CC BY
28
I
Орипнальы досл1дження
Original Researches
Травма
УДК 61:519.2 (075.8)
1ВЧЕНКО В.К., 1ВЧЕНКО А.В., ГАЛЬЧЕНКО В.Я, 1ВЧЕНКО Д.В., ШВЕЦЬ О.1.
ДЗ «Луганський державний медичний унверситет», кафедра ортопед! травматологи та ЛФК, кафедра медично! та бiологiчно! фiзики, медично! iнформатики, бiостатистики
ПРОГНОЗУВАННЯ РЕЗУЛЫАЛВ ЛкУВАННЯ nEPEAOMiB
ДОВГИХ KiCTOK У ХВОРИХ НА ЦУКРОВИЙ AiABET ЗАСОВАМИ iHTEЛEKTУAЛbHOГO ТА СТАТИСТИЧНОГО
AHAЛiЗУ ДАНИХ
Резюме. Анал1з метабол/чних порушень в основних орган/чних компонентах юстково)' тканини хворих на цукровий д1абет 3 переломами довгих кюток став пдставою для побудови модел1 прогнозування ризику розвитку ускладнень при 1х лкуванн¡. Розроблена прогностична модель ор/ентована на анал/з бююм/чно! ситуацИ що розвиваеться в орган/змI пац/ента псля травми. В основу побудови прогностичноI модель що вдображае певнI ланки патогенезу розвитку ускладнень, поклали дан1 боюм/чних досл1д>кень показниюв концентрац/й гл1козам1ногл1кан1в, колагену та лужноI фосфатази. Для вир1шення прогностичноI задачI сто-совно кожного пац/ента зд/йснюеться розрахунок трьох значень функцй, що класиф1кують. Для розрахун-юв використовуються центрованI й нормованI значення ознак. Пац/ента вдносять до того класу, для якого дискримнантна функц/я прийме максимальне значення. Програма обчислюе в1ропднють розвитку або ступ1нь ризику розвитку ускладнень при лкуваннI перелом/в довгих кюток у хворих на цукровий д1абет. Ключов слова: цукровий д/абет, переломи довгих ксток, прогностична модель.
Вступ
Метаболiчнi порушення при цукровому дiабетi (ЦД) приводять до розвитку змш практично вшх ор-гашв i тканин, при цьому частота ураження ыстково! тканини коливаеться вщ 0,7 до 69 %.
До основних бiохiмiчних маркерiв ысткового мета-болiзму належить пдроксипролш (ГП). Його вмют вщ-дзеркалюе резорбцш истки остеобластами, осюльки 90 % його утворюються внаслщок руйнування, а всього 10 % е результатом исткоутворення [4]. Втьний ГП — маркер, що вщображуе катаболiчну фазу метаболiзму колагену. Концентращя бiлковозв'язаного ГП — бю-хiмiчний маркер кiсткоутворення, що характеризуе синтетичну фазу метаболiзму колагену [10]. Глшэза-мiноглiкани (ГАГ) у складi протеоглiканiв входять до мiжклiтинноl речовини сполучно! тканини, мiстяться в ыстках, синовiальнш рiдинi. Разом iз волокнами колагену та еластину протеоткани утворюють основну речовину. Головна функщя — зв'язувати та утримувати молекули води в мiжклiтиннiй речовит [8]. Продукцiя колагенази, що належить до класу металоендопепти-даз, може бути стимульована тд час iмунноl вiдповiдi пiд дiею цитокiнiв, що посилюе активнiсть фiброблас-тiв i остеобластiв [9]. Про стан исткового метаболiзму та фосфорно-кальщевого обмiну свщчить рiвень луж-но! фосфатази (ЛФ), що асоцшеться з активнiстю ос-теобластiв [3]. Поряд iз порушеннями регенераци ист-
ково! тканини (КТ) виникають i гнiйно-некротичнi ускладнення [1, 5].
