Актуальность:

Перекрут яичников - распространенная проблема у девочек, обращающихся за экстренной помощью с тазовыми или абдоминальными болями. Полагаясь на сочетание физикального обследования, анамнеза и методов лучевой диагностики, сложно точно и быстро поставить диагноз.  Невозможность своевременно установить диагноз может привести к необратимой ишемии яичников с отрицательными последствиями для репродуктивной функции в дальнейшем. У пациенток педиатров ультразвуковое исследование является основным способом в оценке перекрута яичников. Однако даже при высоком показателе «подозрительных» признаков особенности визуализации не являются патогномоничными.

Цель исследования:

Разработать алгоритм, который помог бы врачам лучевой диагностики диагностировать перекрут яичников с помощью обучения на компьютере по ультразвуковым признакам и оценить частоту каждого ультразвукового элемента.

Материалы и методы:

Все пациенты педиатров, получавшие лечение по поводу перекрута яичников в лечебном учреждении 4 уровня в течение 11-летнего периода, были идентифицированы как по внутренней базе данных отделения лучевой диагностики, так и по отчетности клиники на основании Международной статистической классификации болезней и связанных с ними проблем со здоровьем (МКБ). Критериями включения были: хирургическое подтверждение перекрута яичника и доступная визуализация. Пациенты были исключены, если диагноз не мог быть подтвержден, не было доступно изображение для обзора, яичник не был идентифицирован с помощью изображения, или в перекрут были вовлечены  другие составляющие придатков матки за исключением яичника. Сбор данных включал: возраст пациентки; сторону перекрута; объем яичников; положение пораженного яичника, то есть, смещен ли он в центр относительно средней линии матки; наличие или отсутствие допплеровского сигнала в пораженном яичнике; визуализация периферических фолликулов; наличие объемных образований или кисты и свободной жидкости в брюшной полости. Впоследствии мы оценивали контрольную когорту пациенток, обратившихся за медицинской помощью с апреля 2015 по май 2016 года. Эта когорта состояла из последовательно включенных девочек и девушек, поступивших в отделение неотложной помощи с тазовыми или абдоминальными болями,  связанными с перекрутом яичников, но которым в конечном итоге был поставлен иной диагноз. Эти данные затем вводились в контролируемые системы компьютерного обучения для идентификации и разработки жизнеспособных алгоритмов принятия решений. Мы разделили данные на обучающие и проверочные наборы и оценили производительность алгоритма, используя подмножества проверочного набора.

Результаты:

Мы выявили 119 случаев с подтвержденным перекрутом яичников и 331 случай без перекрута. Из всех случаев с подтвержденным перекрутом   достоверные различия в визуализации были очевидны для девочек младше 1 года; затем эти девочки были исключены из анализа, и 99 девочек старше 1 года были включены в наше исследование. Среди этих 99 все переменные продемонстрировали статистически значимые различия между группами с подтвержденным перекрутом и без перекрута с р-значениями <0,005. Использование какой-либо одной переменной для идентификации перекрута обеспечивало лишь умеренную эффективность выявления с площадью  под кривой (AUC) для срединного положения, визуализации периферических фолликулов и отсутствием сигнала при допплерографии 0,76±0,16, 0,66±0,14 и 0,82±0,14, соответственно. Лучшее дерево решений с использованием комбинации переменных давало AUC 0,96±0,07 и требовало знания о наличии внутриячникового кровотока, периферических фолликулов, объема обоих яичников и наличия кист или объемных образований.

Заключение:

На основании самой большой серии пациенток с перекрутом яичников у детей, мы количественно определили ультразвуковые особенности и использовали компьютерное обучение для создания алгоритма для определения наличия перекрута яичников - алгоритма, который работает лучше, чем простые подходы, основанные на отдельных характеристиках. Хотя сложные комбинации с использованием моделей множественного взаимодействия обеспечивают несколько лучшую производительность, клинически прагматичное дерево решений может быть использовано для обнаружения перекрута, обеспечивая уровни чувствительности 95±14% и специфичности 92±2%.

Ключевые слова:

Алгоритм; дети; компьютерное обучение; срединное положение; яичник; перекрут; ультразвук

Ovarian torsion: developing a machine-learned algorithm for diagnosis.
Otjen JP¹, Stanescu AL², Alessio AM³, Parisi MT².
Pediatr Radiol. 2020 Jan 22. doi: 10.1007/s00247-019-04601-3. [Epub ahead of print]
https://www.ncbi.nlm.nih.gov/pubmed/31970456