Искусственные нейронные сети в прогнозировании нарушений метаболизма костной ткани при сахарном диабете

По мере роста заболеваемости сахарным диабетом, и учитывая существенные социально-экономические последствия, которые влекут за собой низко травматические переломы, возникает необходимость в коррекции стандартов диагностики и сведении к минимуму риска медицинских ошибок, что позволит снизить затраты и добиться лучших результатов в лечении данной категории больных.

Цель: оценка диагностических возможностей метода, основанного на применении искусственной нейронной сети (ИНС) в качестве инструмента прогнозирования изменений процессов репаративного остеогенеза при сахарном диабете.

Материалы и методы. Выборка была сформирована в ходе исследования 235 пациентов с сахарным диабетом 1-го и 2-го типа и 82 лиц контрольной группы (всего 317 человек). Далее набор полученных данных был обработан программным обеспечением MATLAB для построения ИНС с обучающим (80%) и тестовым (20%) набором. Модель ИНС обучалась путем оптимизации взаимосвязи между набором входных данных (показатели: пол, возраст, индекс массы тела, длительность диабета и т.д.) с набором соответствующих выходных данных (переменных, отражающих состояние костного метаболизма: минеральную плотность кости, маркеры костного ремоделирования).

Результаты. Базируемый на ИНС алгоритм с высокой точностью способен спрогнозировать значения показателей метаболизма костной ткани обследованных пациентов, сгенерировав выходные данные с помощью глубокого обучения. Процесс машинного обучения повторялся до тех пор, пока не минимизировалась ошибка для всех переменных. Точность валидационного теста для прогнозирования изменения костного метаболизма на основе данных пациентов составила 92,86%.

Заключение. Применение аппарата искусственных нейронных сетей позволило сконструировать вспомогательный инструмент для стратификации пациентов с сахарным диабетом, имеющих нарушения репаративного остеогенеза, что может помочь сократить затраты на обследование, ускорить диагностику за счет быстрого процесса обработки данных и скорректировать процесс лечения данной категории пациентов.

1. Li H.J., Wen Y.H., Liu P.P., Zhang L., Zhang X., Liu Y. et al. Characteristics of bone metabolism in postmenopausal women with newly diagnosed type 2 diabetes mellitus. Clinical Endocrinology. 2021;95(3):430–438. DOI: 10.1111/cen.14501.

2. Никитина К.И., Абрамова Т.Ф., Никитина Т.М. Минеральная плотность костной ткани и показатели костного ремоделирования у спортсменов высокой квалификации на этапах годичного цикла подготовки. Человек. Спорт. Медицина. 2019;19(4):43–49. DOI: 10.14529/hsm190406.

3. Prozorova N., Fadeev R., Weber V., Chibisova M., Robakidze N., Prozorova I. et al. Evaluating optical density of alveolar bone in patients with diabetes mellitus using cone-beam computed tomography. Archiv. Euromedica. 2021;11(2):108–117. DOI: 10.35630/2199-885X/2021/11/2/28.

4. Kim M., Bak J., Kim S., Son H., Kang S.-S., Hue J. et al. Effect of lumbar epidural steroid injections on osteoporotic fracture and bone mineral density in elderly women with diabetes mellitus. Pain Research and Management. 2020;2020:1538029:1– 7. DOI: 10.1155/2020/1538029.

5. Ibrahim F., Thio T.H., Faisal T., Neuman M. The application of biomedical engineering techniques to the diagnosis and management of tropical diseases: a review. Sensors (Basel). 2015;15(3):6947–6995. DOI: 10.3390/s150306947.

6. MathWorks. MATLAB (Attaway, 2022). URL: www.mathworks.com

7. Yoon A.P., Chung K.C. Application of deep learning: detection of obsolete scaphoid fractures with artificial neural networks. Journal of Hand Surgery (European Volume). 2021;46(8):914– 916. DOI: 10.1177/17531934211026139.