banner medline tsn
МЕДЛАЙН.РУ
Содержание журнала

Архив

Редакция
Учредители

Федеральное государственное бюджетное учреждение науки
Институт теоретической и экспериментальной биофизики
Российской академии наук


ООО "ИЦ КОМКОН"

ФГБУН "Институт токсикологии" ФМБА России

Адрес редакции и реквизиты

192012, Санкт-Петербург, ул.Бабушкина, д.82 к.2, литера А, кв.378

Свидетельство о регистрации электронного периодического издания ЭЛ № ФС 77-37726 от 13.10.2009
Выдано - Роскомнадзор

ISSN 1999-6314


Клиническая медицина » Хирургия • Хирургия

Том: 23
Статья: « 36 »
Страницы:. 633-647
Опубликована в журнале: 20 сентября 2022 г.
English version

Перспективы применения методов прогнозирования в комбустиологии (обзор литературы)

Мовчан К.Н., Дерий Э.К., Повалий А.А., Исхаков Р.Б.

1Санкт-Петербургское государственное бюджетное учреждение здравоохранения «Медицинский информационно-аналитический центр», Санкт-Петербург, Россия
2Государственное бюджетное учреждение «Санкт-Петербургский научно-исследовательский институт скорой помощи им. И.И. Джанелидзе», Санкт-Петербург, Россия


Резюме
Представлен обзор данных из источников литературы, посвященных исследованиям проблем внедрения методов статистического анализа, машинного обучения и нейронных сетей в практическую деятельность специалистов ожоговых центров. Основными направлениями научных изысканий, посвященных термической травме продолжают сохраняться: вопросы точности определения площади и глубины термических поражений [1], прогноза течения и исхода ожоговой болезни, а также - оптимизации объемов и качества содержания интенсивной терапии, выбора вариантов тактики хирургического лечения [2]. Акценты в этих аспектах научно-практической деятельности смещаются от получения основных данных при физикальном классическом обследовании к целенаправленным математическим расчетам с использованием информационно-аналитическим систем - ИАС [3,4]. На фоне стремительности темпа технического прогресса необходимость применения новейших IT-технологий в разработке программного обеспечения и приложений, упрощающих повседневную деятельность практикующих хирургов, не вызывает сомнений. Использование методик искусственного интеллекта способствует снижению вероятности ошибки и гипердиагностики при проведении мероприятий по оказанию медицинской помощи пациентам с ожоговой травмой [5]. Результаты многофакторных исследований по выявлению новых возможностей использования компьютерных технологий в комбустиологии позволяют убежденно судить о высоком качестве предикции эффективности лечения пострадавших при термической травмы и объективно оценить вероятность ее осложненного течения, что предопределяет в комбустиологии перспективы развития данной области научного познания [1,6,7].


Ключевые слова
ожоги, искусственный интеллект, машинное обучение, прогнозирование, исход.


(статья в формате PDF. Для просмотра необходим Adobe Acrobat Reader)



открыть статью в новом окне

Список литературы

1. Матвеенко А.В. Оптимальные модели прогнозирования исхода ожогов // Вестник Российской Военно-медицинской академии. - 2020. - Т. 22. - 2. - C. 235-240. doi: 10.17816/brmma50079.


2. Заворотний О.О., Зиновьев Е.В., Костяков Д.В. Возможности прогнозирования летального исхода тяжелообожженных на основе методов регрессионного анализа. Вестник хирургии имени И.И. Грекова. 2020;179(5):21-29. https://doi.org/10.24884/0042-4625-2020-179-5-21-29


3. Зиновьев Е.В., Вагнер Д.О., Чухарев А.Е. Оценка эффективности эмпирических и расчетных способов определения объема кровопотери при хирургическом лечении пострадавших от ожогов. Медико-биологические и социально-психологические проблемы безопасности в чрезвычайных ситуациях. 2022;(1):89-94. https://doi.org/10.25016/2541-7487-2022-0-1-89-94


4. Lam N. N., Hung N. T., Duc N. M. Prognosis value of revised Baux score among burn patients in developing country // International Journal of Burns and Trauma. - 2021. - Т. 11. - 3. - С. 197.


5. Estahbanati H.K., Bouduhi N. Role of artificial neural networks in prediction of survival of burn patients - a new approach. Burns. - 2002. - Vol. 28. - P. 579-586.


6. I.R. Galatzer-Levy, S. Ma, A. Statnikov, R. Yehuda, A.Y. Shalev. Utilization of machine learning for prediction of post-traumatic stress: a re-examination of cortisol in the prediction and pathways to non-remitting PTSD. Transl Psychiatry. 2017;(3):1-15


7. Lee, S., Lukan, J., Boyko, T. et al. A deep learning model for burn depth classification using ultrasound imaging //Journal of the Mechanical Behavior of Biomedical Materials. - 2022. - Т. 125. - P. 104930.


