CC BY
62
IoKQvG-l.Gt-0AD-0.77 I □ пледа G - S. ОЛ - 0.J). D- 0.72
Рис. 2. Корреляционные плеяды иммунометаболических параметров у крыс опытной группы.
Результаты исследования показали, что обязательными атрибутами адаптации к алиментарным стресс-факторам являются усиление мощности и крепости межсистемной интеграции, что свидетельствует о функционировании организма с максимальной степенью напряжения, вовлеченностью в реализацию адаптивных реакций всех гомеостатических систем. В условиях адаптации к высокожировой нагрузке на первое место выходит взаимодействие между провоспалительным медиатором иммунной системы (TNF-a), параметрами системы прооксиданты- антиоксиданты (каталаза, МДА, СО, NO), показателями неспецифической резистентности и наиболее атерогенным классом липидов □ ТГ. Это объясняется тем, что на начальных этапах формирования адаптивного ответа избыточный поток флогогенов в виде экзогенного холестерина и ТГ индуцирует острую воспалительную реакцию, запускающую формирование окислительного стресса: увеличивается поступление в печень свободных жирных кислот, происходят реакции их окисления и образуются продукты ПОЛ, вызывающие окисление ХС ЛПНП [10,11,15]. Клеточные мембраны изменяют свой липидный состав и становятся более склонными к индукции свободных радикалов. Свободные радикалы и окисленные ЛПНП еще больше усиливают процессы липопероксида-ции, вызывают дифференцировку моноцитов в макрофаги, секре-тирующие цитокины, сигнальные биорегуляторы [13]. Компенсаторная гиперпродукция оксида азота оказывает вазодилататор-ный и антитромбогенный эффект на сосудистый эндотелий, становится главным лимитирующим механизмом развития ишемии и гипоксии тканей, минимизирует липотоксическое действие активных форм кислорода [5]. Компоненты систем иммунитета и прооксиданты-антиоксиданты представлены в каждой плеяде, так как именно эти звенья гомеостаза организма находятся на первой линии защиты от чужеродных патогенов и дают сигнал об активации иммунного ответа и экспрессии синтеза антиоксидантных ферментов. Ведущим показателем системы прооксиданты-антиоксиданты, обеспечивающим сопряженность рассматриваемых систем являлась каталаза. Следовательно, только скоординированное действие иммунных и окислительно-восстановительных процессов обеспечивает формирование срочных видов адаптивных стресс-реакций организма.
Литература
1. Доцешо, В.А. Вопр. Питания / В. А. Доценко.П 2004.D № 6. С. 36-39.
2. Дубинина, Е.Е. Продукты метаболизма кислорода в функциональной активности клеток (жизнь и смерть, созидание и разрушение). Физиологические и клинико-биохимические аспекты / Е.Е. Дубинина.^ СПб, 2006.
3. Калинина, Е.П. Мед. Иммунология / Е.П. Калинина, Е.М. Иванов, Е.Г. Исаченко.П 2007.D Т. 9, № 6.D С. 581-588.
4. Климов, А.Н. Обмен липидов, липопротеинов и его нарушения / А.Н. Климов, Н.Г. Никульчева.П СПб, 1999.
5. Марков, Х.М. Пат. физиология и эксперим. Терапия / Х.М. Марков.П 2006.D № 3.D С. 2-7.
6. Медведев, В.И. Адаптация человека / В.И. Медведев.^ СПб, 2003.
7. Медицинские лабораторные технологии и диагностика: Справочник / под ред. А. И. Карпищенко. - СПб, 1999.
8. Новгородцева, Т.П. Руководство по методам исследования параметров системы -Лерекисное окисление липидов □ антиоксидантная защита^ в биологических жидкостях. Владивосток /
Т.П. Новгородцева, Э.А. Эндакова, В.И. Янькова, 2003.
9. Терентьев, П.В. Практикум по биометрии / П.В. Терентьев, Н.С. Ростова. □ Л., 1977.
