Журнал «Здоровье ребенка» 4(7) 2007

Выявление начальных проявлений патологических процессов, раннее прогнозирование, профилактика и своевременная коррекция процессов дезадаптации позволяют предотвратить тяжелые последствия или снизить их интенсивность и тем самым уменьшить вероятность срыва адаптации и перехода транзиторных состояний в патологические [1, 2].

Состояние новорожденного в раннем неонатальном периоде, уровень заболеваемости и смертности, структура формирования патологии в дальнейшем напрямую зависят от своевременности и качества оказания медицинской помощи плоду в перинатальном периоде [4, 5]. Для снижения перинатальной заболеваемости большое значение имеет не только диагностика уже имеющихся патологических состояний, но и возможность их прогнозирования [3, 7]. Для этого необходимо осуществление на высоком уровне пренатальной диагностики, оптимизации ведения родов, прогнозирования критических состояний, интенсивного наблюдения и лечения новорожденных групп риска [6].

Следовательно, прогнозирование неотложных состояний и оптимизация процессов адаптации у детей являются важными резервами снижения перинатальной заболеваемости и смертности.

В связи с этим целью настоящего исследования была разработка прогностических моделей для адекватной оценки риска развития дезадаптационного синдрома и асфиксии у новорожденных.

Материалы и методы

В исследование были включены три группы новорожденных: 154 здоровых новорожденных (1-я, контрольная группа), 143 новорожденных с дезадаптационным синдромом (2-я, ПИН-группа) и 161 новорожденный с асфиксией (3-я, ОРН-группа). В некоторых случаях 2-я и 3-я клинические группы (304 новорожденных) рассматривали вместе (группа новорожденных с гипоксией).

Наиболее полную математическую модель для прогнозирования риска развития осложнений у новорожденных построили с помощью многофакторного и дискриминантного анализов по 23 данным объективного и анамнестического обследования беременной и плода:

1) количество самопроизвольных выкидышей в анамнезе;

2) число преждевременных родов в анамнезе;

3) число мертворождений и/или ранней неонатальной смерти в анамнезе;

4) характер инфекции;

5) выраженность клинических признаков;

6) степень дисбиотических нарушений;

7) гормональная реакция ФПК;

8) индекс напряжения плода;

9) показатели венозного кровотока в системе «мать — плод»;

10) индекс напряжения матери;

11) пропорциональность развития плода;

12) дыхательная активность плода;

13) двигательная активность;

14) тонус плода;

15) эхопризнаки инфекционного поражения плода;

16) маловодие;

17) многоводие;

18) структурные особенности плаценты;

19) базальная частота сердечных сокращений плода;

20) амплитуда мгновенных осцилляций;

21) наличие акцелераций;

22) наличие децелераций;

23) показатели артериального кровотока в системе «мать — плацента — плод».

Упрощенные прогностические модели содержали меньшее количество учитываемых признаков (от 2 до 7) и были получены с помощью множественного регрессионного анализа, графической матрицы или нейросетевого моделирования.

В тех случаях, когда было необходимо оценить корреляционную зависимость между категориальными переменными, использовали следующие критерии: коэффициент сопряженности, тетрахорическую корреляцию и фи-квадрат.

Математические расчеты выполняли с помощью программы Statistica 6.0. Нейросетевое моделирование осуществляли в среде Statistica Neural Networks 4.0. Все программное обеспечение было лицензионным.

Полученные в моделях коэффициенты учитывались только в том случае, если уровень их значимости (р) был меньше 0,05.

Результаты и их обсуждение

Возможность проведения адекватной первичной профилактики и превентивной терапии беременных группы высокого перинатального риска базируется на использовании методов прогнозирования возможности возникновения и тяжести перинатальных осложнений у новорожденного. В решении данной задачи важным является определение информационной значимости параметров комплексного исследования функционального состояния системы «мать — плацента — плод».