В останш роки активно розробляються системи швидко! й об'ективно! оцiнки ступеня тяжкостi патоло-пчного процесу та прогнозування результатiв наслщыв захворювання на пiдставi врахування анамнестичних, кштчних, лабораторних та iнструментальних даних. Це пов'язано з тим, що об'ективiзацiя стану хворих дозволяе прогнозувати вiрогiднiсть наслiдкiв, строки госппатза-Щ1 та перебування у вiддiленнi, оцiнювати ефективнiсть терапи, що проводиться, розробити диференцшовану тактику лiкування для конкретного хворого. Незважаю-чи на числент зусилля i отриманi результати, проблема прогнозування наслщив рiзних захворювань та ранньо! дiагностики ускладнень ще далека вщ вирiшення. 1сну-ючi методи прогнозування не можуть бути визнаними абсолютно точними й досконалими i не е надшним ш-струментом у прийняттi клiнiчних рiшень [6, 7].
Прогностична модель, що пропонуеться, орiенто-вана на аналiз клiнiко-бiохiмiчноl ситуаци, яка розвиваеться в органiзмi пацiента пiсля травми й враховуе метаболiчнi порушення основних оргашчних компо-
© 1вченко В.К., 1вченко А.В., Гальченко В.Я., 1вченко Д.В., Швець О.1., 2013 © «Травма», 2013 © Заславський О.Ю., 2013
нентiв КТ хворих на ЦД iз переломами довгих кiсток: ГАГ, колагенази, ЛФ. Змши концентрацiй цих ком-понентiв у бiологiчних рщинах адекватно вщобража-ють стан КТ в конкретний перюд и життадяльносл i з урахуванням тривалостi захворювання ЦД покпаденi в основу побудови прогностично'! моделi, що вiдображаe певш кiльця патогенезу розвитку ускладнень.
Матер1ал та методи досл1джень
Дослщження в повному обсязi проводилися для трьох груп пaцieнтiв, що характеризуються рiзним часовим перь одом перебiгу захворювання ЦД: термiном до п'яти роив (14 осаб), вщ п'яти до десяти роив (16 осiб), понад 10 роив (12 осiб), у яких нaведенi дaнi висновюв iз формулюванням результату оперативного лiкувaння, що використовуються як нaвчaльнi вибiрки в наступних дослщженнях.
При проведеннi aнaлiзу отриманих медичних даних початковий штерес становить виявлення !х структури та складання математично! моделi. Для виявлення структури, що прихована в даних, звичайним прийомом е грaфiчне зображення даних у вигляд точок бaгaтомiрного простору. Тод схожiсть м1ж пащентами вщображаеться вщстанню в бaгaтомiрному простор^ тим самим створюеться можли-вють отримувати змiстовнi результати, дослщжуючи гео-метричнi якостi взаемного розташування точок.
Головна щннють бaгaтомiрного aнaлiзу полягае саме в можливост вiзуaлiзувaти результати та штерпретувати !х iз медично! точки зору. Для проведення бaгaтомiрного aнaлiзу необхщно подати вихiднi даш у вигляд тaблицi «пащент — ознака», у якiй кожен пащент характеризу-еться значеннями ознак. У даному дослщженш ознаки вимiрянi в юльюснш шкaлi. Перед початком обробки дaнi необх1дно центрувати та нормувати.
Центрування дозволяе зсунути всi точки даних у просторi так, щоб центр хмари опинився на початку координат, нормування ж дозволяе усунути незрiвнян-нiсть ознак мiж собою за одиницям вимiру, нiвелювaти сильш вiдмiнностi в ознаках за абсолютною величиною та робить можливим вимiр вiдстaнi мiж пащента-ми одночасно за декшькома ознаками.
X.
X - X
де X,, X — новi (нормовaнi) i стaрi значення векторiв ознаки; ст — середньоквадратичне вiдхилення, тобто квадратний коршь iз загально! дисперси хмари даних; X — середне значення векторiв ознак.
