В ПОМОЩЬ ПРАКТИЧЕСКОМУ ВРАЧУ
Пластическая хирургия
doi: 10.25005/2074-0581-2024-26-3-478-487
ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ ПОДБОРЕ ИМПЛАНТАТОВ ДЛЯ АУГМЕНТАЦИОННОЙ МАММОПЛАСТИКИ

Д.К. АТАМАНОВ1, А.К. САПАКОВА2, В.А. ЕГОРОВ1, О.А. СЕДУХИН3

1ООО Лечебно-диагностический центр «АвисМед», Новосибирск, Российская Федерация
2Медицинский научно-образовательный центр Московского государственного университета им. М.В. Ломоносова, Москва, Российская Федерация
3Huawei Russian Rsearch Institute, ООО «Техкомпания Хуавэй» Россия, Москва, Российская Федерация

Цель: улучшение прогнозирования результатов операций аугментационной маммопластики (АМ)

Материал и методы: исследование основано на ретроспективном анализе данных 265 пациенток, удовлетворённых результатом операции, которым была выполнена АМ. На основании численных параметров и пожеланий пациента (исходные признаки) и параметров установленных имплантатов (целевые признаки) осуществлялось обучение искусственного интеллекта (ИИ).

Результаты: полученная модель машинного обучения продемонстрировала совпадение параметров предлагаемого к установке имплантата с выбором хирурга в 81,5% случаев, что можно считать допустимым показателем для практического применения модели.

Заключение: мы полагаем, что методы машинного обучения могут повысить точность при выборе наиболее подходящего типа и размера имплантата, учитывая широкий спектр индивидуальных параметров и пожеланий пациента.

Ключевые слова: аугментационная маммопластика, подбор имплантатов, искусственный интеллект, машинное обучение.

Скачать файл:

Литература
  1. Hillard C, Fowler JD, Barta R, Cunningham B. Silicone breast implant rupture: A review. Gland Surg. 2017;6(2):163-8. https://doi.org/10.21037/gs.2016.09.12
  2. Adams WP, Mckee D. Matching the implant to the breast. Plast Reconstr Surg. 2016;138(5):987-94. https://doi.org/10.1097/prs.0000000000002623
  3. Charles-de-Sá L, de Aguiar Valladão T, Vieira DML, Aboudib JH. Anthropometric aspects in the breast augmentation. Aesthetic Plast Surg. 2020;44(5):1498-507. https://doi.org/10.1007/s00266-020-01853-5
  4. Hidalgo DA, Spector JA. Breast augmentation. Plast Reconstr Surg. 2014;133(4):567e-583e. https://doi.org/10.1097/PRS.0000000000000033
  5. Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017;69S:S36-S40. https://doi.org/10.1016/j.metabol.2017.01.011
  6. Сафронов ИД. Теоретические основы в модели машинного обучения. Вестник науки. 2023;63(6):1050-3.
  7. Сёмин ПО. Правовые аспекты искусственного интеллекта и смежных технологий: права на контент, созданный с помощью машинного обучения. Журнал Суда по интеллектуальным правам. 2022;2:21-32.
  8. Murphy DC, Saleh DB. Artificial Intelligence in plastic surgery: What is it? Where are we now? What is on the horizon? Ann R Coll Surg Engl. 2020;102(8):577-80. https://doi.org/10.1308/rcsann.2020.0158
  9. Bates S, Hastie T, Tibshirani R. Cross-validation: what does it estimate and how well does it do it? Journal of the American Statistical Association. 2023. Available from: https://www.tandfonline.com/doi/full/10.1080/01621459.2023.2197686 [Accessed 5th March 2024]. https://doi.org/10.1080/01621459.2023.2197686
  10. Rabinowicz A, Rosset S. Tree-based models for correlated data. The Journal of Machine Learning Research. 2022;23(258):1-31. https://doi.org/10.48550/ arXiv.2102.08114
  11. Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel, et al. Scikitlearn: Machine Learning in Python. Journal of Machine Learning Research. 2011;12:2825-30. https://doi.org/10.48550/arXiv.1201.0490
  12. Prokhorenkova LO, Prałat P, Raigorodskii A. Modularity in several random graph models. Electronic Notes in Discrete Mathematics. 2017;61:947-53. https://doi. org/10.1016/j.endm.2017.07.058
  13. Candela JQ, Sugiyama M, Schwaighofer A, Lawrence N. Dataset shift in machine learning. USA: The MIT Press; 2009. 229 p. https://doi.org/10.7551/ MITPRESS/9780262170055.001.0001

