Інформація призначена тільки для фахівців сфери охорони здоров'я, осіб,
які мають вищу або середню спеціальну медичну освіту.

Підтвердіть, що Ви є фахівцем у сфері охорони здоров'я.

International journal of endocrinology Том 15, №8, 2019

Back to issue

Prediction of hormonal and metabolic disorders in young women with overweight and obesity: the effectiveness of artificial neural networks

Authors: Місюра К.В., Манська К.Г.
ДУ «Інститут проблем ендокринної патології ім. В.Я. Данилевського НАМН України», м. Харків, Україна

Categories: Endocrinology

Sections: Clinical researches

print version


Summary

Актуальність. Актуальність дослідження обумовлена необхідністю створення методологічних підходів до формування груп ризику щодо розвитку метаболічного синдрому — основи виникнення хронічної неінфекційної патології з боку серцево-судинної системи у молодих жінок із надлишком маси тіла різного ступеня. Мета: створення моделей прогнозування розвитку метаболічного синдрому у жінок молодого віку із надлишковою масою тіла та ожирінням — представниць української популяції — з використанням класичних методів статистичного аналізу (дискримінантного аналізу, логістичної регресії) і штучної нейронної мережі та проведення порівняльного аналізу прогностичної точності створених моделей. Матеріали та методи. Обстежено 130 жінок, середній вік яких становив 28,64 ± 6,91 року, з екзогенно-конституційним надлишком маси тіла різного ступеня. Визначали індекс маси тіла, окружність талії. Методом біоімпедансного аналізу — склад тіла (жирову, відносну жирову, безжирову, активну клітинну масу тіла). Імуноферментним методом — рівні інсулін- та лептинемії. Розраховувався індекс НОМA-IR. Секреція мелатоніну оцінювалася за вмістом у сечі його метаболіту 6-сульфатоксимелатоніну за методом Друекса в модифікації Г.В. Зубкова; серотоніну — флуориметричним методом В.І. Кулинського та Л.С. Костюковської. Шляхом анкетування оцінювалась наявність порушень сну та харчової поведінки. Результати. За результатами комплексного лабораторно-інструментального обстеження із використанням методів дискримінантного аналізу, логістичної регресії та штучних нейронних систем створено чотири математичні моделі, що дозволяють за рівнями антропометричних показників, параметрів складу тіла, вуглеводного та ліпідного обміну, показників, що характеризують особливості секреції мелатоніну, оцінити ризик розвитку метаболічного синдрому у жінок молодого віку із надлишком маси тіла різного ступеня — представниць української популяції. ­Діагностичні характеристики усіх запропонованих моделей (чутливість, специфічність, точність, відношення шансів) досить високі, але найбільша діагностична інформативність визначена щодо моделі з застосуванням штучних нейронних систем, побудованої з використанням програми Statistica StatSoft. Висновки. Застосування такої моделі як інструменту визначення ризику розвитку метаболічного синдрому у конкретних жінок молодого віку із надлишком маси тіла різного ступеня в системі практичної охорони здоров’я дозволить поліпшити ризик-стратифікацію метаболічного синдрому, своє­часно проводити терапію для запобігання його ускладненням.

