За последнее десятилетие в диагностике когнитивных нарушений (КН) был достигнут существенный прогресс. Однако развития системы диагностики недостаточно для того, чтобы осуществлять прогноз развития КН у пациентов, а также прогноз восстановления когнитивных функций после применения различных вмешательств, в том числе и операции коронарного шунтирования (КШ) [1, 2].

Современным решением проблемы прогнозирования развития послеоперационной когнитивной дисфункции и прогнозирования восстановления когнитивных функций у пациентов после КШ может стать использование различных математических моделей, которые на сегодняшний день довольно распространены в здравоохранении для медицинского прогнозирования [1, 3], в том числе такие модели, как многослойные нейронные сети. Так, W. Dassen и соавт. применяли нейронные сети для прогнозирования размеров инфаркта миокарда, основываясь на данных первой электрокардиограммы (ЭКГ) при поступлении пациента в клинику [2, 3]. Однако полученные нейронные сети продемонстрировали невысокую диагностическую точность и поэтому не могли быть использованы для прогнозирования. J. Ortiz и соавт. прогнозировали с помощью нейронных сетей развитие летального исхода в течение года у больных с хронической сердечной недостаточностью. При тестировании построенных нейронных сетей прогностическая точность составила 93—100% для обучающей выборки и 72—90% — для тестирующей [1, 2, 4—6]. Актуальность исследований по искусственным нейронным сетям связана с тем, что они позволяют приблизиться к возможностям обработки информации головным мозгом человека, который представляет собой чрезвычайно сложный, нелинейный, параллельный компьютер.

Значительное внимание при этом должно уделяться целесообразности и особенностям применения нейронных сетей при прогнозировании когнитивных нарушений в раннем и отдаленном периодах после К.Ш. Это связано в основном с наличием реальных возможностей для предупреждения и успешной терапии когнитивных нарушений после КШ в случае своевременного прогнозирования.

Цель настоящего исследования — оценка возможности прогнозирования развития послеоперационной когнитивной дисфункции в раннем и отдаленном периодах после КШ с использованием математической модели многослойной нейронной сети.

На основе данных обследования 264 пациентов с ишемической болезнью сердца (ИБС), перенесших операцию КШ в условиях искусственного кровообращения, было построено 9 моделей нейронной сети для прогнозирования развития когнитивной дисфункции после операции КШ и 7 — для прогнозирования развития когнитивной дисфункции через 12 мес после КШ.

Всем пациентам при поступлении в стационар проводилось клиническое обследование: сбор жалоб, анамнеза заболевания, физикальное обследование (возраст, рост, масса тела), лабораторные (общие клинические и биохимические показатели, показатели углеводного, липидного обменов), инструментальные исследования (электрокардиография, эхокардиография, ультразвуковое дуплексное сканирование, суточное мониторирование ЭКГ), оценивались характер и тяжесть сопутствующих заболеваний. Все пациенты в обязательном порядке были осмотрены неврологом.

Применялось полное нейропсихологическое тестирование с помощью краткой шкалы оценки психического статуса (Mini-Mental State Examination — MMSE), батареи тестов на лобную дисфункцию (Frontal Assessment Batter — FAB), тестов рисования часов, вербальных ассоциаций, запоминания 10 слов, а также серийный счет по шкале Маттиса, исследование зрительной памяти с помощью заучивания 5 слов. Кроме того, оценивались уровни тревожности и депрессии по госпитальной шкале тревоги и депрессии (Hospital Anxiety and Depression Scale — HADS).

Для разработки методики прогнозирования развития послеоперационной когнитивной дисфункции в раннем и отдаленном периодах после КШ использовались полносвязные многослойные нейронные сети прямого распространения. Математическая модель полносвязной многослойной нейронной сети прямого распространения моделирует принятие решения головным мозгом человека, имеет несколько слоев, которые в свою очередь состоят из математических нейронов, связанных между собой математическими синапсами. Математический нейрон представляет собой набор математических операций, преобразующих входящий в них математический сигнал. В полносвязной многослойной нейронной сети прямого распространения каждый математический нейрон предыдущего слоя связан с помощью математических синапсов с нейроном следующего слоя. Такая модель требует обучения с использованием заранее известных результатов наступления или отсутствия изучаемых исходов.

Обучение и тестирование нейронных сетей производились с использованием лицензионного пакета IBM SPSS Statistics v. 9 (IBM, США) на основе базы данных результатов обследования пациентов с послеоперационной когнитивной дисфункцией с заранее известным развитием или отсутствием когнитивной дисфункции в раннем и отдаленном периодах после К.Ш. Обучение осуществлялось на основе данных обследования 70% пациентов в несколько итераций. Обучение проводилось методом обратного распространения ошибки, представляющего собой ретроградное движение сигнала в виде ошибки классификации пациента для постройки весов нейронов с целью ее минимизации. Такой алгоритм обучения снижал ошибку классификации с увеличением числа пациентов, входящих в обучающую выборку. На каждой итерации проводился анализ важности входных параметров моделей, после которого наименее важные параметры исключались из модели и производилась следующая итерация.

По данным обследования оставшихся 30% пациентов проводилось тестирование обученных нейронных сетей. Качество получаемых моделей оценивалось на основе доли ошибочных классификаций на обучающей выборке, на тестовой выборке и доле ошибочных классификаций в целом.

Для поиска оптимальной топологии пакета IBM SPSS Statistics v. 9 были заданы следующие начальные параметры: число слоев — 3, минимальное число нейронов в скрытом слое — 8, максимальное число нейронов в скрытом слое — 30.

Результаты построения нейронных сетей для прогнозирования развития когнитивной дисфункции после операции КШ представлены в табл. 1.

