Digital technologies in the treatment of patients with mandibular fractures. Current state of the issue

Full Text

Введение

Переломы нижней челюсти являются наиболее распространенным видом травм костей лицевого скелета, составляя в общей структуре более 80% и затрагивая наиболее трудоспособную часть населения [1]. Реконструкция после повреждений этой кости зачастую представляет трудную клиническую задачу, что связано со сложной пространственной конфигурацией, многообразием выполняемых функций, высокой частотой осложнений, встречаемость которых, согласно клиническим рекомендациям, утвержденным Стоматологической ассоциацией России, составляет до 19% [2].

Как отмечают O.M. Tepper et al. [3], особые проблемы возникают при панфациальной травме, сопровождающейся потерей мягких тканей, раздроблением и смещением костных фрагментов, загрязнением раны, утратой основных анатомических ориентиров, выраженным отеком, ограничивающим возможности визуальной оценки и пальпаторного контроля. Для оценки правильного сопоставления фрагментов челюстных костей восстановление окклюзионных взаимоотношений далеко не всегда бывает достаточным ориентиром [4]. В равной степени справедливым будет и обратное утверждение [5]. В свою очередь, возрастают требования, предъявляемые обществом к результатам лечения, снижению степени хирургического риска для пациента, уменьшению тяжести операционной травмы. Реализации этих принципов при выполнении операции остеосинтеза на костях лицевого скелета будут препятствовать ограниченность хирургического доступа, плохая визуализация раны, сложная модель перелома, особенно в случае его оскольчатого характера [6]. Соответственно, частота послеоперационных осложнений остается достаточно высокой. При переломах нижней челюсти, например, она может в определенных клинических ситуациях достигать уровня 32% [7], а необходимость в проведении повторных хирургических вмешательств, по данным некоторых авторов, составляет 27% случаев [8]. В то же время, как показали данные анализа послеоперационных осложнений, развившихся после остеосинтеза нижней челюсти, в 87,9% случаев их возникновение было связано с теми или иными нарушениями технического характера, допущенными во время операции [9]. Следовательно, их можно было бы избежать, проводя более тщательно предоперационное планирование.

Действенным инструментом для решения этой задачи, вероятно, могли бы стать цифровые технологии, интенсивно внедряющиеся в медицинскую практику в течение последних десятилетий. В реконструктивной хирургии они позволяют обеспечить точность достижения результата и, что немаловажно, обсудить его с пациентом уже на этапе предоперационной подготовки. Однако острая травма отличается тем, что представляет собой огромное многообразие клинических ситуаций, когда в каждом случае требуется оказание неотложной медицинской помощи, накладывающее существенные ограничения по времени. Соответственно, актуален вопрос: способны ли компьютерные технологии на сегодняшний день оказать реальную помощь клиницисту в данном случае? В настоящее время в литературе нет отвечающих на него обзорных статей, которые охватывают весь комплекс проблем, связанных с применением данных технологий в обеспечении лечебно-диагностического процесса у больных с травмами нижней челюсти.

Соответственно, цель настоящей работы — изучение данных литературы о возможностях применения цифровых технологий при оказании медицинской помощи пациентам с переломами нижней челюсти и эффективности их использования.

Проведен анализ литературы по базам данных РИНЦ, Medline (PubMed), Google Scholar с 2000 по 2024 г. Использовались поисковые термины, отражающие понятия «цифровые технологии», «переломы нижней челюсти», «остеосинтез», «компьютер-ассистированная хирургия», «сверточные нейронные сети». Рассматривались рандомизированные контролируемые исследования, проспективные и ретроспективные когортные исследования, исследования типа «случай–контроль» и серии наблюдений. В последующий анализ включались только те публикации, в которых на основе цифровых расчетов принималось решение о диагностике, выборе метода лечения пациентов с переломами нижней челюсти, планировании соответствующих реконструктивных операций и их техническом сопровождении, а также работы, содержащие анализ достигнутых клинических результатов. Статьи, в которых компьютерные технологии не являлись основой для принятия клинических решений, им отводилась только вспомогательная роль и не содержалось данных об эффективности их применения, исключались. Далее отобранные статьи анализировались отдельно по каждому аспекту рассматриваемой темы. При выявлении однотипных статей, посвященных одному и тому же вопросу, выводы которых не противоречили друг другу, решение об их включении принималось на основе консенсуса авторов. Предпочтение в таких случаях отдавалось рандомизированным исследованиям, основанным на значительном статистическом материале, с использованием методов случайной выборки, четким указанием критериев оценки получаемых результатов и по возможности с «ослеплением» испытуемых и исследователей.

Результаты анализа

При использовании перечисленных поисковых терминов в общей сложности было выявлено 338 источников. После исключения дублирующих статей (n = 64) и работ, не удовлетворяющих критериям поиска (n = 186), осталось 88 источников, в которых в той или иной степени были отражены вопросы применения цифровых технологий в лечении пациентов с переломами нижней челюсти. Из них было отобрано 39 статей, наиболее полно, по мнению авторов, отражающих современное состояние изучаемого вопроса.

