ПЕРСОНАЛИЗИРОВАННАЯ МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ИСХОДА У БОЛЬНЫХ С ТРАВМАТИЧЕСКИМИ ПОВРЕЖДЕНИЯМИ ГОЛОВНОГО МОЗГА
Введение. Раннее определение прогноза на основе эпидемиологических данных является ключом к информированию о лечении пациентов [1,2]. Но современные прогностические модели, основанные на демографических данных, клиническом обследовании, радиологической визуализации, имеют ограниченную прогностическую способность [3,4]. В тоже время надежный прогноз исхода заболевания с современными высокоспецифичными и чувствительными маркерами имеет большое клиническое значение [5,6].
Цель. Разработка метода математического моделирования исхода острых травматических церебральных повреждений на основе комплексных клинических, лабораторных, нейровизуализационных исследований с интегральными шкалами оценки неврологического статуса.
Материалы и методы. Исследования проведены у 79 пациентов с различными острыми травматическими поражениями головного мозга. Все пациенты прошли подробное клиническое и неврологическое обследование с использованием шкалы комы Глазго (GCS), компьютерную томографию, рентгенологические, ультразвуковые, гематологические и биохимические исследования. Для выявления зависимых и независимых факторов риска летального исхода в остром периоде травмы был проведен одномерный и многомерный регрессионный анализ. Для определения прогнозных переменных был проведен анализ рабочих характеристик приемника (ROC) с расчетом чувствительности и специфичности.
Полученные результаты. Мы обнаружили, что самыми сильными предикторами плохого исхода были - AVDO2 > 52% левой стороны (ОШ) - 9,01 (95% СИ: 3,45 - 23,51), р<0,0001; AVDO2 >52%, правой стороны (ОШ) - 5,71 (95% СИ: 2,31-14,16), р=0,0002. Уровень лактата >3,3 ммоль/л (ОШ) - 4,30 (95% СИ: 1,61-11,51), р=0,0036. При увеличении S100β 0,1 мкг/л> (ОШ) - 3,77 (95% СИ:1,63-8,73), р=0,0020 и NSE нг/мл>12,5 (ОШ) - 2,69 (95% СИ:1,14-6,36), р=0,0240; САД>169 мм. рт. (ОШ) - 3,27 (95% СИ:1,26-8,48), р=0,0146; при возрасте > 65 лет (ОШ) - 2,43 (95% СИ: 1,04-5,68), р=0,0406. Мера надежности модели, полученной по критерию псевдо R2, Nagelkerke - 627,3% и logLikelihood - 112,7.
Вывод. Эти данные были использованы для разработки математической модели, позволяющей прогнозировать исход заболевания. Наилучшее прогнозируемое значение модели имели точку отсечения 99,13%, AuROC-0,912; Se-93,26%; Sp-80,00%; NPV-94,55%; PPV-76,15%.
Ключевые слова: травма головного мозга, прогнозирование, математическая модель.
Жанслу Н. Саркулова1, https://orcid.org/0000-0001-6669-1244
Айнур Б. Токшилыкова1, https://orcid.org/0000-0003-4416-0180
Марат Н. Саркулов1, https://orcid.org/0000-0003-1165-9049
Марат Х. Жанкулов1, https://orcid.org/0000-0002-9184-7316
Ботагоз М. Калиева1, https://orcid.org / 0000-0002-0143-0761
Камила Р. Даниярова1, https://orcid.org/0000-0002-6145-1839
Жулдыз Ж. Жулдызбаева1, https://orcid.org/0009-0004-5743-6240
Abboud T., Mende K.C., Jung R. et al. Prognostic Value of Early S100 Calcium Binding Protein B and Neuron-Specific Enolase in Patients with Poor-Grade Aneurysmal Subarachnoid Hemorrhage: A Pilot Study. World Neurosurg. 2017. Vol. 108. P. 669-675.
2. Badjatia N., Carney N., Crocco T.J. et al. Guidelines for prehospital management of traumatic brain injury 2nd edition. Prehosp Emerg Care. 2008. Vol. 12, Suppl 1. P. S1-52.
