Журнал «Травма» Том 15, №6, 2014

Статья опубликована на с. 28-32

Вступ

Незмінне зростання в останнє десятиріччя патології опорно-рухової системи (ОРС) у загальній структурі захворювань та інвалідизації населення України висуває на перший план питання її ранньої діагностики. За даними літератури, з неправильним обранням тактики лікування внаслідок недостатньої та несвоєчасної діагностики пов’язано до 30 % незадовільних результатів лікування захворювань хребта. У цьому аспекті особливого значення набуває розвиток та вдосконалення методів ранньої об’єктивної оцінки стану опорно-рухової системи людини [1].

Незважаючи на багатий вибір дослідницьких методик та постійне вдосконалення технічних засобів, як відмічають численні дослідники, об’єктивна та диференційована діагностика стану ОРС утруднена наявністю широкого спектра компенсаторно-пристосувальних реакцій [2].

Для забезпечення вертикальної опори при стоянні та ходьбі хворий прагне інтуїтивно пристосуватися до змін, що відбуваються в його опорно-руховій системі. Частіше за все ці пристосування стосуються чисто механічного процесу, спрямованого на підтримку тіла в рівновазі. Для можливості керування цим процесом хворий повинен активно (скороченням певних груп м’язів) або пасивно (перенесенням загального центру мас (ЗЦМ) у фронтальній або сагітальній площинах) блокувати суглоби. Варіабельність останнього процесу досить велика, наприклад, існує 6 способів замикання кульшового суглоба, 6 способів замикання колінного суглоба та 5 — гомілковостопного суглоба. У зв’язку з цим розроблена класифікація пристосувальних процесів залежно від їх біомеханічних особливостей [3].

Велика кількість способів компенсаторних процесів нівелює деформацію та утруднює її кількісну оцінку. На цей час уже недостатньо суб’єктивно оцінити стан: сильно, слабо, помірно виражена деформація. У зв’язку з цим виникає необхідність у створенні пристроїв, що не тільки дозволяють виявити патологію та ступінь її компенсації, але й кількісно її оцінити.

Провести межі між нормою, функціональною компенсацією і патологією дуже важко, особливо поки компенсаторні механізми нашого організму не вийшли з-під контролю.

M. Marignan [4] розглядає декілька складових поступального балансу, збій яких може призвести до асиметрії ортостатичної пози. Він виділяє: рухові коркові асиметрії, що відповідають за орієнтацію у просторі, керування рухами при стоянні й пересуванні; асиметрії структури — асиметричність кісткових структур скелета, набуті у процесі життя обмеження, у тому числі поступальні, асиметрії фізичного розвитку, післятравматичні асиметрії; асиметрії м’язового тонусу.

На сьогодні існує багато методів обробки статограм — це і спектральний аналіз, і аналіз швидкості переміщення ЗЦМ, і геометричні параметри. Але при вивченні літератури ми не знайшли аналіз таких параметрів, як асиметричність одноопорного стояння, аналіз кута розвороту тіла та багато іншого. У наших попередніх публікаціях ми докладно описували параметри статограм — уже відомі та розроблені нами спеціально для оцінки ортопедичній патології, які ми використовуємо у своїй практиці [5, 6].

Мета дослідження — обґрунтувати метод автоматизованої диференційованої діагностики патології опорно-рухової системи людини з можливістю аналізу багатокомпонентних даних статограми людини.

Матеріали та методи

Проаналізовані дані статографічного дослідження 10 хворих на остеохондроз (ОХЗ) поперекового відділу хребта віком 45–50 років без зайвої ваги та ознак супутніх захворювань опорно-рухової системи, яким проводили консервативне лікування; 15 хворих на двобічний коксартроз (КА) 2–3-ї стадії та 30 здорових волонтерів.