В ходе анализа изученных литературных данных выявлены следующие основные направления проводимых в настоящее время исследований.

Диагностика и планирование лечения

Компьютерная томография (КТ) открыла новую эру в клинической диагностике. Впервые ее эффективность при лечении пациентов с переломами нижней челюсти изучали B.L. Markowitz et al. в 1999 г. [10]. Согласно их данным, КТ в корональной проекции показывала несколько более высокую точность по сравнению со стандартными рентгенограммами в двух проекциях (100 против 98%), в то время как информативность аксиальной проекции КТ была низкой (60%). Поскольку выявленное диагностическое преимущество оказалось относительно небольшим, а создаваемая при его проведении доза облучения, равно как и стоимость самой аппаратуры, на тот момент были весьма значительными, методика долгое время не получала значительного распространения. Тем не менее появлялись работы, показывающие, что КТ может давать дополнительные данные, уточняющие характер перелома, степень смещения фрагментов нижней челюсти, размеры осколков и т.д. [11], а при локализации повреждения в области мыщелкового отростка ее информативность значительно возрастает [12].

Совершенствование технологий мультиспиральной и конусно-лучевой КТ позволило значительно снизить лучевую нагрузку на пациента, а возможность создания ультратонких субмиллиметровых срезов (0,5 мм) повысила их диагностическую ценность. Так, по данным G. Kaeppler et al. [13], в 17,75% случаев были выявлены скрытые участки переломов, в 14,72% — дополнительные линии переломов, не диагностированные на обычных рентгенограммах. Кроме того, представлена дополнительная информация об оскольчатом характере перелома (3,46%) и о смещении отломков (23,8%). В совокупности благодаря этим данным тактика лечения изменилась в 9,52% наблюдений. J.A. Suskin et al. [14] отмечают, что КТ обладает наиболее высокой чувствительностью и может являться единственным методом визуализации переломов нижней челюсти без каких-либо дополнительных рентгенологических методов исследования. A.Rashid et al. [15], однако, указывают, что доза облучения при КТ, хотя и значительно уменьшена в современной аппаратуре, все равно остается слишком высокой. При конусно-лучевой КТ, например, она в 5 раз выше, чем при обычной рентгенографии. В связи с этим авторы считают, что показания к ее применению должны быть ограничены случаями, когда переломы имеют оскольчатый характер, сопровождаются потерей костного вещества или локализуются в области мыщелкового отростка. Кроме того, по их мнению, КТ может быть полезной при анализе развившихся послеоперационных осложнений.

Zh.W. Zhou et al. [16] сообщили о создании базы данных о переломах мыщелкового отростка нижней челюсти, используя для этого ранее созданную систему XNAT (extensible neuroimaging archive toolkit — расширяемый архивный инструментарий для нейровизуализации), изначально разработанную для мониторирования пациентов с черепно-мозговой травмой [17]. DICOM-файлы с КТ-изображениями импортируются вместе с электронными выписками из историй болезней, содержащими основные клинические характеристики. Система, в свою очередь, соединена с сервером, предоставляющим кластерную среду для выполнения распределительных вычислений. На основании проведенных измерений авторы пришли к выводу, что значения коэффициента боли по шкале ВАШ и ограничение амплитуды открывания рта в наибольшей степени выражены в случаях отклонения малого отломка мыщелкового отростка ≥ 11° и снижения суставной высоты более чем на 4 мм. Эти значения они предлагают использовать как показания к оперативному вмешательству, что позволяло достичь благоприятного исхода в 4,1 раза чаще, чем при консервативном лечении. При отклонении смещенного фрагмента мыщелкового отростка < 11° и потере суставной высоты менее 4 мм это соотношение составило 1:1, т.е. ни один из методов не продемонстрировал статистически значимые преимущества [16].

Дальнейший прогресс в этом направлении связан с развитием технологий сверточных нейронных сетей (convolutional neural network, CNN), основным преимуществом которых является способность автоматически определять релевантные признаки без участия человека. Хотя первые попытки их создания предпринимались еще с конца 1970-х годов [18], наиболее интенсивно возможности CNN стали исследоваться после разработки сети AlexNet, с большим отрывом выигравшей конкурс ImageNet в декабре 2012 г. [19]. В сверточных слоях сети происходит разложение входной информации на дискретные составляющие, которые затем объединяются в зависимости от самостоятельно установленных системой параметров, количество которых ограничено. В каждом новом слое (свертка–субдискретизация) размер «карты признаков» уменьшается, но увеличивается количество каналов, что позволяет эффективно распознавать иерархию признаков. Таким образом происходит процесс перехода от конкретных данных к абстрактным моделям, уровень которых постепенно повышается. В зависимости от поставленной задачи сеть вычленяет наиболее важные признаки, в то время как малозначимые игнорируются. По мере увеличения объема входной информации самонастраиваемость системы улучшается. Этот процесс получил название «глубокое обучение» (deep learning) [20].