Таким чином, кожного пащента на пiдстaвi вимiря-них у нього ознак можна подати у виглядi точки в ба-гaтомiрному евклiдовому просторi. Сукупнють об'eктiв дослiдження утворюють у просторi хмару. Евклiдовa вiдстaнь мiж точками (пащентами) характеризуе !х спiльнiсть або вщмшнють. Ландшафтна специфiкa ви-бiрок характеризуе внутрiшню структуру даних.
Вiзуaлiзaцiя необхщна для того, щоб подати багато-мiрну хмару даних у вигляд зручного для сприйняття дво-вимiрного зображення, знижуючи при цьому розмiрнiсть хмари до двох вимiрiв, але так, щоб були збережеш основнi
3aK0H0MipH0cri, xapaKTepHi для набора даних, що дозволя-ють наочно сприймати початковий розподл ix на класи. Оптимальним для досягнення ще! мети е проектування набору точок даних на площину двох головних компонент.
Дослщження проводилося в середовищi пакета ViDaExpert 1.0, що належить до втьно поширюваного програмного забезпечення для некомерцшних досль джень [2]. Для нелшшно! вiзуaлiзaщ! в ViDaExpert вико-ристовувалася технология, що е результатом подальшого розвитку карт Кохонена, яю самоорганiзуються (Self-Organizing Maps — SOM) i носять назву «пружш карти» (ElasticMaps) [2]. 1дея методу полягае в зануреннi введено! до розгляду двовим!рно! сiтки в багатовимiрний простiр даних. Сiтка змшюе свою форму так, щоб максимально точно апроксимувати хмару даних, тобто будувати р!зно-манiтнiсть. Кожнiй точщ даних ставиться у вiдповiдностi найближчий до не! вузол штки. Шсля визначення р!зно-манiтностi у вигляд пружно! карти хмара даних проекту-еться на не!. Останнiм етапом вiзуалiзацii е розгортання, тобто вщображення рiзноманiтностi мало! розмiрностi на стандартну рiзноманiтнiсть, наприклад площину.
Наступним етапом вiзуалiзацil е картографування. Позитивна яысть його проявляеться певною мiрою шсля нанесення на карту рiзноманiтниx кольорiв, наприклад, за щтьнютю даних, що виявляють взаемозв'язки рiзниx ознак. Картографування даних дозволяе виршу-вати ряд задач, серед яких: наочне подання даних; по-будова шформацшно! математично! моделi набору даних; вщновлення прогалин у даних, коли деяю з ознак, характерних для пащенлв, не вимiрянi заздалегщь або iнформацiя щодо них вщсутня; побудова прогнозiв.
Результати вiзуалiзацi! наборiв багатовимiрниx даних, що аналiзуються в наведених дослiдженняx, дозво-ляють зробити висновки про можливiсть класифкаци.
Визначення вирiшальниx правил, що являють собою класифкацшш функци, як! дозволяють вщнести пащен-тiв !з визначеним набором ознак до одного з трьох апрiорi вщомих класiв, що прогнозують результати лiкування, а саме: з добрим, задовтьним i незадовтьним прогнозом, здiйснювалося на пiдставi багатовимiрного статистично-го аналiзу. З щею метою використовували метод дискри-мшантного непараметричного аналiзу при наявностi так званих ви6!рок, що навчають, тобто виршуеться задача класифiкацi! з навчанням. При цьому зручним е переход вщ вектора ознак, що характеризуюсь кожного пащен-та, до лшшно! функци вщ них, тобто дискримшантно! функци — гiперплощини, яка найкращим чином роздь ляе сукупшсть виб1ркових точок. ви6!р непараметричного методу аналiзу зумовлений неоднорiднiстю дисперсiй та коварiацiй, перемiнниx, що спостерiгаються в р1зних класах. Тому для подальших дослщжень використовува-лися загальнi моделi дискримiнантного аналiзу (General Discriminant Analysis — GDA).
Дискримшанта функци, отримаш в результатi до-слiдження, подаш в табл. 1—3.