Аналізу підлягали такі параметри статограм: енергетична міцність статограми при двохопорному (E1) та одноопорному (Е2, Е2) стоянні та площа плям у тому ж положенні (S1, S2, S3), відношення площ плям одноопорного стояння до площі двохопорного стояння (K^S21, K^S31, K^S23), відношення площ плям статограми до загальної площі статограми (K_S1, K_S2, K_S3), площа статограми, обмежена значеннями математичного очікування (S_MO), та площа статограми, обмежена максимальними значеннями координат (S), коефіцієнт відношення площин S_MO до S-K^SS, коефіцієнти кутової асиметрії (K_GX, K_GY, K_G, K_, ).

Обговорення результатів дослідження

Для дослідження статограм нами було розроблено понад 10 геометричних параметрів статограм, що описують параметри площі плям статограм, величини розкиду центрів плям статограм та їх меж у фронтальній та сагітальній площинах, коефіцієнти асиметрії геометричних та кутових плям. Особливу увагу приділяємо спектральним характеристикам статограм.

У процесі статистичних досліджень ми виявили велику дисперсію параметрів статограм, що можуть свідчити про наявність тої чи іншої патології. Часто патологічний стан підтверджувався комбінацією декількох ознак, причому кожна сама по собі не несла доказового навантаження патології.

Ґрунтуючись на отриманих даних, ми дійшли висновку, що в діагностиці можливого патологічного стану треба аналізувати параметри статограм не окремо, а в їх комбінації, тобто використовувати багатовимірні класифікаційні алгоритми.

Найбільш сильним методом статистичної класифікації є дискримінантний аналіз, але він потребує наявності дихотомічних величин як класифікаційного аргументу, а за наявності більше ніж 3 його рівнів результати аналізу дуже важкі для інтерпретації перевірки класифікаційних рівнянь. Тому ми обрали сучасні методи класифікаційного аналізу, а саме нейронні мережі.

Для побудови класифікаційної моделі ми використовуємо метричні значення, що мають дуже велику дисперсію. Такі дані можуть бути оброблені за допомогою ROC-кривої. Графік залежності чутливості діагностичного тесту від величини, що дорівнює одиниці мінус специфічність, як критерію відрізу, при варіюванні якого буде змінюватися позитивний тест. ROC-крива показує залежність кількості правильно діагностованих позитивних випадків від кількості неправильно діагностованих негативних випадків.

Але ROC-крива використовується для тестування лише одного параметра. Сукупність параметрів можна оцінити лише за допомогою дискримінантного аналізу чи штучної нейронної мережі. Складність застосування дискримінантного аналізу ми показали вище.

Як вхідні аргументи (коваріати) нейронної мережі ми обрали 20 параметрів спектральних та геометричних характеристик статограми (табл. 1).

Нами було проаналізовано декілька моделей нейронних мереж і було обрано ту, ймовірність передбачення правильного результату якої була максимальною.

Нейронна мережа має 2 приховані шари, нейрони яких активують функцію гіперболічного тангенса, тобто нелінійну залежність пар нейронів. Мережа має 3 вихідних нейрони за кількістю рівнів класифікаційного аргументу.

Структура нейронної мережі подана на рис. 1.

Робота нейронної мережі складається з трьох етапів: навчання мережі на спеціальній вибірці зі встановленим діагнозом (вибірка навчання), перевірка моделі мережі на контрольній вибірці й етап перевірки моделі на випадковій вибірці. Під час фази навчання нейронна мережа навчається повертати певний вихідний сигнал для певного вхідного сигналу, це відбувається шляхом безперервного навчання на наборі навчальних даних. Під час фази виконання нейронна мережа повертає вихідні сигнали, базуючись на вхідних даних.

Алгоритм виконання функцій прямого поширення такий: вхідні дані подаються на вхідний шар мережі та поширюються скрізь усі шари мережі, поки не досягнуть вихідного шару, де повертається результат. Обчислення результату в мережах прямого поширення не є складною задачею.

На рис. 2 зображена схема багатошарової мережі прямого поширення, де кожен нейрон у кожному шарі з’єднаний зі всіма нейронами наступного шару. Така мережа має назву повнозв’язаної, але мережа не обов’язково повинна мати всі зв’язки.