В медицинской практике CNN начали использоваться преимущественно для анализа получаемых изображений. Для оценки качества работы системы предложен ряд следующих количественных показателей:

• точность (accuracy) — соотношение правильных ответов системы (например, есть заболевание / нет заболевания) к общему количеству случаев, представленных для анализа;
• прецизионность (precision) — соотношение истинно положительных (правильных) ответов к общему количеству положительных ответов;
• чувствительность (recall) — оценивает способность системы устанавливать положительные (правильные) ответы. Определяется как соотношение истинно положительных (правильных) ответов к сумме истинно положительных и ложно отрицательных ответов, данных системой. Аналогичный параметр «специфичность» (specificity) определяется соотношением истинно отрицательных ответов к сумме истинно отрицательных и ложно положительных;
• AUC (area under curve – площадь под кривой) – ROC (receiver operating characteristics curve – кривая рабочих характеристик приемника) – параметр, характеризующий способность системы отличать истинные ответы от ложных. Определяется построением графика, где на оси абсцисс устанавливается количество ложно положительных, а на оси ординат истинно положительных (правильных) ответов. После построения соответствующей кривой рассчитывается располагающаяся под ней площадь. Если полученный показатель равен 1,0, это свидетельствует об идеальной аналитической работе системы, значение 0,5, напротив, говорит о ее полной неспособности отличать правильные ответы от ложных;
• гармонический коэффициент F₁ — оценивает отношение прецизионности и чувствительности. Рассчитывается по формуле [20, 21]

$F_1=2\times \left(\right(П\times Ч)/(П+Ч\left)\right)$,

где П – прецизионность, Ч — чувствительность

В отношении больных с переломами нижней челюсти технологии глубокого обучения стали применяться для постановки диагноза. Их эффективность первоначально исследовалась на анализе данных ортопантомографии — широко применяемого скринингового метода выявления повреждений.

M. Nishiyama et al. [22] тестировали классическую сеть CNN AlexNet для диагностики переломов, локализующихся в области мыщелкового отростка. С этой целью авторы сравнивали две модели, в каждой из которых обучение производилось в различных больницах (одна из них являлась университетской клиникой, другая — муниципальным учреждением скорой помощи), с использованием рентгенограмм, также полученных на разном диагностическом оборудовании. Результаты показали, что каждая модель при анализе снимков, полученных в той же больнице, где проходило ее обучение, демонстрировала значения AUC, равные 0,85–0,86. Однако при оценке снимков, выполненных в другой больнице, этот показатель оказался на уровне всего 0,58. При совмещении моделей AUC возросла до значений 0,89–0,91.

D.M. Son et al. [23] указывают, что результативность машинного обучения зависит также и от качества используемых для этой цели рентгеновских снимков. При различных режимах яркости коэффициент F₁, например, варьировал от 0,751 до 0,875. В связи с этим в статье предлагается проводить преобразование адаптации яркости полученных рентгеновских изображений, прежде чем представлять их для обучения. Для этой цели авторы рекомендуют использовать специально разработанный модуль преобразования адаптации яркости — LAT (luminance adaptation transform). В то же время K. Warin et al. [24] сообщают, что при глубоком обучении CNN-сетей DenseNet-121 и ResNet-50 по бинарной классификации ортопантомограмм по принципу есть перелом / нет перелома, добились значений AUC и F₁ равных 1 баллу (100%).

В другом исследовании авторы тестировали системы Faster R-CNN и YOLOv5 для диагностики переломов на ортопантомограммах. Для обеих сетей прецизионность составила соответственно 87,94 и 86,12%; чувствительность — 83,58 и 92,23%; коэффициент F₁ — 90,67 и 89,07%. По сравнению с работой D.M. Son et al. [23], где прецизионность исследования составила 0,975–1,000, этот показатель был несколько меньше, но значения чувствительности — выше. По данным Sh. Vinayahalingam et al. [25], при обучении сети Faster R-CNN, совмещенной со Swin-трансформером для обработки изображений, чтения ортопантомограмм на предмет выявления линий переломов, средние значения прецизионности составили 0,935; чувствительности — 0,96; AUC — 0,977; F₁ — 0,947. Однако при анализе распределения переломов по локализации эти параметры существенно варьировали: прецизионность — от 0,61 в срединном отделе до 0,87 при локализации на уровне клыка; чувствительность и коэффициент F₁ — соответственно от 0,5 и 0,6 в области венечного отростка до 0,9 и 0,87 в районе мыщелка. В то же время авторы подчеркивают, что переломы с наиболее высокой частотой встречаемости — локализующиеся в области угла, клыка, мыщелкового отростка — были распознаны достаточно эффективно, со значениями коэффициента F₁ соответственно 0,85; 0,84; 0,87.