8. Synodinou, D., Savoie-White, F. H., Sangone A., et al. Health utilities in burn injury survivors: A systematic review //Burns. - 2021. - Vol. 48. - P. 13-22.


9. Khani M. E. et al. Supervised machine learning for automatic classification of in vivo scald and contact burn injuries using the terahertz Portable Handheld Spectral Reflection (PHASR) Scanner //Scientific Reports. - 2022. - Т. 12. - 1. - С. 1-12.


10. Алексеев, А.А. Основные статистические показатели работы медицинских организаций России по оказанию специализированной медицинской помощи пострадавшим от ожогов в 2021 году / А. А. Алексеев // Заседание профильной комиссии по комбустиологии Минздрава России совместно с Пленумом Общероссийской общественной организации «Объединение комбустиологов «Мир без ожогов» 2022. Режим доступа: http://combustiolog.ru/news_site/zasedaniya-profil-noj-komissii-po-kombustiologii.


11. Huang S. et al. A systematic review of machine learning and automation in burn wound evaluation: a promising but developing frontier //Burns. - 2021. - Т. 47. - 8. - С. 1691-1704.


12. Pham C., Collier Z., Gillenwater J. Changing the way we think about burn size estimation //Journal of Burn Care & Research. - 2019. - Т. 40. - 1. - С. 1-11.


13. Fransén J. et al. A proof-of-concept study on mortality prediction with machine learning algorithms using burn intensive care data //Scars, burns & healing. - 2022. - Т. 8. - P. 20595131211066585.


14. Chauhan J., Goyal P. BPBSAM: body part-specific burn severity assessment model //Burns. - 2020. - Т. 46. - 6. - С. 1407-1423.


15. Заворотний О. О., Зиновьев Е. В., Костяков Д. В. Возможности повышения эффективности прогнозирования летального исхода у тяжелообожженных с использованием методов логистической регрессии //Журнал Неотложная хирургия им. ИИ Джанелидзе. - 2021. - S1. - С. 23-24.


16. Colohan S. M. Predicting prognosis in thermal burns with associated inhalational injury: a systematic review of prognostic factors in adult burn victims //Journal of burn care & research. - 2010. - Т. 31. - 4. - С. 529-539.


17. Hussain A., Choukairi F., Dunn K. Predicting survival in thermal injury: a systematic review of methodology of composite prediction models //Burns. - 2013. - Т. 39. - 5. - С. 835-850.


18. Hussain Z. et al. Recent developments and advanced strategies for promoting burn wound healing //Journal of Drug Delivery Science and Technology. - 2022. - P. 103092.


19. Sheppard N. N. et al. Prognostic scoring systems in burns: a review //Burns. - 2011. - Т. 37. - 8. - С. 1288-1295.


20. Bull J.P., Squire J.R. A study of mortality in a burns unit // Ann. Surgery.?1949.?Vol. 130, 2.P. 160-173.


21. Moyer C. A., Dupertuis S. M. The Treatment of Burns //Plastic and Reconstructive Surgery. - 1957. - Т. 19. - 5. - С. 432.


22. Ryan, C. M. Functional outcomes following burn injury / C. M. Ryan, I. Parry, R. Richard // Journal of Burn Care and Research. - 2017. - Vol. 38, I. 3. - P. 614-617.


23. Матвеенко А. В., Плотников С. А., Шиндяпин С. В. Модель прогноза исхода ожоговой травмы на основе пробит-анализа //Вестник хирургии имени ИИ Грекова. - 2006. - Т. 165. - 4. - С. 50-53.


24. Матвеенко А. В. Прогнозирование исхода термических ожогов //Вестник хирургии имени ИИ Грекова. - 2009. - Т. 168. - 6. - С. 101-104.


25. Вазина И.Р., Зудина Т.И., Вазин В.А., Овсянников И.М. Прогнозирование исходов и критических периодов ожоговой болезни // 5-я Науч.-практ. конф. По проблеме термических поражений: Тезисы докл. - Горький: НИИТО, 1986 С. 106-109.


26. Covington D. S., Wainwright D. J., Parks D. H. Prognostic indicators in the elderly patient with burns //The Journal of burn care & rehabilitation. - 1996. - Т. 17. - 3. - С. 222-230.


27. Wassermann D., Coste О., Schlotterer M. et al. Prognostic indicators in burned patients: study on a cohort of 847 patients: Abstracts 5th Congress Europian burn Association. - Brighton., 1993. - P. 4.


28. Шлык И.В., Широков Д.М. Диагностика, оценка тяжести, прогнозирование исхода и лечение термоингаляционной травмы у обожженных: Метод. реком. СПб.: ГНИИ СП им. И.И.Джанелидзе, 2001.16 с.


