CC BY
37
Краткое сообщение
УДК 61:007
СИСТЕМА ПРОГНОЗИРОВАНИЯ ТЕЧЕНИЯ ЯЗВЕННОЙ БОЛЕЗНИ
Т.И. БУЛДАКОВА*, В.Б. ЛИФШИЦ**, И.В. ЛИФШИЦ*,
Е.А. ЧЕРЕПАНОВА**
Современные информационные технологии в значительной мере облегчают решение задач идентификации и прогнозирования. С помощью алгоритмов анализа осуществляется автоматический поиск шаблонов (паттернов), закономерностей, характерных для каких-либо фрагментов неоднородных многомерных данных. Таким образом, задача выявления необычных тенденций и закономерностей переложена с человека на компьютер. В данной работе исследуется взаимосвязь тяжести и продолжительности течения язвенной болезни 12-перстной кишки (ЯБДК) в зависимости от содержания цинка в крови человека.
Данные литературы о значении микроэлемента цинка в этиологии и патогенезе язвенной болезни противоречивы. В одних источниках, развитие пептического дефекта сопровождается снижением концентрации цинка в крови [7, 9], в других -имеются противоположные сведения [8]. В работах или не указана стадия течения заболевания, или определение содержания микроэлемента проводилось только однократно в момент обострения. Растет число публикаций, посвященных антиульцероген-ному действию цинка, где отмечается местное действие микроэлемента (стимуляция регенерации тканей) и влияние на нейроэндокринную и иммунную системы [1]. Назначение соединений цинка позволяет предотвратить индуцированную ульцерацию в остром и в хроническом эксперименте [11]. Показано, что цинк обладает противохеликобактерной активностью [6]. По данным ряда авторов [10], соединения цинка эффективны при лечении лиц с язвенными поражениями слизистой оболочки ЖКТ.
Поэтому задача прогноза развития язвенной болезни по содержанию цинка в крови пациента является актуальной. Современные методы прогнозирования можно разделить на три крупных класса. К первому классу относятся методы экстраполяции. Их сущность состоит в предварительном изучении динамики интересующего параметра за достаточно длительный период ретроспективного наблюдения. Выявленная тенденция представляется в виде динамического (временного) ряда. Затем следует анализ временного ряда с последующим подбором соответствующего аппроксимирующего уравнения для описания выявленной тенденции. Следует заметить, что указанные методы дают хорошие результаты в случае, если поведение системы сохраняет ту же тенденцию, и внешние факторы не изменяются. Ко второму классу относятся методы экспертизы, включающие методы индивидуальных и коллективных оценок. Зачастую это интуитивные (неформализованные) методы. Третий класс составляют методы моделирования на основе логических, информационных и математических моделей. Логические и информационные модели применяются для решения ограниченного числа прогностических задач [5]. На практике чаще используют математические модели [2]. Чаще всего для прогностических целей строят регрессионные модели различной сложности, а также применяют методы корреляционного, дискриминантного, факторного, кластерного и других видов статистического анализа.
В медицине использование вероятностно-статистических моделей базируется на обширном статистическом материале; на необходимости кратко- и среднесрочных прогнозов. Задачи прогнозирования обычно решаются на основании установленных правил, выявленных закономерностей. Опыт показывает, что на практике используется лишь малая часть тех знаний и закономерностей, которые кроются в собранных данных. Человек сам по себе не приспособлен для восприятия больших массивов информации. Даже в небольших выборках он не способен улавливать более двух-трех взаимосвязей. Поэтому нужен инструментарий обработки массива данных и представления результатов в доступной для восприятия форме. В простом случае - это таблицы и диаграммы, а в более сложном - модели и правила, реализованные в компьютерных системах прогнозирования.
410031 г. Саратов, ул. Соборная, 23/25, Поволжская академия государственной службы имени П. А. Столыпина, тел. /845-2/ 23-43-71 410070 г. Саратов, ул. Б.Казачья, 112, Саратовский государственный медицинский университет, тел. /845-2/ 28-88-12
Задачи прогнозирования в рассматриваемом случае сводятся к получению оценки возможных значений упорядоченных данных на основе анализа уже имеющихся данных. В такой постановке задача прогнозирования относится к задаче распознавания образов с учителем. Надежным методом распознавания данных с обучением является дискриминантный анализ [4].
Дискриминантный анализ позволяет определить вероятность распознавания (классификации) имеющихся статистических данных; вычислить дискриминантные функции для оценки принадлежности новых данных к заданным кластерам (группам).
В общем виде дискриминантные функции кк для к - ой группы имеют вид:
р
кк = Ьк0 +2 ■ хг = Ьк0 + Ьк1 ■ Х1 + Ьк2 ■ Х2 + К + Ькр ■ Хр
¡=1
где р - число переменных, к - номер группы, Хг - значение г - переменной. Коэффициенты Ькг рассчитываются по результатам дискриминантного анализа имеющихся данных. Основанием отнесения случая к к - ой группе является наибольшее значение дискриминантной функции кк. Качество классификации оценивается Л-статистикой Уилкса (принимает значения от 0 до 1).