3. Cheng F., Yuan Q., Yang J. et al. The prognostic value of serum neuron-specific enolase in traumatic brain injury: systematic review and meta-analysis. PLoS One. 2014. Vol. 9, Issue 9. P. e106680-1e106680-15.
4. Chiu C.C., Liao Y.E., Yang L.Y. et al. Neuroinflammation in animal models of traumatic brain injury. J Neurosci Methods. 2016. Vol. 272. P. 38-49.
5. Seliverstov P.A., Shapkin Yu.G. Assessment of the severity and prediction of the outcome of polytrauma: the current state of the problem (review). Modern technologies in medicine. 2017. Vol. 9, No. 2. C. 207-218.
6. Semenov A.V., Semenova Yu.A. Predicting the fatal outcome in patients with combined traumatic brain injury. Emergency medical care. 2016. Vol. 17, No. 4. pp. 26-32.
7. Semenov A.V., Sorokovikov V.A. Scales for assessing the severity and predicting the outcome of injury. Polytrauma. 2016. No. 2. pp. 80-90.
8. Dzyak L.A., Zozulya O.A. A step-by-step model for predicting the outcomes of severe traumatic brain injury. Medicine of emergency conditions. 2016. No.4. C. 79-83.
9. Cherniy T.V., Andronova I.A., Cherniy V.I. et al. Predicting the outcome of severe traumatic brain injury. Medicine of emergency conditions. 2020. vol. 16, No. 5. pp. 87-94.
10. Ho SY, Phua K, Wong L, Bin Goh WW. Extensions of the External Validation for Checking Learned Model Interpretability and Generalizability. Patterns (New York, N.Y.). 2020 Nov;1(8):100129. DOI: 10.1016/j.patter.2020.100129. PMID: 33294870; PMCID: PMC7691387.
11. Jiang W., Jin P., Wei W. et al. Apoptosis in cerebrospinal fluid as outcome predictors in severe traumatic brain injury: An observational study. Medicine (Baltimore). 2020. Vol. 99, Issue 26. P. 1-4.
12. Khaki D., Hietanen V., Corell A. et al. Selection of CT variables and prognostic models for outcome prediction in patients with traumatic brain injury. Scand J Trauma Resusc Emerg Med. 2021. Vol. 29, Issue 1. P. 94-1-94-9.
13. Lanzillo B., Piscosquito G., Marcuccio L. et al. Prognosis of severe acquired brain injury: Short and long-term outcome determinants and their potential clinical relevance after rehabilitation. A comprehensive approach to analyze cohort studies. PLoS One. 2019. Vol. 14, Issue 9. P. e0216507-1- e0216507-17.
14. Lai P.M., Du R. Association between S100B Levels and Long-Term Outcome after Aneurysmal Subarachnoid Hemorrhage: Systematic Review and Pooled Analysis. PLoS One. 2016. Vol. 11, Issue 3. P. 1-10.
15. Li X., Lü C., Wang J. et al. Establishment and validation of a model for brain injury state evaluation and prognosis prediction. Chin J Traumatol. 2020. Vol. 23, №5. P. 284-289.
16. Mahan M.Y., Thorpe M., Ahmadi A., Abdallah T., Casey H., Sturtevant D., Judge-Yoakam S., Hoover C., Rafter D., Miner J., Richardson C., Samadani U. Glial Fibrillary Acidic Protein (GFAP) Outperforms S100 Calcium-Binding Protein B (S100B) and Ubiquitin C-Terminal Hydrolase L1 (UCH-L1) as Predictor for Positive Computed Tomography of the Head in Trauma Subjects. World Neurosurg. 2019 Aug;128:e434-e444. doi: 10.1016/j.wneu.2019.04.170. Epub 2019 May 1. PMID: 31051301.
17. Maas AIR, Menon DK, Manley GT, Abrams M, Åkerlund C, Andelic N, Aries M, Bashford T, Bell MJ, Bodien YG, Brett BL, Büki A, Chesnut RM, Citerio G, Clark D, Clasby B, Cooper DJ, et al.; InTBIR Participants and Investigators. Traumatic brain injury: progress and challenges in prevention, clinical care, and research. Lancet Neurol. 2022 Nov;21(11):1004-1060. doi: 10.1016/S1474-4422(22)00309-X. Epub 2022 Sep 29. Erratum in: Lancet Neurol. 2022 Oct 7: PMID: 36183712; PMCID: PMC10427240.