29. Vico P., Papillon J. Factors involved in burn mortality: a multivariate statistical approach based on discriminant analysis //Burns. - 1992. - Т. 18. - 3. - С. 212-215.


30. Carlson R.G., Finley R.K., Miller S.F. et al. Fluid retention the first 48 hours as an indicator of burn survival // J. Trauma.1986. Vol. 26, 9.P. 840-843.


31. Заворотний, О. О., Зиновьев, Е. В., Волков, В. Г. и др. Сравнительная оценка методов прогнозирования летального исхода тяжелообожженных //Инновационная медицина Кубани. - 2022. - 1. - С. 12-18.


32. Wei W., Yang X. Comparison of diagnosis accuracy between a backpropagation artificial neural network model and linear regression in digestive disease patients: An empirical research //Computational and Mathematical Methods in Medicine. - 2021. - Т. 2021.


33. Коротких Д.М., Лях Ю.Е., Гурьянов В.Г., Фисталь Н.Н. Ис пользо вание нейросетевого моделирования для прогнозирования течения и исхода ожоговой болезни // Комбустиология..? Приложение к Нижегородск. мед. журн.2004.С. 53-54.


34. Hassanipour S. et al. Comparison of artificial neural network and logistic regression models for prediction of outcomes in trauma patients: A systematic review and meta-analysis //Injury. - 2019. - Т. 50. - 2. - С. 244-250.


35. Шаповалов С. Г., Плешков А. С. Тактические подходы в хирургическом лечении пострадавших с глубокими критическими ожогами //Журнал Неотложная хирургия им. ИИ Джанелидзе. - 2021. - S1. - С. 73-74.


36. Haller H. L., Dirnberger J., Giretzlehner M. et al. ?Understanding burns?: research project BurnCase 3D?overcome the limits of existing methods in burns documentation //Burns. - 2009. - Т. 35. - 3. - С. 311-317.


37. Yoo K. T., Woo G. W., Jang T. Y. et al. Comparison between the Lund-Browder chart and the BurnCase 3D for consistency in estimating total body surface area burned //WikiJournal of Medicine. - 2020. - Т. 7. - 1. - С. 1-8.


38. Serrano C., Boloix-Tortosa, R., Gómez-Cía, T., Acha, B. Features identification for automatic burn classification //Burns. - 2015. - Т. 41. - 8. - С. 1883-1890.


39. Cirillo M. D., Mirdell R., Sjöberg F. et al. Time-independent prediction of burn depth using deep convolutional neural networks //Journal of Burn Care & Research. - 2019. - Т. 40. - 6. - С. 857-863.


40. Acha B., Serrano C., Fondón I. et al. Burn depth analysis using multidimensional scaling applied to psychophysical experiment data //IEEE Transactions on Medical Imaging. - 2013. - Т. 32. - 6. - С. 1111-1120.


41. Rowland R. A., Ponticorvo A., Baldado M. L. et al. Burn wound classification model using spatial frequency-domain imaging and machine learning //Journal of biomedical optics. - 2019. - Т. 24. - 5. - P. 056007.


42. Giretzlehner M., Dirnberger J., Owen R. et al. The determination of total burn surface area: how much difference? //Burns. - 2013. - Т. 39. - 6. - С. 1107-1113.


43. Koppenol D. C., Vermolen F. J., Koppenol-Gonzalez G. V. et al. A mathematical model for the simulation of the contraction of burns //Journal of Mathematical Biology. - 2017. - Т. 75. - 1. - С. 1-31.


44. Kashf D. W. A., Okasha A. N., Sahyoun N. A. et al. ANN for Predicting DNA Lung Cancer //Lung cancer. - 2018. - Т. 2. - 10. - С. 6-13.


45. Hu B., Yin G., Sun X. Identification of specific role of SNX family in gastric cancer prognosis evaluation //Scientific Reports. - 2022. - Т. 12. - 1. - С. 1-15.


46. Краюшкин П. В. Возможности искусственного интеллекта в диагностике онкологических заболеваний кожи //Косметика и медицина. - 2018. - 3. - С. 90-99.


47. Abubakar A., Ugail H., Bukar A. M. Can machine learning be used to discriminate between burns and pressure ulcer? //Proceedings of SAI intelligent systems conference. - Springer, Cham, 2019. - С. 870-880.


48. Rostami B. et al. Multiclass Burn Wound Image Classification Using Deep Convolutional Neural Networks //arXiv preprint arXiv:2103.01361. - 2021.


49. Anisuzzaman D. M. et al. Wound Severity Classification using Deep Neural Network //arXiv preprint arXiv:2204.07942. - 2022.