диссертации / 62

151

Таблица 17 – Выбор статистических критериев (по О.Ю. Ребровой, 2006 г.) [109]

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

Таблица 19 – Термины, используемые в диагностических исследованиях

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

157

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»

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-