10. Biochemistry of lipids, lipoproteins and membranes / Edited By J.E. Vance, D. Vance. Hardbound, 2008.
11. Biochemical, physiological and molecular aspects of human nutrition / Edited By M. Stipanuk. Hardbound, 2006.
12. Christie, W.W. Lipid Analysis. 3-rd Edition / W.W. Christie.D Bridgwater, 2003.
13. Dröge, W. Physiol. Rev. / W. Dr-ge.D 2002.D Vol. 82(1).D P. 47-95.
14. Fadeel, B. Crit. Rev. Biochem. Mol. Biol / Fadeel B., Xue D. □ 2009. □ N 44(5). □ Р. 264D277.
15. Immunol / Zhao J. [et. al.j.D 2009.D N 30(1).D P. 8D12.
THE CHARACTER OF HOMEOSTATIC SYSTEMS INTEGRATION IN RATS AT HIGHLY FATTY LOADING
YU.K. KARAMAN
Vladivostok Branch of Far East Research Centre of Physiology and Pathology
of Breath, Siberian Unite of Russian Academy of Medical Sciences, Research Institute of Medical Climatology and Medical Rehabiltation
The character of intra- and intersystem interactions of lipid transport, antioxidant, prooxidant, immune systems in rats during adaptation to highly fat food within 30 days is studied. It is established that the mandatory attributes of adaptation to nutritional stress factors are increased capacity and strengthening of intra- and inter-system integration of homeostatic systems, demonstrating the functioning of the organism with the highest degree of tension in order to maintain internal homeostasis.
Key words: homeostatic system, highly fatty loading, rats.
УДК 616
К ВОПРОСУ О ВЫБОРЕ МЕТОДА МАТЕМАТИЧЕСКОГО АНАЛИЗА С ЦЕЛЬЮ ПРОГНОЗИРОВАНИЯ ЗАБОЛЕВАЕМОСТИ ЛЕПТОСПИРОЗОМ
Т.В. ЧЕСТНОВА*, О.Л. СМОЛЬЯНИНОВА*, С.И. ЛОГВИНОВ**
Предложен алгоритм поиска оптимальной модели для решения задачи прогнозного моделирования состояния сложных систем с применением методом группового учета аргументов.
Ключевые слова: патология, лептоспироз, анализ, модель, заболеваемость.
Лептоспироз □ одна из актуальных проблем инфекционной патологии в Тульской области. Для разработки научно обоснованной системы управленческих мер оптимизации эпиднадзора за лептоспирозом с целью уменьшения количества заболеваний, необходимо правильно прогнозировать складывающуюся эпидемическую ситуацию на основании данных эпизоотологического мониторинга с помощью методов системного анализа. Особенностью прогнозирования и управления процессом заболеваемости является получение ее прогностичной модели [1-3].
Средства математического анализа весьма многообразны. К общепризнанным и хорошо исследованным методам многомерного статистического анализа относятся: корреляционный, регрессионный, дискриминантный анализ, метод группового учета аргументов (МГУА).
При получении прогноза состояния сложных систем особое место занимают методы экспериментального прогнозирования, в которых предполагается, что все основные тенденции развития процесса отражены в таблице наблюдений. Применению экспериментальных методов благоприятствует существенная инерционность большинства процессов, протекающих в системах. Экспериментальные методы эффективно решают задачу прогнозирования состояния системы при отсутствии структурных изменений в объекте исследования. Особенный интерес представляют такие методы при анализе эргатических, экологических систем, которые относятся к нелинейным системам, подверженным влиянию многих факторов.
* Тульский государственный университет, кафедра «Санитарногигиенические и профилактические дисциплины С] 300028, г. Тула, ул. Болдина, 128, тел. 8 (4872) 35-11-50
** Тульский государственный педагогический университет им.
Л.Н.Толстого, 300026, г. Тула, пр. Ленина, 125, тел. 8 (4872) 34-20-99
Анализ применения методов построения прогнозирующих моделей по экспериментальным данным показал высокую эффективность методов эвристической самоорганизации, к которым относятся многорядные алгоритмы метода группового учета аргументов. Преимущество данного метода в первую очередь вызвано возможностью учета большого количества входных факторов (в несколько раз превышающих число экспериментальных точек), а также высокой прогностичностью метода [4,5].