Результати та Тх обговорення
Для вирiшення прогностично! зaдaчi стосовно кожного пащента здшснювали розрахунок трьох значень
а
Том 14, №4 • 2013
www.mif-ua.com
23
класифiкацiйних функцiй. Для розрахункiв викорис-товували центрованi та нормованi значення ознак.
Пащента вщносили до того класу, для якого дис-кримшантна функщя прийме максимальне значення.
Перевiрка адекватност отриманих вирiшальних правил проводилася на пащентах iз першого класу (з добрим прогнозом) шляхом обчислення значень функ-цш, що класифiкують, для спостережень, як! виключа-лися з визначення оцшок параметрiв класу, тобто на крос-перевiрочних iндивiдуумах. Перевiрка показала високу в!ропдшсть отриманих результатiв.
Кр1м того, оцшка ефективностi вирiшальних правил класифшацй здшснювалася шляхом визначення таких по-казниив, як чутливють, специфiчнiсть, безпомилковiсть, помилок першого та другого роду. Для цього об'екти вибь рок, що навчають, розбивались на дв групи: у першу групу вщносили пацiентiв першого i другого класу (з добрим i задовiльним прогнозом результату лiкування), до друго! — пацiентiв третього класу з незадовiльним результатом. Результати розрахунив зведенi й поданi в табл. 4.
За даними табл. 4 може бути визначений ряд по-казниив, що характеризуюсь ефективнють побудова-
них виршальних правил: чутливють й/(с + й) • 100 %; специфiчнiсть а/(а + Ь) • 100 %; безпомилковiсть (а + й)/(а + Ь + с + й )• 100 %; помилка першого роду Ь/(а + Ь) '100%; помилка другого роду с/(с + й) • 100%.
Прогностична модель працюе таким чином. Надае-мо кожнш вищевказаних ознак конкретне значення конкретного хворого вщповщно до таблицi значення ознак. При цьому програма обчислюе в1ропдшсть роз-витку або стутнь ризику розвитку ускладнень при ль куваннi переломiв довгих исток инщвок у хворих на ЦД. Результат лжування конкретного хворого буде вынесений до того класу, для якого дискримiнантна функщя прийме максимальне значення. хвор! на ЦД, у яких розраховане значення буде в «незадовшьних результатах», мають високий стутнь ризику розвитку ускладнень при лшувант переломiв довгих исток.
Таким чином, маючи конкретш показники концен-трацiй гшкозамшогшкашв, колагену та ЛФ, можемо пев-ною м1рою прогнозувати можлив^ь розвитку ускладнень при лкуванш переломiв довгих исток у хворих на ЦД.
Результати обчислень свщчать про високу ефективнють вироблених прогностичних виршальних правил.
Таблиця 1. Класиф1кац1йн1 функцп для па^ен^в ¡з строком захворювання на ЦД до 5 роюв
Прогноз Вид функцп
Добрий fGOOD(X) = 0,604675 - 0,464657*kolagen - 0,391707*gp indep + 0,115469*gp dep + + 0,205178*gag - 0,457817*lf
Задовтьний fSAT(X) = -0,543746 + 0,165018*kolagen + 0,355411*gp indep - 0,582606*gp dep -- 0,024888*gag + 0,459068*lf
Незадовтьний fUNSAT(X) = -0,777959 + 0,29143*kolagen + 0,255249*gp indep + 0,450512*gp dep + + 0,030519*gag + 0,202001*lf
Таблиця 2. Класиф1кац1йн1 функцп для пац1ент1в ¡з строком захворювання на ЦД вщ 5 до 10 роюв
Прогноз Вид функцп
Добрий fGOOD(X) = 0,387063 - 0,570575*kolagen - 0,502583*gp indep - 0,464001*gp dep -- 0,190565*gag - 0,142915*lf
Задовтьний fSAT(X) = -0,745549 + 0,136931*kolagen + 0,104556*gp indep + 0,214227*gp dep + + 0,60691*gag + 0,015538*lf
Незадовтьний fUNSAT(X) = -0,739413 + 0,614975*kolagen + 0,037329*gp indep + 0,001346*gp dep -- 0,263241*gag + 0,066205*lf
Таблиця 3. Клaсифiкaцiйнi функцп для па^ен^в ¡з строком захворювання на ЦД понад 10 роюв
Прогноз Вид функцп
