Оценка эффективности системы поддержки принятия решений в спинальной нейрохирургии для персонифицированного использования минимально-инвазивных технологий на поясничном отделе позвоночника

В.А. Бывальцев, А.А. Калинин

Ключевые слова: дегенеративные заболевания поясничного отдела; минимально-инвазивная спинальная нейрохирургия; машинное обучение; искусственный интеллект; системы поддержки принятия решения.

2021, том 13, номер 5, стр. 13.

DOI: https://doi.org/10.17691/stm2021.13.5.02

Полный текст статьи

html pdf

1294

1089

Аннотация
Список литературы
Как цитировать в References

Цель исследования — оценить эффективность системы поддержки принятия решений (СППР) в спинальной нейрохирургии для персонифицированного использования минимально-инвазивных технологий на поясничном отделе позвоночника.

Материалы и методы. В проспективное исследование включено 59 пациентов, которые были прооперированы с применением СППР, основанной на разработанном нами ранее алгоритме персонифицированного хирургического лечения, учитывающего индивидуальные параметры поясничных сегментов. Из них тотальная артропластика (ТА) выполнена 11 пациентам, минимально-инвазивная (MI-TLIF) и открытая (O-TLIF) дорсальная ригидная стабилизация — 25 и 23 пациентам соответственно по авторской технологии. Сравнительный анализ проводили с ретроспективно собранными результатами лечения 196 пациентов, оперированных с использованием технологий ТА (n=42), MI-TLIF (n=79) и O-TLIF (n=75). Эффективность лечебных алгоритмов СППР оценивали по уровню болевого синдрома в поясничном отделе позвоночника и нижних конечностей, а также функциональному состоянию пациентов по ODI при выписке, через 3 и 6 мес после операции.

Результаты. При сравнении исследуемых групп по гендерным характеристикам и антропометрическим данным статистически значимых межгрупповых различий не выявлено (p>0,05). Межгрупповой анализ результатов функционального статуса по ODI, интенсивности боли в нижних конечностях и поясничном отделе показал лучшие клинические исходы у пациентов, оперированных с использованием СППР, по сравнению с ретроспективной группой (p<0,05): через 6 мес после ТА и O-TLIF и через 3 мес после MI-TLIF.

Заключение. По результатам исследования установлена высокая эффективность разработанной нами СППР для персонифицированного хирургического лечения пациентов с дегенеративными заболеваниями поясничного отдела позвоночника, учитывающего индивидуальные биометрические параметры поясничных сегментов.