Сведения об авторах:

Атаманов Дмитрий Константинович,
врач-пластический хирург, ООО Лечебно-диагностический центр «АвисМед»
ORCID ID: 0000-0001-8878-1398
E-mail: dmi.atamanov@yandex.ru

Сапакова Амина Камзаевна,
младший научный сотрудник, Медицинский научно-образовательный центр Московского государственного университета им. М.В. Ломоносова
ORCID ID: 0009-0000-1094-8725
E-mail: dr.amina.sapakova@mail.com

Егоров Вадим Анатольевич,
доктор медицинских наук, заведующий отделением пластической хирургии, ООО Лечебно-диагностический центр «АвисМед»
ORCID ID: 0009-0009-6275-5701
E-mail: vadime899@mail.ru

Седухин Олег Андреевич,
ведущий специалист, Huawei Russian Research Institute
E-mail: sedol1339@gmail.com

Конфликт интересов: отсутствует

Адрес для корреспонденции:

Атаманов Дмитрий Константинович
врач-пластический хирург, ООО Лечебно-диагностический центр «АвисМед»

630005, Российская Федерация, г. Новосибирск, ул. Красный проспект, 86

Тел.: +7 (913) 2004138

E-mail: dmi.atamanov@yandex.ru


This work is licensed under a Creative Commons Attribution 4.0 International License.

Маводҳо дар мавзӯи:
  1. МЕТОДИКА ВЖИВЛЕНИЯ ФОЛЛИКУЛА ПРИ АУТОТРАНСПЛАНТАЦИИ ВОЛОС
  2. ХАРАКТЕРИСТИКА ОСЛОЖНЕНИЙ ПРИ ИСПОЛЬЗОВАНИИ ДЕРМОГЛАНДУЛЯРНОГО ЛОСКУТА В АУГМЕНТАЦИОННОЙ МАСТОПЕКСИИ
  3. СОВРЕМЕННЫЕ МЕТОДЫ ХИРУРГИЧЕСКОГО ЗАМЕЩЕНИЯ ДЕФЕКТОВ КОЖНЫХ ПОКРОВОВ
  4. КОРРЕКЦИЯ ПОСТТРАВМАТИЧЕСКОГО ДЕФЕКТА ЛИЦА И ШЕИ ЛОСКУТОМ ШИРОЧАЙШЕЙ МЫШЦЫ СПИНЫ (КЛИНИЧЕСКИЙ СЛУЧАЙ)
  5. ОДНОЭТАПНАЯ КОРРЕКЦИЯ ПОСЛЕДСТВИЙ ПОВРЕЖДЕНИЯ ЛОКТЕВОГО НЕРВА
  6. КОМПЛЕКСНЫЙ ПОДХОД В ХИРУРГИЧЕСКОМ ЛЕЧЕНИИ НЕЙРОТРОФИЧЕСКОЙ ЯЗВЫ СТОПЫ МЕСТНО-ПЛАСТИЧЕСКИМ СПОСОБОМ: СЛУЧАЙ ИЗ ПРАКТИКИ
  7. ОКИСЛИТЕЛЬНЫЙ СТРЕСС И АНТИОКСИДАНТНАЯ СИСТЕМА ПРИ ТЯЖЁЛЫХ ТРАВМАХ ВЕРХНЕЙ КОНЕЧНОСТИ
  8. КОРРЕКЦИЯ ТЯЖЁЛЫХ РУБЦОВЫХ КОНТРАКТУР И ДЕФОРМАЦИЙ НИЖНИХ КОНЕЧНОСТЕЙ
  9. МОДЕЛЬ ДЛЯ ОЦЕНКИ РИСКА ЗАМЕДЛЕННОГО ТЕЧЕНИЯ РАНЕВОГО ПРОЦЕССА У БОЛЬНЫХ С ИЗБЫТОЧНОЙ МАССОЙ ТЕЛА
  10. АНАЛИЗ ОСЛОЖНЕНИЙ ПОСЛЕ АУТОТРАНСПЛАНТАЦИИ ПРИ ПОСЛЕДСТВИЯХ ТЯЖЁЛОЙ ТРАВМЫ ВЕРХНЕЙ КОНЕЧНОСТИ

◄ Бозгашт ба рӯйхат