Добрий fGOOD(X) = -0,144776 + 0,439984*kolagen - 0,6925*gp indep - 0,194663*gp dep + + 0,24357*gag - 0,456812*lf
Задовiльний fSAT(X) = -0,442776 + 0,164199*kolagen + +0,501297*gp indep + 0,292835*gp dep -- 0,604443*gag + 0,273103*lf
Незадовтьний fUNSAT(X) = -0,426454 - 0,246469*kolagen + 0,634288*gp indep - 0,135927*gp dep + + 0,46323*gag + 0,349299*lf
Таблиця 4. Частотн показники для визначення ефективност класифкацйних правил
Групи пацieнтiв вибiрки, що навчае Результати класиф1кацп за вир1шальними правилами Усього пащенлв
В1днесен1 в першу групу (1-й, 2-й класи) В1днесен1 в другу групу (3-й клас)
Перша група (1-й, 2-й класи) a b a + b
Друга група (3-й клас) c d c + d
Усього a + c b + d a + b + c + d
Висновки
На пiдставi лiнiйного непараметричного дискримь нантного aнaлiзу клiнiчних показниюв та метaболiчних порушень основних оргaнiчних компонент юстково! тканини хворих iз переломами довгих кусток на фонi ЦД розроблено математичну модель прогнозування результа-ив при !х лiкувaннi.
Маючи конкретш показники тривaлостi захворювання на ЦД, концентрацш ГАГ, колагенази та ЛФ, можна прогнозувати можливють розвитку ускладнень у цих хворих. Для цього достатньо вказаш показники ввести у вщ-повщну формулу, а отриманий результат вкаже, у якому даапазош — «добрЬ, «задовтьш» чи «незадовтьш» — мо-жуть опинитися результати лiкувaння хворого.
Результат лшування конкретного хворого буде вщнесений до того класу, для якого дискримшантна функцiя прийме максимальне значення. Хворi, у яких розраховане значення буде в «незадовтьних результатах», мають високий ступiнь ризику розвитку ускладнень при лшуванш переломiв довгих кiсток.
Список л1тератури
1. Вартанян К.Ф. Клинико-диагностические аспекты остеопатии при сахарном диабете // Российские медицинские вести. — 2003. — Т.УШ, № 3. — С. 39-46.
2. Горбань АН. Визуализация данных методом упругих карт/АН. Горбань, А.Ю. Зиновьев, АА Питенко//Информационные технологии. — 2000. — № 6. — С. 26-35.
3. Дедов И.И. Сахарный диабет / И.И. Дедов, М.В. Ше-стакова. — М.: Универсум паблишинг, 2003. — 340 с.
Ивченко В.К., Ивченко А.В., Гальченко В.Я., Ивченко Д.В., Швец О.И.
ГУ «Луганский государственный медицинский университет», кафедра ортопедии, травматологии и ЛФК, кафедра медицинской и биологической физики, медицинской информатики, биостатистики
ПРОГНОЗИРОВАНИЕ РЕЗУЛЬТАТОВ ЛЕЧЕНИЯ ПЕРЕЛОМОВ ДЛИННЫХ КОСТЕЙ У БОЛЬНЫХ
САХАРНЫМ ДИАБЕТОМ СРЕДСТВАМИ ИНТЕЛЛЕКТУАЛЬНОГО И СТАТИСТИЧЕСКОГО АНАЛИЗА ДАННЫХ
Резюме. Анализ метаболических нарушений в основных органических компонентах костной ткани больных сахарным диабетом с переломами длинных костей лег в основу построения модели прогнозирования риска развития осложнений при их лечении. Разработанная прогностическая модель ориентирована на анализ биохимической ситуации, развивающейся в организме пациента после травмы. В основу построения прогностической модели, которая отражает определенные звенья патогенеза развития осложнений, положены данные биохимических исследований показателей концентрации гликозаминогликанов, коллагена и щелочной фосфатазы. Для решения прогностической задачи относительно каждого пациента производится расчет трех значений классифицирующих функций. Для расчетов применяются центрированные и нормированные значения признаков. Пациента относят к тому классу, для какого дискриминантная функция примет максимальное значение. Программа вычисляет вероятность развития или степень риска развития осложнений при лечении переломов длинных костей у больных сахарным диабетом.