Как отмечают M. Shahnavazi et al. [26], различные сети CNN имеют неодинаковую диагностическую чувствительность в зависимости от локализации травмы. YOLO эффективнее выявляет переломы мыщелкового отростка, сопровождающиеся вывихом суставной головки, в то время как U-Net лучше диагностирует переломы, локализующиеся в области угла нижней челюсти. В связи с этим авторы предлагают совместное использование данных систем. По их данным, прецизионность в случае применения такой комбинации несколько снижается по сравнению с использованием только LAT YOLO (соответственно 0,955 и 0,975), но зато повышаются чувствительность (0,866 по сравнению с 0,794) и значения гармонического коэффициента F₁ (соответственно 0,908 и 0,875). При аналогичном подходе, используя сочетание сетей U-Net и Faster R-CNN, M. Shahnavazi и H. Mohamadrahimi [26] обнаружили, что искусственный интеллект демонстрировал в среднем более высокую точность диагностики по сравнению с анализом ортопантомограмм, проведенных пятью стоматологами общей практики (не специализирующимися на челюстно-лицевой травматологии) со стажем работы от 2 до 8 лет (91,67 по сравнению с 87,22), но более низкую специфичность (соответственно 83,33 и 92,22).

Следующим логичным шагом является обучение CNN анализу КТ-изображений. В первых исследованиях на эту тему в отношении пациентов с повреждениями костей лицевого скелета использовалась аксиальная проекция. В пилотной работе M. Amodeo et al. [27] точность выявления переломов в системе ResNet-50 составила 0,8; прецизионность — 1,0; чувствительность — 0,76; AUC — 0,83. К сожалению, авторы не провели дифференциацию по различным отделам лицевого отдела черепа. В более подробной работе K. Warin et al. [28] при тестировании различных сетей в отношении диагностики переломов нижней челюсти прецизионность, чувствительность и коэффициент F₁ варьировали в очень широких пределах — соответственно от 0,4; 0,52; 0,45 (ResNet-152) до 0,86; 0,81; 0,83 (Faster R-CNN). Значения AUC колебались в пределах 0,75–0,79. При использовании сети U-Net средний показатель AUC составил 0,956; точность — выше 90% [29].

Компьютер-ассистированная хирургия

Уже первые попытки создания стереолитографических моделей на основе МСКТ-данных обеспечивали соответствие реальным анатомическим структурам черепа на 97,7–99,1% [30], в связи с чем их стали использовать на этапе предоперационной подготовки, при планировании предполагаемых линий остеотомий, изготовлении индивидуализированных фиксирующих конструкций и т.д. У пациентов с переломами нижней челюсти эту методику начинают применять со второй половины 2000- х годов [31], поначалу, как и само КТ-исследование, в довольно ограниченном объеме, но с течением времени показания к его использованию постепенно стали расширяться. Как замечают L. Bergeron et al. [32], при простом переломе, когда обеспечивается удовлетворительная визуализация области повреждения, интраоперационная адаптация пластины к подлежащей костной поверхности не вызывает существенных трудностей. В более сложных клинических случаях, к которым авторы относят, в частности, оскольчатые переломы нижней челюсти, выполнение данной манипуляции становится проблематичным. В таких ситуациях предоперационное цифровое планирование может стать существенным подспорьем для клиницистов.

С.С. Chen et al. [5] подчеркивают, что одной из главных задач лечения пациентов с переломами челюстей является восстановление полноценной окклюзии, добиться которой при одновременном повреждении верхней и нижней челюстей, имеющем многооскольчатый характер, крайне тяжело. Авторы у 10 пациентов виртуально репонировали костные фрагменты в правильном положении, особое внимание обращая при этом на сохранение физиологической позиции суставных головок мыщелковых отростков. Полученное изображение переносилось на 3D-модели, на основании которых моделировались индивидуальные назубные шины, которые затем фиксировались в полости рта пациентов. Их сохраняли на протяжении 2 нед с момента оперативного вмешательства. У всех больных, включенных в исследование, были получены хорошие окклюзионные взаимоотношения зубных рядов. На всем протяжении периода наблюдения (6–13 мес) необходимости в корригирующих вмешательствах не возникло. Аналогичный подход использовали C. Druelle et al. [33], C. Grippaudo et al. [34] при лечении больных с переломом мыщелкового отростка нижней челюсти методом закрытой репозиции, изготавливали на основании данных сканирования зубных дуг индивидуальные термоформованные шины с заранее установленными в них крючками для эластической тяги и ретенционные пункты для фиксации к зубам композитным материалом.