Актуальность. Актуальность исследования обу­словлена необходимостью создания методологических подходов к формированию групп риска развития метаболического синдрома — основы возникновения хронической неинфекционной патологии со стороны сердечно-сосудистой системы у молодых женщин с избытком массы тела разной степени. Цель: создание моделей прогнозирования развития метаболического синдрома у женщин молодого возраста с избыточной массой тела и ожирением — представительниц украинской популяции — с использованием классических методов статистического анализа (дискриминантного анализа, логистической регрессии) и искусственной нейронной сети и проведение сравнительного анализа прогностической точности созданных моделей. Материалы и методы. Обследовано 130 женщин, средний возраст которых составил 28,64 ± 6,91 года, с экзогенно-конституциональным избытком массы тела разной степени. Определяли индекс массы тела, окружность талии. Методом биоимпедансного анализа — состав тела (жировую, относительную жировую, безжировую, активную клеточную массу тела). Иммуноферментным методом — уровни инсулин- и лептинемии. Рассчитывался индекс НОМA-IR. Секреция мелатонина оценивалась по содержанию в моче его метаболита 6-сульфатоксимелатонина (6-СОМТ) по методу Друэкса в модификации Г.В. Зубкова; серотонина — флуориметрическим методом В.И. Кулинского и Л.С. Костюковской. Путем анкетирования оценивалось наличие нарушений сна и пищевого поведения. Результаты. По результатам комплексного лабораторно-инструментального обследования с использованием методов дискриминантного анализа, логистической регрессии и искусственных нейронных систем созданы четыре математические модели, которые позволяют по уровню антропометрических показателей, параметров состава тела, углеводного и липидного обмена, показателей, характеризующих особенности секреции мелатонина, оценить риск развития метаболического синдрома у женщин молодого возраста с избытком массы тела разной степени — представительниц украинской популяции. Диагностические характеристики всех предлагаемых моделей (чувствительность, специфичность, точность, отношение шансов) достаточно высоки, но наибольшая диагностическая информативность определена по модели с применением искусственных нейронных систем, построенной с применением программы Statistica StatSoft. Выводы. Использование такой модели в качестве инструмента определения риска развития МС у конкретных женщин молодого возраста с избытком массы тела разной степени в системе практического здравоохранения позволит улучшить риск-стратификацию метаболического синдрома, своевременно проводить терапию для предотвращения его осложнений.

Background. The relevance of the study is due to the need to create methodological approaches to the formation of risk groups for the development of metabolic syndrome — the basis of chronic non-infectious pathology of the cardiovascular system in young women with excess body weight of va­rying degrees. The purpose was to create models for predicting the development of metabolic syndrome in young women with overweight and obesity — representatives of the Ukrainian population using classical methods of statistical analysis (discriminant analysis, logistic regression) and artificial neural networks and comparative analysis of the prognostic accuracy of the created models. Materials and methods. One hundred and thirty women with average age of 28.64 ± 6.91 years were examined. They had exogenous constitutional excess body weight of varying degrees. Body mass index and waist circumference were determined. The method of bioimpedance analysis was used to evaluate body composition (fat, relative fat, fat-free, active cell body mass); enzyme immunoassay — to determine the levels of insulin- and leptinemia. The HOMA-IR was calculated. The secretion of melatonin was assessed by the level of its metabolite 6-sulfatoxymelatonin in urine by Druex method modified by G.V. Zubkov; serotonin — by the fluorimetric method of V.I. Kulinsky and L.V. Kostyukovska. The presence of sleep and eating disorders was assessed by questionnaires. Results. According to the results of a comprehensive laboratory and instrumental examination using methods of discriminant analysis, logistic regression and artificial neural networks, four mathematical models were created that allow us to assess the risk of metabolic syndrome in young women with excess body weight of varying degrees — representatives of the Ukrainian population by the levels of anthropometric indicators, para­meters of body composition, carbohydrate and lipid metabolism, indicators that characterize the features of melatonin secretion. Conclusions. Diagnostic characteristics of all proposed models (sensitivity, specificity, accuracy, odds ratio) are quite high, but the greatest diagnostic informativeness is determined for the model using artificial neural networks built in the program Statistica StatSoft. The use of such a model as a tool for determi­ning the risk of developing the metabolic syndrome in specific young women with excess body weight of varying degrees in the practical healthcare system will improve the risk-stratification of the metabolic syndrome and provide timely therapy to prevent its complications.


