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

Abstract

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.

Growing incidence of diabetes mellitus (DM), given significant socioeconomic consequences that low-trauma fractures entail, determines a need to improve diagnostic standards and minimize the risk of medical errors, which will reduce costs and contribute to better treatment outcomes in this category of patients. Aim. To assess diagnostic capabilities of the method based on the use of an artificial neural network (ANN) for predicting changes in reparative osteogenesis in diabetes mellitus. Materials and methods. A single-center, one-stage, cross-sectional study included 235 patients with type 1 and type 2 diabetes mellitus and 82 persons of the control group (the total of 317 patients). Further, the obtained data were processed using the MATLAB software to develop an ANN with a training (80%) and test (20%) set. The ANN model was trained by optimizing the relationship between a set of input data (a number of clinical and laboratory parameters: gender, age, body mass index, duration of diabetes mellitus, etc.) and a set of corresponding output data (variables reflecting the state of bone metabolism: bone mineral density, markers of bone remodeling). Results. The ANN-based algorithm predicted estimated values of bone metabolism parameters in the examined individuals by generating output data using deep learning. Machine learning was repeated until the error was minimized for all variables. The accuracy of the validation test to predict changes in bone metabolism based on patient data was 92.86%. Conclusion. The developed ANN-based method made it possible to design an auxiliary tool for stratification of patients with changes in bone metabolism in diabetes mellitus, which will help reduce healthcare costs, speed up the diagnosis due to fast data processing, and customize treatment for this category of patients.