Mathematical modeling and prediction of the effectiveness of surgical treatment in surgery of the spine and pelvic complex

Cover Page

Cite item

Full Text

Abstract

Based on the study of the literature on the quality assessment of operativetreatment in reconstructive surgery of the spine and pelvic complex, it can beconcluded that, as a rule, multiple linear or logistic regression, adecision tree, is used to predict the quality of operative treatment. Neuralnetworks are less commonly used.
Forecasting is performed on the basis of a comparison of the pre- andpostoperative condition of the patient, assessed according to variousordinal and quantitative scales as a result of interviewing the patient.
With a relatively small number of analyzed cases of the disease (severaltens or hundreds) and a small number of indicators (no more than two orthree dozen), the use of neural networks seems premature for two reasons: asmall amount of data allows analyzing them with classical methods ofmathematical statistics, and identifying dependencies on a given stagerequires constant “manual” intervention, taking into account informationfrom the subject area.
The application of statistical analysis methods to data on the treatment ofchronic injuries showed the presence of standard problems for medical data.This is the presentation of the initial information in nominal or ordinalscales, the subjective nature of some indicators, as well as theinterdependence of the presented characteristics, which reduces the qualityof research.
The search for the objective function that characterizes the quality ofsurgical treatment has shown the ambiguity of solving this problem even fora highly specialized situation.
The identification of objectively present relationships also revealed alarge number of problems, especially related to the choice of the type ofsurgical treatment, which is largely determined by the experience of thesurgeon.
Based on the study, it was proposed to build a model for predicting thequality of surgical treatment, based on expert assessments in the form of aforecast tree with recommended surgical treatment options and a statisticalforecast based on the available experience. It is assumed that the modelwill be dynamic with feedback and be able to self-update.
To predict the quality of surgical treatment in reconstructive surgery ofthe spine and pelvic complex, it is advisable to use a forecast tree, which allows usto recommend the type of surgery for a specific case of injury or diseaseand calculate the predicted values of quality of life indicators.

About the authors

Leonid Yur'evich Kossovich

Saratov State University

Email: rector@sgu.ru, nano-bio@sgu.ru
Doctor of physico-mathematical sciences, Professor