Использование индивидуальных пластин, изготовленных с помощью методов виртуального планирования, при накостном остеосинтезе нижней челюсти начиналось в 2010-е годы [35–38]. В качестве анатомических ориентиров обычно используется либо контрлатеральная неповрежденная сторона челюстной кости [37], либо челюсть пациента такого же возраста и пола [39]. Как указывают G. Kokosis et al. [40], благодаря этой методике не только радикально сокращается время, необходимое для адаптации фиксирующей пластины к подлежащей костной поверхности, но и в большинстве случаев устраняется необходимость в экстраоральном доступе. По мнению M. el-Gengehi, S.A. Seif [41], данная технология наиболее эффективна у пациентов с потерей окклюзии. Предложена также модульная система изготовления фиксирующих пластин с особой структурой соединения, обеспечивающей их индивидуализацию [42].

Тем не менее основными факторами, препятствующими широкому распространению данной технологии в лечении больных с переломами нижней челюсти, являются, во-первых, относительно высокая стоимость, во-вторых, большой объем времени, затрачиваемого на общение хирурга и техника из индустриальной компании во время виртуального планирования, что приводит к удлинению сроков изготовления соответствующих индивидуальных конструкций. В остром периоде травмы данные обстоятельства имеют критическое значение.

P. Sinha et al. [43] полагают, что проблему позволят решить уменьшение стоимости 3D-принтеров, общедоступность и совершенствование программного обеспечения методов обработки данных получаемого КТ-изображения. В настоящее время большинство клиник, внедряющих методы виртуального планирования в концепцию лечения больных с переломами костей лицевого скелета, переходят на самостоятельное изготовление стереолитографической модели поврежденного фрагмента челюсти, которая служит шаблоном для адаптации пластины перед операцией [44–46]. L. Bergeron et al. [32] отмечают, что в случае острой травмы единственной реальной альтернативой аутсорсинговым компаниям для медицинского учреждения является собственная недорогая 3D-печать. По их данным, продолжительность времени, затрачиваемого на изготовление индивидуальных пластин, в этом случае занимает от 2 ч 36 мин до 26 ч 54 мин (в среднем — 7 ч 55 мин), что является приемлемым сроком.

B.A. Sharaf et al. предлагают организовывать внутренний процесс изготовления индивидуальных фиксирующих конструкций непосредственно на месте оказания медицинской помощи, который назвали EPPOCRATIS [47]. В нем выделяется семь этапов: 1) компьютерная томография, 2) сегментация поврежденного фрагмента челюсти, 3) виртуальное планирование операции, 4) 3D-печать, 5) обработка полученной модели, 6) адаптация пластины, 7) операция. Весь процесс, от компьютерной томографии до операции, по данным авторов, занимает 24–48 ч. Однако создание собственного подразделения анатомического моделирования и 3D-печати требует выделенного и соответствующего коду больничного помещения, найма нового персонала (биоинженеров и технологов), обучения и приобретения оборудования и программного обеспечения. B.J. King et al. [48] сообщают, что при использовании пластин, предварительно смоделированных по стереолитографической модели, продолжительность периода, затрачиваемого на их адаптацию, сокращается с 22,8 ± 2,1 до 6,9 ± 0,3 мин. Благодаря этому, заключают авторы, значительно сокращается время пребывания пациента в операционной, что является самым дорогостоящим аспектом лечения, и, соответственно, окупаются средства, затраченные на создание инфраструктуры аддитивных цифровых технологий.

Тем не менее сама по себе 3D-печать не может гарантировать точное расположение изготовленных на ее основе фиксирующих конструкций во время хирургического вмешательства. В связи с этим предлагается дополнить методику интраоперационными 3D-компьютерной томографией [49] или навигацией. В последнем случае, по данным L. Bergeron et al. [50], продолжительность хирургического вмешательства сокращается на 36,1%. В наибольшей степени точность сопоставления костных фрагментов актуальна при восстановлении поврежденных мыщелковых отростков нижней челюсти, где плохая визуализация из-за ограниченности хирургического доступа зачастую сочетается со сложным характером травмы. Соответственно, применение цифровых технологий представляется здесь перспективным [6, 51]. В случае использования навигационных систем различие между реальным положением фиксатора после операции и данными предоперационного виртуального планирования составило 0,5235 мм, там же, где они не применялись, — 1,170 мм [52].

Однако для большинства клиник соответствующее оборудование остается слишком дорогим, в связи с чем в качестве определенной альтернативы на практике используются индивидуальные направляющие шаблоны, что также помогает повысить точность репозиции костных фрагментов, сократить время операции и уменьшить риск поломки фиксирующей пластины за счет ее чрезмерного изгиба [53]. Однако T. Pavlychuk et al. указывают, что применение этих шаблонов связано с широким отсепаровыванием мягких тканей с надкостницей от поверхности кости и, следовательно, возможным риском резорбции в отдаленные сроки после вмешательства. Поэтому авторы рекомендуют прибегать к наложению шаблонов только по необходимости. Таковым, например, по их мнению, является медиальное смещение фрагмента головки мыщелкового отростка, где цифровое планирование играет принципиальную роль в определении его правильного местоположения, угла наклона и длины фиксирующего винта [6].

