ВВЕДЕНИЕ
Определение химического состава камня является крайне важной задачей в профилактике мочекаменной болезни. Существует 2 способа определения химического состава мочевых камней: in vitro (после удаления, либо самостоятельного отхождения камня из мочевых путей) и in vivo (без удаления мочевого камня из организма). Согласно российским, европейским и американским рекомендациям принято использовать 2 основных метода определения мочевых камней in vitro: рентгеновскую дифракцию (рентгенофазовый анализ) и инфракрасную спектрометрию [1]. При этом необходимо отметить, что эффективность данных методов сопоставима и обладает высокой точностью.
Активное удаление конкрементов при помощи оперативного пособия либо проведения литокинетической терапии не всегда показано. В таких случаях предположить in vivo химическую природу мочевого камня возможно при помощи методов, основывающихся на определении рентеноконтрастности мочевых камней и ряда показателей мочи, либо уровней экскреции с мочой литогенных веществ [2,3].
Наиболее известным методом определения химического состава мочевых камней in vivo принято считать определение рентгенологических характеристик. Согласно данному методу выделяют 3 вида мочевых камней: рентгенпозитивные, слабо рентгенпозитивные и рентгеннегативные. Поскольку каждому виду рентгенологической характеристики соответствует несколько типов камней (рентгенпозитивными камнями могут быть камни, состоящие из моногидрата кальция оксалата, дигидрата кальция оксалата и фосфата кальция, а рентген-негативными могут быть 5 типов: мочекислые, урат-аммониевые, ксантиновые, 2,8-дигидроксиадениновые и лекарственные), то такой метод не обладает высокой точностью [4,5].
Развитие методов компьютерной томографии открыло новые возможности для анализа структуры и состава мочевых конкрементов. Все шире внедряется двухэнергетическая компьютерная томография, позволяющая определять минеральный состав мочевых камней in vivo. Согласно опубликованным данным N.M. Kulkarni и соавт., В.И. Руденко и соавт., полученные результаты позволяют отличить кальциевые камни от мочекислых, что безусловно способствует выбору оптимального метода лечения и повышению его эффективности, однако точность определения всех типов химического состава камней в настоящий момент не высока [6,7].
Наиболее изученным подходом в определении химического состава камня in vivo при помощи лабораторных показателей является анализ суточной экскреции с мочой литогенных веществ. Наиболее известными в данном направлении работами являются исследования D.M.Moreira и соавт. и F.C. Torricelli и соавт. [8,9]. Однако их недостатком является низкая точность (42-68%) и значительное сокращение определяемых типов камней (с 6 основных известных типов до 2-х: мочекислых и оксалатных). При этом достаточно надежно определяется наличие только мочекислых камней. Возможно, что причиной этого является использование авторами для анализа данных стандартных статистических методов, в том числе логистической регрессии. Между тем, еще в 1996 году для статистического анализа взаимосвязей метаболических показателей с химическим составом мочевых камней в НИИ урологии МЗ РСФСР Н.Н. Поповкиным и соавт. была разработана модификация метода дискриминантного анализа данных с использованием оригинального набора решающих правил и развернутого алгоритма [10]. Данный метод позволил определить точно химический состав камня в 58,1% и в 22,5% верно распознать основной минеральный компонент [11].
Продолжением работы, начатой Н.Н. Поповкиным с учетом современных статистических инструментов, явилась работа С.А. Голованова и соавт., в которой предложен метод определения химического состава камня in vivo по метаболическим показателям с применением инструментов Data mining. В работе авторы показали, что разработанная модель имеет высокую чувствительность (97,5-100%), специфичность (99,3- 100%) и точность при классификации всех шести типов мочевых камней (99,5-100%) [12].
Между тем, известно, что метаболические изменения, приводящие к формированию мочевых камней, во многом зависят от питания [13]. Это нашло подтверждение, например, в рекомендациях Американской ассоциации урологов по ведению пациентов с МКБ, где подчеркивается, что определение алиментарного фактора является обязательным[14].
