Journal of Experimental and Clinical SurgeryJournal of Experimental and Clinical SurgeryВестник экспериментальной и клинической хирургии2070-478X2409-143XVoronezh State Medical University named after N.N. Burdenko155610.18499/2070-478X-2021-14-4-303-306Original articlesОригинальные статьиNeural Network System for Diagnosing Liver Failure in SurgeryНейросетевая система диагностики печёночной недостаточности в хирургииSolomakhaAnatoly AnatolievichСоломахаАнатолий Анатольевич
Russian Federation

Ph.D., Associate Professor of the Department of Surgery, Penza State University

к.м.н., доцент, Пензенский государственный университет

anatoly.solomakha@yandex.ruGorbachenkoVladimir IvanovichГорбаченкоВладимир Иванович
Russian Federation

Professor, Doctor of Technical Sciences, Head of the Department "Computer Technologies"

д.т.н., профессор, заведующий кафедрой «Компьютерные технологии»

gorvi@mail.ruPenza State UniversityПензенский государственный университет1712202114430330616122021Copyright ©; 2021, Voronezh N.N. Burdenko State Medical UniversityCopyright ©; 2021, ФГБОУ ВО ВГМУ им. Н.Н. Бурденко Минздрава России2021Voronezh N.N. Burdenko State Medical UniversityФГБОУ ВО ВГМУ им. Н.Н. Бурденко Минздрава Россииhttps://vestnik-surgery.com/journal/about/editorialPolicieshttps://vestnik-surgery.com/journal/article/view/1556

Clinical decision support systems are rapidly developing along with digital technologies nowadays. Neural network methods have become more common in solving practical problems in healthcare. Today, clinical decision support systems are significant medical tools. The authors have developed a neural network system to diagnose liver failure. The "Neurodiagnost" system was tested in 270 patients with liver failure due to viral hepatitis B or C. As a result, clinical testing of the "Neurodiagnost" system demonstrated coincidence of neural network and laboratory diagnostics with a probability equal 91.5 % (247 patients). The use of the "Neurodiagnost" program can help reduce the risk of developing liver failure in surgery.

Системы поддержки врачебных решений сегодня интенсивно развиваются вместе с цифровыми технологиями. Нейросетевые методы стали чаще использоваться в качестве помощи при решении практических задач в здравоохранении. Сегодня системы поддержки принятия решений являются медицинскими изделиями. Авторами разработана нейросетевая система диагностики печёночной недостаточности. Испытания системы «Нейродиагност» осуществлено у 270 больных с печёночной недостаточностью вследствие перенесенного вирусного гепатита В или С. В результате клинической апробации системы «Нейродиагност» совпадение нейросетевой и лабораторной диагностики осуществилось с вероятностью 91,5 % (247 больных). Применение программы «Нейродиагност» может способствовать снижению риска развития печёночной недостаточности в хирургии.