Все применяемые методы исследования были формализованы, разработана прогностическая матрица, где каждый из параметров имел определенный информационный вес и три возможных варианта ответа, которым соответствовал определенный балл (0, 1 или 2). Значения информационных весов каждого исследуемого параметра были рассчитаны при помощи многофакторного и дискриминантного анализов. Расчет суммы баллов (S) в каждом конкретном случае проводился по приведенной ниже формуле, представляющей собой сумму произведений информационного веса оцениваемого параметра и значения балла одного из трех его возможных состояний:

S = X₁ x 2,361 + X₂ x 1,253 + Х₃ х 2,436 + Х₄ х 3,251 + Х₅ х 4,182 + Х₆ х 2,657 + Х₇ х 4,453 + Х₈ х 2,241 + X₉ x 3,112 + Х₁₀ х 2,813 + Х₁₁ х 3,7015 + Х₁₂ х 2,5485 + Х₁₃ х 4,733 + X₁₄ x 6,068 + Х₁₅ х 6,137 + X₁₆ x 5,0364 + X₁₇ x 4,8544 + X₁₈ x 3,5801 + X₁₉ x 4,556 + X₂₀ x 4,733 + Х₂₁ х 4,3082 + Х₂₂ х 5,2184 + Х₂₃ х 5,5218,

где X₁ — количество самопроизвольных выкидышей в анамнезе, Х₂ — число преждевременных родов в анамнезе, Х₃ — число мертворождений и/или ранней неонатальной смерти в анамнезе, Х₄ — характер инфекции, X₅ — выраженность клинических признаков, Х₆ — степень дисбиотических нарушений, X₇ — гормональная реакция ФПК, Х₈ — индекс напряжения плода, Х₉ — показатели венозного кровотока в системе «мать — плод», Х₁₀ — индекс напряжения матери, X₁₁ — пропорциональность развития плода, Х₁₂ — дыхательная активность плода, Х₁₃ — двигательная активность, X₁₄ — тонус плода, X₁₅ — эхопризнаки инфекционного поражения плода, Х₁₆ — маловодие, X₁₇ — многоводие, X₁₈ — структурные особенности плаценты, Х₁₉ — базальная частота сердечных сокращений плода, X₂₀ — амплитуда мгновенных осцилляции, Х₂₁ — наличие акцелераций, Х₂₂ — наличие децелераций, Х₂₃ — показатели артериального кровотока в системе «мать — плацента — плод».

В зависимости от исхода родов была определена сумма баллов, при которой у данной беременной прогнозировалось появление новорожденного данной клинической группы, для 1-й подгруппы беременных сумма баллов составила от 0 до 20 усл.ед.; для 2-й подгруппы — от 20 до 40 усл.ед.

Таким образом, на основании математического моделирования были определены информационные веса каждого критерия, позволившие прогнозировать перинатальные осложнения у новорожденного в зависимости от состояния беременной и плода.

Однако следует отметить, что хотя вышеприведенная модель отличается хорошей прогностической точностью (более 99,9 %), для ее использования необходимо собрать множество объективных и анамнестических сведений о состоянии здоровья матери и ребенка, что требует значительного времени и усилий. На практике же возникает необходимость уже после предварительного осмотра составить представление о том, в какой группе новорожденных — здоровых, с дезадаптационным синдромом или с асфиксией — окажется тот или иной ребенок после рождения. С этой целью мы разработали ряд более простых прогностических моделей, которые позволяют выполнить подобный анализ в условиях обычной женской консультации.

Из множества данных, полученных нами при клиническом и лабораторном обследовании беременных, в упрощенную регрессионную модель были включены только возраст матери и беременность по счету — эти сведения были использованы в качестве независимых переменных. В качестве зависимой переменной служил номер группы, к которой был отнесен тот или иной новорожденный.

Результаты, полученные в ходе выполнения множественного регрессионного анализа, представлены в табл. 1.

Видно, что все коэффициенты в полученной регрессионной модели значимы, поскольку их уровень p < 0,05. Следовательно, все они должны быть включены в итоговое уравнение для полученной прогностической модели:

номер клинической группы = 1,299 + (0,01 х возраст беременной) – (0,074 х беременность по счету).

Достоинством полученной регрессионной модели является то, что, имея набор простых показателей, можно составить прогноз в отношении развития у новорожденного дезадаптационного синдрома или асфиксии. Недостаток модели заключается в том, что используется очень малое количество переменных и это может приводить к погрешностям прогнозирования. В пользу такой возможности свидетельствует и то, что полученные уровни значимости лишь немногим меньше критической в отношении достоверности величины p = 0,05.

