диссертации / 62
.pdf151
Таблица 17 – Выбор статистических критериев (по О.Ю. Ребровой, 2006 г.) [109]
Задача |
|
МЕТОДЫ |
|
|
|
||
параметрические |
Непараметрические |
||
|
|||
|
|
|
|
Условия при- |
Количественные |
Количественные признаки независимо от вида |
|
менимости |
нормально рас- |
распределения, качественные признаки |
|
|
пределенные |
|
|
|
признаки |
|
|
|
|
|
|
Описательная |
Среднее значе- |
Медиана, интерквартильный размах, пропорции |
|
статистика |
ние, стандартное |
|
|
|
отклонение |
|
|
|
|
|
|
Сравнение |
t-критерий Сть- |
Критерий Манна-Уитни, критерий χ2, точный кри- |
|
двух незави- |
юдента для не- |
терий Фишера, критерий χ2 с поправкой Йетса, от- |
|
симых групп |
зависимых вы- |
ношение шансов (ОШ) и его 95% ДИ |
|
по одному |
борок |
|
|
признаку |
|
|
|
|
|
|
Для статистического анализа применен пакет «STATISTICA 6.0.437.0» StatSoft, Inc., США). Проверка на нормальность распределения количественных данных проводилось при помощи W-теста Шапиро-Уилка. Описательная статистика количественных признаков в тексте и таблицах приведены в виде медианы и 25-75 процентилей «Me [Q1-Q3]». Ранее опубликованные данные приведены в виде среднего значения «М, [ДИ95%]», где доверительный интервал (ДИ) – интервал значений признака, с 95%-ной вероятностью включающий истинное значение данного параметра в генеральной совокупности. Интерпретация результатов: если P>0,05, то нулевая гипотеза об отсутствии различий групп не отклоняется; если P<0,05, то нулевая гипотеза об отсутствии различий групп отклоняется и принимается альтернативная гипотеза о существовании различий групп с вычисленным уровнем статистической значимости P, если 0,10>Р>0,05, то делается вывод о наличии статистической тенденции. Поправка на множественные сравнения не применялась [109].
Для анализа информативности диагностических и прогностических тестов использовались общепринятые термины: чувствительность, специфичность, положительная и отрицательная предсказательная ценность (табл. 18, 19) [11, 28].
152
Таблица 18 – Используемые результаты диагностических тестов
Результаты теста |
Патологическое состояние |
|
|
имеется |
отсутствует |
Положительные |
a (истиннополо- |
b (ложноположительные) |
|
жительные) |
|
Отрицательные |
c (ложноотрицательные) |
d (истинноотрицательные) |
|
|
|
Таблица 19 – Термины, используемые в диагностических исследованиях
Название термина |
Формула |
Результат |
|
подсчета |
|||
|
|
||
Чувствительность (sensi- |
= а / (а+c) |
= число больных с истинноположи- |
|
tivity) |
|
тельным результатом / общее число |
|
|
|
больных с данным состоянием |
|
Специфичность (specifici- |
= d / (b+d) |
= число больных с истинноотрица- |
|
ty) |
|
тельным результатом / число больных без |
|
|
|
данного состояния |
|
Положительная предска- |
= а / (а+b) |
= число больных с истинноположи- |
|
зательная ценность (posi- |
|
тельным результатом / число больных с |
|
tive predictive value) |
|
положительным результатом |
|
Отрицательная предсказа- |
= d / (c+d) |
= число больных с истинноотрица- |
|
тельная ценность (negative |
|
тельным результатом / число больных с |
|
predictive value) |
|
отрицательным результатом |
|
|
|
|
|
Общая точность (accura- |
= (а+d) / |
= число больных с истинноположи- |
|
cy) |
(а+b+c+d) |
тельным или истинноотрицательным ре- |
|
|
|
зультатом / число всех больных |
|
|
|
|
Для наглядной демонстрации диагностической и прогностической ценности изучаемых методов был использован математический метод ROC-анализа
(Receiver-Operator characteristic Curve) [28], использовалась статистическая про-
грамма «MedCalc», версия 9.2.0.1 (MedCalc, Бельгия). ROC-кривая показывает зависимость между чувствительностью и специфичностью метода. Обязательным компонентом ROC-анализа являлось определение площади под ROC-кривой (Area Under Curve, AUC), которая свидетельствовала о прогностической силе оцениваемого параметра (модели). При AUC=0,90-1,0 качество модели признавалось от-
личным, при 0,80-0,89 – очень хорошим, при 0,70-0,79 – хорошим, 0,60-0,69 –
153
средним, 0,50-0,59 – неудовлетворительным [28]. Для количественного сравнения AUC ROC рассчитывался Z-критерий (J. Hanley, 1983). Z-критерий≥1,96 свидетельствует о том, что различия между площадями под характеристической кривой статистически значимы.