Опыт моделирования сложных систем выявил возможность совершенствования алгоритмов МГУА путем:
□ улучшение статистических показателей получаемых моделей;
□ снижение вероятности потери существенных факторов или членов полиномиальной функции при построении оптимальной модели;
□ расширение возможностей исследователя за счет формирования матрицы исходных данных, используемых для расчета критерия непротиворечивости.
Метод группового учёта аргументов по данным наблюдений основан на поиске модели оптимальной сложности при помощи перебора множества моделей-претендентов по внешним критериям. Принцип самоорганизации утверждает, что внешний критерий при постепенном увеличении сложности модели сначала уменьшается, затем проходит через минимум и начинает возрастать в области переусложнённых моделей. Минимум критерия определяет единственную модель оптимальной сложности.
Перебор множества моделей-претендентов при самоорганизации модели осуществляется по заранее заданному ансамблю внешних критериев селекции. Выбор критериев селекции зависит от цели и задач моделирования (получение точной и прогностич-ной модели, несмещенной, непротиворечивой (физической) моделей и т.д.).
Для использования критериев выбора модели оптимальной сложности реализация выборки п делится на обучающую Ка, проверочную N0 и экзаменационную N0 последовательности.
Для расширения возможности использования метода целесообразно осуществлять выбор варианта подготовки исходной матрицы, что подтверждено опытом моделирования сложных систем. Предварительно точки экспериментальных данных ранжируются по уменьшению дисперсии выходной величины или дисперсии всей строки экспериментальных данных:
Б
=1 (у экс,- у ~ і=1
і)
2
п _ п N _ (1)
Б12 =Ё (У экш - У экс„.!)2 +2Е(хи - Х,)2 і=1 і=1 І=1
Выбор варианта ранжирования исходных данных о„ределя-ется исследователем. Формирование исходной матрицы за счет данных, имеющих максимальную дис„ерсию „о входным факторам и выходной „еременной, „озволяет оценивать модели, максимально отличающиеся „о значениям входных факторов, а расчет дис„ерсии только „о выходной „еременной „озволяет „олучать модели для о„исания состояний системы в наиболее удаленных точках.
Для частных моделей „ервого уровня выходные „еремен-ные будут о„исываться алгебраической функцией, которая в общем виде „редставляется „олиномом Колмогорова-Г абора: к к к к к к
У = ао +Х аіхі +ХХацХіХ] + Шаі,іХі^Хі + ... (2) і=1 і=1 І=1 і=1 І=1 1=1
Для о„ределения коэффициентов „олинома в многорядных алгоритмах МГУА „рименяется многорядная „о„арная селекция.
Для достижения минимума значений внешних критериев возможно „рименение частных о„исаний, ис„ользующих комбинацию квадратичных, линейных „олиномов и „олиномов с ковариациями для двух „еременных. Вид частного о„исания в зависимости от выбранной о„орной функции будет иметь вид:
(3)
V = ао + а1Хі + a2ХJ + aзХlХj + а^Х- + a5Хj, У = ао + а^і + a2Хj + aзХlХj,
У = ао + а1Хі + a2Хj.
(4)
(5)
В основном алгоритме метода группового учета аргументов в качестве опорных используются квадратичные полиномы. При этом степень полного полинома повышается с каждым рядом селекции, то есть удваивается. Каждое частное описание является функцией только двух аргументов.
Изменение же вида опорной функции при поиске оптимальной модели по заданным критериям на различных рядах селекции позволяет построить модель «промежуточной» сложности, что снижает вероятность потери существенных элементов полинома (2), не допускает переусложнения моделей, тем самым, повышая их физичность. Например, использование только квадратичной опорной функции позволяет получать модель только за счет значительного повышения степени полинома при незначительном увеличении количество входящих в него факторов и, наоборот, при использовании только линейной опорной функции происходит увеличение количества факторов, входящих в полином, без повышения его степени.
Для исключения отбрасывания при селекции существенных для модели переменных на каждом ряду допускается участие исходных данных и т лучших моделей предыдущего ряда. С учетом опыта моделирования принято т=10, где т - лучшие модели по значению основного внешнего критерия предыдущего ряда, определяющих свободу выбора и обеспечивающее сходимость многорядной селекции модели оптимальной сложности. Тогда число входных переменных п-го ряда селекции будет определяться по формуле:
Зп=$п-1+т (6)
Таким образом, количество входных переменных каждого ряда селекции будет на т больше, чем на предыдущем ряду селекции.