Были решены следующие задачи: прогнозирование фазы обострения или ремиссии ЯБДК; прогнозирование длительности клинико-эндоскопического заживления хронической дуоденальной язвы; прогнозирование тяжести течения ЯБДК; прогнозирование диаметра хронической дуоденальной язвы. Решение указанных задач велось в два этапа. На 1-м этапе оценивалась вероятность правильного распознавания имеющихся статистических данных, были выбраны наиболее значимые параметры для классификации стадий течения заболевания (обострение или ремиссия). На 2-м этапе для выбранных параметров были построены дискриминантные функции, которые затем были реализованы в компьютерной системе прогнозирования. Для идентификации фазы обострения и ремиссии ЯБДК использовали результаты обследования 144 больных. Дискриминантный анализ позволил оценить адекватность исходной классификации тестируемых в зависимости от содержания цинка в крови (табл. 1).
Таблица 1
Адекватность исходной классификации тестируемых в зависимости от содержания цинка в крови
Параметры Вероятность правильного распознавания.
Цинк 100 % (обострение) 83,78 % (ремиссия) 91,89 % (в среднем)
Цинк, курение 100 % (обострение) 86,49 % (ремиссия) 93,24 % (в среднем)
Цинк, активность гастрита 100% (обострение) 89,19 % (ремиссия) 94,59 % (в среднем)
По результатам исследований были выявлены три случая наиболее качественной классификации стадий язвенной болезни, и для них были рассчитаны коэффициенты дискриминантных функций. Значения коэффициентов дискриминантных функций в зависимости от значения параметра «цинк» см. табл. 2
Таблица 2
Значения коэффициентов дискриминантных функций для прогнозирования фазы обострения или ремиссии заболевания в зависимости от содержания цинка в крови
Параметры Коэффициенты для группы 1 (обострение) Коэффициенты для группы 2 (ремиссия)
Ь0 -18,9151 -42,0777
Хі = цинк | Ь 45,3900 68,4040
В этом случае значение Л-статистики Уилкса равно
0,2934877 (хорошее распознавание). Значения коэффициентов дискриминантных функций для прочих случаев см. в табл. 3-4.
Так же решалась задача прогнозирования длительности клинико-эндоскопического заживления хронической дуоденальной язвы. Пациенты были разделены на две группы на основании среднего срока рубцевания язвенного дефекта у обследованных
Краткое сообщение
(19,4±0,80 дней): 1-я группа <19 дней и 2-я группа >19 дней. Наиболее значимыми оказались: содержание цинка в крови, длительность заболевания; диаметр язвы; уровень цинка в крови, активность гастрита. Вероятность распознавания >85%. Коэффициенты дискриминантных функций см. в табл. 5- 6.
Таблица З
Прогноз по признакам Цинк и Курение
Параметры Коэффициенты для группы 1 (обострение) Коэффициенты для группы 2 (ремиссия)
b0 -24,7782 -52,3129
X\ = Цинк Ь1 55,1236 81,2644
Х2 = Курение Ь2 7,2354 9,5597
Таблица 4
Прогноз по признакам Цинк и Активность гастрита
Параметры Коэффициенты для группы 1 (обострение) Коэффициенты для группы 2 (ремиссия)
b0 -37,2511 -68,5586
Х1 = Цинк Ь1 69,3923 97,2488
Х2 = Активность гастрита Ь2 9,7547 11,7227
Таблица 5
Задача прогнозирования длительности клинико-эндоскопического заживления хронической дуоденальной язвы Коэффициенты дискриминантных функций 1
Параметры Коэффициенты для группы 1 Коэффициенты для группы 2
b0 -279,9G5 -292,938
X1 = Цинк Ь1 497,313 5G2,G88
X2 = Диаметр язвы Ь2 198,432 2G7,969
X3 = Длительность заб-я Ьэ 11,8б8 13,182
Таблица 6
Коэффициенты дискриминантных функций 2
Параметры Коэффициенты для группы 1 Коэффициенты для группы 2
b0 -Ю4,79б -107,355
X1 = Цинк Ь1 195,124 190,276
X2 = Активность гастрита Ь2 25,212 27,742
X3 = Длительность заб-я Ьэ 4,46 g 5,б1б
Прогнозирование тяжести течения заболевания велось так: в зависимости от частоты обострений принято выделять [3] легкую (1 раз в год), средней тяжести (2 раза в год) и тяжелую форму язвенной болезни (отсутствие стойких ремиссий и цикличности рецидивов). Среди пациентов с ЯБДК не было тяжелой формы заболевания, прогнозирование последней исключено.
