Цель исследования. Провести обучение искусственной нейросети (ИНС) на основании созданной базы данных пациентов с предиабетом, сахарным диабетом 2-го типа (СД2), СД2 в сочетании с ишемической болезнью сердца (ИБС), избыточной массой тела и ожирением I степени и практически здоровых лиц на основании данных, включающих традиционные факторы риска развития СД2 и ИБС, а также показателей проокси-дантно-антиоксидантного статуса и микроциркуляции бульбарной конъюнктивы.

Материал и методы. Сформирована новая конфигурация ИНС со следующими параметрами: количество входов — 38, равное количеству диагностических параметров, анализируя которые нейросеть принимает решение, количество выходных нейронов — 5, равное количеству групп, по которым необходимо классифицировать пациентов. Для обучения ИНС сформирована репрезентативная обучающая выборка, состоящая из 251 пациента с уже поставленным врачебным диагнозом и обследованного по практически всем диагностическим параметрам, подающимся на вход нейросети.

Результаты. На вход подается таблица с ранее классифицированной обучающей выборкой, содержащая 5 групп пациентов, обследованных по диагностическим параметрам, включенным для обучения ИНС. При предъявлении на вход векторов различных классов пациентов (0, 1, 2, 3, 4) на выходе будет получена диаграмма вероятностей принадлежности данного вектора к определенному классу. При обучении ИНС можно проводить контроль правильности принадлежности входного образца определенному классу, а также отклонений. По диаграмме состояния нейросети можно определить соответствие уровней сигналов на выходном состоянии ИНС реальным вероятностям принадлежности образца к определенному классу. В процессе обучения ИНС по базе данных включенных в исследование пациентов также были выявлены отклонения общим числом 4.

Заключение. Характеристики, включенные для обучения ИНС, позволяют классифицировать пациентов по группам предиабета, СД2, СД2 в сочетании с ИБС и избыточной массой тела или ожирением I степени. Определение отклонений при классификации пациента позволяет, вероятно, отнести его в группу с высоким риском развития предиабета, СД2, СД2 в сочетании с ИБС и избыточной массой тела или ожирением I степени.

Выявление факторов риска развития и про-грессирования заболевания и его осложнений представляет собой трудоемкий процесс. Важным является определение предикторных показателей, их объединение и применение моделей, которые позволяют в совокупности оценивать данные факторы и проводить прогноз относительно конкретного пациента. В последнее время все более широкое распространение получают искусственные нейронные сети (ИНС) [1]. Описано их применение для диагностики острого панкреатита, рака поджелудочной железы, рака грудной железы [2—4], аритмий по данным ЭКГ [5], риска инфаркта миокарда [6], метаболического синдрома [7—9]. ИНС облегчают данную задачу и минимизируют вероятность ошибки, а также позволяют уменьшить затраченное на диагностику время [10]. Порой надежность моделей прогноза может быть ограничена их низкой чувствительностью и специфичностью, в таком случае выявление пациентов с высоким риском становится резко ограниченным [11]. В модели ИНС больше прогностических возможностей, так как они позволяют проводить исследование нелинейных зависимостей и взаимодействий между предикторами, особенно если данные представляют собой непрерывные значения [12]. Технические возможности ИНС являются большим преимуществом по сравнению с традиционными многофакторными моделями [13].

Обучение ИНС происходит на совокупности заранее подготовленных данных, после чего программа строит прогностическую модель. Также в качестве результата отражается сведенная к минимуму ошибка, когда происходит сравнение с известным или ожидаемым исходом. Оценка работоспособности модели проводится по определению положительных результатов. Уже обученные ИНС могут классифицировать каждого нового пациента. В этом заключается принципиальное отличие ИНС от других предложенных прогностических моделей, где новый индивид (пациент) относится к той группе, где отмечается больше всего сходных параметров [13]. Преимуществом является не только их прогностическая точность и номинальная мощность нагрузки, но и способность к генерализации по сравнению с традиционными регрессионными моделями данных.

В диабетологии есть данные о применении ИНС для диагностики диабетической ретинопатии, где метод показал хорошие результаты: с чувствительностью 90% и специфичностью 100% [14]. G. G. Gardner и соавт. также получили положительные результаты, их показатели чувствительности и специфичности метода составили 88,4% и 83,5% соответственно [15].

В литературе нарушение толерантности к глюкозе (НТГ) и нарушение гликемии натощак (НГН) нередко объединяются понятием «пре-диабет». В последние годы отмечается ренессанс использования данного термина, что обусловлено применением для диагностики сахарного диабета 2-го типа (СД2) уровня НЬАс, не позволяющего дифференцировать НТГ и НГН. Тем не менее выявление пациентов с предиабетом имеет принципиальное значение по нескольким причинам. Во-первых, это динамическое наблюдение и возможность своевременного проведения профилактических мероприятий для предупреждения развития СД2. Во-вторых, это ранняя диагностика сосудистых осложнений.

Ожирение является фактором риска сердечнососудистых заболеваний и СД2 [14]. На фоне ожирения усиливаются адипокинассоциирован-ные процессы воспаления, инициируются метаболические и гомеостатические механизмы, усиливающие процессы атерогенеза [16—18]. Ассоциация СД2 с ожирением обусловливает развитие инсулинорезистетности, активацию маркеров воспаления, что усугубляет развитие сердечно-сосудистых заболеваний и микроан-гиопатий [19].
Известно, что одним из инициирующих механизмов развития диабетических осложнений является развитие оксидативного стресса (ОС) за счет нарушения функции клеток с последующим снижением их количества и развития дисфункции органов [20]. Такой обобщенный механизм описывает нарушения функций всех органов и тканей на фоне колебаний гликемии при СД и предиабете.

Актуальность изучения микроциркуляции обусловлена тем, что изменения, возникающие в микрососудах, приводят к нарушению питания тканей и в конечном итоге к снижению их функциональных способностей на уровне органов и систем. Изменение микроциркуляции может быть следствием предшествующих функциональных нарушений, например, повышения внутрикапиллярного давления, изменения кровотока и проницаемости сосудов [21]. Данной системе принадлежит важная роль в поддержании сосудистого и тканевого гомео-стаза. При ее изменении нарушаются и все выполняемые ею функции, а именно: транспорт и обмен веществ, снижается защитная роль, уменьшается способность тканей к регенерации и восстановлению [23, 24]. Наиболее информативным методом изучения микроциркуляции является биомикроскопия конъюнктивы глаза, поскольку позволяет визуализировать все структуры микроциркуляторного русла и выявить компоненты, в наибольшей степени подверженные изменениям. Компонентное изучение микроциркуляторного русла важно и для практической медицины, так как при выявлении изменений структуры микрососудов или кровотока можно выбирать направленные методы их коррекции.

В рутинной практике одновременное объединение уже известных факторов, ассоциированных с развитием СД2, и осложнений заболевания с показателями ОС и изменениями микроциркуляции не представляется возможным без использования автоматизированной системы. Это позволяют сделать ИНС. Целью данной работы являлось создание базы данных для обучения ИНС для последующего ее применения в диагностике СД2 и предиабета.