5 курс / Пульмонология и фтизиатрия / Внебольничная_пневмония_и_дизадаптационный_синдром
.pdfРАЗДЕЛ II
оксида азота не были достоверны, хотя имели определенную тен денцию к увеличению, а изменения показателей УСМ были досто верны (NO1= 52,07 ± 2,57, К 0 2 = 55,02 ± 4,7 против нормы 46,87 ± 1,26; УСМ1 = 1,87 ± 0,1, УСМ2 = 1,73 ± 1,17, Р < 0,001 против нормы 2,49 ± 0,03) (табл. 37).
Т а б л и ц а 3 7
Биохимические показатели мочи у больных внебольничной пневмонией из различных регионов
Группа наблюдения / показатель
Оксид азота, мкг/мл
К-ацетил-Р-В-глю- козаминидаза, усл. ед./мл
|
Призывники, прибывшие |
|||
из Владивостока |
из европейской |
из Сибири и Даль |
||
территории России |
него Востока |
|||
(n - 108) |
|
|||
|
(n - 23) |
(n - 22) |
||
|
|
|||
46,87 ± 1,26 |
|
52,07 ± 2,57 |
55,02 ± 4,7 |
|
0,84 ± 0,02 |
|
4,80 ± 0,5 Р < 0,001 |
4,17 ± 0,49 |
|
|
|
|
Р < 0,001 |
Белок, мкм/мл |
0,26 ± 0,01 |
0,24 ± 0,01 |
0,23 |
± 0,01 Р < 0,05 |
УСМ, усл. ед. |
2,49 ± 0,03 |
3,87 ± 0,1 Р < 0,001 |
2,73 |
± 0,17 Р < 0,05 |
Таким образом, изучив показатели биохимического спектра конденсата выдыхаемого воздуха, слюны и мочи, мы можем гово рить о том, что у мигрантов из ЕТР внебольничная пневмония не только клинически протекает тяжелее, но и биохимические наруше ния при ней более выражены. В этой группе призывников наблюда ются значительные достоверные изменения на всех уровнях функ ционирования организма. В группе призывников, прибывших из ре гионов Сибири и Дальнего Востока, где менее выражен фактор пе ремещения, обнаружены незначительные клинико-биохимические сдвиги.
Сравнивая полученные результаты с данными обследования здоровых призывников, мы получили однонаправленные изменения всех показателей и установили связь между сроком прогнозируемо го заболевания (в случае неблагоприятного течения адаптационного процесса) и показателями больных. Именно в период между 3-6 ме сяцами пребывания в «новых» условиях наиболее вероятно развитие пневмонии. Эта закономерность легла в основу разработанной мо дели прогнозирования риска развития респираторной патологии у военнослужащих первых шести месяцев службы.
152
ОБОСНОВАНИЕ МЕТОДОВ И ОБЪЕМА ПРОФИЛАКТИКИ
Г л а в а 3. ПРОФИЛАКТИКА РАЗВИТИЯ БОЛЕЗНЕЙ ОРГАНОВ ДЫХАНИЯ ВО ВРЕМЕННЫХ (ЗАКРЫТЫХ) КОЛЛЕКТИВАХ
рофилактика болезней является основной целью врачевания, а Пглавная задача профилактики - прогнозирование. Медицин ский прогноз - это предвиденье вероятного возникновения заболе вания или предсказание характера течения и исхода болезни, осно ванные на знании закономерностей развития патологических про цессов [94]. Последнее десятилетие характеризуется возросшим ин тересом к внедрению математических методов прогнозирования в медицине [14, 33]. Возрастающее оснащение лечебных учреждений компьютерной техникой открывает возможности для клинического прогнозирования на основе разработки алгоритмов [51, 137, 150]. Внедрение в практику новых медицинских технологий позволяет эффективно использовать ограниченные ресурсы здравоохранения [27, 131].
В пульмонологии, как и во всей клинической медицине, выде ляют четыре типа прогностических задач. К первому относится про гнозирование состояния здоровья групп людей в обстановке воздей ствия патогенных факторов, в частности, в экстремальных ситуаци ях [85]. Ко второму типу относят прогнозирование риска заболева ния для отдельного индивидуума [332]. Далее выделяют прогнози рование течения болезни и прогнозирование исхода заболевания [185]. Два последних типа прогнозирования связаны друг с другом и осуществляются параллельно на фоне лечебных мероприятий. По этому для этих двух типов часто применяют термин «клиническое прогнозирование» [174].