В клинической практике нередко встречаются переломы, локализующиеся одновременно в области обоих мыщелковых отростков и фронтальном отделе нижней челюсти, что затрудняет правильное определение межмыщелкового расстояния и прикуса. По мнению A. Zoabi et al. [4] и C. King et al. [46], в данной ситуации виртуальное планирование также может быть высокоэффективным для достижения адекватного клинического результата.

По наблюдениям W. Zeng et al. [54], при использовании направляющих шаблонов реальное положение накостной пластины после остеосинтеза отличалось от запланированного на основе виртуальных расчетов в среднем на 0,89 мм, в то время как в группе сравнения (без шаблонов) — на 1,01 мм. Субъективная оценка восстановления окклюзионных взаимоотношений расценена как оптимальная в 92,13% при интраоперационном применении предварительно изготовленных направляющих щаблонов и 84,91% — при их отсутствии.

Обсуждение

Несмотря на внедрение в клиническую практику новых лечебных технологий, доля осложнений, развивающихся у пациентов с переломами нижней челюсти, остается недопустимо высокой, в том числе после проведения хирургических вмешательств [1, 2, 7, 8]. Однако, как показал анализ причин развития послеоперационных осложнений, в большинстве случаев они были связаны с отступлениями от требований соответствующих технологий [9], в то время как при их точном соблюдении частота развития данных осложнений может быть снижена до уровня 4,1%, что продемонстрировано на достаточно большом клиническом материале [55]. Это может явиться основанием для совершенствования соответствующих клинических протоколов путем жесткой регламентации требований к технике выполнения оперативного вмешательства и его планированию. С другой стороны, в реальной клинической практике неизбежно будут возникать ситуации, не укладывающиеся в рамки разработанных схем, которые придется постоянно пересматривать. Цифровые технологии могли бы стать инструментом, способным урегулировать сложившееся противоречие благодаря способности анализировать большое количество данных, значительно превышающей возможности отдельного исследователя и даже целого коллектива.

В связи с этим представляет большой практический интерес создание хранилищ рентгенологических изображений, совмещенных с сервером для выполнения распределительных вычислений, совместно с основными клиническими характеристиками, полученными в процессе лечения и последующей реабилитации пациентов [16]. Имеющуюся информацию можно использовать, с одной стороны, для выявления возможных факторов, влияющих на конечный клинический результат, а с другой — для глубокого обучения нейронных сетей (CNN). На сегодняшний день, как показывают результаты исследований, процитированных в настоящей работе, их возможности не кажутся столь значительными. Однако, как отмечают M. Amodeo et al. [28], нейронные сети, хотя на данный момент и не могут заменить работу рентгенолога, способны играть вспомогательную роль, предоставляя альтернативное мнение, тем самым уменьшая риск человеческой ошибки, обусловленной снижением концентрации внимания или недостаточной квалификацией.

Это положение подтверждается исследованием M. Shahnavazi и H. Mohamadrahimi, в котором искусственный интеллект демонстрировал диагностическую эффективность, сопоставимую с эффективностью стоматологов общей практики [27]. Сети CNN потенциально могут быть обучены с использованием огромного количества данных, гораздо большего, чем любой челюстно-лицевой хирург сможет проанализировать за всю жизнь, что предполагает огромные перспективы их использования [29] не только для диагностики, но и в составлении плана проведения лечебных мероприятий в зависимости от конкретной клинической ситуации.

Уже сейчас цифровые технологии предоставляют для этого необходимую доказательную базу. Так, показания к проведению оперативного вмешательства при переломе мыщелкового отростка, по данным литературы, в случаях снижения суставной высоты колеблются от 2 [56] до 5 мм [57]. Zh.W. Zhou et al. [16], в свою очередь, предлагают свой критерий — 4 мм, который представляется более обоснованным, поскольку доказывается компьютерным анализом, проведенным на значительном статистическом материале. В то же время однозначно требовать на этом основании его включения в клинические рекомендации как безусловного параметра, определяющего стратегию лечения, очевидно, было бы преждевременно, поскольку авторами не изучен еще ряд признаков, характеризующих окончательный клинический результат. К ним можно отнести амплитуду латеро- и протрузионных движений нижней челюсти, функциональную активность ветвей лицевого нерва, симптоматику повреждения слюнных желез, а также зависимость развития неблагоприятных исходов от использованного хирургического доступа исходя из локализации и типа перелома, применения тех или иных методов реабилитации и т.д. Иными словами, для цифровой оценки эффективности метода лечения необходима разработка стандартизованной системы учета наблюдаемых клинических параметров и их интеграция с рентгенологическим изображением. Таким образом, требуется дальнейшее продолжение исследовательской работы в данном направлении, в том числе, возможно, с использованием систем искусственного интеллекта. В то же время создание таких хранилищ требует разработки надежных систем защиты персональных данных, а также решения проблемы совместимости форматов, используемых в различных клиниках и регионах.

