Стулов Илья Константинович — врач-рентгенолог рентгеновского отделения; врач-рентгенолог отделения лучевой диагностики № 1
192019, Санкт-Петербург, ул. Бехтерева, д. 3
197341, Санкт-Петербург, ул. Аккуратова, д. 2
Ilya K. Stulov — radiologist of the Radiological Department
192019, St. Petersburg, Bekhtereva st., 3
Ананьева Наталия Исаевна — доктор медицинских наук, профессор, заведующий отделением лучевой диагностики
192019, Санкт-Петербург, ул. Бехтерева, д. 3
199034, Санкт-Петербург, Университетская наб., д. 7–9
Natalia I. Ananyeva — Dr. of Sci. (Med.), Professor, Head of the Radiological Department
192019, St. Petersburg, Bekhtereva st., 3
199034, St. Petersburg, Universitetskaya Naberezhnaya, 7–9
Лукина Лариса Викторовна — кандидат медицинских наук, старший научный сотрудник, руководитель отделения нейровизуализационных исследований
192019, Санкт-Петербург, ул. Бехтерева, д. 3
Larisa V. Lukina — Cand.of Sci. (Med.), Senior Researcher
192019, St. Petersburg, Bekhtereva st., 3
Залуцкая Наталья Михайловна — кандидат медицинских наук, доцент, ведущий научный сотрудник отделения гериатрической психиатрии
192019, Санкт-Петербург, ул. Бехтерева, д. 3
Natalia M. Zalutskaya — Cand. of Sci. (Med.), Docent, Leading Researcher of theDepartment of Geriatric Psychiatry
192019, St. Petersburg, Bekhtereva st., 3
Гомзякова Наталья Александровна — младший научный сотрудник отделения гериатрической психиатрии
192019, Санкт-Петербург, ул. Бехтерева, д. 3
Natalia A. Gomzyakova — Junior Researcherof the Department of Geriatric Psychiatry
192019, St. Petersburg, Bekhtereva st., 3
Вукс Александр Янович — главный специалист научно-организационного отделения
192019, Санкт-Петербург, ул. Бехтерева, д. 3
Aleksandr Ya. Vuks — Head Specialist of the Scientific and organizational Department
192019, St. Petersburg, Bekhtereva st., 3
ВВЕДЕНИЕ: Дифференциальная диагностика умеренных когнитивных расстройств (УКР) в связи с их высокой распространенностью в популяции и быстрым ростом заболеваемости представляет собой актуальную задачу. Наиболее распространенными причинами, приводящими к развитию когнитивных нарушений, являются болезнь Альцгеймера (БА), цереброваскулярная патология и их сочетание. БА обычно проявляется амнестическим типом умеренных когнитивных расстройств (аУКР) на додементной стадии. Подкорковые сосудистые умеренные когнитивные расстройства (псУКР) рассматриваются как продромальная стадия подкорковой сосудистой деменции. По результатам патоморфологических исследований установлено, что субполя гиппокампальной формации избирательно уязвимы для БА, ишемии/гипоксии и старения.
В настоящее время с помощью программного обеспечения FreeSerfer 6.0 появилась возможность получать количественные показатели субполей гиппокампальной формации in vivo.
Современной тенденцией в медицине является развитие и внедрение новых диагностических решений на основе искусственного интеллекта и машинного обучения. Один из алгоритмов машинного обучения — бинарная логистическая регрессия, которую мы применили в ходе исследования для дифференциальной диагностики УКР различного генеза.
ЦЕЛЬ: Разработать метод дифференциальной диагностики умеренных когнитивных расстройств различного генеза.
МАТЕРИАЛЫ И МЕТОДЫ: В исследование включены пациенты с синдромом умеренных когнитивных расстройств, проходившие обследование в отделении гериатрической психиатрии ФГБУ «НМИЦ ПН им. В.М.Бехтерева», из числа которых сформированы две группы: 1-я группа — пациенты с аУКР, 2-я группа — пациенты с псУКР. Условно здоровые добровольцы, сопоставимые по возрасту, полу и уровню образования, составили 3-ю группу (контрольную). МР-исследование проведено на магнитно-резонансном томографе Excelart Vantage Atlas XGV (Toshiba, Япония) с напряженностью магнитного поля 1,5 Т с последующим выполнением МР-морфометрии субполей гиппокампальной формации.
Статистика: Статистический анализ проводился с использованием данных, которые конвертировались из базы в Microsoft Excel в статистический пакет IBM SPSS 21. Для разработки метода дифференциальной диагностики на основании полученных данных использовался метод бинарной регрессии и ROC-анализ.
РЕЗУЛЬТАТЫ: На основании полученных данных МР-морфометрии разработан метод с использованием уравнения бинарной логистической регрессии. В качестве порога принято значение 0,5: значение p≥0,5 позволяет отнести пациента к группе аУКР, а значение р<0,5 — к псУКР. Чувствительность метода составляет 90%, специфичность — 80%, точность — 85%.
