5 курс / Пульмонология и фтизиатрия / Внебольничная_пневмония_и_дизадаптационный_синдром

РАЗДЕЛ 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