Bagley C., MacAllister M., Dosselman L., Moreno J., Aoun S.G., El Ahmadieh T.Y. Current concepts and recent advances in understanding and managing lumbar spine stenosis. F1000Res 2019; 8: 137, https://doi.org/10.12688/f1000research.16082.1.
Кривошеин А.Е., Конев В.П., Колесов С.В., Московский С.Н., Игнатьев Ю.Т., Никитенко С.А., Ерофеев С.А. Морфологические и рентгенологические параметры фасеточных суставов в зависимости от степени дегенерации межпозвонкового диска. Гений ортопедии 2020; 26(4): 565–570.
Бывальцев В.А., Калинин А.А., Коновалов Н.А. Минимально инвазивная хирургия позвоночника: этапы развития. Вопросы нейрохирургии имени Н.Н. Бурденко 2019; 83(5): 92–100, https://doi.org/10.17116/neiro20198305192.
Елисеев А.С., Боков А.Е., Млявых С.Г., Мордвинов А.А. Философия некоторых проблем спинальной нейрохирургии. Вопросы нейрохирургии имени Н.Н. Бурденко 2021; 85(1): 28–35, https://doi.org/10.17116/neiro20218501128.
Афаунов А.А., Басанкин И.В., Кузьменко А.В., Шаповалов В.К. Анализ причин ревизионных операций при хирургическом лечении больных с поясничными стенозами дегенеративной этиологии. Кубанский научный медицинский вестник 2013; 7: 173–176.
Mohi Eldin M.M., Hassan A.S. Percutaneous transpedicular fixation: technical tips and pitfalls of sextant and pathfinder systems. Asian Spine J 2016; 10(1): 111–122, https://doi.org/10.4184/asj.2016.10.1.111.
Baranowska A., Baranowska J., Baranowski P. Analysis of reasons for failure of surgery for degenerative disease of lumbar spine. Ortop Traumatol Rehabil 2016; 18(2): 117–129, https://doi.org/10.5604/15093492.1205004.
Басков А.В., Евсюков А.А., Оглезнев К.Я., Сидоров Е.В. Прогнозирование результатов хирургического лечения приобретенного стеноза позвоночного канала на уровне поясничного отдела. Вопросы нейрохирургии имени Н.Н. Бурденко 2003; 2: 20–26.
Belykh E., Kalinin A.A., Patel A.A., Miller E.J., Bohl M.A., Stepanov I.A., Bardonova L.A., Kerimbaev T., Asantsev A.O., Giers M.B., Preul M.C., Byvaltsev V.A. Apparent diffusion coefficient maps in the assessment of surgical patients with lumbar spine degeneration. PLoS One 2017; 12(8): e0183697, https://doi.org/10.1371/journal.pone.0183697.
Ancker J.S., Edwards A., Nosal S., Hauser D., Mauer E., Kaushal R.; with the HITEC Investigators. Effects of workload, work complexity, and repeated alerts on alert fatigue in a clinical decision support system. BMC Med Inform Decis Mak 2017; 17(1): 36, https://doi.org/10.1186/s12911-017-0430-8.
Danilov G.V., Shifrin M.A., Kotik K.V., Ishankulov T.A., Orlov Yu.N., Kulikov A.S., Potapov A.A. Artificial intelligence technologies in neurosurgery: a systematic literature review using topical modeling methods. Part I: principal areas of research (review). Sovremennye tehnologii v medicine 2020; 12(5): 106–113, https://doi.org/10.17691/stm2020.12.5.12.
Reddy S., Fox J., Purohit M.P. Artificial intelligence-enabled healthcare delivery. J R Soc Med 2019; 112(1): 22–28, https://doi.org/10.1177/0141076818815510.
Chang M., Canseco J.A., Nicholson K.J., Patel N., Vaccaro A.R. The role of machine learning in spine surgery: the future is now. Front Surg 2020; 7: 54, https://doi.org/10.3389/fsurg.2020.00054.
Obermeyer Z., Emanuel E.J. Predicting the future — big data, machine learning, and clinical medicine. N Engl J Med 2016; 375(13): 1216–1219, https://doi.org/10.1056/nejmp1606181.
Бывальцев В.А., Калинин А.А., Степанов И.А. Использование лечебного алгоритма выполнения минимально-инвазивных оперативных вмешательств при дегенеративных заболеваниях поясничного отдела позвоночника на основе комплексной предоперационной клинической и инструментальной оценки. Методические рекомендации. Иркутск: ИГМУ; 2019.
Бывальцев В.А., Калинин А.А. Способ минимально-инвазивного хирургического лечения стеноза позвоночного канала поясничного отдела позвоночника. Патент РФ 2731809. 2018.
Бывальцев В.А., Сороковиков В.А., Калинин А.А., Белых Е.Г. Способ реконструкции позвоночного канала при лечении стеноза пояснично-крестцового отдела позвоночника. Патент РФ 2531927. 2014.
Triantafyllidis A.K., Tsanas A. Applications of machine learning in real-life digital health interventions: review of the literature. J Med Internet Res 2019; 21(4): e12286, https://doi.org/10.2196/12286.
Deo R.C. Machine learning in medicine. Circulation 2015; 132(20): 1920–1930, https://doi.org/10.1161/circulationaha.115.001593.
Staartjes V.E., de Wispelaere M.P., Vandertop W.P., Schröder M.L. Deep learning-based preoperative predictive analytics for patient-reported outcomes following lumbar discectomy: feasibility of center-specific modeling. Spine J 2019; 19(5): 853–861, https://doi.org/10.1016/j.spinee.2018.11.009.
Wirries A., Geiger F., Hammad A., Oberkircher L., Blümcke I., Jabari S. Artificial intelligence facilitates decision-making in the treatment of lumbar disc herniations. Eur Spine J 2021; 30(8): 2176–2184, https://doi.org/10.1007/s00586-020-06613-2.
Siccoli A., de Wispelaere M.P., Schröder M.L., Staartjes V.E. Machine learning-based preoperative predictive analytics for lumbar spinal stenosis. Neurosurg Focus 2019; 46(5): E5, https://doi.org/10.3171/2019.2.focus18723.
Lee N.J., Sardar Z.M., Boddapati V., Mathew J., Cerpa M., Leung E., Lombardi J., Lenke L.G., Lehman R.A. Can machine learning accurately predict postoperative compensation for the uninstrumented thoracic spine and pelvis after fusion from the lower thoracic spine to the sacrum? Global Spine J 2020; 8: 2192568220956978, https://doi.org/10.1177/2192568220956978.
Campagner A., Berjano P., Lamartina C., Langella F., Lombardi G., Cabitza F. Assessment and prediction of spine surgery invasiveness with machine learning techniques. Comput Biol Med 2020; 121: 103796, https://doi.org/10.1016/j.compbiomed.2020.103796.
Raman T., Vasquez-Montes D., Varlotta C., Passias P.G., Errico T.J. Decision tree-based modelling for identification of predictors of blood loss and transfusion requirement after adult spinal deformity surgery. Int J Spine Surg 2020; 14(1): 87–95, https://doi.org/10.14444/7012.
Lafage R., Pesenti S., Lafage V., Schwab F.J. Self-learning computers for surgical planning and prediction of postoperative alignment. Eur Spine J 2018; 27(Suppl 1): 123–128, https://doi.org/10.1007/s00586-018-5497-0.
Char D.S., Shah N.H., Magnus D. Implementing machine learning in health care — addressing ethical challenges. N Engl J Med 2018; 378(11): 981–983, https://doi.org/10.1056/nejmp1714229.
Shaw J., Rudzicz F., Jamieson T., Goldfarb A. Artificial intelligence and the implementation challenge. J Med Internet Res 2019; 21(7): e13659, https://doi.org/10.2196/13659.

Byvaltsev V.А., Kalinin А.А. Assessment of Clinical Decision Support System Efficiency in Spinal Neurosurgery for Personalized Minimally Invasive Technologies Used on Lumbar Spine. Sovremennye tehnologii v medicine 2021; 13(5): 13, https://doi.org/10.17691/stm2021.13.5.02