diagnosticsdoctordecision-makingneural networkliver failuresurgeryдиагностикаврачпринятие решенийнейросетьпечёночная недостаточностьхирургияGuliyev YaI. The main aspects of the development of medical information systems. Meditsinskie informatsionnye sistemy. 2014; 5: 10 – 19. (in Russ.)Гулиев Я.И. Основные аспекты разработки медицинских информационных систем. Медицинские информационные системы. 2014; 5: 10 – 19.Basova LА, Karyakina OE, Martynova NA, Kochorova LV. Prediction of postoperative complications based on neural network technologies. Vestnik novykh meditsinskikh tekhnologii. 2015; 4: 117 – 121. (in Russ.)Басова Л.А., Карякина О.Е., Мартынова Н.А., Кочорова Л.В. Прогнозирование послеоперационных осложнений на основе нейросетевых технологий. Вестник новых медицинских технологий. 2015; 4: 117 – 121.Litvin AA, Litvin VA. Decision support systems in surgery. Novosti khirurgii. 2014; 1: 96 -100. (in Russ.)Литвин А.А., Литвин В.А. Системы поддержки принятия решений в хирургии. Новости хирургии. 2014; 1: 96 -100.Karpov OE, Klimenko GS, Lebedev GS. Application of intelligent systems in healthcare. Sovremennye naukoemkie tekhnologii. 2016; 7: 38-43. (in Russ.)Карпов О.Э., Клименко Г.С., Лебедев Г.С. Применение интеллектуальных систем в здравоохранении. Современные наукоёмкие технологии. 2016; 7: 38 – 43.Karpov OE, Vetshev PS, Daminov VD, Epifanov SA, Zuev AA, Kuzmin PD, Makhnev DA. Digital technologies in clinical surgery and rehabilitation. Khirurgiya. Zhurnal im. N.I. Pirogova. 2017; 1: 4 – 14. (in Russ.)Карпов О.Э., Ветшев П.С., Даминов В.Д., Епифанов С.А., Зуев А.А., Кузьмин П.Д., Махнёв Д.А. Цифровые технологии в клинической хирургии и реабилитации. Хирургия. Журнал им. Н.И. Пирогова. 2017; 1: 4 – 14.Bogdanova YuA, Zaripova GR, Kataev VA, Galimov OV. Expert systems in predicting operational risk in the most common surgical interventions. Vrach i informatsionnye tekhnologii. 2017; 1: 40-85. (in Russ.)Богданова Ю.А., Зарипова Г.Р., Катаев В.А., Галимов О.В. Экспертные системы в прогнозировании операционного риска при наиболее распространённых хирургических вмешательствах.Врач и информационные технологии. 2017; 1: 40 – 85.Kuznetsov PP, Kakorina EP, Almazov AA. Systems for supporting medical decision-making based on artificial intelligence-a strategy for personalized medicine of the next stage. Therapevt. 2020; 1. https://doi.org/10.33920/MED - 12 - 2001 – 06 (in Russ.)Кузнецов П.П., Какорина Е.П., Алмазов А.А. Системы поддержки принятия врачебных решений на основе искусственного интеллекта – стратегия персонализированной медицины следующего этапа. Терапевт. 2020; 1. https://doi.org/10.33920/MED - 12 - 2001 – 06Karyakina OE, Dobrodeeva LK, Martynova NA, Krasilnikov SV, Karyakina TI. Application of mathematical models in clinical practice. Ekologiya cheloveka. 2012; 7: 55 – 64. (in Russ.)Карякина О.Е., Добродеева Л.К., Мартынова Н.А., Красильников С.В., Карякина Т.И. Применение математических моделей в клинической практике. Экология человека. 2012; 7: 55 – 64.Pavlov LA. Struktury i algoritmy obrabotki dannykh. Sankt-Peterburg. 2020; 256. (in Russ.)Павлов Л.А. Структуры и алгоритмы обработки данных. Санкт-Петербург. 2020; 256.Polynskaya GA, Mesropyan MG. Vyyavlenie modelei i trendov povedeniya patsientov pri ispol'zovanii elektronnykh prilozhenii i Internet-resursov dlya samodiagnostiki. Biznes-informatika. 2018; 1: 28 – 38. https://doi.org/10.17323/1998 - 066.3.2018.1.28.38 (in Russ.)Полынская Г.А., Месропян М.Г. Выявление моделей и трендов поведения пациентов при использовании электронных приложений и Интернет-ресурсов для самодиагностики. Бизнес-информатика. 