Статьи

Актуальность. Паутинные оболочки широко и неравномерно распределены в полости черепа и резко различаются по внешнему виду и конфигурации. Понимание особенностей распределения и конфигурации внутричерепных паутинных оболочек необходимо для того, чтобы в полной мере использовать естественные анатомические ориентиры во время операций.

Цель исследования. Изучение особенностей эндоскопической анатомии распределения и конфигурации паутинных оболочек основания головного мозга.

Материал и методы. Эндоскопическая, микрохирургическая анатомия паутинных оболочек основания мозга, базальных цистерн, линия ската изучены на 20 кадаверных препаратах с предварительно окрашенными цветным силиконом сосудами.

Результаты. Базальное прикрепление мезэнцефального листка мембраны Лилиеквиста и его каудальное продолжение в виде препонтинной мембраны по обе стороны от основной артерии образуют U-образное утолщение (линию ската) на наружной паутинной оболочке, оно служит надежным ориентиром для рассечения окружающих паутинных оболочек во время эндоскопической вентрикулоцистерностомии дна III желудочка (ЭВЦС III). Предложенные 4 типа перфорационных механизмов в зависимости от анатомических изменений внутренних паутинных оболочек позволяют спланировать идеальное положение стомы, связанное с комплексом мембраны Лилиеквиста, что предопределяет долгосрочный успех операции.

Заключение. U-образное утолщение (линия ската) на наружной паутинной оболочке служит надежным ориентиром для рассечения окружающих паутинных оболочек во время ЭВЦС III.

Применение современных методов машинного обучения (МО) для статистического анализа больших выборок пациентов существенно превышает возможности традиционных способов обработки информации в клинической медицине.

Цель. Разработать алгоритм применения рекуррентных нейронных сетей при анализе набора клинических данных пациентов с субарахноидальным кровоизлиянием (САК).

Материалы и методы. Регистр по типу «больших данных» содержал ретроспективные данные 2631 пациента с артериальными аневризмами. Из них для данного исследования было отобрано 390 человек, у которых САК потребовало лечения в условиях отделения интенсивной терапии, анестезии и реанимации (ИТАР). Исходный набор данных содержал 7290 признаков, из которых было отобрано 12 для обучения следующих моделей МО: логистическая регрессия, метод опорных векторов, метод случайного леса, градиентный бустинг, многослойный перцептрон, рекуррентная сеть с архитектурой долгой краткосрочной памяти (LSTM). Все этапы предобработки и моделирования данных выполнены на языке Python (версия 3.11.4) с использованием библиотек scikit-learn, tensorflow, keras и hyperopt. Вычислены значения и 95% доверительные интервалы (ДИ) AUROC и AURPC, прогностическая ценность, специфичность и чувствительность.

Результаты. В выборке было 246 (63%) женщин и 144 (37%) мужчины, средний возраст всех пациентов составил 54 ± 12,9 года. Летальный исход зарегистрирован у 133 (34%) пациентов, в том числе у 33 в течение 24 часов после поступления. Лучшей моделью, предсказывающей летальный исход, была рекуррентная нейронная сеть LSTM. При сравнении с другими моделями LSTM характеризовалась наибольшей предиктивной силой (AUROC – 0,83; 95% ДИ: 0,72–0,92, AURPC – 0,62; 95% ДИ 0,39–0,81) в отношении госпитальной летальности. Для периода времени нахождения в ИТАР с 3-х по 6-е сутки положительная прогностическая ценность модели составила 0,83, чувствительность – 0,95 и специфичность – 0,58.

Заключение. Рекуррентная нейронная сеть LSTM может быть адаптирована к разработке автоматизированных алгоритмов ведения пациентов с САК в критическом состоянии.