Keywords

ожиріння; метаболічні порушення; математична модель прогнозування; дискримінантний аналіз; логістична регресія; штучні нейронні системи

ожирение; метаболические нарушения; математическая модель прогнозирования; дискриминантный анализ; логистическая регрессия; искусственные нейронные системы

obesity; metabolic disorders; mathematical predictive model; discriminant analysis; logistic regression; artificial neural networks


For the full article you need to subscribe to the magazine.


Bibliography

1. Misjura KV. Nadlyshkova massa tila i ozhyrinnja: populjacijni, klinichni ta gormonal’ni osoblyvosti, mehanizmy formuvannja metabolichnyh uskladnen’. Diss. dokt. med. nauk [Overweight and obesity: population, clinical and hormonal features, mechanisms of formation of metabolic complications. Dr. med. sci. diss.]. Kharkiv; 2018. 47 p. (in Ukrainian).
2. Nyberg ST, Batty GD, Pentti J, et al. Obesity and loss of disease-free years owing to major non-communicable diseases: a multicohort study. Lancet Public Health. 2018 Oct;3(10):e490-e497. doi: 10.1016/S2468-2667(18)30139-7.
3. Moskalenko VF. Conceptual approaches to the formation of a new preventive health care strategy. Zdorov’ja Ukrai’ny. 2009;(23):48-49. (in Ukrainian).
4. World Health Organization (WHO). Obesity and overweight: Key facts. Available from: https://www.who.int/en/news-room/fact-sheets/detail/obesity-and-overweight. Accessed: February 16, 2018. 
5. Lobykina EN. Organizatsiia profilaktiki i lecheniia ozhireniia i izbytochnoi massy tela vzroslogo naseleniia krupnogo promyshlennogo tsentra na primere g. Novokuznetska. Diss. dokt. med. nauk [Organization of the prevention and treatment of obesity and overweight of the adult population of a large industrial center on the example of Novokuznetsk. Dr. med. sci. diss.]. Kemerovo; 2009. 331 p. (in Russian).
6. Yang Y, Tian CH, Cao J, Huang XJ. Research on the application of health management model based on the perspective of mobile health. Medicine (Baltimore). 2019 Aug;98(33):e16847. doi: 10.1097/MD.0000000000016847.
7. Mitchenko OI, Romanov VJu, Javors’ka KO. High cardiovascular risk in patients with hypertension and obesity. Zdorov’ja Ukrai’ny. Kardiologija, Revmatologija, Kardiohirurgija. 2012;(23-24):24-25. (in Ukrainian).
8. Kovalenko VM, Talayeva TV, Kozliuk AS. Metabolic syndrome: mechanisms, value as a predictor of cardiovascular diseases, approaches in diagnosis and treatment. Ukrainian Journal of Cardiology. 2013;(5):80-87. (in Ukrainian).
9. Budny A, Grochowski C, Kozłowski P, et al. Obesity as a tumour development triggering factor. Ann Agric Environ Med. 2019 Mar 22;26(1):13-23. doi: 10.26444/aaem/100664.  
10. Branca F, Nikogosian H, Lobstein Tim, editors. The challenge of obesity in the WHO European Region and the strategies for response. Copenhagen, Denmark: WHO Regional Office for Europe; 2007. 324 p.
11. Razina AO, Achkasov EE, Runenko SD. Obesity: the modern approach to the problem. Obesity and metabolism. 2016;13(1):3-8. doi: 10.14341/OMET201613-8. (in Russian).
12. Shapo L, Pomerleau J, McKee M, Coker R, Ylli A. Body weight patterns in a country intransition: apopulation-based survey in Tirana City, Albania. Public Health Nutr. 2003 Aug;6(5):471-477. doi: 10.1079/PHN2002451.