Выводы к главе 2
1.Исследование было проведено на большом количестве больных с тяжелым острым панкреатитом и инфицированным панкреонекрозом.
2.Для достижения поставленных задач были использованы современные клинико-лабораторные и инструментальные методы исследования.
3.Для оценки полученных данных применены современные критерии и шкалы тяжести острого панкреатита, полиорганной дисфункции, а также объективные математические методы анализа данных.
154
ГЛАВА 3 ПРОГНОЗИРОВАНИЕ ПАНКРЕАТИЧЕСКОЙ ИНФЕКЦИИ
3.1 Возможности традиционных клинико-лабораторных методов исследования в прогнозировании инфекционных осложнений панкреонекроза
Анализ данных литературы позволяет признать, что при клинических симптомах некротического процесса в поджелудочной железе и парапанкреатической клетчатке нет четких критериев прогнозирования развития инфекционных осложнений. Однако инфицированный панкреонекроз является основным фактором высокой летальности при тяжелом остром панкреатите. Поэтому важно при поступлении пациента в стационар определить вероятность развития инфекционных осложнений ТОП с выделением больных группы риска по развитию инфицированного панкреонекроза.
На сегодня считается доказанным единственный фактор, с которым коррелирует частота инфекционных осложнений – степень (обширность, распростра-
ненность) панкреатического некроза [261, 289, 310]. H.G. Beger et al. (1986) доло-
жили о высокой частоте панкреатической инфекции у 71% больных, у которых по данным КТ поражено более 50% ткани поджелудочной железы [190]. В настоящее время считается, что при панкреонекрозе, охватывающем по данным КТ более чем на 50% ткани поджелудочной железы, наиболее вероятно развитие инфекционных осложнений [387]. Эти выводы согласуются с результатами исследования H.G. Ranson и F.C. Spencer (1977), которые выявили, что частота инфицирования при панкреонекрозе коррелирует с тяжестью острого панкреатита по критериям Ranson. У больных с острым панкреатитом и наличием одного положительного критерия по шкале Ranson панкреатическая инфекция выявлена в 5,3% случаев, тогда как при 5 баллах по Ranson – у 58,8% больных [359].
Однако известно, что определение степени тяжести острого панкреатита является недостаточным для прогнозирования вероятности развития инфекционных осложнений. В большинстве случаев развитие инфицированного панкреонекроза
155
зависит от большого числа других недостаточно изученных на сегодняшний день факторов или их сочетания. В данной главе описаны результаты оценки информативности традиционных клинико-лабораторных и инструментальных методов исследования в прогнозировании инфекционных осложнений панкреонекроза. На основании клинических наблюдений за больными с разными формами острого некротизирующего панкреатита и данных литературы было систематизировано все клиническое многообразие симптомов с целью выделения прогностических признаков инфицированного панкреонекроза. Были выделены две группы больных в соответствии с патоморфологической формой заболевания – стерильным панкреонекрозом и инфицированным панкреонекрозом. С целью разработки системы раннего прогнозирования инфицированного панкреонекроза были изучены результаты клинических, лабораторных и инструментальных методов исследования, полученные в течение первых суток от момента поступления пациента в стационар.
