ВІЗУАЛІЗАЦІЯ БОЙОВИХ УШКОДЖЕНЬ: ТЕМПОРАЛЬНА СТРУКТУРА ТА ДЕМОГРАФІЧНІ ДЕТЕРМІНАНТИ
DOI:
https://doi.org/10.32782/2226-2008-2026-1-7Ключові слова:
комп’ютерна томографія; бойова травма; машинне навчання; війна в УкраїніАнотація
Ретроспективне дослідження комп’ютерної томографії 606 поранених військових за 04.2022 – 09.2025: 50,3 % пацієнтів без гострої патології. Домінували металеві сторонні тіла в м’яких тканинах (25,5 %) та переломи кінцівок; тяжкі торакальні / черепно-мозкова травма – < 0,3 % через ефект бронезахисту. Визначено віковий профіль: < 40 років – уламкові контузії м’яких тканин; > 40 років – переломи, гемартрози, дегенеративні зміни опорно-рухового апарату. Лінійна модель лише за віком досягла R² = 0,9996, але log-loss 5,04 вказує на потребу додаткових предикторів. Комп’ютерна томографія залишається золотим стандартом стратифікації бойових ушкоджень. Машинне навчання на демографічних даних має потенціал як інструмент підтримки рішень в умовах війни.
Посилання
Lee J, Roberson L, Garner R, et al. Trauma and Critical Care Military-Civilian Publications Increased After the COVID-19 Pandemic: A Literature Review. J Surg Res. 2023;292:97–104. https://doi.org/10.1016/j.jss.2023.06.025.
American College of Surgeons. ACS Bulletin January 2025. Chicago (IL): American College of Surgeons; 2025. Available from: https://www.facs.org/media/l05lvnfe/january-2025-acs-bulletin.pdf.
Olshaker H, Brin D, Gorenstein L, et al. Computed Tomography Findings of Combat Casualties During the 2023–2024 Israel-Gaza Armed Conflict. Isr Med Assoc J. 2025;27(1):17–22.
Nehria N, Nehria Y, Bukharin T. Radiology during a war – experience in Ukraine. Rofo. 2025;197(2):145–153. https://doi.org/10.1055/a-2326-7724.
Sokolov VM, Anishchenko LV, Bianov OS, Nikitina OV. Pozalikarniana pnevmoniia. Diferentsialna diagnostyka. COVID-19. Klin inform telemed. 2020;15(16):15–27. (In Ukrainian). https://doi.org/10.31071/kit2020.16.07.
Sokolov VM, Maiorov OI, Anishchenko LV, et al. Novi tekhnolohii promenevoi diagnostyky dlia vizualizatsii sudynnoi patolohii holovnoho mozku pry dementsii. Radiol Visn. 2019;(1–2):115–119 (In Ukrainian).
Sokolov VM, Rozhkovska HM, Tsvihovskyi, et al. Retrospektyvnyi analiz diagnostychnykh zobrazhen limfoproliferatyvnykh zakhvoriuvan. Odesa Med J. 2024;1(1):65–71. (In Ukrainian). https://doi.org/10.32782/2226-2008-2024-1-3.
Center for Army Lessons Learned. Tactical Combat Casualty Care Handbook. Version 5. Fort Leavenworth (KS): CALL; 2023. Available from: https://api.army.mil/e2/c/downloads/2023/01/19/31e03488/17-13-tactical-casualty-combat-carehandbook-v5-may-17-distro-a.pdf.
Chilamkurthy S, Ghosh R, Tanamala S, et al. Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. Lancet. 2018;392(10162):2388–2396. https://doi.org/10.1016/S0140-6736(18)31645-3.
Heo S, Ha J, Jung W. Decision effect of a deep-learning model to assist a head CT order for pediatric traumatic brain injury. Sci Rep. 2022;12:12454. https://doi.org/10.1038/s41598-022-16313-0.
Teoh L, Ihalage AA, Harp S, Al-Khateeb ZF, Michael-Titus AT. Deep learning for behaviour classification in a preclinical brain injury model. PLoS One. 2022;17(6):e0268962. https://doi.org/10.1371/journal.pone.0268962.
H2O.ai. h2o: R interface for H2O. R package version 3.42.0.2. 2022. Available from: https://github.com/h2oai/h2o-3.
Murphy KP. Machine Learning: A Probabilistic Perspective. Cambridge (MA): MIT Press; 2012. 1104 p.
Mauntel TC, Marshall SW, Hackney AC, et al. Trunk and lower extremity movement patterns, stress fracture risk factors, and biomarkers of bone turnover in military trainees. J Athl Train. 2020;55(7):724-732. https://doi.org/10.4085/1062-6050-134-19.
Luque A, Carrasco A, Martín A, de las Heras A. The impact of class imbalance in classification performance metrics based on the binary confusion matrix. Pattern Recognit. 2019;91:216–231. https://doi.org/10.1016/j.patcog.2019.02.023.
Branco P, Torgo L, Ribeiro RP. A survey of predictive modeling on imbalanced domains. ACM Comput Surv. 2016;49(2):31. https://doi.org/10.1145/2907070.
Faghani S, Moassefi M, Rouzrokh P, et al. Quantifying uncertainty in deep learning of radiologic images. Radiology. 2023;308(2):e222217. https://doi.org/10.1148/radiol.222217.
Sokolov DV, Sokolov VM, Tsvihovskyi VM, Dolhushyn OO. Kompiuterna prohrama “Systema prohnozuvannia ryzyku osteoporotychnykh perelomiv stehnovoi kistky na osnovi DEXA ta klinichnykh danykh”. Zareiestrovane avtorske pravo № 139027. Ukraina; 2025. (In Ukrainian).
Hofer IS, Burns M, Kendale S, Wanderer JP. Realistically Integrating Machine Learning into Clinical Practice: A Road Map of Opportunities, Challenges, and a Potential Future. Anesth Analg. 2020;130(5):1115–1118. https://doi.org/10.1213/ANE.0000000000004575.
Stewart IJ, Sosnov JA, Howard JT, et al. Retrospective analysis of long-term outcomes after combat injury: a hidden cost of war. Circulation. 2015;132(22):2126–2133. https://doi.org/10.1161/CIRCULATIONAHA.115.016950.