Прогнозирование с использованием математических методов предполагает создание прогнозных моделей на основе наиболее полных сведений о физической природе и количественных характе ристиках изучаемого объекта, о степени и характере взаимодействия между отдельными его элементами. Прогностическая модель - это модель объекта прогнозирования, исследование которой дает ин формацию о его возможных состояниях в будущем или путях до стижения этих состояний [67, 143].
Основными задачами прогностического моделирования являет ся выбор класса моделей, адекватного объекту прогнозирования,
153
РАЗДЕЛ II
определение параметров модели, реализация модели и оценка её эффективности. Цель исследования объекта прогнозирования за ключается в предсказании его свойств в будущем, поэтому модель прогноза это система, позволяющая предсказать свойства объекта прогнозирования в будущем [141].
Модели прогноза подразделяются на формализованные и эври стические. Формализованная модель представляет собой математи ческую или логическую систему, состоящую из наборов входных и выходных переменных, и описания связей между ними [22, 30]. Среди формализованных моделей преобладают статистические мо дели прогноза, так как объектами прогнозирования в медицине яв ляются свойства различных систем и процессов человеческого орга низма, законы функционирования которых носят чаще всего стати стический характер [37]. Эвристические модели создаются на осно вании знаний экспертов и могут быть представлены в виде прогноз ных сценариев, экспертных систем и т. д. [330].
В настоящее время при решении задач медицинского прогнози рования в пульмонологии ведущую роль играют: в классе формали зованных моделей - статистические модели прогноза [35], в классе эвристических моделей - так называемые экспертные системы [38]. В случае наличия объективной информации об объекте прогнозиро вания строится статистическая модель, а при её отсутствии привле кается экспертная информация и разрабатываются модели типа экс пертных систем [49, 162, 198].
Среди болезней органов дыхания пневмония как объект про гнозирования занимает одно их первых мест [10, 22]. Большое коли чество работ, основанных на статистическом прогнозировании, по священо прогнозированию риска возникновения болезни. Для про гнозирования заболеваемости в качестве предикторных переменных используются вирусная инфекция верхних дыхательных путей [171], обструкция бронхиального дерева, нарушения гуморального и кле точного иммунитета [22], вдыхание токсических веществ. Прогно зируется повышенная заболеваемость пневмонией в связи с небла гоприятными условиями труда у рабочих [134], риск заболеваемости пневмонией с последующей госпитализацией у пожилых людей с ХОБЛ в связи с увеличением загрязненности атмосферного воздуха и концентрации окислов азота [194]. Прогнозирование заболеваемо сти пневмонией имеет большое профилактическое значение для
154
___________ОБОСНОВАНИЕ МЕТОДОВ И ОБЪЕМА ПРОФИЛАКТИКИ__________
назначения индивидуальных мероприятий, а также снижения забо леваемости ею в последующем [172].
Широкое внедрение неинвазивных методов обследования паци ентов и разработка на их основе научно обоснованных моделей про гнозирования заболеваемости и течения болезней в настоящее время актуальны, а необходимость проведения таких исследований не вы зывает сомнений.
Нами обоснована и представлена математическая прогностиче ская модель, разработанная и апробированная на воинском коллек тиве (военнослужащих первого года службы). Особенностью этой программы и одновременно её достоинством является использова ние показателей неинвазивных методов исследования при динами ческом наблюдении за молодыми мужчинами.
Формирование групп риска по развитию респираторной патологии во временных закрытых коллективах
Несмотря на ключевое положение прогнозирования в медицин ской науке, прогностические исследования остаются неразвитыми [26, 27, 35]. Сегодня в клинической практике к прогнозированию сохраняется два подхода. С одной стороны, традиционный, осно ванный на неформальной оценке заболевания врачом. Он исходит из расплывчатых указаний типа «благоприятный», «неблагоприятный» и т. п. С другой - статистический прогноз, основанный на результа тах продольных исследований течения заболевания и реализуемый в виде вычислений на основе диагноза и других данных о пациенте [16, 19, 36, 68, 97].