Глубокое обучение нейронных сетей в отношении переломов нижней челюсти в настоящее время сталкивается с рядом объективных трудностей. Компьютерная томография, несмотря на высокую информативность [11–14], все еще не может являться скрининговым методом диагностики данного вида повреждений в связи с создаваемой при ее проведении значительной дозой облучения [15]. Поэтому, вероятно, следует согласиться с мнением A. Rashid et al. о необходимости четкой регламентации клинических ситуаций, выступающих показанием к применению метода [15]. При анализе же 2D-рентгенограмм, выполненных на различном оборудовании, с различными режимами CNN демонстрируют очень низкую внешнюю валидность [22]. Мелкие элементы переломов зачастую не распознаются системой, ошибочно воспринимаются ею как артефакты и наложения [29], равно как и наоборот [25]. Однако все эти трудности не носят необратимый характер и не должны быть аргументом для прекращения исследовательской работы в данном направлении. Следует согласиться с М. Dashti et al. [58], что основным сдерживающим фактором здесь является ограниченный охват данных в имеющихся на сегодняшний день исследовательских работах. Кроме того, нужно учитывать, что для полноценной диагностики перелома необходимо рентгенологическое исследование не менее чем в двух проекциях, в связи с чем анализа только ортопантомограмм иногда бывает недостаточно. В то же время публикаций, посвященных применению CNN для оценки рентгенограмм, выполненных в прямой передней обзорной проекции, нет вообще.

Количественные параметры анализа рентгенологического изображения у различных предложенных в настоящее время для клинической практики сетей неодинаковы и в некоторых случаях могут существенно варьировать [23–25], в том числе в зависимости от локализации линии перелома [25]. Тем не менее полученные данные носят предварительный характер, так как основаны на сравнительно малом количестве наблюдений и оценивать на этом основании их сравнительную диагностическую ценность преждевременно.

На сегодняшний день можно констатировать, что возможностей архива одной, пусть даже крупной клиники недостаточно для эффективного функционирования систем глубокого обучения. Соответственно, учитывая, что самонастраиваемость CNN улучшается по мере увеличения объема входной информации [20], следует ставить вопрос об интеграции деятельности различных медицинских учреждений для создания объединенных хранилищ клинических и рентгенологических данных. Это позволит полноценно реализовать потенциал нейронных сетей, хотя, как отмечено выше, для решения данной задачи необходимо решение вопросов юридического характера, связанных с обеспечением конфиденциальности сведений, касающихся состояния здоровья пациентов.

Следующим фактором, необходимым для достижения успешного результата лечения, после диагностики и планирования является качество проведения медицинских манипуляций, в первую очередь хирургических. Цифровые технологии здесь также находят свое применение, позволяя на этапе предоперационной подготовки изготовить оптимальную конструкцию индивидуализированного фиксатора и обеспечить точность его позиционирования. Для реализации последней задачи рекомендуется использовать навигационные системы и/или интраоперационную КТ-визуализацию [49–52], а также операционные шаблоны [53]. Преимуществами компьютер-ассистированной хирургии, которые можно считать доказанными, являются сокращение времени оперативного вмешательства и более точное восстановление структур лицевого скелета, окклюзионных взаимоотношений по сравнению с традиционным подходом, полностью зависимым от опыта и интуиции хирурга [5, 6, 32–38, 40–42, 48, 50, 51, 59].

Тем не менее целесообразность ее применения в лечении пациентов с переломами нижней челюсти вызывает сомнения. Это связано, во-первых, с высокой стоимостью используемого оборудования, во-вторых, с чрезмерной длительностью срока изготовления индивидуализированных накостных пластин и шаблонов, обусловленных организационными сложностями при взаимодействии клиники и аутсорсинговой компании. Данная проблема может быть в значительной степени нивелирована за счет создания в структуре медицинского учреждения собственного подразделения анатомического моделирования и 3D-печати [32, 43, 47], что, однако, потребует определенных инвестиций и модернизации лечебного процесса. Соответственно, для оправдания этих затрат необходимо ответить на вопрос: насколько достоверно отмеченные преимущества цифровых методов моделирования и интраоперационного контроля снижают частоту развития осложнений и отражаются на отдаленных результатах лечения? Хотя, как отмечено выше, имеются предпосылки, позволяющие предполагать высокую эффективность компьютерного обеспечения хирургических вмешательств у больных с травмой нижней челюсти [5, 9, 33, 34, 41, 55] в плане достижения оптимального результата лечения, доказательные рандомизированные исследования, подтверждающие этот тезис, отсутствуют. Не имеется также работ, обосновывающих экономическую эффективность компьютер-ассистированной хирургии, в том числе с расчетом индекса окупаемости инвестиций (ROI), применительно к пациентам с переломами нижней челюсти. По нашему мнению, отправной точкой для проведения таких исследований может послужить унифицированная стоимость 1 ч работы операционной. Таким образом, проведение соответствующей работы должно стать актуальной задачей на ближайшие годы.

