НЕЙРОМЕРЕЖЕВА МОДЕЛЬ ПРОГНОЗУВАННЯ РІВНЯ РИЗИКУ ІМПЛАНТАЦІЙНОГО  ЛІКУВАННЯ ПАЦІЄНТІВ ІЗ ПАТОЛОГІЄЮ ШЛУНКОВО-СТРАВОХІДНОГО З’ЄДНАННЯ

О. І. Галушко

doi:10.32782/2521-6643-2025-2-70.1

О. І. Галушко Київський національний університет імені Тараса Шевченка https://orcid.org/0009-0009-0275-6542

DOI: https://doi.org/10.32782/2521-6643-2025-2-70.1

Ключові слова: багатошаровий перцептрон, штучна нейронна мережа, класифікація, клінічне прогнозування, ендоскопічні показники, ризик імплантації

Анотація

У статті представлено математичну модель прогнозування рівня ризику можливості імплантації терапевтичних пристроїв у пацієнтів із патологією шлунково-стравохідного з’єднання на основі штучної нейронної мережі типу багатошарового перцептрона (Multilayer Perceptron, MLP). Модель інтегрує 15 клінічних, ендоскопічних та морфометричних показників, що відображають як функціональний стан стравоходу, так і структурні зміни слизової оболонки. Для побудови моделі використано вибірку з 558 спостережень (401 – навчальна, 157 – тестова), що забезпечило статистично достовірну оцінку її прогностичної ефективності. Архітектура мережі включає вхідний шар із 50 параметрів (після кодування змінних), один прихований шар із 7 нейронами та вихідний шар із 5 вузлів, які відповідають рівням ризику (0–4). Навчання здійснювалося методом зворотного розповсюдження помилки з використанням оптимізатора Scaled Conjugate Gradient. Модель продемонструвала надзвичайно високу точність класифікації – 99,8 % для навчальної та 99,4 % для тестової вибірок, при цьому значення площі під ROC-кривими (AUC) для кожного класу становили 1. Така стабільність свідчить про відсутність перенавчання та високу узагальнювальну здатність моделі. Найбільший внесок у формування прогнозу мають морфометричні параметри, що характеризують ступінь пролабування шлунка в стравохід, показники діафрагмального звуження та розташування Z-лінії, а також ендоскопічні ознаки ураження слизової – наявність ерозій і виразок, вкритих гематином. Отримані результати демонструють потенціал нейромережевого підходу для автоматизованої стратифікації пацієнтів за рівнем ризику та обґрунтованого вибору інтервенційних стратегій (зокрема імплантації систем Bravo, JSPH-1, BEST Capsule, EndoStim тощо). Запропонована модель може стати основою для створення інтелектуальної системи підтримки клінічних рішень, що підвищує точність діагностики, сприяє персоналізації лікування та знижує ризики необґрунтованих інвазивних втручань у гастроентерологічній практиці.

Посилання

1. Al Bataineh A., Manacek S. MLP-PSO hybrid algorithm for heart disease prediction. Journal of Personalized Medicine. 2022. Vol. 12, No. 8. P. 1208. DOI: https://doi.org/10.3390/jpm12081208.
2. Pan L., Liu X., Zhu L., Yu Z., Wang J., Li X., Zhang W., Li R., Wang Z., Lu H., Yang S., Li P., Su Y., Hua W., Liang Y. Machine learning-based prognostic models for mortality in patients receiving implantable cardioverter defibrillators. Pacing and Clinical Electrophysiology. 2025. Vol. 48, No. 8. P. 906–916. DOI: https://doi.org/10.1111/pace.70008.
3. Liu S. W., Li P., Li X. Q., Wang Q., Duan J. Y., Chen J., Li R. H., Guo Y. F. Recent advances in machine learning for precision diagnosis and treatment of esophageal disorders. World Journal of Gastroenterology. 2025. Vol. 31, No. 23. P. 105076. DOI: https://doi.org/10.3748/wjg.v31.i23.105076.
4. Pace F., Buscema M., Dominici P., Intraligi M., Baldi F., Cestari R., Passaretti S., Bianchi Porro G., Grossi E. Artificial neural networks are able to recognize gastro-oesophageal reflux disease patients solely on the basis of clinical data. European Journal of Gastroenterology & Hepatology. 2005. Vol. 17, No. 6. P. 605–610. DOI: https://doi.org/10.1097/00042737-200506000-00003.
5. Wang C.-C., Chiu Y.-C., Chen W.-L., Yang T.-W., Tsai M.-C., Tseng M.-H. A deep learning model for classification of endoscopic gastroesophageal reflux disease. International Journal of Environmental Research and Public Health. 2021. Vol. 18, No. 5. P. 2428. DOI: https://doi.org/10.3390/ijerph18052428.
6. Amiri Z., Heidari A., Navimipour N. J. та ін. The deep learning applications in IoT-based bio- and medical informatics: A systematic literature review. Neural Computing and Applications. 2024. Vol. 36. P. 5757–5797. DOI: https://doi.org/10.1007/s00521-023-09366-3.
7. Shirwaikar R. D., Acharya U. D., Makkithaya K., M. S., Srivastava S., Lewis U. L. E. S. Optimizing neural networks for medical data sets: A case study on neonatal apnea prediction. Artificial Intelligence in Medicine. 2019. Vol. 98. P. 59–76. DOI: https://doi.org/10.1016/j.artmed.2019.07.008.
8. Nazari Y., Lngeroodi P. F., Maddahi M., Kobravi S., Amin M. R., Bargrizaneh A. A., Fouladi S. Artificial intelligence models and predicting implant success. Biomedical Research and Therapy. 2025. Vol. 12, No. 1. P. 7029–7038. DOI: https://doi.org/10.15419/bmrat.v12i1.949.
9. Lawenko R. M. A., Lee Y. Y. Evaluation of gastroesophageal reflux disease using the Bravo capsule pH system. Journal of Neurogastroenterology and Motility. 2016. Vol. 22, No. 1. P. 25–30. DOI: https://doi.org/10.5056/ jnm15130.
10. IBM Corp. IBM SPSS neural networks 26 documentation. IBM Corporation, 2019. URL: https://www.ibm.com/docs/en/spss-statistics/26.0.0?topic=features-neural-networks.