Ключевые слова: сахарный диабет, переломы длинных костей, прогностическая модель.
4. Жерносек В.Ф. Способ комплексной диагностики низкой костной массы и остеопороза у детей и молодых взрослых (инструкция по применению) / В.Ф. Жерносек, Э.В. Ру-денко, И.В. Тарасюк [и др.]. — Минск, 2008. — 34 с.
5. Пятковський В.М. Лкування дiабетичноi остео-артропатн стопи, ускладненоi гншно-некротичним процесом / В.М. Пятковський, А.П. Лябах// Збiрник наукових праць «Ортопедiя i травматолог1я: проблеми якост». — Харшв, 2009. — С. 197-199.
6. Рами Талиб Мутшер Мутшер. Роль повреждения мяг-котканных структур коленного сустава в развитии гонартроза (на основе клинико-артроскопических и биомеханических данных): Дис.. канд. мед. наук: спец. 14.00.21 «травматология и ортопедия» / Мутшер Мутшер Талиб Рами. — Донецьк, 2012. — 147с.
7. Федотова 1.Ф. Рання дiагностика та прогнозування тяжкостi перебиу поперекового стнального стенозу: Дис... д-ра мед. наук: спец. 14.00.21 «травматологiя i ортопедья»/ 1.Ф. Федотова. — Хар^в, 2012. — 358с.
8. Bandtlow C.E. Proteoglycans in the developing brain: new conceptual insightsforold proteins/ C.E. Bandtlow, D.R. Zim-mermann//Physiol. Rev. — 2000. — № 80. — P. 1267.
9. Bikle D.D. Biochemical markers in the assessment of bone diseases / D.D. Bikle // Am. J. Med. — 1997. — Vol. 103. — P. 427.
10. Kang H. Metabolic syndrome is associated with greater his-tologic severity, higher carbohydrate and lower fat diet in patients with NAFLD / H. Kang, J.K. Greenson, J.T. Omo [et al.] // Am. J. Gastroenterol. — 2006. — Vol. 101. — P. 2247-2253.
Отримано 10.06.13 □
Ivchenko V.K., IvchenkoA.V., Galchenko V.Ya., Ivchenko D.V., Shvets O.I.
State Institution «Lugansk State Medical University», Department of Orthopedics, Traumatology and Therapeutic Exercise, Department of Medical Physics and Biophysics, Medical Informatics, Biostatistics, Lugansk, Ukraine
PREDICTION OF TREATMENT OUTCOMES FOR LONG BONES FRACTURES IN PATIENTS WITH DIABETES MELLITUS BY MEANS OF INTELLECTUAL AND STATISTICAL DATA ANALYSIS
Summary. Analysis of metabolic disorders in main organic components of bone tissue in patients with diabetes mellitus with long bones fractures was the base for construction of a model predicting the risk of developing complications during their treatment. The developed prognostic model is oriented on the analysis of biochemical situation which develops in patient's body after the injury. Biochemical studies of concentration of glycosaminoglycanes, collagen and alkaline phosphatase made up the base of constructing of prognostic model which reflects certain elements of pathogenesis of complications. For prognostic problem solving three values of classification functions were calculated for each patient. Centered and normalized sign values were used for calculations. The patient is referred to that class, discriminant function of which will have maximum meaning. The program calculates possibility of development or risk stage of complications development during treatment of long bone extremity fractures in patients with diabetes mellitus.
Key words: diabetes mellitus, long bone fractures, prognostic model.
TOM 14, №4 • 2013
www.mif-ua.com
25