В настоящий момент оценить стереотип питания возможно, используя анкеты, опросники и дневники, однако, данные способы трудны в исполнении и интерпретации полученных результатов, что затрудняет их применение в клинической практике. В связи с этим, большой интерес представляет использование электронных опросников [15]. Существует целый ряд зарубежных и отечественных разработок в данном направлении, одной из которых является анкета стереотипа питания, разработанная в НИИ урологии и интервенционной радиологии им. Н.А. Лопаткина в 2015 году. Данная анкета позволяет определять не только профиль потребления нутриентов каждого отдельного продукта. Результаты анкеты выражаются в наборе числовых данных, что позволило провести статистическое исследование с целью изучения возможности определения химического состава мочевых камней in vivo [16].
МАТЕРИАЛЫ И МЕТОДЫ
В исследование включены 72 пациента с мочекаменной болезнью (38 мужчин и 34 женщины в возрасте от 18 до 70 лет), проходившие в 2019 году оперативное лечение (контактная литотрипсия, перкутанная нефролитотрипсия, самостоятельное отхождение конкрементов) в НИИ урологии и интервенционной радиологии им. Н.А. Лопаткина – филиал ФГБУ «НМИЦ радиологии» Минздрава России. Всем пациентам выполняли определение химического типа камня и оценку стереотипа питания.
Химический состав мочевого камня определяли с помощью инфракрасного спектрометра ИК-Фурье Nicolet iS10 (Thermo Scientific, США, дистрибьютор в России INTERTECH Corparation, http://www.intertechcorp.ru/) с использованием библиотеки спектров мочевых камней известного состава. На основе полученных данных выделяли 6 химических типов камней, классифицированных по преобладающему компоненту (более 50% минеральной основы): оксалатные камни, мочекислые камни, кальций-фосфатные из карбонатапатита, магниево-аммониево-фосфатные, урат-аммониевые и смешанные, состоящие из 2-х или 3-х компонентов, в которых ни один из указанных не превышал 50% состава (табл.1). В исследовании химический тип камня являлся зависимой переменной.
Таблица 1. Зависимые переменные, применяемые в анализе с целевой ролью на выходе (значения предсказываются моделью)
Table 1. Dependent variables used in analysis with a target role in the output (values are predicted by the model)
| № | Тип камня Type of stone |
Доля в конкременте Percentagein concrement |
Число Number |
% |
|---|---|---|---|---|
| 1 | Ox50 | Кальций-оксалат >50% Calcium oxalate>50% |
33 | 45,83 |
| 2 | Ur50 | Мочевая кислота (моно и дигидрат) > 50% Uric acid (mono and dihydrate) > 50% |
17 | 23,61 |
| 3 | Dh50 | кальций-фосфатные (карбонатапатит) > 50% calcium phosphate from carbonatite > 50% |
11 | 15,28 |
| 4 | Str50 | магниево-аммониево-фосфатные > 50% magnesium-ammonium-phosphate > 50% |
6 | 8,33 |
| 5 | AmUr50 | Аммония урат > 50% Ammonium urate > 50% |
4 | 5,56 |
| 6 | Смешанные mixed |
Доля каждого минерала = < 40% (3-х компонентные камни); доля каждого минерала =50% (2-х минеральные камни) For each mineral =< 40% (3-x mineral stones); share of each mineral =50% (2-x mineral stones) |
1 | 1,39 |
Примечание: Ox50 –оксалатные камни, Ur50 – мочекислые камни, Dh50 – карбонатапатит, Примечание: Ox50 – оксалатные камни, Ur50 – мочекислые камни, Dh50 – камни из карфонатапатита, Str50 –камни из струвита, AmUr50 – камни из урата аммония, Mixed – 2-х и 3-х компонентные камни, в которых доля любого компонента не превышала 50% состава
Note: Ox50 – oxalate stones, Ur50 – uric acid stones, Dh50 – carbonate apatite, Note: Ox50 – oxalate stones, Ur50 – uric acid stones, Dh50 – carbonate apatite stones, Str50 – struvite stones, AmUr50 – ammonium urate stones, Mixed – 2 -x and 3-component stones, in which the share of any component did not exceed 50% of the composition
Определение стереотипа питания оценивали при помощи электронной анкеты (nethealth.ru/foodquize) по 25 группам нутриентов, таких как: килокалории, кальций, белки, магний, жиры, калий, углеводы (общее), натрий, простые углеводы (сахар), сложные углеводы (крахмал), каротин (предшественник вит. А), аскорбиновая кислота (вит. С), пурины (мочевая кислота), фосфор, холестерин, железо, оксалаты, ретинол (вит. А), пищевые волокна, тиамин (вит. В1), насыщенные жирные кислоты, токоферол (вит. Е), вода, пиридоксин (вит. В6), исходя из содержания нутриента в 100 г каждого употребляемого пациентом продукта, а также определяли количество килокалорий. Показатели стереотипа питания в исследовании являлись независимыми переменными.