Під час навчання нейронна модель на наборі вхідних та вихідних даних налаштовується таким чином, щоб отримати такі ж значення на виходах, як і в навчальній вибірці. З іншого боку, не можна зробити мережу занадто специфічною, що дає точні результати для навчальних даних, але неправильні для всіх інших.

При визначенні розмірів нейронної моделі необхідно враховувати розмір навчальної вибірки. Кількість ваг, що налаштовуються, повинна бути меншою за кількість вхідних образів, інакше мережа «запам’ятає» образи та втратить можливість до класифікації, з іншого боку, чим більше ваг мережі, що налаштовуються, тим більш точне налаштування можна виконати. Вибірка, що використовувалась, відносно мала, а кожен образ містить результати енергетичного аналізу статограми та 17 параметрів геометричних даних статограми (всього 20 вхідних параметрів).

Мережа має 3 виходи, бо є 3 класи образів — здорові волонтери, хворі з остеохондрозом кульшових суглобів, хворі з коксартрозом.

Слід відмітити, що в деяких випадках нейронна мережа давала неоднозначний результат. Це можна пояснити тим, що, як правило, захворювання кульшового суглоба розвиваються спочатку з одного боку і супроводжуються кульгавістю, больовим синдромом, скороченням кінцівки. Природно, що постійне асиметричне навантаження на кульшові суглоби призводить до зростання та зміни навантажень на поперековий відділ хребта, з часом це призводить до розвитку дегенеративних захворювань — остеохондрозу, спондилоартрозу та ін. У подальшому ще більша асиметрія навантаження суглобів, посилена дегенеративними захворюваннями хребта, призводить до симетричного розвитку захворювання другого кульшового суглоба.

У свою чергу, часто захворювання поперекового відділу хребта, особливо в людей віком понад 40 років, супроводжується іррадіацією болю в нижні кінцівки та переміжною кульгавістю, що викликається короткочасним дратуванням нервових корінців спинного мозку. Прогресування переміжної кульгавості також призводить до зміни навантажень на суглоби, а отже, до розвитку дегенеративних змін у їх кісткових та хрящових структурах. Тобто часто двобічна патологія суглобів супроводжується захворюваннями хребта, і, навпаки, прогресування та тривале захворювання поперекового відділу хребта призводить до розвитку захворювань суглобів нижніх кінцівок, зокрема кульшового. Ця обставина пояснює низьку диференціацію захворювань у пацієнтів, особливо старшого віку.

На діаграмі (рис. 2) показано розкид імовірності передбачення правильного результату. Як видно з наведених даних, найбільша ймовірність правильно передбачених результатів спостерігається в групі з коксартрозом (до 98 %), меншу ймовірність правильно передбачених результатів мають хворі на остеохондроз (60 %) і приблизно стільки ж — контрольна група (КГ).

Результати роботи класифікаційного алгоритму нейронної мережі подані в табл. 2.

Отже, збудована нейронна мережа показала достатньо високий результат у визначенні діагнозу. На рис. 3 показана результуюча ROC-крива роботи нейронної мережі для діагностики остеохондрозу поперекового відділу хребта і коксартрозу.

Можна бачити, що найбільшу чутливість і специфічність нейронна мережа має для визначення коксартрозу, для цього захворювання в 95 % випадків прогноз буде правильним, меншу чутливість та специфічність мережа має для визначення остеохондрозу — для 82 % випадків.

Нашими рекомендаціями може бути таке: для уникнення помилки іншого роду (невиявлення захворювання там, де воно є) діагноз «коксартроз» існує, поки не доведено інше.

Висновки

Сучасні інструментальні методи дослідження дають досліднику велику кількість параметрів, що потребують сучасних методів обробки. Нейронні мережі дають таку можливість. Автоматизований процес побудови нейронних мереж дає можливість досліднику без спеціальних знань у галузі вищої математики та програмування створювати достатньо ефективні класифікаційні моделі. Створена нами нейронна модель дозволила з достатньо високою ймовірністю (80 %) ідентифікувати в ортопедичних хворих переважаючу ортопедичну патологію — коксартроз чи остеохондроз поперекового відділу хребта.