Полученные при ретроспективном анализе фактические материалы в виде качественных и количественных клинических и инструментальных признаков (85 показателей) составили электронные таблицы, объединенных в базу данных с помощью программы Database. NET, version 7.4.4686.24, Тайвань (база данных «Тяжелый острый панкреатит», регистрационное свидетельство о включении в Государственный регистр информационного ресурса № 5761001030) [44].
Дизайн исследования – ретроспективное, одноцентровое. Были сформированы две группы больных в зависимости от отсутствия/наличия ИПН в катамнезе (рис. 11): группа 1 – нет ИПН (n=185), группа 2 – есть ИПН в катамнезе (n=113). Длительность катамнестического наблюдения – 30 суток.
Задача – выявление возможности использования традиционных методов исследования для прогнозирования инфицированных форм панкреонекроза. Признак считали информативным, если во второй группе (инфицированный панкреонекроз) бинарный признак встречался статистически значимо чаще или, наоборот, реже, чем в первой группе (стерильный панкреонекроз) (P<0,05). В случае если те
156
или иные клинико-лабораторные параметры оценивались в течение первых суток многократно, у больных обеих групп выбирались экстремальные (по отношению к нормальным) значения лабораторных и клинических показателей.
Результаты сравнения результатов клинико-лабораторных и инструментальных исследований (УЗИ, ЭКГ) представлены в таблице 20.
Таблица 20 – Характеристика результатов основных клинико-лабораторных и инструментальных методов исследования при поступлении больных с тяжелым острым панкреатитом
Показатель |
СПН, |
ИПН, |
|
||
|
n=185 |
n=113 |
P* |
||
|
абс. |
% |
абс. |
% |
|
|
|
|
|
|
|
1 |
2 |
3 |
4 |
5 |
6 |
Боль в животе: |
185 |
100 |
113 |
100 |
|
|
|
|
|
|
|
- умеренной интенсивности, опоясывающего характера |
145 |
78,4 |
78 |
69,0 |
0,07 |
с и (или) иррадиацией в спину |
|
|
|
|
|
|
|
|
|
|
|
- выраженный болевой синдром (некупирующийся |
40 |
21,6 |
35 |
30,1 |
0,07 |
ненаркотическими анальгетиками) и (или) разлитой |
|
|
|
|
|
характер болей |
|
|
|
|
|
|
|
|
|
|
|
Время от начала заболевания до госпитализации в ста- |
|
|
|
|
|
ционар: |
|
|
|
|
|
- менее 12 часов; |
22 |
11,9 |
13 |
11,5 |
0,92 |
- 12-24 часа; |
45 |
24,3 |
21 |
18,6 |
0,25 |
- 25-48 часов; |
42 |
22,7 |
20 |
17,7 |
0,30 |
- более 48 часов |
76 |
41,1 |
59 |
52,2 |
0,06 |
|
|
|
|
|
|
«Ранние» операции в анамнезе у больных |
15 |
8,1 |
15 |
13,3 |
0,15 |
|
|
|
|
|
|
Индекс массы тела более 25 кг/м2 |
70 |
37,8 |
55 |
48,7 |
0,07 |
|
|
|
|
|
|
Желтуха, иктеричность склер |
37 |
20,0 |
28 |
24,8 |
0,33 |
|
|
|
|
|
|
Тошнота |
138 |
74,6 |
90 |
79,6 |
0,32 |
|
|
|
|
|
|
Рвота |
120 |
64,9 |
80 |
70,8 |
0,29 |
|
|
|
|
|
|
Вздутие живота (по клиническим данным) |
88 |
47,6 |
65 |
57,5 |
0,10 |
Перитонеальный синдром |
80 |
43,2 |
60 |
53,1 |
0,10 |
|
|
|
|
|
|
Энцефалопатия |
15 |
8,1 |
15 |
13,3 |
0,15 |
|
|
|
|
|
|
157
1 |
2 |
3 |
4 |
5 |
6 |
|
|
|
|
|
|
Одышка, легочная недостаточность – ЧД более 25 в 1 |
15 |
8,1 |
17 |
15,0 |
0,06 |
мин |
|
|
|
|
|
|
|
|
|
|
|
ЧСС более 120 уд/мин |