ОБСУЖДЕНИЕ: С использованием бинарной логистической регрессии проведен отбор вариантов наборов переменных (количественных показателей), для которых построены ROC-кривые. Критерием отбора была выбрана площадь под ROCкривой — критерий AUC (Area Under the Curve). Наибольшая площадь под кривой (AUC=0,824) в дифференциальной диагностике аУКР от псУКР определялась для комбинации объема левого субикулюма и толщины правой энторинальной коры. Так как пациенты в группе аУКР имели значимо меньшее количество сосудистых очагов, чем в группе псУКР (p<0,05), на следующем этапе к выбранной комбинации двух переменных (объем левого субикулюма и толщина правой энторинальной коры) добавлена еще одна переменная — фракция объема гипоинтенсивных очагов. При проведении ROC-анализа с вариантом комбинации трех переменных отмечалось увеличение AUC до 0,892. Далее с использованием комбинации трех переменных и уравнения бинарной логистической регрессии разработан метод дифференциальной диагностики аУКР и псУКР.
ЗАКЛЮЧЕНИЕ: Метод дифференциальной диагностики, основанный на бинарной логистической регрессии с использованием данных МР-морфометрии, позволяет отличать пациентов с аУКР от пациентов с псУКР с высокой чувствительностью и специфичностью.
INTRODUCTION: The differential diagnosis of mild cognitive impairment (MCI), due to the high prevalence in the population and the rapid increase in incidence, is an urgent task. The most common causes leading to the development of cognitive impairment are Alzheimer’s disease (AD), cerebrovascular pathology, and their combination. AD usually manifests as an amnestic type of mild cognitive impairment (aMCI) at the pre-dementia stage. Subcortical vascular mild cognitive impairment (svMCI) is considered as the prodromal stage of subcortical vascular dementia. According to the results of pathomorphological studies, it was found that subfields of the hippocampal formation are selective vulnerability to AD, ischemia/hypoxia, and aging.
Currently, using the FreeSurfer 6.0 software, it is possible to obtain quantitative indicators of the hippocampal formation subfields in vivo.
The current trend in medicine is the development and implementation of new diagnostic solutions based on artificial intelligence and machine learning. One of the machine learning algorithms is binary logistic regression, which we used in the course of the study for the differential diagnosis of MCI of various origins.
OBJECTIVE: To develop a method for the differential diagnosis of mil cognitive impairment of various origins.
MATERIALS AND METHODS: The study included patients with the syndrome of mild cognitive impairment who were examined in the department of geriatric psychiatry of the V.M.Bekhterev National Medical Research Center for Psychiatry and Neurology, from which two groups were formed: group 1 — patients with aMCI, group 2 — patients with svMCI. Conditionally healthy volunteers, comparable in age, sex and level of education, made up the 3rd group (control). MRI examination was performed using a Excelart Vantage Atlas XGV magnetic resonance imaging system (Toshiba, Japan) with a magnetic field strength of 1.5 T, followed by MR morphometry of the subfields of the hippocampal formation.
Statistics: Statistical analysis was carried out using data that was converted from a database in Microsoft Excel to the statistical package IBM SPSS 21. To develop a differential diagnosis method, based on the data obtained, the binary regression method and ROC analysis were used.
RESULTS: Based on the obtained MR-morphometry data, a method was developed using the binary logistic regression equation. The value of p≥0.5 makes it possible to classify the patient to the aMCI group, and the value of p<0.5 — to the svMCI. The sensitivity of the method is 90%, the specificity is 80%, and the accuracy is 85%.
DISCUSSION: Using binary logistic regression, the selection of variants of sets of variables (quantitative indicators) was carried out, for which ROC curves were constructed. The selection criterion was the area under the ROC curve — the AUC criterion (Area Under the Curve). The largest area under the curve (AUC=0.824) in the differential diagnosis of aMCI from svMCI was determined for the combination of the volume of the left subiculum and the thickness of the right entorhinal cortex.
Since patients in the aMCI group have a significantly lower number of vascular foci than in the svMCI group (p<0.05), at the next stage, one more variable, the volume fraction, was added to the selected combination of two variables (volume of the left subiculum and thickness of the right entorhinal cortex) hypointense foci. When conducting an ROC analysis with a combination of three variables, an increase in AUC to 0.892 was noted. Further, using a combination of three variables and a binary logistic regression equation, a method for differential diagnosis of aMCI from svMCI was developed.
CONCLUSION: The method of differential diagnosis based on binary logistic regression using MR morphometry data allows to distinguish patients with aMCI from patients with svMCI with high sensitivity and specificity.
The authors declare that there are no conflicts of interest present.