18. Maeda Y., Ichikawa R., Misawa J. et al. External validation of the TRISS, CRASH, and IMPACT prognostic models in severe traumatic brain injury in Japan. PLoS One. 2019. Vol. 14, Issue 8. P. e0221791-1-e0221791-10.
19. Majdan M., Lingsma H.F., Nieboer D. et al. Performance of IMPACT, CRASH and Nijmegen models in predicting six month outcome of patients with severe or moderate TBI: an external validation study. Scand J Trauma Resusc Emerg Med. 2014. Vol. 22. P. 68-1-68-10.
20. Moorthy D.K., Rajesh K., Priya S.M. et al. Prediction of Outcome Based on Trauma and Injury Severity Score, IMPACT and CRASH Prognostic Models in Moderate-to-Severe Traumatic Brain Injury in the Elderly. Asian J Neurosurg. 2021. Vol. 16, №3. P. 500-506.
21. Mollayeva T., Hurst M., Chan V. et al. Pre-injury health status and excess mortality in persons with traumatic brain injury: A decade-long historical cohort study. Prev Med. 2020. Vol. Vol. 139. P. 106213-1-106213-22.
22. Ng S.Y., Lee A.W. Traumatic Brain Injuries: Pathophysiology and Potential Therapeutic Targets. Front Cell Neurosci. 2019. Vol. 13. P. 528.
23. Papa L.., Edwards D., Ramia M. Exploring Serum Biomarkers for Mild Traumatic Brain Injury. In: Kobeissy FH, editor. Brain Neurotrauma: Molecular, Neuropsychological, and Rehabilitation Aspects. Boca Raton (FL): CRC Press/Taylor & Francis; 2015. Chapter 22. PMID: 26269900.
24. Pugazenthi S., Hernandez-Rovira M.A., Mitha R., Rogers J.L., Lavadi R.S., Kann M.R., Cardozo M.R., Hardi A., Elsayed G.A., Joseph J., Housley S.N., Agarwal N. Evaluating the state of non-invasive imaging biomarkers for traumatic brain injury. Neurosurg Rev. 2023 Sep 8.46(1):232. doi: 10.1007/s10143-023-02085-2. PMID: 37682375.
25. Ritter A.C., Wagner A.K., Szaflarski J.P. et al. Prognostic models for predicting posttraumatic seizures during acute hospitalization, and at 1 and 2 years following traumatic brain injury. Epilepsia. 2016. Vol. 57, №9. P. 1503-1514.
26. Rubin M.L., Yamal J.M., Chan W. et al. Prognosis of Six-Month Glasgow Outcome Scale in Severe Traumatic Brain Injury Using Hospital Admission Characteristics, Injury Severity Characteristics, and Physiological Monitoring during the First Day Post-Injury. J Neurotrauma. 2019. Vol. 36, №16. P. 2417-2422.
27. Slavoaca D., Birle C., Stan A. et al. Prediction of Neurocognitive Outcome after Moderate-Severe Traumatic Brain Injury Using Serum Neuron-Specific Enolase and S100 biomarkers. J Med Life. 2020. Vol. 13, Issue 3. P. 306-313.
28. Santacruz C.A., Vincent J.L. Bader A. et al. Association of cerebrospinal fluid protein biomarkers with outcomes in patients with traumatic and non-traumatic acute brain injury: systematic review of the literature. Crit Care. 2021. Vol. 25, Issue 1. P. 278-1-278-14.
29. Stawicki S.P., Wojda T.R., Nuschke J.D., Mubang R.N., Cipolla J., Hoff W.S., Hoey B.A., Thomas P.G. et al. Prognostication of traumatic brain injury outcomes in older trauma patients: A novel risk assessment tool based on initial cranial CT findings. Int J Crit Illn Inj Sci. 2017 Jan-Mar. 7(1):23-31. doi: 10.4103/IJCIIS.IJCIIS_2_17. PMID: 28382256; PMCID: PMC5364765.
