Цхай Виталий Борисович, доктор медицинских наук, профессор, заведующий кафедрой перинатологии, акушерства и гинекологии лечебного факультета
660022, г. Красноярск, ул. Партизана Железняка, 1
Vitalу B. Tskhay, Prof., DSc, Professor, Head of the Department of Perinatology, Obstetrics and Gynecology
1, Partizana Zheleznyaka Street, Krasnoyarsk, 660022
Бадмаева Саяна Жаргаловна, аспирант кафедры перинатологии, акушерства и гинекологии лечебного факультета
660022, г. Красноярск, ул. Партизана Железняка, 1
Sayana Zh. Badmaeva, Dr., MD, PhD Student, Department of Perinatology, Obstetrics and Gynecology
1, Partizana Zheleznyaka Street, Krasnoyarsk, 660022
Наркевич Артем Николаевич, доктор медицинских наук, доцент, заведующий научно-исследовательской лабораторией медицинской кибернетики и управления в здравоохранении
660022, г. Красноярск, ул. Партизана Железняка, 1
Artem N. Narkevich, Dr., DSc, Associate Professor, Head of the Laboratory for Medical Cybernetics and Healthcare Management
1, Partizana Zheleznyaka Street, Krasnoyarsk, 660022
Цхай Ирина Ивановна, старший преподаватель кафедры теоретической экономики
660041, г. Красноярск, пр. Свободный, д. 79
Irina I. Tskhay, Dr., Senior Lecturer, Department of Theoretical Economics
79, Svobodnyi Prospekt, Krasnoyarsk, 660041
Михайлова Александра Владимировна, ординатор кафедры перинатологии, акушерства и гинекологии лечебного факультета
660022, г. Красноярск, ул. Партизана Железняка, 1
Aleksandra V. Mikhailova, Dr., MD, Resident, Department of Perinatology, Obstetrics and Gynecology
1, Partizana Zheleznyaka Street, Krasnoyarsk, 660022
Цель. Разработка прогностической модели для расчета вероятности возникновения рецидива миомы матки после проведенной миомэктомии.
Материалы и методы. Объектом исследования являются 149 женщин в возрасте от 19 до 45 лет с миомой матки, которым была произведена миомэктомия. Прогнозирование миомы матки осуществлялось с помощью применения многомерных статистических методов обработки данных, в частности дерева классификации, в статистическом пакете с прикладной программой IBM SPSS Statistics. Для классификации пациенток на женщин с рецидивом ММ и женщин с отсутствием рецидива данного заболевания осуществлялось построение математической модели дерева классификации. Для построения дерева классификации в качестве входных признаков использовались 10 параметров пациентов. При этом 9 параметров представлены в бинарном виде, где 0 – отсутствие признака, 1 – наличие признака: наличие отягощенной наследственности, отсутствие родов, наличие операций на матке в анамнезе (миомэктомия), наличие ожирения, быстрый рост миоматозных узлов, наличие множественных узлов. Отдельно результаты иммуногистохимического исследования представлены в виде следующих параметров: маркер BCL-2 слабая, умеренно выраженная, интенсивная экспрессия; Ki-67 − слабая, умеренно выраженная, интенсивная экспрессия; VEGF слабая, умеренно выраженная, интенсивная экспрессия. Один параметр (возраст) представлен в количественном виде.
Результаты. При анализе полученного дерева классификации можно сделать вывод, что наиболее значимыми параметрами, оказывающими влияние на вероятность возникновения рецидива миомы матки, являются: паритет родов (чем ниже паритет родов, тем выше вероятность возникновения рецидива миомы матки), наличие множественных узлов удаленных во время миомэктомии, наличие интенсивной экспрессии маркера ангиогенеза VEGF, наличие слабой экспрессии маркера ингибитора апоптоза BCL-2.
Заключение. Применение данного метода в медицинской практике позволяет выделить наиболее значимые анамнестические факторы в прогнозировании рецидива миомы матки и является перспективным для дальнейшего изучения различных закономерностей с использованием дополнительных факторов.
Aim. To develop a predictive model for calculating the likelihood of recurrent uterine fibroids after myomectomy.
Materials and Methods. We consecutively recruited 149 women aged 19 to 45 years who underwent myomectomy. Prediction of uterine fibroids was carried out using multivariate analysis including a classification tree (IBM SPSS Statistics). To construct a classification tree for predicting recurrent uterine fibroids, the following patient-related parameters were used as the input features: age, family history, nulliparity, past medical history of myomectomy, obesity, rapid fibroid growth, multiple fibroids at myomectomy, BCL-2, Ki-67, and VEGF expression.
Results. When analyzing the resulting classification tree, we can conclude that the most significant factors defining the recurrence of uterine fibroids are low parity, multiple fibroids at myomectomy, intensive VEGF expression, and weak expression of BCL-2.
Conclusion. Our original model allows the identification of the most significant predictors of recurrent uterine fibroids and might be proposed as a useful tool for clinical practice.
The authors declare that there are no conflicts of interest present.