В результате селекционного отбора на последнем ряду получается модель в общем случае имеющую вид: п ряд
Wf = а«- + ацгк + а^ + а3£кп + а^2 + а5^2 п-1 ряд
п-2 ряд
^ а01 + а1^т+ а2^ + а3^ т^ + а41^т + а5^
= а0и + а1и2е + а2и^у + а3и^е2у + а4и^е + а5и^у
и т.д.
Экспериментальные точки делятся на ряд последовательностей отличных друг от друга для определения внешних критериев селекции. В обучающую последовательность включаются точки с большим значением дисперсии, которые используются для определения оценок коэффициентов частных описаний, а в проверочную и экзаменационную □ точки с меньшей дисперсией соответственно, они служат для выбора регулярной модели и проверки качества прогноза.
Одним из обязательных свойств модели оптимальной сложности является её непротиворечивость. Свойства модели не должны существенно зависеть от выборки, на которой оцениваются параметры этой модели.
Непротиворечивость закономерностей является таким же свойством как постоянство физических постоянных. Критерий минимума смещения является основным, так как непротиворечивость является обязательным свойством оптимальной модели. Поскольку к моделированию предъявляется требование и помехоустойчивости, поэтому критерий непротиворечивости является основным критерием МГУА.
Существует несколько реализаций критерия непротиворечивости, но все они сведены к тому, чтобы выход модели, полученной на одной части выборки данных А, возможно меньше отличался от выхода модели, полученной на другой части В (Ка=А+В; А=В):
п см —
І (У аі - Уы)
і=1________________
(7)
КА 2
2 У табл ;
{=1
где У а , Уы □ значения выходной величины, вычисленной соответственно на последовательностях А и В;
Утабл 1 □ значение экспериментальной величины анализируемой функции в I точке таблицы (1=1,К).
гі = аоі + а^+ а^ + азldtdu + + а^и
2
Если критерий п см принимается в качестве основного, то проблема многокритериального выбора (проблема Парето) в самоорганизации не возникает. Тогда будет выбираться модель с минимальным значением критерия непротиворечивости, но в данном случае трудно судить о степени её регулярности и про-гностичности. Поэтому пользуются комбинацией внешних критериев, считая п2см основным. В данном случае проблема многозначности выбора модели решается определением локального пространства, при помощи других критериев (регулярности, точности прогноза или других), где критерий п2см однозначен. Возможность отбора моделей с учетом критериев регулярности и точности прогноза определяется в первую очередь количеством экспериментальных точек. При их недостаточном количестве поиск моделей осуществляется по паре критериев: несмещенности-регулярности или несмещенности-точности прогноза.
В качестве критерия регулярности (Д2(В)) применяется величина среднеквадратической ошибки, измеренной на отдельной проверочной последовательности N0:
I (у табл і уші) ,
(8)
Д 2(В)
У табл 1
1= Ка +1
где Утабш- - значение выходной величины в ьй точке таблицы, (1 = Ка + 1,Кс ); Ут1 - значения выходной величины, полученной по модели.
Точность прогноза (Д2(С)) оценивается по среднеквадратическому отклонению выходной переменной по модели от соответствующих экспериментальных значений на экзаменационной последовательности Э:
N° 2
(у таблі уші)
Д2(С) =
(9)
I (У таблі У табл )
где Ут1 □ значение выходной величины, полученной на модели; Утабл ¡- значение выходной величины в ьй точке таблицы
(1 = N + 1 N )■ у □ среднее значение выходной величины,
С ’ Э У табл
рассчитанное по п точкам, где п=Ка+Кс-+Ко-
Для доопределения лучшей модели (при малом изменении значений основных критериев селекции) могут вводиться критерии: средняя относительная ошибка (5), обобщенный критерий ^).
Критерий ^) является комплексным критерием по значениям критериев п2см , Д2(В), Д2(С), 5. Данный критерий объединяет как внешние критерии МГУА, так и статистические показатели моделей и может иметь вид:
пІм + Л2 (В) + 0,05Л (С) + 0,58, k
(10)
где к □ количество слагаемых числителя, определяющее число критериев, вошедших в обобщенный критерий.