30. Tang J., Wang X., Wan H., Lin C., Shao Z., Chang Y., Wang H., Wu Y., Zhang T., Du Y. Joint modeling strategy for using electronic medical records data to build machine learning models: an example of intracerebral hemorrhage. BMC Med Inform Decis Mak. 2022 Oct 25;22(1):278. doi: 10.1186/s12911-022-02018-x. PMID: 36284327; PMCID: PMC9594939.
31. Tsuchiya R., Ooigawa H., Kimura T., Tabata S., Maeda T., Sato H., Suzuki K., Ohara Y., Ooya Y,. Nemoto M, Kurita H. Study of certain easily available biochemical markers in prognostication in severe traumatic brain injury requiring surgery. Surg Neurol Int. 2023 Dec 1. 14:410. doi: 10.25259/SNI_544_2023. PMID: 38213429; PMCID: PMC10783664.
32. Thelin E., Al Nimer F., Frostell A. et al. A Serum Protein Biomarker Panel Improves Outcome Prediction in Human Traumatic Brain Injury. J Neurotrauma. 2019. Vol. 36, Issue 20. P. 2850-2862.
33. World Medical Association. World medical association declaration of Helsinki. Ethical principles for medical research involving human subjects. Bull World Health Organ. 2001. 79:373
34. Yin W., Weng S., Lai S. et al. GCS score combined with CT score and serum S100B protein level Can evaluate severity and early prognosis of acute traumatic brain injury. Nan Fang Yi Ke Da Xue Xue Bao. 2021. Vol. 41, №4. P. 543-548.
35. Yuh E.L., Jain S., Sun X. et al. Pathological Computed Tomography Features Associated With Adverse Outcomes After Mild Traumatic Brain Injury: A TRACK-TBI Study With External Validation in CENTER-TBI. JAMA Neurol. 2021. Vol. 78, Issue 9. P.1137-1148.
Количество просмотров: 164
Категория статей:
Оригинальное исследование
Библиографическая ссылка
Саркулова Ж.Н., Токшилыкова А.Б., Саркулов М.Н., Жанкулов М.Б., Калиева Б.М., Даниярова К.Р., Жулдызбаева Ж.Ж. Персонализированная математическая модель исхода у больных с травматическими повреждениями головного мозга // Наука и Здравоохранение. 2024. Т.26 (4). С. 92-98. doi 10.34689/SH.2024.26.4.012Похожие публикации:
ПРИМЕНЕНИЕ РУКОВОДСТВУЮЩИХ ПРИНЦИПОВ ПРОФИЛАКТИКИ ИНФЕКЦИОННОГО ЭНДОКАРДИТА СТОМАТОЛОГАМИ КАЗАХСТАНА: ПОПЕРЕЧНОЕ ИССЛЕДОВАНИЕ
ОЦЕНКА ОБРАЗОВАНИЯ ФИБРОЗА ПЕЧЕНИ У ПАЦИЕНТОВ С ХРОНИЧЕСКИМ ПАНКРЕАТИТОМ С ПОМОЩЬЮ НЕИНВАЗИВНЫХ ИНДЕКСОВ АСТ/АЛТ, APRI INDEX, FIB4 SCORE
ЗНАНИЕ, ОТНОШЕНИЕ И ПРАКТИКА К АБОРТАМ КАЗАХСТАНСКИХ АКУШЕРОВ-ГИНЕКОЛОГОВ
ОЦЕНКА СТРЕССА У РАБОТНИКОВ ПЕРВИЧНОЙ МЕДИКО-САНИТАРНОЙ ПОМОЩИ В КАЗАХСТАНЕ
ВЛИЯНИЕ РЕЛАКСИРУЮЩЕЙ РЕТИНЭКТОМИИ НА ДИНАМИКУ ВНУТРИГЛАЗНОГО ДАВЛЕНИЯ ПОСЛЕ ВИТРЕОРЕТИНАЛЬНЫХ ОПЕРАЦИЙ У БОЛЬНЫХ С ПРОЛИФЕРАТИВНОЙ ДИАБЕТИЧЕСКОЙ РЕТИНОПАТИЕЙ