Поэтому на следующем этапе исследования было решено составить прогностическую оценку на основе ряда данных, представленных в категориальной шкале, то есть таких, которые не могли быть выражены числом, а лишь одним из двух значений: «есть» или «нет». Среди таких признаков учитывали наличие или отсутствие эклампсии различной степени тяжести, сахарного диабета, хронической фетоплацентарной недостаточности, цитомегаловирусной инфекции, герпесвирусной инфекции и токсоплазмоза. Кроме того, в анализ включали и такой интегральный показатель, как отягощенное течение данной беременности.

При проведении расчетов 2-ю и 3-ю клинические группы не разделяли — считали их одной группой новорожденных в состоянии гипоксии.

В качестве подготовительного этапа перед разработкой прогностической модели изучили, какие же из перечисленных выше признаков коррелируют с таким показателем, как состояние новорожденного (показатель, производный от шкалы Апгар). В качестве меры связи между переменными использовали следующие критерии: коэффициент сопряженности, тетрахорическую корреляцию и фи-квадрат. Выбор данных критериев был обусловлен тем, что они позволяют оценивать корреляционные зависимости между переменными, выраженными в категориальной шкале (табл. 2).

Известно, что для коэффициентов корреляции, служащих мерой связи при работе с категориальными переменными, нет четких приемов интерпретации — в каждом конкретном случае должен быть выбран индивидуальный подход. В частности, мы ориентировались на те же принципы, которые используют при оценке корреляции Пирсона: если коэффициент меньше 0,29 — связь слабая, при значениях от 0,3 до 0,49 — связь умеренная, от 0,5 до 0,69 — связь средняя и при значениях выше 0,7 — связь сильная.

Между тяжестью состояния новорожденного и наличием эклампсии различной степени тяжести обнаружено существование средней корреляционной связи по данным всех трех использованных критериев (табл. 2).

Не столь однозначно можно интерпретировать зависимость между состоянием новорожденных и наличием у матери сахарного диабета или хронической фетоплацентарной недостаточности. В то время как тетрахорическая корреляция указывает на наличие средней связи, коэффициент сопряженности и фи-квадрат определяют лишь умеренную связь (табл. 2).

Интересным оказалось то, что критерий сопряженности и фи-квадрат указывают на имеющуюся среднюю корреляционную связь между наличием у беременных цитомегаловирусной инфекции и тяжестью состояния новорожденного. Более того, величина тетрахорической корреляции определяет зависимость между перечисленными переменными как сильную (табл. 2).

Для следующего показателя — наличия герпесвирусной инфекции — связь с тяжестью состояния новорожденного согласно всем трем критериям корреляции определяется как средняя (табл. 2).

Из семи показателей, для которых был осуществлен поиск корреляционных зависимостей с тяжестью состояния новорожденного, только в отношении токсоплазмоза связь была определена как слабая, поскольку значение всех трех критериев оказалось меньше 0,29.

При изучении корреляционной зависимости между интегральным показателем — отягощенным течением данной беременности и тяжестью состояния новорожденного разные критерии дали неодинаковые результаты. Так, коэффициент сопряженности и фи-квадрат указывают на умеренную связь, в то время как тетрахорическая корреляция свидетельствует о наличии сильной связи (табл. 2).

Результаты, полученные в ходе изучения корреляционных зависимостей между тяжестью состояния новорожденных и клинико-лабораторными данными о состоянии здоровья матери, позволяют отобрать те показатели, которые будет уместно включить в прогностическую модель. К ним относятся наличие / отсутствие эклампсии, сахарного диабета, хронической фетоплацентарной недостаточности, цитомегаловирусной инфекции и герпесвирусной инфекции. В прогностическую модель решили не включать такой признак, как токсоплазмоз, поскольку состояние новорожденных (в отношении гипоксии) мало зависело от его наличия /отсутствия. Кроме того, в модель не включили такой показатель, как отягощенное течение данной беременности, поскольку он является интегральным в отношении вышеперечисленных признаков.

При построении прогностической модели сначала вычислили, какова частота развития гипоксии у новорожденного, если у матери имеется только один из неблагоприятных клинико-лабораторных признаков: эклампсия, сахарный диабет, хроническая фетоплацентарная недостаточность, цитомегаловирусная инфекция, герпесвирусная инфекция. Затем выяснили, насколько частота гипоксий увеличится, если у беременной будут одновременно присутствовать какие-либо 2 из вышеперечисленных признаков. Затем аналогичные расчеты провели для случаев одновременного наличия 3, 4 и 5 неблагоприятных признаков у беременной.