Построение моделей предполагает вычленение и описание мак симально простых ситуаций и факторов, более существенно влияю щих на изучаемое явление. Методические подходы к решению задач прогнозирования весьма разнообразны. В большинстве случаев ис пользуют относительно простые методики, связанные с балльными критериями. Распространены подходы, обусловленные применением элементов теории вероятности, в частности статистическая проверка гипотез, последовательный статистический анализ Вальда. Все эти методы ориентированы на прогнозирование исходов патологических
155
РАЗДЕЛ II
процессов. Получение прогноза высокого качества является трудо ёмкой и сложной процедурой [26, 44, 45].
В нашем исследовании построена математическая модель тече ния адаптационного процесса, состоящая из системы дискрими нантных функций [3, 117] и уравнений многомерной регрессии, поз воляющая оценивать на основании данных первого обследования уровень адаптации призывников и возможность развития бронхолё гочных заболеваний.
Методы современного статистического анализа на основании имеющегося эмпирического материала позволяют провести доста точно полное исследование как качества исходной информации, так и причинно-следственных связей исследуемого явления или объек та. В зависимости от объекта исследования и поставленной задачи выбирается соответствующая схема проведения анализа. Схем ста тистического анализа много [3, 101, 125], их выбор зависит от ис ходных данных (объем и качество) и целей исследования.
Первым, ставшим уже традиционным, элементом многих схем статистического анализа является вычисление дескриптивных стати стик: средних (характеристик центральной тенденции) и частотных (характеристик случайных величин, представленных исходными дан ными). Обычно наиболее важной с точки зрения исследователей ста тистикой является среднее арифметическое, или просто среднее.
Эффективность оценки среднего существенно зависит от фор мы кривой плотности распределения вероятностей исходных дан ных.
При проведении реального исследования априори нет инфор мации ни о виде распределения данных, ни о факте наличия или от сутствия «выбросов» в рассматриваемой последовательности. Сред ние показатели не позволяют получить объективной характеристики процесса изменения случайной величины. Дополнением, позволяю щим получить статистическую оценку характера изменения случай ной величины, являются вариационные параметры, например дис персионные характеристики.
Кроме того, в известной степени информативными характери стиками являются величины максимума, минимума, общей суммы, частот.
Получив таким образом набор параметров распределения ис следуемых случайных величин, необходимо решить следующую
156
___________ОБОСНОВАНИЕ МЕТОДОВ И ОБЪЕМА ПРОФИЛАКТИКИ__________
задачу анализа: определить, насколько вычисленные параметры эм пирических распределений (средние и дисперсионные характери стики) близки друг другу и параметрам соответствующего известно го закона теоретического распределения. Этот этап необходим для обоснования выбора и использования ряда этапов общей схемы про водимых исследований.
На величине любого варьирующего признака сказывается вли яние многочисленных, в т. ч. и случайных, факторов, искажающих четкую картину варьирования. Между тем закон распределения поз воляет избежать возможных ошибок в оценке генеральных парамет ров по выборочным характеристикам и статистическим выводам.
Первым этапом, необходимым для обоснования более важных и ответственных этапов общей схемы проводимых статистических исследований, является следующая задача анализа: определить, насколько вычисленные параметры эмпирического распределения близки параметрам соответствующего известного закона теоретиче ского распределения, нанример нормального. Обоснование такого выбора приведено в целом ряде пособий и справочников по анализу данных в медико-биологических исследованиях [3, 125].
К необходимым для решения данной задачи характеристикам эмпирических рядов данных рассчитывались: доверительные t-ин тервалы для средних (р = 95 %), коэффициенты эксцесса и асиммет рии, статистические ошибки для используемых при анализе вели чин.
С целью проведения более глубокого исследования причинно следственных факторов и связей использованы корреляционный, дисперсионный, факторный, дискриминантный, кластерный или ре грессионный разделы системного анализа данных.
Выбор последовательности разделов определен поставленной задачей и характером данных (рис. 9).
