№ 1 (198) 2026 р. С. 45–51

ВІЗУАЛІЗАЦІЯ БОЙОВИХ УШКОДЖЕНЬ: ТЕМПОРАЛЬНА СТРУКТУРА ТА ДЕМОГРАФІЧНІ ДЕТЕРМІНАНТИ

О. С. Герасименко, В. М. Соколов, Т. К. Дорофеєва, О. О. Долгушин, Д. В. Соколов

Одеський національний медичний університет, Одеса, Україна

DOI 10.32782/2226-2008-2026-1-7

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.

Ключові слова: комп’ютерна томографія; бойова травма; машинне навчання; війна в Україні.

REFERENCES

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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).
  7. 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.
  8. 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-care-handbook-v5-may-17-distro-a.pdf.
  9. 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.
  10. 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.
  11. 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.
  12. ai. h2o: R interface for H2O. R package version 3.42.0.2. 2022. Available from: https://github.com/h2oai/h2o-3.
  13. Murphy KP. Machine Learning: A Probabilistic Perspective. Cambridge (MA): MIT Press; 2012. 1104 p.
  14. 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. JAthl Train. 2020;55(7):724-732. https://doi.org/10.4085/1062-6050-134-19.
  15. 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.
  16. 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.
  17. 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.
  18. 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).
  19. 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.
  20. 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.
Переглянути публікацію PDF