Построение модели классификации выполняли с помощью инструментов современного комплекса методов Data mining – IBM®SPSSModeler 18.0 (IBM, Corporation, USA), использующего весь потенциал прогностического моделирования и различные алгоритмы машинного обучения для выявления в изучаемом наборе данных новых сведений и ранее неизвестных скрытых взаимосвязей между переменными, которые не могут быть получены путем простого статистического анализа.
РЕЗУЛЬТАТЫ
На основе 72 клинических наблюдений сформирована база данных, включающая результаты анкеты стереотипа питания (независимые переменные) и химический состав мочевых камней (зависимые переменные). С помощью построителя математической модели IBM® SPSS modeler создана модель определения химического типа камня с использованием алгоритма С 5.0 (рис. 1) [17, 18].
![Модель определения химического типа камня in vivo на основании данных стереотипа питания [17, 18]](http://ecuro.ru/sites/default/files/issue/2020-4/7-1.jpg "Модель определения химического типа камня in vivo на основании данных стереотипа питания [17, 18]")
Рис. 1. Модель определения химического типа камня in vivo на основании данных стереотипа питания [17, 18] .
Fig. 1.Model for determining the chemical type of stone in vivo based on the data of the nutrition stereotype. [17, 18]
Основными элементами модели, представленной на рисунке 1, являлись узлы потока данных: файл переменных, тип переменных, алгоритм С5.0 и анализ (табл. 2).
Таблица 2. Основные элементы модели прогнозирования химического типа мочевых камней IBM® SPSS modeler
Table 2. Basic elements of the IBM® SPSS modeler chemical type prediction model for urinary stones
| № | Основные элементы модели Main elements of the model |
Рисунок Figure |
Функции Functions |
|---|---|---|---|
| 1 | Узел файла переменных Variable file node |
 |
Служит для считывания данных из источника данных (Exсel, SPSS и др.) |
| 2 | Тип переменных Variable type |
 |
Указывает метаданные и свойства для полей, необходимые для моделирования и другой работы в IBM® SPSS Modeler. Включает:
|
| 3 | Алгоритм C 5.0 Algorithm C 5.0 |
 |
Строит или дерево решений, или набор правил. Эта модель работает, разделяя выборку на основании значения в поле, дающего максимальный информационный выигрыш на каждом уровне. Поле назначения должно быть категориальным. Разрешено несколько разделений на подгруппы, и таких подгрупп может быть больше двух. |
| 4 | Анализ Analysis |
 |
Позволяет оценить возможность модели генерировать точные предсказания, выполнить различные операции сравнения между предсказанными значениями и фактическими значениями для одного или нескольких слепков моделей. |
Работа модели основана на принципе построения древа решения путем расщепления выборки с учетом значения, обеспечивающего максимальную информационную нагрузку, согласно принципу (если …, то). После получения первичного результата программой производится удаление расщеплений, не несущих существенного вклада, выдается заключение и определяется достоверность полученного результата (рис. 2).
Рис. 2. Древо решений определения химического типа камня построенного на основе алгоритма С 5.0 поcтроителя математической модели IBMSPSSModeler 18.0
Fig. 2. Decision Tree for determining the chemical type of stone based on the C 5.0 algorithm of the IBM SPSS Modeler 18.0 mathematical model Builder
При использовании набора данных из 72 клинических случаев разработана модель, обладающая точностью (прогноза) предсказаний химического состава мочевого камня, составившую 98,6% (рис. 3).