17 |
9,2 |
18 |
15,9 |
0,08 |
|
|
|
|
|
|
АД (систолическое) менее 100 мм рт. ст. |
15 |
8,1 |
15 |
13,3 |
0,15 |
|
|
|
|
|
|
Лейкоцитоз более 14•109/л |
88 |
47,6 |
65 |
57,5 |
0,10 |
Число палочкоядерных форм лейкоцитов крови более |
58 |
31,4 |
48 |
42,5 |
0,05 |
10 |
|
|
|
|
|
Амилаза более 120 г/(ч•л) |
165 |
89,2 |
105 |
92,9 |
0,28 |
|
|
|
|
|
|
Гипергликемия более 10 ммоль/л |
20 |
10,8 |
20 |
17,7 |
0,09 |
|
|
|
|
|
|
Билирубинемия более 30 мкмоль/л |
37 |
20,0 |
28 |
24,8 |
0,33 |
|
|
|
|
|
|
Мочевина более 12 ммоль/л |
40 |
21,6 |
35 |
31,0 |
0,07 |
|
|
|
|
|
|
Желудочно-кишечное кровотечение |
15 |
8,1 |
15 |
13,3 |
0,15 |
|
|
|
|
|
|
Ишемия миокарда или выраженные метаболические |
20 |
10,8 |
20 |
17,7 |
0,09 |
нарушения, по данным ЭКГ |
|
|
|
|
|
Острое жидкостное скопление, «свободная» жидкость |
88 |
47,6 |
66 |
58,4 |
0,07 |
в брюшной полости (УЗИ) или пальпируемый инфиль- |
|
|
|
|
|
трат |
|
|
|
|
|
|
|
|
|
|
|
Эффект от интенсивной комплексной терапии в тече- |
145 |
78,4 |
78 |
69,0 |
0,07 |
ние 24 часов госпитализации |
|
|
|
|
|
Примечание – * использовался классический критерий χ2 по Пирсону
Таким образом, сравнение клинической картины острого панкреатита и данных лабораторных, инструментальных методов исследования в начале заболевания не позволило выделить специфические симптомы, указывающие на то, что у пациента может развиться инфицированный панкреонекроз. Каждый показатель в отдельности не несет статистически значимой информации. Объединение информативных «традиционных» клинико-лабораторных методов исследования для прогнозирования дальнейшего течения заболевания с помощью метода интеллектуального анализа данных в систему поддержки принятия решений явилось основной задачей следующего этапа наших исследований.
158
3.2 Общая характеристика разработанной системы прогнозирования инфицированного панкреонекроза
Прогнозирование инфекционных осложнений острого некротизирующего панкреатита из-за отсутствия специфических, высокоинформативных лабораторных и клинических предикторов ИПН проводилось не по уровню какого-либо отдельно взятого неспецифического показателя, а на основании комплексной оценки результатов клинических, лабораторных, инструментальных методов исследования. На этом этапе исследования для построения первого функционального блока «Системы прогнозирования инфицированного панкреонекроза» (СПИПН), предназначенного для такого прогнозирования в течение первых 24 часов с момента госпитализации пациента, использовались ретроспективные клинические, лабораторные и инструментальные данные 398 больных (период с 1995 по 2005 год). Дизайн исследования: ретроспективное, одноцентровое. Исключены пациенты с фульминантным течением острого панкреатита, посттравматическим и послеоперационным панкреатитом, а также пациенты, у которых на момент поступления имелись явные признаки инфекционных осложнений панкреонекроза (гноетечение из раны, по дренажам) (n=96). Выборка больных разделена на две группы: первая группа – для обучения СПИПН (298 примеров); вторая группа – для тестирования обученной СПИПН (100 примеров).