2018; 1: 28 – 38. https://doi.org/10.17323/1998 - 066.3.2018.1.28.38Kadyrova EA. Medical information resources of the Internet network. Meditsinskoe obrazovanie i professional'noe razvitie. 2017; 4: 79 – 86. (in Russ.)Кадырова Э.А. Медицинские информационные ресурсы сети Интернет. Медицинское образование и профессиональное развитие. 2017; 4: 79 – 86.Malykh VL. Decision support systems in medicine. Programmnye sistemy:teoriya i prilozheniya. 2019; 2: 155-184. (in Russ.)Малых В.Л. Системы поддержки принятия решений в медицине. Программные системы:теория и приложения. 2019; 2: 155 – 184.Beburishvili AG, Fedorov AV, Panin SI, Postolov MP. General methodology of conducting and interpreting the results of meta-analysis in surgery. Khirurgiya. Zhurnal im. N.I. Pirogova. 2019; 12: 60 – 65. https://doi.org/10.17116/hirurgia201912160 (in Russ.)Бебуришвили А.Г., Фёдоров А.В., Панин С.И., Постолов М.П. Общая методология проведения и интерпретации результатов мете-анализа в хирургии. Хирургия. Журнал им. Н.И. Пирогова. 2019; 12: 60 – 65. https://doi.org/10.17116/hirurgia201912160Varguzina VI, Lysov NA, Fedotov IL. Scientific and pedagogical school of Professor Georgy Lvovich Ratner. Vestnik SamGU. 2009; 2: 5-9. (in Russ.)Варгузина В.И., Лысов Н.А., Федотов И.Л. Научно-педагогическая школа профессора Георгия Львовича Ратнера. Вестник СамГУ. 2009; 2: 5 – 9.Rebrova OYu. The life cycle of medical decision support systems as medical technologies. Vrach i informatsionnye tekhnologii. 2020; 1: 27-37. (in Russ.)Реброва О.Ю. Жизненный цикл систем поддержки принятия врачебных решений как медицинских технологий. Врач и информационные технологии. 2020; 1: 27 – 37.Alexandrovich YuS, Gordeev VI. Otsenochnye i prognosticheskie shkaly v meditsine kriticheskikh sostoyanii. Izdatel'stvo «Sotis». 2007; 140. (in Russ.)Александрович Ю.С., Гордеев В.И. Оценочные и прогностические шкалы в медицине критических состояний. Издательство «Сотис». 2007; 140.Solomakha AA, Gorbachenko VI, Mitroshin AN. Sistema diagnostiki oslozhnenii v khirurgii. Svidetel'stvo na tovarnyi znak. № 809090. 2021. (in Russ.)Соломаха А.А., Горбаченко В.И., Митрошин А.Н. Система диагностики осложнений в хирургии. Свидетельство на товарный знак. № 809090. 2021.Astafyeva MN, Rudnov VA, Kulabukhov VV, Bagin VA, Zubareva NA, Tribulev MA, Mukhacheva SYu. The use of the qSOFA scale in predicting the outcome of treatment in surgical patients in the ICU. Subpopulation analysis of RISEC research materials. Khirurgiya. Zhurnal im. N.I. Pirogova. 2019; 9: 58 – 65. https://doi.org/10.17116/hirurgia201909158 (in Russ.)Астафьева М.Н., Руднов В.А., Кулабухов В.В., Багин В.А., Зубарева Н.А., Трибулёв М.А., Мухачёва С.Ю. Использование шкалы qSOFA в прогнозе исхода лечения у хирургических пациентов в ОРИТ. Субпопуляционный анализ материалов исследования РИСЭС. Хирургия. Журнал им. Н.И. Пирогова. 2019; 9: 58 – 65. https://doi.org/10.17116/hirurgia201909158Geller VA, Polyatykina TS. Assessment of the severity of the patient's condition in outpatient settings: debatable issues. Vestnik Ivanovskoi meditsinskoi akademii. 2011; 1: 64-66. (in Russ.)Геллер В.А., Полятыкина Т.С. Оценка тяжести состояния больного в амбулаторных условиях: дискуссионные вопросы. Вестник Ивановской медицинской академии. 2011; 1: 64 – 66.Tupikin KA, Kovalenko YuA, Olifir AA, Baidarova MD, Vishnevsky VA. New possibilities of diagnosis and prognosis of postresection liver failure in the early postoperative period. Prakticheskaya meditsina.2016; 5: 50 – 52. (in Russ.)Тупикин К.А., Коваленко Ю.А., Олифир А.А., Байдарова М.Д., Вишневский В.А. Новые возможности диагностики и прогнозирования пострезекционной печёночной недостаточности в раннем послеоперационном периоде. Практическая медицина. 2016; 5: 50 – 52.