Выражение может изменяться в зависимости от числа внешних критериев отбора и статистических показателей моделей, вошедших в комплексный критерий. Данный критерий позволяет выбрать модель оптимальную в смысле совокупного значения внешних критериев МГУА и статистических показателей моделей на заключительном этапе выбора единственной модели.
Последовательное применение критериев селекции для выбора и конструирования наилучшей модели по комбинации критериев п2см, Л2(В), Л2(С), Q проводится в следующей последовательности:
1. Определяется последний ряд селекции (п) на котором соблюдается условия:
Условие 1: п2см шіп(п) < п 2см шіп(п+1) , причём п2см шіп(п) < 0,05;
Условие 2: Л2(В) < 0,05;
Условие 3: Q < 0,05.
2. Выбираются претенденты:
- с наименьшими значениями п2см, при установке исследователя на несмещенность и непротиворечивость модели ЭС;
- с наименьшими значениями Д2(В) при установке на регулярность модели из моделей выбранных с учетом значений п2см;
- с наименьшими значениями Д2(С) при установке на точность прогноза выбираемой модели из моделей выбранных с учетом значений п2см и Д2(В).
3. Окончательный выбор основывается на подборе наилучшей комбинации по критерию Q, причём, при существенном скачке в значении Д2(В)п< Д2(В)п+1, выбирается модель с лучшим значением Д2(В).
Предпочтительность выбора модели на третьем этапе по критерию Д2(В) обусловлена его свойством как наиболее помехоустойчивого критерия. При малых помехах (< 10%) все критерии МГУА почти равноценны, т.к. приводят к выбору одной и той же физической модели. По мере увеличения шума до 20-30% и более только выбор модели по вышеприведенной схеме обеспечивает получение модели с полным информационным базисом.
Если интервал упреждения прогноза небольшой, то для него требуется модель, отражающая механизм объекта (физическая модель). Если ставится задача долгосрочного прогноза, то требуется более простая нефизическая модель. Для задачи однократного прогноза целесообразно несколько снизить точность определения оценок коэффициентов регрессии, но за счет этого придать ему большую регулярность, так как целью в данном случае является не минимум ошибки на уже известных узлах интерполяции, а минимум ошибки на новых точках.
В качестве выходного параметра модели (У) принимали ПЗ на 100 тыс. населения для Тульской области за период с 1985 по 2004 годы. Причем он был классифицирован по показателям заболеваемости на 6 уровней:
1 уровень □ от 0 до 1,
2 уровень □ свыше 1 до 2,
3 уровень □ свыше 2 до 4,
4 уровень □ свыше 4 до 6,
5 уровень □ свыше 6 до 8,
6 уровень □ более 8
3-6 уровни предполагают достаточно высокую заболеваемость (выше среднего многолетнего уровня заболеваемости) и это требует, на наш взгляд, дополнительных управленческих мер по оптимизации эпиднадзора за лептоспирозом с целью уменьшения количества заболеваний в Тульской области.