Входные переменные введены в виде непрерывных (интервальных или относительных) числовых данных (возраст, пульс, систолическое артериальное давление, эритроциты, гемоглобин, гематокрит, ЛИИ и т.д., всего 10 признаков) и номинальных значений (пол – мужской и женский; наличие жидкостных скоплений или пальпируемого инфильтрата в брюшной полости – да или нет, всего 13 признаков). Выходная бинарная переменная – «инфицированный панкреонекроз» имеет два значения: да, нет.
Один из самых сложных вопросов, который приходится решать при разработке систем прогноза, какие признаки взять в качестве входных для искусствен-
159
ных нейронных сетей. Чтобы входные признаки были выбраны наилучшим образом, можно перепробовать все возможные варианты входных наборов данных и архитектур искусственных нейронных сетей и выбрать из них наилучший [91, 137, 149]. Эффективный метод оптимизации набора входных признаков – «генетический алгоритм» [13].
Из 23 показателей (см. табл. 20), отобранных методом экспертных оценок для построения системы прогноза, с помощью генетического алгоритма выделено 12 наиболее значимых (табл. 21).
Таблица 21 – Входные параметры, используемые для создания «Системы прогнозирования инфицированного панкреонекроза»
Входной параметр |
Формат данных |
Единица измерения |
|
|
|
|
|
«Ранние» операции |
есть / нет |
- |
|
в анамнезе |
|||
|
|
||
Индекс массы тела |
числовое значение |
кг/м2 |
|
Наличие инфильтрата |
есть / нет |
- |
|
(жидкостных скоплений) |
|||
|
|
||
|
|
< 12 часов |
|
Время от начала |
номинальное значение |
12-24 часов |
|
заболевания |
25-48 часов |
||
|
|||
|
|
> 48 часов |
|
Глюкоза сыворотки крови |
числовое значение |
ммоль/л |
|
Выраженный болевой |
есть / нет |
- |
|
синдром |
|||
|
|
||
Вздутие живота |
есть / нет |
- |
|
Частота сердечных |
числовое значение |
уд/мин |
|
сокращений |
|||
|
|
||
Мочевина сыворотки крови |
числовое значение |
ммоль/л |
|
Палочкоядерные |
числовое значение |
% |
|
нейтрофилы |
|||
|
|
||
Частота дыхания |
числовое значение |
дыханий/мин |
|
Эффект от консервативного лече- |
есть / нет |
- |
|
ния в течение 24 часов |
|||
|
|
На рисунке 31 представлен интерфейс модуля «Генетический алгоритм отбора данных».
160
Рисунок 31 – Интерфейс модуля «Генетический алгоритм отбора данных» пакета
«STATISTICA Neural Networks v1.0» (StatSoft, США)
Для выбора архитектуры сети нами использован автоматический конструк-
тор сети – «мастер решений» пакета «STATISTICA Neural Networks v1.0» (StatSoft, США). Данный «мастер решений» позволяет по сравнению с другим вариантом выбора архитектуры сети – методом проб и ошибок – автоматизировать процесс поиска оптимальной сети, с помощью весьма сложных алгоритмов выделять наиболее перспективные варианты, предлагать исследователю наилучшую из апробированных сетей [13]. Тип используемой сети – «многослойный персептрон» (Multilayer Perceptron) – выбран ввиду его относительной простоты, небольших размеров, относительно быстрой работы [13]. В итоге нами выбрана сеть типа «Многослойный персептрон» с тремя слоями нейронов: 12 нейронов в первом (входном) слое, 11 – во втором, и 1 – в третьем (выходном) слое (рис. 32).
Обучение сети выполнено методом обратного распространения ошибки по материалам основной группы больных (n=298). Суть метода заключалась в последовательном обучении сети на данных из обучающего множества. На каждой итерации (эпохе) все наблюдения из обучающего множества по очереди подавались на вход сети. Сеть обрабатывает их и выдает выходные значения, которые сравниваются с целевыми выходными значениями, и ошибка, т.е. разность между желаемым и реальным выходом, используется для корректировки весов сети так, чтобы уменьшить эту ошибку [91]. В результате обучения СПИПН получены сле-