Подтверждение гипотезы о близости эмпирического распреде ления к теоретическому нормальному является одним из основных требований к данным практически во всех перечисленных разделах анализа. Гипотезу о законе распределения можно проверить разны ми способами, в частности с этой целью рассчитывают такие пара метры нормального распределения, как асимметрия и эксцесс.
Для измерения асимметрии и эксцесса используют центральные моменты распределения третьего и четвертого порядков. В качестве
157
Copyright ОАО «ЦКБ «БИБКОМ» & ООО «Aгентство Kнига-Cервис»
Copyright ОАО «ЦКБ «БИБКОМ» & ООО «Aгентство Kнига-Cервис»
|
РАЗДЕЛ II |
n |
|
Z( |
) ( ) |
i=\__________________________________
Г к = ■
Корреляционные соотношения оценивались при уровне значи мости не ниже p = 95 %.
Далее с целью определения возможных группировок как обсле дованных пациентов, так и показателей, которые были получены после их исследования, проводились кластерный анализ и построе ние дискриминантных функций.
Кластерный анализ - это общее название множества вычисли тельных процедур, используемых при создании классификации. В результате работы с процедурами образуются «кластеры», или груп пы, очень похожих объектов. Более точно, кластерный метод - это многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов и затем упорядочи вающая объекты в сравнительно однородные группы.
Все исследования, составляющие кластерный анализ, опреде ляют следующие пять основных шагов:
1)отбор выборки для кластеризации;
2)определение множества признаков, по которым будут оцени ваться объекты в выборке;
3)вычисление значений той или иной меры сходства между объектами;
4)проверка метода кластерного анализа для создания групп сходных объектов;
5)проверка достоверности результатов кластерного решения. Кластеры обладают некоторыми свойствами, наиболее важны
ми из которых являются плотность, дисперсия, размеры, форма и отделимость.
Плотность - это свойство, которое позволяет определить кла стер как скопление точек в пространстве данных, относительно плотное по сравнению с другими областями пространства, содер жащими либо мало точек, либо не содержащими их вовсе.
Дисперсия характеризует степень рассеяния точек в простран стве относительно центра кластера. Лучше всего рассматривать дис персию как характеристику того, насколько близко друг к другу
160
___________ОБОСНОВАНИЕ МЕТОДОВ И ОБЪЕМА ПРОФИЛАКТИКИ__________
расположены в пространстве точки кластера. Следовательно, кла стер можно назвать «плотным», если все точки находятся вблизи его центра тяжести, и «неплотным», если они разбросаны вокруг центра.
Свойство кластеров - размеры - тесно связано с дисперсией; если кластер можно идентифицировать, то можно и измерить его «радиус». Это свойство полезно лишь в том случае, если рассматри ваемые кластеры являются гиперсферами в многомерном простран стве, описываемом признаками.
Форма - это расположение точек в пространстве. Несмотря на то что обычно кластеры изображают в форме гиперсфер или эллип соидов, возможны кластеры и другой формы, например удлиненные. В последнем случае понятия радиуса или диаметра перестают быть полезными. Вместо этого можно вычислить «связность» точек в кластере - относительную меру расстояния между ними.
Отделимость характеризует степень перекрытия кластеров и насколько далеко друг от друга они расположены в пространстве. С помощью этих терминов можно описать кластеры любого вида.
Для определения меры сходства между объектами в большин стве случаев используют различные метрики или коэффициенты корреляции, не являющиеся метриками.
Часто говорят, что коэффициент корреляции оценивает форму в том смысле, что он нечувствителен к различиям в величине пере менных, используемых для вычисления коэффициента. Коэффици ент Пирсона г чувствителен только к форме из-за неявной норми ровки каждого объекта по всем переменным.
Это свойство особенно важно при описании данных в терминах профилей. Формально профиль определяется просто как вектор зна чений признаков объекта, графически изображаемый в виде ломаной линии. Сходство между профилями определяет следующие три эле мента:
-форма, т. е. спуски и подъемы ломаной линии для всех пере менных;
-рассеяние, т. е. дисперсия значений переменных относительно их среднего;
-поднятие (уровень или сдвиг), т. е. среднее значение для объ екта по всем переменным.
Чувствительность коэффициента корреляции Пирсона лишь к форме означает, что два профиля могут иметь корреляцию +1 и все
161