Все произведенные расчеты представили в виде матрицы — пентаграммы, каждая из сторон которой соответствует какому-то одному неблагоприятному клинико-лабораторному признаку. Поле матрицы заполнили рассчитанными частотами (рис. 1).

В результате на большом количестве клинических наблюдений была получена прогностическая модель в виде матрицы, используя которую можно уже во время беременности предсказывать вероятность развития гипоксии у новорожденных.

Алгоритм работы с матрицей можно представить следующим образом:

1. Необходимо произвести клинические и лабораторные исследования беременной, с тем чтобы установить, какие из нарушений — эклампсия, сахарный диабет, хроническая фетоплацентарная недостаточность, цитомегаловирусная инфекция, герпесвирусная инфекция — у нее имеются.

2. Необходимо выбрать те стороны матрицы, которые соответствуют неблагоприятным признакам, обнаруженным у беременной.

3. Нужно подсчитать общее количество неблагоприятных признаков, которые были обнаружены у беременной. Например, их могло быть 3. В таком случае в дальнейшем анализе будут задействованы только те точки сторон матрицы, которые находятся вблизи цифры 3 (ее нужно найти в ряду цифр от 1 до 5, расположенных вдоль каждой из сторон матрицы).

4. От каждой из выбранных точек на сторонах матрицы необходимо отложить перпендикуляры. Та цифра, на которой они пересекутся, и будет искомой вероятностью развития гипоксии у новорожденного.

Например, пусть в ходе обследования беременной было обнаружено, что у нее имеются проявления эклампсии и хронической фетоплацентарной недостаточности. Кроме того, лабораторно было выявлено наличие цитомегаловирусной инфекции. Следовательно, именно эти стороны матрицы будут рабочими.

Общее количество выявленных у беременной неблагоприятных признаков равняется 3. Именно от этой цифры и будут откладываться перпендикуляры в поле матрицы (рис. 2).

Как видно из рис. 2, три опущенных перпендикуляра пересекаются в точке, соответствующей 83 % вероятности развития у новорожденного гипоксии. Данная информация во многом определит подходы к диспансеризации плода, тактику ведения родов и неонатологическую помощь новорожденному.

В том случае, если пересечение перпендикуляров образует не точку, а некоторую фигуру, необходимо выбрать ту цифру из очерченной площади, которая имеет самый большой шрифт.

Например, пусть в ходе обследования у беременной были обнаружены эклампсия, сахарный диабет, хроническая фетоплацентарная недостаточность и герпесвирусная инфекция. Перед врачом стоит задача оценить риск рождения младенца в состоянии гипоксии.

Для этого в матрице необходимо отложить перпендикуляр от цифры 4 со стороны, соответствующей эклампсии (рис. 3). Затем проделать то же самое для сторон, соответствующих сахарному диабету, хронической фетоплацентарной недостаточности и герпесвирусной инфекции. В результате пересечения всех отложенных перпендикуляров по центру матрицы образовался четырехугольник (его границы выделены жирной линией). На площади, которую он ограничивает, самый большой шрифт имеет цифра 92. Следовательно, риск развития у новорожденного гипоксии для случая, когда беременная страдает вышеперечисленной патологией, составляет 92 %.

Применение разработанной нами матрицы особенно удобно в том случае, если она реализована в виде компьютерной программы или сделана в виде специального приспособления (скажем, из картона, линеек и пр.). В том случае, когда ничего этого под руками нет, а решение необходимо принять в сжатые сроки (например, на консультативном приеме), можно пользоваться упрощенным вариантом матрицы (табл. 3).

Видно, что при таком подходе отсутствует дифференциация по качественной разновидности патологического признака, обнаруженного у беременной. Имеет значение лишь общее количество нарушений, которые были выявлены.

Например, у беременной женщины обнаружены эклампсия и герпесвирусная инфекция. В соответствии с упрощенной матрицей вероятность рождения ребенка в состоянии гипоксии составляет 65 % (табл. 3).

Для этого же случая вероятность рождения ребенка в состоянии гипоксии в соответствии с полным вариантом матрицы составляет 62 % (рис. 1). Как видно, расхождение между полным и неполным вариантами матрицы невелико, и им можно пренебречь. Следовательно, для клинического применения пригодны оба типа матрицы.

Наряду с огромными преимуществами использования матрицы для оценки прогноза тяжести состояния новорожденного следует, однако, выделить и ряд недостатков.