Процесс обучения и его результаты на примере полученной математической модели полносвязной нейронной сети прямого распространения для прогнозирования развития когнитивной дисфункции после операции КШ, оцениваемой на основе шкалы MMSE, происходил следующим образом.

В начале обучения во входном слое нейронной сети было 87 нейронов, а в выходном — 2. Число входных нейронов соответствовало числу параметров общесоматического и функционального обследования, биохимического исследования крови, неврологического осмотра и нейропсихологического тестирования пациента до операции. Выходные нейроны представляли прогнозируемые состояния пациентов (постинсультная когнитивная дисфункция или здоров). После 48 итераций обучения и исключения из модели наименее значимых параметров пациентов была получена модель нейронной сети следующей топологии: число нейронов во входном слое — 20, число нейронов в скрытом слое — 5, число нейронов в выходном слое —2, функция активации нейронов скрытого слоя — гиперболический тангенс, функция активации нейронов выходного слоя —Soft_max.

Функция гиперболического тангенса рассчитывалась по формуле:

где f (x) — значение выходного сигнала нейрона, e — число Эйлера, x — значение, для которого рассчитывается функция.

Функция Soft_max:

где f (x) — значение выходного сигнала нейрона, e — число Эйлера, x — значение, для которого рассчитывается функция, i — номер выходного нейрона.

Полученная нейронная сеть позволяет осуществлять прогноз развития когнитивной дисфункции после операции КШ по результатам теста MMSE на основании 15 различных параметров пациентов.

Таким образом, было построено 9 полносвязных нейронных сетей прямого распространения, дающих возможность прогнозировать развитие когнитивной дисфункции после операции КШ, оцениваемой на основе следующих тестов и шкал: MMSE, FAB, тест рисования часов, проба на запоминание 10 слов (этапы 1—3), тест на отсроченное запоминание 5 слов, прямой счет, ассоциации.

Оценка качества построенных нейронных сетей для прогнозирования развития когнитивной дисфункции после операции КШ приведена в табл. 2.

Результаты чувствительности и специфичности построенных нейронных сетей для прогнозирования когнитивной дисфункции после операции КШ у больных со стабильной формой ИБС представлены в табл. 3.

Рассмотрим качество полученных моделей на примере математической модели полносвязной нейронной сети прямого распространения для прогнозирования развития когнитивной дисфункции после операции КШ, оцениваемой на основе теста MMSE.

Так, при использовании модели, представленной в табл. 1, при обучении получена ошибка классификации лишь 2,1%, а при тестировании — 4,3%. При этом общая доля ошибки классификации приведенной модели составила 2,8%.

Показатели качества полученной модели свидетельствуют о возможности ее использования для прогнозирования развития когнитивной дисфункции после операции КШ, оцениваемой по шкале MMSE, с большой долей вероятности.

Таким образом, показатели качества полученных для прогнозирования развития когнитивной дисфункции после операции КШ моделей, оцениваемые на основе приведенных в таблице тестов, свидетельствуют о возможности практического применения построенных моделей.

Результаты построения нейронных сетей для прогнозирования развития когнитивной дисфункции через 12 мес после операции КШ представлены в табл. 4, а

Результаты чувствительности и специфичности построенных нейронных сетей для прогнозирования когнитивной дисфункции после операции КШ у больных со стабильной формой ИБС представлены в табл. 6.

Таким образом, можно констатировать, что, используя нейронные сети в кардиохирургии, специалист получает возможность заблаговременно определить модель развития КН у пациентов в раннем и отдаленном периодах после КШ и выбрать дальнейшую тактику ведения. Однако одним из существенных недостатков математической модели нейронной сети является отсутствие возможности ее ручного использования на практике, так как расчет человеком на основе входных параметров пациента и различного рода преобразований данных параметров практически невозможен.

Для устранения указанного недостатка была разработана компьютерная модель «Система определения когнитивных функций у больных с ишемической болезнью сердца в раннем и отдаленном периодах после коронарного шунтирования для коррекции когнитивных расстройств» (свидетельство о регистрации программы для ЭВМ № 2017615491 от 17.05.17 выдано Федеральной службой по интеллектуальной собственности). Эта система позволяет на основе введенных данных о пациенте, используя полученные нейронные сети, осуществлять прогноз развития когнитивной дисфункции после операции КШ и через 12 мес после нее.

Для использования системы необходимо ввести следующие данные (до операции): общие и анамнестические данные пациента, оценки когнитивных функций, результаты теста FAB, результаты серийного счета по шкале Маттиса, результаты тестов запоминания 10 слов, заучивания 5 слов и рисования часов, а также дополнительную информацию о ходе К.Ш. После введения необходимых данных производится расчет вероятности отсутствия когнитивной дисфункции. Если результат менее 50%, то можно сделать вывод о низкой вероятности развития когнитивной дисфункции.

Таким образом, разработанная компьютерная система позволяет на практике использовать полученные математические модели нейронной сети для оценки развития КН у пациентов в раннем и отдаленном периодах после КШ и выбрать дальнейшую тактику ведения.

Результаты проведенного исследования свидетельствуют о высокой ценности нейронных сетей в отношении прогноза КН в раннем и более позднем периодах после операции К.Ш. Возможности построения нейронных сетей делают доступным и перспективным их применение в условиях кардиохирургических стационаров. Разработка компьютерной системы определения когнитивных функций у больных с ИБС в раннем и отдаленном периодах после КШ для коррекции когнитивных расстройств может использоваться на рабочих компьютерах врачей общей практики, терапевтов, кардиологов. Использование подобной автоматизированной системы определения индивидуального риска развития КН в ранний послеоперационный период и более поздний позволит определить более эффективную дальнейшую тактику ведения пациентов с КН после операции КШ.

Авторы заявляют об отсутствии конфликта интересов.

*e-mail: eryomina@mail.ru