СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Настоящая статья посвящена технологии определения высоты продольного свода стопы на основе показателей, рассчитанных при анализе снимков компьютерной плантографии.

Высота продольного свода стопы – показатель, отражающий наименьшее расстояние между нижним краем сочленения ладьевидной и медиальной клиновидной костей и опорой и использующийся для выявления опущения продольного свода стопы при заболеваниях стоп ортопедического профиля. Актуальной задачей является прогнозирование высоты продольного свода на основе плантографических и подометрических показателей с помощью технологий искусственного интеллекта (ИИ) для снижения лучевой нагрузки при диагностике и подборе ортопедических изделий. Для прогнозирования высоты продольного свода стопы разработана и оценена модель искусственного интеллекта на основе плантографических показателей.

В исследование включены 37 человек, которым была проведена компьютерная плантография и рентгенография стоп под нагрузкой. При отборе значимых признаков применялся корреляционный анализ, а с целью выбора оптимального алгоритма машинного обучения – сравнительный анализ моделей ИИ.

По результатам корреляционного анализа выявлена значимая (p ≤ 0,05) связь с высотой продольного свода и отобраны следующие показатели для дальнейшего обучения моделей ИИ: длина стопы от наиболее выступающей точки пяточного закругления до центра основания

второго пальца, линейный показатель высоты свода, коэффициент распластанности переднего отдела стопы, максимальная ширина стопы в переднем отделе и угол отклонения первого пальца. Наилучшие показатели в задаче прогнозирования высоты продольного свода стопы продемонстрировала модель случайного леса (Random Forest): среднеквадратическая ошибка (MSE) – 6,4359, средняя абсолютная ошибка (MAE) – 2,1674, коэффициент детерминации (R²)  –  0,6932, средняя абсолютная процентная ошибка (MAPE) – 7,6152?%, среднеквадратическое отклонение (RMSE) – 2,5369.

Разработанная модель случайного леса обладает высоким качествам работы при прогнозировании высоты продольного свода стопы на основе плантографических и подометрических показателей, что обосновывает целесообразность ее применения для диагностики, подбора

и проектирования ортопедических изделий для коррекции и компенсации деформаций стопы.

1. Современная рентгенологическая диагностика приобретенного плоскостопия взрослых / Н.С. Серова, А.С. Беляев, Д.С. Бобров, К.С. Терновой // Вестник рентгенологии и радиологии. – 2017. – Т. 98, № 5. – С. 275–280. – DOI: 10.20862/0042-4676-2017-98-5-275-280. – EDN ZUVRAB.

2. Современные методы и средства диагностики статических деформаций стопы человека / Ю.Н. Задерей, В.С. Качер, А.В. Гадяцкий, Н.Т. Ковалько, Л.К. Роман, И.Н. Василенко // Восточно-Европейский журнал передовых технологий. – 2009. – Т. 4, № 2 (40). – С. 23–27. – EDN TMCTKH.

3. Ponomarenko G.N., Smirnova L.M., Yuldashev Z.M. Digital transformation of prosthetics and orthotics // Biomedical Engineering. – 2024. – Vol. 57 (5). – P. 305–310. – DOI: 10.1007/s10527-023-10321-8. – EDN CPCEVQ.

4. Смирнова Л.М. Технология и системы для комплексной оценки состояния опорно-двигательного аппарата и контроля эффективности коррекции его нарушений // Биотехносфера. – 2015. – № 5 (41). – С. 46–54. – EDN VLFNIV.

5. Пономаренко Г.Н. Восстановительная медицина: фундаментальные основы и перспективы развития // Физическая и реабилитационная медицина. – 2022. – Т. 4, № 1. – С. 8–20. – DOI: 10.26211/2658-4522-2022-4-1-8-20. – EDN IUWDXK.

6. Методика использования комплексов серии «Скан» при диагностике состояния стопы и назначении ортопедических стелек: методическое пособие / Л.М. Смирнова, Е.Е. Аржанникова, С.В. Карапетян, О.Э. Гаевская. – СПб.: ЦИАЦАН, 2015. – 64 с. – ISBN 978-5-9905705-6-6. – EDN VYLPZN.

7. Vach W. Regression models as a tool in medical research. – Boca Raton, FL: CRC Press, 2012.

8. Predicting fracture outcomes from clinical registry data using artificial intelligence supplemented models for evidence-informed treatment (PRAISE) study protocol / J.F. Dipnall, R. Page, L. Du, et al. // PLoS ONE. – 2021. – Vol. 16 (9). – P. e0257361.

9. Approaching artificial intelligence in orthopaedics: predictive analytics and machine learning to prognosticate arthroscopic rotator cuff surgical outcomes / A.G. Potty, A.S.R. Potty, N. Maffulli, et al. // Journal of Clinical Medicine. – 2023. – Vol. 12 (6). – P. 2369.

10. ГОСТ Р 52623.1–2008. Технологии выполнения простых медицинских услуг функционального обследования: дата введения 2009–09–01. – М.: Стандартинформ, 2009. – URL: https://docs.cntd.ru/document/1200068115 (дата обращения: 10.09.2025).

11. Mukaka M.M. Statistics corner: A guide to appropriate use of the correlation coefficient in medical research // Malawi Medical Journal. – 2012. – Vol. 24 (3). – P. 69–71.

12. Hastie T, Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. – New York: Springer, 2009. – 745 p.

13. Permutation importance: a corrected feature importance measure / A. Altmann, L. Tolosi, O. Sander, T. Lengauer // Bioinformatics. – 2010. – Vol. 26 (10). – P. 1340–1347.

14. Scikit-learn: Machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort, et al. // Journal of Machine Learning Research. – 2011. – Vol. 12. – P. 2825.

15. Михайлишин В.В., Смирнова Л.М., Черкашин С.О. Цифровая обработка электронных планограмм с применением технологий искусственного интеллекта как этап автоматизации плантографических исследований // Цифровая обработка сигналов. – 2024. – № 3. – С. 19–24. – EDN IDROCH.