13. Starodubov VI, Mikhailova IuV, Ivanova AE. Zdorov’e naseleniia Rossii v sotsial’nom kontekste 90-kh godov: problemy i perspektivy [The health of the population of Russia in the social context of the 90s: problems and prospects]. Moscow: Med-itsina; 2003. 96 p. (in Russian).
14. Starostina EG. Eating disorders: clinical and epidemiological aspects and relation to obesity. Vrach. 2005;(2):28-31. (in Russian).
15. Tishchuk EA, Shchepin VO. Zdravookhranenie v Rossii. XX vek [Health care in Russia. XX century]. Moscow; 2001. 48 p. (in Russian).
16. James W. The epidemiology of obesity: the size of the problem. J Intern Med. 2008 Apr;263(4):336-52. doi: 10.1111/j.1365-2796.2008.01922.x.  
17. Felber JP, Golay A. Pathways from obesity to diabetes. Int J Obes Relat Metab Disord. 2002 Sep;26 Suppl 2:S39-45. doi: 10.1038/sj.ijo.0802126.
18. Day C. Metabolic syndrome, or what you will: definitions and epidemiology. Diab Vasc Dis Res. 2007 Mar;4(1):32-8. doi: 10.3132/dvdr.2007.003.
19. Svishhenko JeP, Bagrij AE, Jena LM, et al. Rekomendacii’ Ukrai’ns’koi’ Asociacii’ kardiologiv z profilaktyky ta likuvannja arterial’noi’ gipertenzii’: posibnyk do Nacional’noi’ programy profilaktyky i likuvannja arterial’noi’ gipertenzii’.  [Guide-lines of the Ukrainian Association of Cardiologists for the prevention and treatment of hypertension: a guide to the National Program for the Prevention and Treatment of Hypertension]. Kyiv; 2008. 80 p. (in Ukrainian).
20. Kir’ianov BF, Tokmachev MC. Matematicheskie modeli v zdravookhranenii: monografiia [Mathematical models in healthcare: a monograph]. Velikij Novgorod; 2009. 277 p. (in Russian).
21. Borovikov VP. Statistica: iskusstvo analiza dannykh na komp’iutere [Statistica: the art of computer data analysis]. SPb: Pi-ter; 2001. 700 p. (in Russian).
22. Dubrov AM, Mkhitarian VS, Troshin LI. Mnogomernye statisticheskie metody [Multivariate statistical methods]. Moscow: Fi-nansy i statistika; 2000. 352 p. (in Russian).
23. Institute for Innovative Education and Youth Policy; Scientific-educational center of applied informatics of NAS of Ukraine. Naukovi doslidzhennja: perspektyvy innovacijnogo rozvytku suspil’stva i tehnologij: Materialy Mizhnarodnoi’ naukovo-praktychnoi’ konferencii. Odesa, 28-29 zhovtnja 2016 r. [Scientific research: prospects for innovative development of society and technology: Materials of the International scientific-practical conference. 2016, October 28-29; Odessa, Ukraine]. Odessa; 2016. 196 p. (in Ukrainian).
24. Andreichikov AV, Andreichikova ON. Intellektual’nye informatsionnye sistemy: uchebnik dlia vuzov [Intelligent information systems: university textbook]. Moscow: Finansy i statistika; 2004. 423 p. (in Russian).
25. Osowski S. Sieci neuronowe do przetwarzania informacji [Neural networks for information processing]. Warsaw, Poland: Ofi-cyna Wydawnicza Politechniki Warszawskiej; 1994. 241 p. (in Polish).
26. Volchek YA, Shyshko VM, Spiridonova OS, Mokhort TV. Position of the model of the artificial neural network in medical ex-pert systems. Juvenis Scientia. 2017;(9):4-9. doi: 10.15643/jscientia.2017.9.001. (in Russian).
27. Artificial neural network. Available from: https://en.wikipedia.org/wiki/Artificial_neural_network. Accessed: January 2, 2020.
28. Chornopys’ka Ju. Prediction using neural networks. Available from: https://wiki.tntu.edu.ua/Прогнозування_за_допомогою_нейронних_мереж.  Accessed: March 20, 2012. (in Ukrainian).