Alexander Vladimirovich Kharlamov

Saratov State University

Email: harlamovav@info.sgu.ru
Candidate of economical sciences

Yuliya Vladimirovna Lysunkina

Saratov State University

Email: lysunkina@yandex.ru

Alexey E. Shulga

Saratov State Medical University named after V. I. Razumovsky

Email: doc.shulga@yandex.ru
Candidate of medical sciences

References

  1. Goncharova A. B., Sergeeva E. I., "Decision support system in medicine for diagnosing diseases", Innovation in Science, 2017, no. 1(62), 23-25 (In Russian)
  2. Litvin A. A., Litvin V. A., "Decision support systems in surgery", Novosti Khirurgii, 22:1 (2014), 96-100 (In Russian)
  3. Davuluri P., Wu J., Ward K. R., Cockrell C. H., Najarian K., Hobson R. S., "An automated method for hemorrhage detection in traumatic pelvic injuries", Conf. Proc. IEEE Eng. Med. Biol. Soc., 2011, 5108-5111
  4. Egorov A. A., Mikshina B. C., "The model of surgeon's decision", Vestn. Novykh Med. Tekhnol., 18:4 (2011), 287-290 (In Russian)
  5. Mofidi R., Duff M. D., Madhavan K. K., Garden O. J., Parks R. W., "Identification of severe acute pancreatitis using an artificial neural network", Surgery, 141:1 (2007), 59-66
  6. Andersson B., Andersson R., Ohlsson M., Nilsson J., "Prediction of severe acute pancreatitis at admission to hospital using artificial neural networks", Pancreatology, 11:3 (2011), 328-335
  7. Korenevskii N. A., Shekhine M. T., Pekhov D. A., Tarasov O. N., "The forecasting and early recognition of the acute cholecystitis and the estimation of its severity degree on basis of fuzzy decision making logic", Vestn. Voronezh. Gos. Tekhn. Univ., 5:11 (2009), 150-155 (In Russian)
  8. Krut'ko A. V., Baikov E. S. "Analysis of the criteria for predicting the outcomes of surgery for intervertebral disc herniation: review of current literature", Geniy Ortopedii, 2012, no. 1, 140-145 (In Russian)
  9. During J., Goudfrooij H., Keessen W., Beeker T. W., Crowe A., "Toward standards for posture. Postural characteristics of the lower back system in normal and pathologic conditions", Spine, 10:1 (1985), 83-87
  10. Duval-Beaupere G., Boisaubert B., Hecquet J., Legaye J., Marty C., Montigny J. P., "Sagittal profile of normal spine change in spondylolisthesis", Severe Spondylolisthesis, eds. J. Harms, H. Stürz, Steinkopff, Darmstadt, 2002, 21-32
  11. Sur Y. J., Kong C. G., Park J. B., "Survivorship analysis of 150 consecutive patients with DIAM (TM) implantation for surgery of lumbar spinal stenosis and disc herniation", Eur. Spine J., 20:2 (2011), 280-288
  12. Shen M., Razi A., "Retrolisthesis and lumbar disc herniation: a preoperative assessment of patient function", Spine J., 7:4 (2007), 406-413
  13. Ovcharenko S. I., Forecasting of volume and an outcome of surgical intervention at lumbar osteochondrosis, Thesis of Dissertation (Cand. Medic. Sci.), Belgorod, 2007, 21 pp. (In Russian)
  14. Antipko A. L., Prediction of recurrence of hernias of intervertebral discs of the lumbar spine based on magnetic resonance imaging and mathematical modeling, Thesis of Dissertation (Cand. Medic. Sci.), Voronezh, 2009, 18 pp. (In Russian)
  15. Krut'ko A. V., Baikov E. S., Prediction of the results of surgical treatment of patients with herniated lumbar intervertebral discs {(}M51.0, M51.2, M51.3, M51.8, M51.9{)}, Clinical Guidelines, Association of Orthopaedists and Traumatologists of the Russian Federation, Novosibirsk, 2016, 16 pp. (In Russian)
  16. Nazarenko A. G., Selection of optimal surgical tactics in degenerative diseases of the lumbosacral spine using analytical information system and computer simulation, Thesis of Dissertation (Dr. Medic. Sci.), Moscow, 2012, 50 pp. (In Russian)
  17. Berne J. D., Cook A., Rowe S. A., Norwood S. H., "A multivariate logistic regression analysis of risk factors for blunt cerebrovascular injury", J. Vasc. Surg., 51:1 (2010), 57-64
  18. Liu J.-e, Zhou J., "Additive-multiplicative hazards model for case-cohort studies with multiple disease outcomes", Acta Math. Appl. Sin.-Engl. Ser., 33:1 (2017), 183-192
  19. Dong C.-l., Zhou J., Sun L.-q., "A class of weighted estimators for additive hazards model in case-cohort studies", Acta Math. Appl. Sin.-Engl. Ser., 30:4 (2014), 1153-1168
  20. Johansson P. I. et al., "Traumatic endotheliopathy: A prospective observational study of 424 severely injured patients", Ann. Surg., 265:3 (2017), 597-603
  21. Jang H.-D. et al., "Risk factor analysis for predicting vertebral body re-collapse after posterior instrumented fusion in thoracolumbar burst fracture", Spine J., 18:2 (2018), 285-293
  22. Lafage R. et all., "Self-learning computers for surgical planning and prediction of postoperative alignment", Eur. Spine J., 27:1 (2018), 123-128
  23. Zhang B. et al., "Risk factors of cage subsidence in patients with ossification of posterior longitudinal ligament (OPLL) after anterior cervical discectomy and fusion", Med. Sci. Monit., 24 (2018), 4753-4759
  24. Beng J., Lim T., Yeo W., Chen J.L.T., "Preoperative leg pain score predicts patient satisfaction after transforaminal lumbar interbody fusion surgery", Global Spine J., 8:4, 354-358

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2019 Samara State Technical University

Creative Commons License
This work is licensed under a Creative Commons Attribution 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».