Заключение

В настоящее время к результатам лечения предъявляются все более высокие требования, что привело к появлению доктрины точной (прецизионной) медицины. Цифровые технологии здесь играют ведущую роль, позволяя объединить два, казалось бы, противоположных направления современного здравоохранения — персонализацию и стандартизацию. Другими словами, они могут стать инструментом, определяющим единую концепцию лечения той или иной нозологической формы заболевания, доказавшую свою эффективность на значительном статистическом материале, но с учетом совокупности индивидуальных параметров каждого конкретного пациента. В отношении переломов нижней челюсти, относящихся к хирургии неотложных состояний, имеющиеся исследовательские работы пока носят пилотный характер. Представленные в них результаты являются обнадеживающими, однако говорить о бесспорно доказанной клинической эффективности методов цифровизации в обеспечении лечебного процесса у данной категории пациентов было бы, конечно, преждевременно.

Как следует из проанализированных нами данных, дальнейший научный поиск в отношении пациентов с переломами нижней челюсти должен концентрироваться на следующих темах:

• совершенствование методов диагностики, в первую очередь с точки обеспечения их безопасности, т.е. достижение высокой информативности исследования должно сочетаться со снижением лучевой нагрузки на пациента. Требуется четкая регламентация показаний к проведению компьютерной томографии, зафиксированная в соответствующих клинических рекомендациях;
• использование сверточных нейронных сетей, прошедших глубокое обучение на основе объединенных хранилищ архивного материала медицинских учреждений, для автоматизированного анализа диагностических данных, сравнительного анализа эффективности различных методов лечения в зависимости от клинической ситуации, а в перспективе — составления обоснованного плана лечения и реабилитации каждого конкретного пациента;
• обеспечение прецизионности хирургических вмешательств и их соответствия требованиям соответствующих оперативных технологий на основе методов компьютер-ассистированной хирургии, позволяющих минимизировать риск развития неблагоприятных исходов, связанных с неадекватной установкой фиксирующих конструкций.

Существенным ограничением проанализированных в настоящей статье исследовательских работ является отсутствие данных о влиянии цифровых технологий на окончательный результат лечения и обоснования экономической целесообразности их внедрения в широкую клиническую практику. Соответственно, данные вопросы нуждаются в дальнейшем изучении.

Повышение эффективности оказания медицинской помощи пациентам с травмами лица признается актуальной проблемой в отечественной литературе. В то же время использованию с этой целью цифровых технологий не уделяется достаточного внимания, имеющиеся публикации единичны. Данную тенденцию необходимо менять, так как на основании сведений, приведенных в настоящем обзоре, можно прогнозировать, что парадигма исследовательских работ в ближайшем будущем будет сдвигаться в сторону цифровизации, которая неизбежно затронет переломы нижней челюсти как наиболее частый вид повреждений костей лицевого скелета.

Дополнительная информация

Источник финансирования. Работа выполнена в рамках бюджетного финансирования по месту работы авторов.

Конфликт интересов. Авторы данной статьи подтвердили отсутствие конфликта интересов, о котором необходимо сообщить.

Участие авторов. А.С. Панкратов — разработка идеи работы, методологии ее проведения, поисково-аналитическое исследование литературных источников, обработка полученных данных, написание статьи; О.Л. Головин — поисково-аналитическое исследование литературных источников; В.М. Гринин — поисково-аналитическое исследование литературных источников, участие в редактировании статьи; Д.М. Джандаров — участие в редактировании статьи. Все авторы статьи внесли существенный вклад в организацию и проведение исследования, прочли и одобрили окончательную версию рукописи перед публикацией.

About the authors

Alexander S. Pankratov

I.M. Sechenov First Moscow State Medical University (Sechenov University); Russian Medical Academy of Continuing Professional Education

Email: stomat-2008@mail.ru
ORCID iD: 0000-0001-9620-3547
SPIN-code: 9785-2632

MD, PhD, Professor

Russian Federation, Moscow; Moscow

Oleg L. Golovin

Institute of Applied Information Technologies

Email: olgol2020@rambler.ru
ORCID iD: 0009-0006-7500-9343
SPIN-code: 7847-3205

PhD in Economics

Russian Federation, Moscow

Vasily M. Grinin

I.M. Sechenov First Moscow State Medical University (Sechenov University)

Email: grynin@mail.ru
ORCID iD: 0000-0002-2280-8559
SPIN-code: 9663-2378

MD, PhD, Professor

Russian Federation, Moscow

Jalil M. Dzhandarov

I.M. Sechenov First Moscow State Medical University (Sechenov University)

Author for correspondence.
Email: dzhandarov2000@mail.ru
ORCID iD: 0009-0005-3477-6311
SPIN-code: 7659-2648

MD

Russian Federation, Moscow

References

Supplementary files