В качестве входных переменных оценивалось 39 факторов: Х1- показатель заболеваемости лептоспирозом предыдущего года, Х2 □ общий процент инфицированности грызунов, Х3 □ инфици-рованность обыкновенной полевки, Х4 □ инфицированность полевой мыши, Х5 □ инфицированность лесной мыши, Х6 □ ин-фицированность рыжей полевки, Х7 □ инфицированность грызунов в ометах, Х8 □ инфицированность грызунов в луго-полевых стациях, Х9 □ инфицированность грызунов в лесных стациях, Х10 □ общая численность грызунов, Х11 □ численность обыкновенной полевки, Х12 □ численность полевой мыши, Х13 □ численность лесной мыши, Х14 □ численность рыжей полевки, Х15 □ средняя температура воздуха летне-осеннего сезона, Х16 □ средняя температура воздуха июня, Х17 □ средняя температура воздуха июля, Х18 □ средняя температура воздуха августа, Х19 □ средняя температура воздуха сентября, Х20 □ средняя температура воздуха октября, Х21 □ среднее количество осадков за летне-осенний сезон, Х22 □ среднее количество осадков за июнь, Х23 □ среднее количество осадков за июль, Х24 □ среднее количество осадков за август, Х25 □ среднее количество осадков за сентябрь, Х26 □ среднее количество осадков за октябрь, Х27 □ общий процент инфици-рованности грызунов за предыдущий год, Х28 □ инфицирован-ность обыкновенной полевки за предыдущий год, Х29 □ инфици-рованность полевой мыши за предыдущий год, Х30 □ инфициро-ванность лесной мыши за предыдущий год, Х31 □ инфицирован-ность рыжей полевки за предыдущий год, Х32- инфицирован-ность грызунов в ометах за предыдущий год, Х33 □ инфицирован-ность грызунов в полевых стациях за предыдущий год, Х34 □ инфицированность грызунов в лесных стациях за предыдущий год, Х35 □ общая численность грызунов за предыдущий год, Х36 □ численность обыкновенной полевки за предыдущий год, Х37 □ численность полевой мыши за предыдущий год, Х38 □ численность лесной мыши за предыдущий год, Х39 □ численность рыжей полевки за предыдущий год.
N
По результатам расчета параметров модели с применением алгоритмов МГУА получена математическая модель, характеризующая заболеваемость лептоспирозом.
По рядам селекции модель записывается в виде:
У = -0,16669 + 0,0659573 +0,67237750 -0,0008773750 7з=уз=хз
750=0,95078 -0,09372узз +0,83616у42 +0,01251уззу42
у33=х33
у42=1,18602 +0,01131x9 -0,04312x38 +0,16456x9x38 Раскрывая модель, получим более подробное математическое описание, которое нецелесообразно раскрывать более детально из-за громоздкости получаемой модели:
У = - 0,16669 + 0,06595x3 + 0,67237(0,95078 - 0,09372x33 + 0,83616(1,18602 + 0,01131x9 - 0,04312x38 + 0,16456x9x38) + 0,01251x33(1,18602 + 0,01131x9 - 0,04312x38 + 0,16456x9x38)) -0,00087x3(0,95078 - 0,09372x33 + 0,83616(1,18602 + 0,01131x9 -0,04312x38 + 0,16456x9x38) + 0,01251x33(1,18602 + 0,01131x9 -
0,04312x38 + 0,16456x9x38))
Значения критериев селекции для полученной модели составляют: п2см=0,0025387, А2(Б)=0,0462006, А2(С)=0,7418353. Коэффициент корреляции значений модели и соответствующих им экспериментальных значений Я = 0,904, коэффициент детерминации Я2 =0,817.
Представленные результаты и сравнительный график моделирования и эксперимента показывают высокую степень достоверности модели, который представлен на (рис.1).
Результаты влияния биотических факторов представлены на (рис. 2).
УЩф.
- я к -
\ - Є За' • '
\ и ( /Г I | ^ # і і J і і 1 і • і и/ - ij- ■ у ■
і і uO . . і і .
Рис. 1. Сравнительный график моделирования и эксперимента
х9
*----— —хЗЗ
1 2 3 456789 10
Рис. 2. Результаты исследований единичного влияния факторов на заболеваемость лептоспирозом в Тульской области
Объективный системный отбор с помощью алгоритмов МГУА позволил выделить наиболее существенные факторы: Хэ □ инфицированность обыкновенной полевки, Х9 □ инфицирован-ность грызунов в лесных стациях, Х33 □ инфицированность грызунов в полевых стациях предыдущего года, Х38 □ численность лесных мышей за предыдущие года. Результаты влияния факторов на заболеваемость показаны на рис. 2 в условных единицах, так как величины имеют различные единицы измерения.
Наибольшее единичное влияние на заболеваемость лептоспирозом в Тульской области оказывают: инфицированность грызунов в лесных стациях, степень влияния которой составляет 80%, инфицированность обыкновенной полевки □ 48%, численность лесных мышей предыдущего года □ 40%, инфицированность грызунов в полевых стациях предыдущего года □ 34%. Рост заболевае-
мости лептоспирозом начинается при инфицированности мелких млекопитающих в лесных стациях свыше 7,2%, инфицированности обыкновенной полевки свыше 18,0%, численности лесных мышей предыдущего года свыше 3,8%, инфицированности грызунов в полевых стациях предыдущего года свыше 11,7%.
