Application of information technology to optimize treatment of urolithiasis

Cover Page

Cite item

Full Text

Abstract

Urolithiasis is one of the most common pathologies in urological practice. To ensure a personalized approach in the treatment of urolithiasis by taking into account the specific characteristics of each individual patient and various alternative methods of treatment, mathematical models and algorithms are increasingly being used that significantly improve the quality of medical care. One of the most promising directions in the field of creating mathematical computer models is the development and implementation into daily practice predictive models based on the so-called artificial neural networks. They combine the complex properties of neurons of the human brain to analyze and process the information received. An analysis of domestic and foreign literature has been carried out showed that there is an active development of computer technologies using neural network models that allow rationalizing the tactics of treating patients, in particular with urolithiasis. In order to personalize the approach to the management of patients with urolithiasis and increase the reliability of predicting treatment results on the basis of the urological department of the State Clinical Hospital of S.P. Botkin within the framework of the research work of the Department of Urology and Surgical Andrology of Medical Academy of Continuous Professional Education along with the National Research University of Electronic and Technology “MIET” it has been planned to develop a program based on neural network modeling. This program will allow to standardize the choice of the method of treatment of ureteral stones and will help urologists make difficult decisions in non-standard situations, which will lead to an increase in the efficiency and quality of medical care.

About the authors

Sargis S. Tumanian

Medical Academy of Continuous Professional Education

Email: sargis_tu manyan@mail.ru
аспирант каф. урологии и хирургической андрологии Moscow, Russia

Igor V. Luk'ianov

Medical Academy of Continuous Professional Education

канд. мед. наук, проф., доц. Moscow, Russia

Oleg B. Loran

Medical Academy of Continuous Professional Education

акад. РАН, д-р мед. наук, проф., зав. каф. урологии и хирургической андрологии Moscow, Russia