Рис. 3. Совпадение предсказаний, созданная моделью (алгоритм С5.0) в сравнении с фактическим распределением типов камней
Fig. 3. Matchingpredictions, createdmodel (algorithmWith 5.0) in comparison with the actual distribution of stone types
Как видно из рисунка 3, результат выражается в виде таблицы совпадений предсказаний, созданной моделью, с фактическим распределением типов камней и определяется по пересечению заданных параметров (горизонтальная стрелка) с определяемым моделью результатом (вертикальная стрелка). Для иллюстрации правильный результат обозначен зеленым кругом, ошибка обозначена красным кругом.
Для проверки полученных данных и обучения модели, построенной на алгоритме С5.0, сформированы 2 рандомизированные выборки: 1) обучающая (n=49 (70%)), проверочная (n=23 (30%)).Оценка эффективности алгоритма выявила 2 ошибки в обучающей группе, составившие 4,08%: смешанный конкремент ошибочно был отнесен в группу кальций-фосфатных и струвитный камень к урат-аммониевым (рис. 4). Скорее всего, смешанный конкремент был ошибочно распознан моделью из-за того, что: 1) доли оксалатов и фосфатов в смешанных камнях близки к 50%; 2) модель приняла струвитный камень за камень из урата аммония, что возможно из-за общности их литогенеза (инфекция, щелочная моча).
Рис. 4. Результаты классификации типов камней в обучающей (n=49) и проверочной (n=23) выборках, полученные моделью машинного обучения алгоритма С5.0
Fig. 4. Results of classification of stone types in the training (n=49) and verification (n=23) samples obtained by the machine learning model of the C5.0 algorithm
Кроме этого, была определена чувствительность, специфичность и точность алгоритма для каждого типа камня (табл. 3).
Таблица 3. Оценка результатов предсказаний химического типа конкремента на основе модуля алгоритма машинного обучения С 5.0 в сравнении с фактическими значениями основной выборки (n=72)
Table 3. Estimation of the results of predictions of the chemical type of concrement based on the machine learning algorithm module With 5.0 in comparison with the actual values of the main sample (n=72)
| Тип камней Type of stone |
Прогноз модели CHAID (n) Forecast of the CHAID model) |
Фактическое распределение (n) Actual distribution |
Основная выборка (n=72) The basic sample (n=72) |
Se (%) | Sp (%) | Ac (%) | |||
|---|---|---|---|---|---|---|---|---|---|
| ИП SP |
ЛО LO |
ЛП LP |
ИО IO |
||||||
| AmUr60 | 1 | 1 | 1 | 0 | 0 | 71 | 100,0 | 100,0 | 100,0 |
| Dh60 | 18 | 17 | 17 | 0 | 1 | 55 | 100,0 | 98,2 | 98,6 |
| Others | 3 | 4 | 1 | 1 | 0 | 68 | 75,0 | 100,0 | 98,6 |
| Ox60 | 33 | 33 | 33 | 0 | 0 | 39 | 100,0 | 100,0 | 100,0 |
| Str60 | 6 | 6 | 6 | 0 | 0 | 66 | 100,0 | 100,0 | 100,0 |
| Ur60 | 11 | 11 | 11 | 0 | 0 | 61 | 100,0 | 100,0 | 100,0 |
| Всего/Total | 72 | 72 | 71 | 1 | 1 | – | 98,6 | – | 97,3 |
Как видно из таблицы 2 чувствительность разработанного метода колебалась от 75% (при смешанных камнях) до 100% при остальных типах камней. Общий показатель чувствительности был равен 98,6%; специфичность варьировала от 98,2% (при кальций-фосфатных камнях) до 100% при остальных типах; общий показатель точности модельного определения составил 97,3 %.
ВЫВОДЫ
Проведенные расчеты показали, что разработанный метод определения состава мочевых камней in vivo на основе профиля потребления нутриентов, заключающийся в анализе набора количественных данных потребления продуктов в течение месяца пациентом с мочекаменной болезнью, обладает высокими показателями специфичности, чувствительности и точности, и является перспективным инструментом. Требуется продолжение научных исследований для изучения возможностей данного метода.
ЛИТЕРАТУРА
Комментарии