В основу разделения на классы положена частота обострений: 1-я группа - редкие обострения (<1 раз в год), 2-я группа -обострения >2 раз в год. Дискриминантный анализ (табл. 7)показал хорошую степень классификации больных по этим признакам. Значение Л-статистики Уилкса составило 0,4538828.
Таблица 7
Коэффициенты дискриминантных функций 3
Параметры Коэффициенты Коэффициенты
для группы 1 для группы 2
bo -28,8бб7 -3б,8835
Х1 = Цинк b1 бб,5343 б5,4б35
Х2 = Длительность заб-ния Ь2 3,0935 7,8214
При прогнозировании диаметра изъязвления в основу разделения на классы был положен средний диаметр язвы у наших пациентов (0,7 ± 0,04 см): 1-я группа < 0,7 см, 2-я группа> 0,7 см. Прогноз вели по содержанию цинка в крови и активности гастрита. Дискриминантный анализ вновь показал хорошую степень классификации пациентов. Значение Л-статистики Уилкса в
данном случае составило 0,5558037. Коэффициенты дискриминантных функций см. в табл. 8.
Таблица 8
Коэффициенты дискриминантных функций 4
Параметры Коэффициенты Коэффициенты
для группы 1 для группы 2
bo -113,582 -102,769
Х1 = Цинк b1 224,629 208,192
Х2 = Активность гастрита Ь2 22,068 23,348
Большую практическую значимость имеет созданная компьютерная система для прогнозирования развития ЯБДК. Благодаря удобному интерфейсу и механизму визуализации она доступна в обслуживании среднему медперсоналу. Для работы с системой пользователь должен из списка выбрать задачу для прогнозирования и ввести параметры. Далее система рассчитывает дискриминантные функции и прогнозирует. Проведенные исследования подтвердили, что содержание цинка в крови является фактором, определяющим развитие ЯБДК. Поэтому его можно применять при решении прогностических задач, связанных с идентификацией состояния пациентов, страдающих ЯБДК.
Литература
1. Сергеев П.В и др. // Рос. ж. гастроэнтерол., гепатол. и ко-лопроктол.- 2003.- №2.- С. 27-31.
2. Балантер Б.И. и др. Введение в математическое моделирование патологических процессов.- М.: Медицина, 1980.- 264 с.
3. Клекка У.Р. Дискриминантный анализ // Факторный, дискриминантный и кластерный анализ.- М.: Финансы и статистика, 1989.- 215 с.
3. Григорьев П.Я., Яковенко А.В. Справочное руководство по гастроэнтерологии.- М.: Мед. информ. агентство, 1997.- 480 с.
4. Клекка У. Р. Дискриминантный анализ: Факторный, дискриминантный и кластерный анализ / Дж. О. Ким, Ч.У. Мюллер, У.Р. Клекка и др.- М.: Финансы и статистика, 1989.- 215 с.
5. Мартино Д. Технологическое прогнозирование / Пер. с англ.- М.: Прогресс, 1977.- 590 с.
6. Матсукура Т. // Биохимия.- 2000.- №7.- С. 961-968.
7. К.Л. Ерзинкян и др. // РМЖ.- 1992.- №5.- С. 14-15.
8. Попелю, П.Ф. // Труды VIII съезда терапевтов Украинской ССР.- Киев., 1967.- С. 348-349.
9. Н.Б. Серебровская и др. // Гастро-бюллетень.- 2000.-№1-2.- С.325.
10. Garcia- Plasa et al. // Rev. Esp. Enferm. Dig.- 1996.-Vol.88, №11.- P. 757-762.
11. Troskot B. et al. // Biometals.- 1997.- №4.- P. 325-329.
УДК: 611.018.72:72:611.34-053.8
ЖЕЛЕЗЫ ПРЯМОЙ КИШКИ ПРИ ЛЕВОСТОРОННЕМ ДОЛИХОМЕГАКОЛОНЕ
А.М. ШЕСТАКОВ *
Толстая кишка по своим топографо-анатомическим особенностям лишь в 75% случаев соответствуют классической норме, описанной в учебных пособиях [2]. В остальных 25% встречаются различные, в том числе и редкие варианты строения толстой кишки. По данным П.А.Романова (1987), в 7% случаев у взрослых людей при вскрытии определяется левосторонний долихомегаколон. Этот топографо-анатомический вариант заключается в значительном увеличении длины, ширины, площади стенки нисходящей, сигмовидной ободочных и прямой кишок, что сочетается с их внутрибрюшинным положением на всем протяжении (кроме анального канала) норме [3]. Вместе с тем особенности строения конечного отдела толстой кишки при долихомегаколоне (ДМК) почти не исследованы. Имеющиеся по этому вопросу в научной литературе единичные работы отрывочны, фрагментарны, приводят противоречивые данные и часто лишены доказательной базы. Отсутствуют данные об особенно-
* Кафедра оперативной хирургии и топографической анатомии ММА им. И.М.Сеченова