29. Sorokin S, Sorokin A. Using neural network models in behavioral scoring. Journal of Applied Informatics. 2015;10(56):92-109. (in Russian).
30. STATISTICA Automated Neural Networks. Available from:http://statsoft.ru/products/STATISTICA_Neural_Networks/. Ac-cessed: September 23, 2019. (in Russian).     
31. Callan D, Mills L, Nott C, England R, England S. A Tool for Classifying Individuals with Chronic Back Pain: Using Multivariate Pattern Analysis with Functional Magnetic Resonance Imaging Data. PLoS One. 2014 Jun 6;9(6):e98007. doi: 10.1371/journal.pone.0098007.
32. Toney L, Vesselle H. Neural networks for nodal staging of non-small cell lung cancer with FDG PET and CT: importance of combining uptake values and sizes of nodes and primary tumor. Radiology. 2014 Jan;270(1):91-8. doi: 10.1148/radiol.13122427.
33. Andersson B, Andersson R, Ohlsson M, Nilsson J. Prediction of severe acute pancreatitis at admission to hospital using artificial neural networks. Pancreatology. 2011;11(3):328-35. doi: 10.1159/000327903.
34. Gorunescu F, Gorunescu M, Saftoiu A, Vilmann P, Belciug S. Competitive/collaborative  neural  computing  system  for medical diagnosis  in pancreatic cancer detection. Expert System. 2011;28(1):33-48. doi:10.1111/j.1468-0394.2010.00540.x.
35. Hirose H, Takayama T, Hozawa S, Hibi T, Saito I. Prediction of metabolic syndrome using artificial neural network system based on clinical data including  insulin  resistance index and serum adiponectin. Comput Biol Med. 2011 Nov;41(11):1051-6. doi: 10.1016/j.compbiomed.2011.09.005.
36. World Health Organization (WHO). Obesity: Preventing and managing the global epidemic: Report of a WHO Consultation (WHO technical report series 894). Geneva, Switzerland: WHO Press; 2000. 252 p. 
37. Levin JaI, Eligulashvili TS, Posohov SI, Kovrov GV, Bashmakov MJu. Pharmacotherapy for insomnia: the role of imovan. In: Aleksandrovskii IuA, Vein AM, editors. Rasstroistva sna [Sleep Disorders]. SPb: MIA; 1995. 56-61 pp. (in Russian).
38. World Medical Association (WMA). WMA Declaration of Helsinki - Ethical Principles for Medical Research Involving Human Subjects. Available from: https://www.wma.net/policies-post/wma-declaration-of-helsinki-ethical-principles-for-medical-research-involving-human-subjects/. Accessed: July 9, 2018.
39. Viktorova LN, Gorodetskii VK. Colorimetric method for determination of non-enzymatically-glycosylated albumin and hemoglobin. Laboratornoe delo. 1990;(50):15-18. (in Russian). 
40. Zubkov GV, Petrishin VD, Chipirenko VA, Anis’kina AA. Method for determination of melatonin (N-acetyl-5-methoxytryptamine) in urine. Sbornik nauchnykh trudov Kharkovskogo meditsinskogo instituta. 1974;(109):77. (in Russian).  
41. Kulinskii VI, Kostiukovskaia AS. Determination of serotonin in whole blood of humans and laboratory animals. Laborator-noe delo. 1969;(7):390-394. (in Russian). 
42. Levy JC, Matthews DR, Hermans MP. Correct homeostasis model assessment (HOMA) evaluation uses the computer program. Diabetes Care. 1998 Dec;21(12):2191-2. doi: 10.2337/diacare.21.12.2191.
43. Alberti G, Zimmet P, Shaw J, Grundly SM; International Diabetes Federation (IDF). The IDF consensus worldwide definition of the metabolic syndrome. Brussel, Belgium: IDF; 2005. 24 p.
44. Anikina NV, Smirnova EN. The value of blood serotonin for effective weight loss in obese women. Obesity and metabolism. 2015;12(3):31-35. (in Russian).

Back to issue