/0869-0189-2019-29-5-571-581
For citation:
Gel’tser B.I., Shakhgel’dyan K.I., Kurpatov I.G., Kriger A.B., Kinyaykin M.F. A value of respiratory muscle strength indicators to determine severity of chronic obstructive pulmonary disease using artificial neural networks. PULMONOLOGIYA. 2019;29(5):571-581. (In Russ.) https://doi.org/10.18093/0869-0189-2019-29-5-571-581