References

  1. Knoll T et al. Epidemiology, Pathogenesis, and Pathophysiology of Urolithiasis. Eur Urol Suppl 2010; 9: 802-6.
  2. Turk С и др. Мочекаменная болезнь. Пер. О.В. Антонова; ред. Н.А. Григорьев. Европейская ассоциация урологов, 2016. [Turk C et al. Urolithiasis disease. Per. O.V. Antonova; ed. ON. Grigoriev. European Association of Urology, 2016 (in Russian).]
  3. Tiselius HG, Davison AM, Cameron JS et al. Aetiological factors in stone formation.Oxford textbook of clinical nephrology. 3rd ed. Oxford: Oxford University Press, 2008; p. 1201-23.
  4. Indridason OS et al. Epidemiology of kidney stones in Iceland: a population-based study. Scand J Urol Nephrol 2009; 40 (3): 215-20.
  5. Chang IH, Kim KD, Moon YT et al. Possible Relationship between Metabolic Syndrome Traits and Nephrolithiasis: Incidence for 15 Years According to Gender. Korean J Urol 2011; 52 (8): 548-53.
  6. Romero H, Akpinar DG, Assimos V. Kidney Stones: A Global picture of prevalence, incidence, and associated risk actors. Rev Urol 2010; 12 (2): 86-96.
  7. Аполихин О.И. и др. Анализ уронефрологической заболеваемости в Российской Федерации по данным официальной статистики. Эксперим. и клин. урология. 2010; 1: 4-11.
  8. Дзеранов Н.К. Лечение мочекаменной болезни - комплексная медицинская проблема. Consilium Medicum. Урология. 2003; 5 (1): 18-22.
  9. Лопаткин Н.А., Яненко Э.К. Мочекаменная болезнь. Рус. мед. журн. 2000; 8 (3): 117-20.
  10. Аляев Ю.Г., Руденко Е.В. и др. Современные аспекты медикаментозного лечения больных мочекаменной болезнью. Рос. мед. журн. 2010; 8: 14-8.
  11. Тиктинский О.Л., Александров В.П. Мочекаменная болезнь. СПб.: Питер, 2000.
  12. Борисов В.В., Дзеранов Н.К. Мочекаменная болезнь. Терапия больных камнями почек и мочеточников. М., 2011.
  13. Львович Е.Я., Фролов В.Н. Интегрированная информационная система интеллектуальной поддержки принятия решений при организации нозологоориентированной медицинской помощи. Системный анализ и управление в биомед. системах. 2007; 6 (2): 273-6.
  14. Зесюков Д.Н., Зесюкова Ю.Б., Котова А.В. и др. Логическое моделирование процесса диагностики, лечения и применения решений при выборе хирургической компоненты. Системный анализ и управление в биомед. системах. 2005; 4 (3): 280-3.
  15. Кореневский Н.А. Проектирование нечетких решающих сетей, настраиваемых по структуре данных для задач медицинской диагностики. Системный анализ и управление в биомед, системах. 2005; 4 (1): 12-20.
  16. Жарко В.И., Цыбин А.К., Малахова И.В. и др. Здоровье народа и программа развития здравоохранения Республики Беларусь. Вопр. организации и информатизации здравоохранения. 2006; 4: 3-7.
  17. Ковалев В.А., Литвин А., Жариков О.Г. Современные возможности использования некоторых экспертных систем в медицине. Врач и информ. технологии. 2008; 5: 24-30.
  18. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: Вильямс, 2006.
  19. Миркес Е.М. Нейроинформатика: учеб. пособие для студентов. Красноярск: ИПЦ КГТУ, 2002.
  20. Лукьянов И.В., Демченко H.A., Аюпов И.Р. Математическое моделирование послеоперационного течения рака простаты. Мед. вестн. Башкортостана. 2011; 2: 244-8.
  21. Петров С.В., Кореневский Н.А. и др. Применение информационных технологий при урологических заболеваниях. Фундам. исследования. 2015; 1 (Ч. 4); 810-3.
  22. Naito S, Kuroiwa K, Kinukawa N et al. Clinicopathological Research Group for Localized Prostate Cancer Investigators Validation of Partin tables and development of a preoperative nomogram for Japanese patients with clinically localized prostate cancer. J Urol 2008; 180: 904-9.
  23. Snow PB, Smith DS, Catalona WJ. Artificial neural networks in the diagnosis and prognosis of prostate cancer: a pilot study. J Urol 1994; 152: 1923-6.
  24. Babaian J, Fritsche H, Ayala A et al. Performance of a neural network in detecting prostate cancer in the prostate-specific antigen reflex range of 2.5 to 4.0 ng/mL. Urology 2000; 56: 1000-6.
  25. Соловов В.А. Нейросетевой анализ в диагностике рака предстательной железы. Вестн. СамГУ - Естественнонауч. сер. 2005; 5 (39): 209-14.
  26. Лукьянов И.В. Симптомы нижних мочевых путей: перспективы диагностических и лечебных мероприятий с применением элементов искусственного интеллекта. Consilium Medicum. 2008; 2 (4): 24-6.
  27. Ганцев Ш.Х., Зимичев А.А., Хрисанов Н.Н., Климентьева М.С. Применение нейронной сети в прогнозировании рака мочевого пузыря. Мед. вестн. Башкортостана. 2010; 3: 44-6.
  28. Демченко Н.А. Нейросетевое прогнозирование и мониторирование больных после радикальной позадилонной простатэктомии. Дис.. канд. мед наук. М., 2015.
  29. Попков В.М., Шатылко Т.В., Королев А.Ю. и др. Оптимизация PSA-скрининга с помощью искусственного интеллекта. Мед. вестн. Башкортостана. 2015; 10 (3): 232-5.
  30. Никитаев В.Г., Проничев А.Н., Прилепская Е.А. и др. Компьютерные системы поддержки принятия решений в диагностике рака предстательной железы. Эксперим. и клин. урология. 2016; 4:52-5.
  31. Ершов А.В., Капсаргин Ф.П., Бережной А.Г., Мылтыгашев М.П. Экспертные системы в оценке данных урофлоуграмм. Вестн. урологии. 2018; 6 (3): 12-6.
  32. Sfoungaristos S, Gofrit ON, Yutkin V et al. External validation of CROES nephrolithometry as a preoperative predictive system for percutaneous nephrolithotomy outcomes. J Urol 2015. doi: 10.1016/j.juro.2015.08.079
  33. Tailly T, Okhunov Z et al. Multicenter External Validation and Comparison of Stone Scoring Systems in Predicting Outcomes After Percutaneous Nephrolithotomy J Endourol 2016; 30 (5): 594-601. doi: 10.1089/end.2015.0700
  34. De Nunzio C, Bellangino M, Voglino OA et al. Value of CROES, S.T.O.N.E nomograms and Guy’s stone score as preoperative predictive system for percutaneous nephrolithotomy (PCNL) outcomes. Eur Urol Suppl 2017; 16 (3); e941.
  35. Aminsharifi A, Irani D et al. Artificial Neural Network System to Predict the Postoperative Outcome of Percutaneous Nephrolithotomy. J Endourology 31 (5): 461-7. doi: 10.1089/end.2016.0791
  36. Капсаргин Ф.П., Ершов А.В., Зуева Л.Ф. и др. Применение нейронных сетей в выборе метода лечения мочекаменной болезни. Омский науч. вестн. 2015; 1: 68-70.
  37. Seckiner I, Seckiner S et al. A neural network - based algorithm for predicting stone-free status after ESWL therapy. Int Braz J Urol 2017; 43: 1110-4. doi: 10.1590/S1677-5538.IBJU.2016.0630
  38. Choo M, Uhmn S et al. A Prediction Model Using Machine Learning Algorithm for Assessing Stone-Free Status after Single Session Shock Wave Lithotripsy to Treat Ureteral Stones. J Urol 2018; 200: 1-7. doi: 10.1016/j.juro.2018.06.077
  39. Коцарь А.Г. Математическое моделирование и алгоритмизация прогнозирования, диагностики, профилактики и лечения мочекаменной болезни. Дис. д-ра мед. наук. Курск, 2014.
  40. Кривенко М.П., Голованов С.А. Информационно-аналитическая автоматизированная система «МЕГАЛИТ» в оптимизации и диагностики и лечения мочекаменной болезни. Информатика и ее применения. 2013; 7 (4): 82-93.
  41. Zhu XH, Yang MY, Xia HZ et al. Application of machine learning models in predicting early stone-free rate after flexible ureteroscopic lithotripsy for renal stones. Beijing Da Xue Xue Bao Yi Xue Ban 2019; 51 (4): 653-9. doi: 10.19723/j.issn.1671-167X.2019.04.010

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2020 Consilium Medicum

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».