Таким образом, предложенный алгоритм поиска оптимальной модели для решения задачи прогнозного моделирования состояния сложных систем с применением МГУА позволяет существенно улучшить характеристики получаемых моделей за счет эвристик при формировании исходных данных, выбора вида опорных функций, а также расширения набора критериев селекции.
Литература
1. Ивахненко, А.Г. Моделирование сложных систем по экспериментальным данным / А.Г. Ивахненко, Ю.П. Юрачковский.П М.: Радио и связь, 1987.П 120 с.
2. Ивахненко, А.Г. Помехоустойчивость моделирование/ А.Г. Ивахненко, B.C. Степашко.П Киев: Наук. думка, 1985.П250 с.
3. Смольянинова, О. Л. Системный анализ и прогнозирование заболеваемости лептоспирозом: [Автореф. дис. □ канд. биол. наук]/ О. Л. Смольянинова.П Тула, 2005.П 21 с.
4. Логвинов, С.И. Системный анализ комплексного воздействия биотических и абиотических факторов при прогнозировании природноСЬчаговых инфекций в Тульской области методами эвристической самоорганизации / С.И. Логвинов.П Тула: Вестник ТГПУ, 2005.П № 2.П С. 18П25.
5. Логвинов, С.С. Методика системного анализа и проявление свойств человека-оператора в обучающей эргатической системе/ С.И. Логвинов.П Тула: Вестник НМТ, 2006.П Т.13, № 4.П С. 137П138.
THE QUESTION OF CHOOSING THE METHOD OF MATHEMATICAL ANALYSIS FOR SOLVING THE PROBLEM OF MEDICAL FORECASTING LEPTOSPIROSYS MORBIDITY
T.V. CHESTNOVA, O.L. SMOLIYANINOVA
Tula State University, Chair of Sanitary, Hygienic and Prophylactic Disciplines Tula State Pedagogical University after L.N. Tolstoy
An algorithm of searching for the optimal model of solving the problem of prediction modeling the state of complex systems by using the method of arguments group account is offered.
Key words: pathology, leptospirosys, analysis, model, disease.
УДК 616:579.61
МОРФОЛОГИЧЕСКИЙ СОСТАВ БИОПЛЕНКИ БИОТОПА ВЛАГАЛИЩА ПРИ ВОСПАЛИТЕЛЬНЫХ ЗАБОЛЕВАНИЯХ РЕПРОДУКТИВНОГО ТРАКТА ЖЕНЩИН
А.В. МЯСНИКОВА, Н.И. ПОТАТУРКИНА-НЕСТЕРОВА, И.С. НЕМОВА, Ю.С. НАГОРНОВ*
Изучен морфологический состав биопленки биотопа влагалища женщин репродуктивного возраста при воспалительных заболеваниях. Для исследования морфологии биопленки биотопа влагалища использовали атомно-силовую микроскопию. Установлены различия в структуре биопленки вагинального биотопа, проявлявшиеся в снижении степени колонизации и частоты встречаемости индигенной микрофлоры и увеличением патогенной по сравнению с показателями здоровых лиц.
Ключевые слова: вагинальный биотоп, воспалительные заболевания, биопленка, атомно-силовая микроскопия
Макроорганизм и населяющая его микрофлора являются единой экологической системой, они находятся в состоянии динамического равновесия, от которого в большой степени зависит здоровье человека. Нормальная микрофлора реагирует на воздействие факторов окружающей среды, является первичной мишенью их действия, что приводит к нарушению микроэкологии человека. В результате в организме накапливаются атипичные штаммы, формируются новые микробные сообщества, изменяются физиологические, биохимические и иммунологические показатели [9].
Микробиоценоз влагалища представляет собой биотоп, в котором могут обитать до 400 видов различных бактерий и 150
* ГОУ ВПО «Ульяновский государственный университет»] 432970, г. Ульяновск, ул. Л.Толстого, 42? E-mail: [email protected]