Во-первых, в состав матрицы входят только те признаки, которые были выражены в категориальной шкале — принимают значения или «есть», или «нет». Такие сведения о беременной, как, например, возраст и повторность беременности, не вошли в состав матрицы, поскольку выражены в интервальной и относительной шкалах соответственно.

Во-вторых, матрица позволяет сказать, будет у новорожденного гипоксия или нет. Но она не позволяет провести более тонкий прогноз, чтобы новорожденных с гипоксией разделить еще на две подгруппы — с ожидаемыми дезадаптационным синдромом и асфиксией, что было бы весьма ценным для неонатолога.

Для того чтобы преодолеть все вышеперечисленные недостатки матричного способа прогнозирования, был использован метод нейросетевого моделирования.

На первом этапе исследования было необходимо выяснить, какой тип нейронной сети, исходя из предъявляемых клинико-лабораторных данных о состоянии здоровья беременной, наилучшим образом позволит предсказывать вероятность развития у новорожденного дезадаптационного синдрома или асфиксии. С этой целью на вход в нейронную сеть предъявляли семь признаков: возраст матери, беременность по счету, сведения о наличии / отсутствии эклампсии, сахарного диабета, хронической фетоплацентарной недостаточности, цитомегаловирусной инфекции и герпесвирусной инфекции. В качестве выхода использовали сведения о принадлежности новорожденных к определенной клинической группе: 1 — здоровые новорожденные (состояние новорожденного 0, шкала Апгар > 7 баллов), 2 — новорожденные с дезадаптационным синдромом (состояние новорожденного 1, шкала Апгар 5–6 баллов), 3 — новорожденные с асфиксией (состояние новорожденного 2, шкала Апгар < 3–4 баллов).

В ходе компьютерного моделирования был получен ряд вариантов нейронных сетей (табл. 4).

Из всех перечисленных вариантов нейронной сети предпочтение следует отдать последней — многослойному персептрону с порядковым номером 10. Его структура представлена 7 нейронами на входе, 11 нейронами в скрытом модуле и 1 нейроном на выходе. Он имеет примерно на 4 % меньшее качество, чем нейронные сети с порядковыми номерами 1–3. Однако ошибка его работы в среднем в 30 раз меньше, чем ошибка функционирования упомянутых нейронных сетей. Именно сочетание хорошего качества и малой ошибки позволяет охарактеризовать многослойный персептрон с порядковым номером 10 как наилучший из представленных в табл. 4.

Важно и то, что выделенный нами персептрон в качестве переменных на входе использует все те 7 признаков, которые и были ему адресованы. Все остальные нейронные сети, перечисленные в табл. 4, оперируют меньшим набором данных на входе.

На следующем этапе анализа с помощью компьютера была смоделирована структура выбранной нами нейронной сети (рис. 4).

Нейронная сеть является мощным средством, позволяющим прогнозировать появление новорожденных с дезадаптационным синдромом и асфиксией. Среди недостатков метода можно отметить только один — для использования этого метода нужно современное компьютерное оборудование, что не всегда возможно.

Выводы

На основании данных всестороннего объективного обследования состояния здоровья матери и плода и анамнестических сведений (всего 23 признака) была разработана математическая модель для оценки риска развития у новорожденного дезадаптационного синдрома и асфиксии с точностью прогноза более 99,9 %.

Использование меньшего набора данных, например возраста беременной и номера беременности по счету, позволило построить более простую прогностическую модель, применение которой приемлемо в женской консультации на этапах предварительного осмотра беременной.

Исходя из таких данных клинического и лабораторного обследования беременных, как наличие / отсутствие эклампсии, сахарного диабета, хронической фетоплацентарной недостаточности, цитомегаловирусной инфекции, герпесвирусной инфекции, были разработаны полный и сокращенный варианты графической матрицы, с помощью которой можно составить прогноз в отношении появления новорожденных с гипоксией.

Применение нейросетевого моделирования позволило получить достаточно мощную прогностическую модель. Многослойный персептрон, состоящий из 7 нейронов на входе и 11 нейронов в скрытом модуле, на основании семи признаков (возраст беременной, беременность по счету, наличие / отсутствие эклампсии, сахарного диабета, хронической фетоплацентарной недостаточности, цитомегаловирусной инфекции и герпесвирусной инфекции) в 96 % случаев позволяет спрогнозировать появление новорожденных с дезадаптационным синдромом или с асфиксией.