CC BY
60
Рис.1. Динамика содержания общего билирубина в сыворотке крови (мкм/л). *Р<0,05 по сравнению с контролем
Рис.2. Динамика изменений тимоловой пробы (ед). *P<0,05 по сравнению с контролем
Рис.3. Динамика содержания у-глутаматтрансферазы в сыворотке крови Гед./лУ *Р<0.05 по сравнению с контрольной группой
900 -| * I ■ дет а длт а щ<в |
800 - ““ *
700 -600 -S00 400 -300 -200 100
ш
■л
Рис.4. Динамика АСТ, АЛТ, ЩФ в сыворотке крови (ед./л). *P<0, 05 по сравнению с контрольной группой
Рис.5. Площадь соединительной ткани в печени (мкм2), P<0,05
6OOOOO 500000 -400000 -300000 -200000 -1OOOOO - п п п
а Паренхима Контр 435251 ЦП L і 218626 3 (П+Ф 7436 Т ЦП+ФТ +НИЛИ 3 484187
Рис. 6. Площадь паренхиматозной ткани в печени (мкм2), P<0,05
Рис.8. Митотический индекс гепатоцитов печени крыс(%о), P<0, 05
Внутрибрюшинное введение крысам с экспериментальным ЦП комплекса фетальных тканей, облученного низкоинтенсивным лазером в сравнении с необлученным, приводило к более выраженной активации регенераторных процессов в печени, что сопровождалось нормализацией ее функциональных проб.
Литература
1. Грищенко И.В. и др. // Бюл. эксперим. биологии и медицины, 2001. Т1., №10. С. 394-397.
2. Западнюк И.П. и др. Лабораторные животные. Разведение, содержание, использование в эксперименте. Киев: Вища школа, 1983. С 24-280.
3. Курбатова Г.Р., . Гиниатуллин Р.У., Козель А.И., Игнатьева Е.Н. Способ приготовления суспензии фетальных клеток, предназначенных для трансплантации при хронических заболеваниях печени (реферат изобретения к патенту РФ №2203072): Лазерные новости. 2004. №1-2.С.107.
4. Курбатова Г.Р., Гиниатуллин Р.У., Козель А.И., Игнатьева Е. Н. Способ патогенетического лечения хронических заболеваний печени в эксперименте (реферат изобретения к патенту РФ №2204399): Лазерные новости. 2004. №1-2. С.107.
5. Курбатова Г.Р., Гиниатуллин Р.У., Козель А.И., Игнатьева Е. Н. Способ патогенетической терапии хронических заболеваний печени (реферат изобретения к патенту РФ №2203675): Лазерные новости. 2004. №1-2. С.107.
6. Пауков В.С., Ерохин Ю.А. //Арх. Пат. 2004, №4, С.3-9.
7. Саркисов Д.С. // Эксперим. хир. 1960. Т.3, № 1. С. 3-8.
8. Ammori J.B. et.al. // J. Surg. Res., 2007, 140(2):227-33.
9. Broelsch C.E., Malago M., Frilling A. //Chirurg. 2008.
10. Concejero A., Chen C.L., Liang C.D. et al. // Тгашр1аП;а-tion. 2007, Aug. 27;84(4):484-9.
УДК 615.47, 004.891, 519.23
СПОСОБ КОМБИНИРОВАННОЙ ТЕРМОМЕТРИИ И МАТЕМАТИЧЕСКИЕ МОДЕЛИ ВЕРОЯТНОСТНОЙ ДИАГНОСТИКИ ЗАБОЛЕВАНИЙ ВЕН НИЖНИХ КОНЕЧНОСТЕЙ
Ключевые слова: термометрия, математическая модель
Заболевание вен нижних конечностей представляет собой серьезную медицинскую и социальную проблему. По данным ВОЗ, у 25% трудоспособного населения и более чем у 50% пенсионеров Европы выявляется хроническая венозная недостаточность (ХВН). В России страдают от 35 до 38 млн. граждан, 15% из которых имеют трофические нарушения кожи, открытые или многократно рецидивирующие трофические язвы. В большинстве случаев даже при начальных формах болезни утрачивается привычное ощущение «здорового благополучия».
Несмотря на широкий арсенал диагностических мероприятий, существующих на сегодняшний день в практической медицине, процент ошибок в диагностике ХВН остается высоким. Многие флебологи указывают на недостаточную информативность отдельно взятого метода обследования и отмечают повышение информативности комплекса диагностических мероприятий [5]. Изучение температурных изменений в тканях нижних конечностей могло бы дать новую информацию как для определения состояния мягких тканей при формировании ХВН, так и при наблюдении за больными в процессе лечения [9,11, 13]. Изучение термограмм поверхностных и глубоких температур у пациентов с варикозной болезнью (ВБ), острым венозным тромбозом (ОВТ) и посттромботической болезнью (ПТБ) вен нижних конечностей и их сравнение с термограммами здоровых имеют весьма серьезное диагностическое значение.
^Волгоградский ГМУ, 400131, г. Волгоград, пл. Павших борцов, 1, тел. Волгоградский ГУ, г. Волгоград, пр-т Университетский, 100, тел. 460261
Т.В ЗАМЕЧНИК., С.И.ЛАРИН , А.Г. ЛОСЕВ, Н.С.ОВЧАРЕНКО
ИКТ ОВТ стоя Норма ИКТ стоя
РТГ ОВТ стоя Норма РТГ стоя
РТГ ПТБ реканализация стоя РТГ ПТБ окклюзия стоя
Рис.1. Термограммы при радитермографии (РТГ) иинфракрасной термографии (ИКТ) задней поверхности голени здоровых и больных с ВБ, ОВТ ПТБ реканализационной и окклюзивной формы вен нижних конечностей в положении больного лежа и стоя
Протокол исследования диагностических возможностей метода комбинированной термографии включал в себя определение диагноза по термограммам «двойным слепым» способом (без ознакомления врача и тестирующего его ассистента с предварительным диагнозом пациента) по тем характерным признакам термограмм, которые были выделены для каждой из указанных болезней в процессе изучения метода (табл. 1). Методика обсле-
дования больных и алгоритм диагностики врачом заболеваний вен нижних конечностей по результатам термометрии описана нами ранее [6,7,8]. Диагностическая эффективность метода комбинированной термографии в группе пациентов с различными заболеваниями вен нижних конечностей в этом случае составила для ОВТ - 91,6% , для ПТБ реканализационной формы - 84%, ВБ - 84%.С другой стороны в последние десятилетия весьма неплохо себя зарекомендовали и прочно вошли в нашу жизнь медицинские экспертные системы, позволяющие объединить возможности специальной аппаратуры и компьютера со знаниями и опытом экспертов в такой форме, что система может предложить разумный совет. Подобные системы помогают врачу оперировать различными симптомами болезни, данными анализов и с той или иной степенью вероятности, ставить диагноз. Однако отметим, что внедрение в медицинскую практику высокоинформативных методов исследования породило проблему анализа громадного объема новой информации о пациенте. Одним из традиционных методов решения этой задачи является использование, так называемой, вероятностной диагностики, или метода Байеса.
Цель исследования - разработка способа диагностики заболевания вен нижних конечностей, позволяющего провести численную верификацию диагноза и соответственно, допускающего его использование в диагностических системах.
Материалы и методы. Первым важнейшим этапом, необходимым для качественной диагностики на основе предлагаемого метода является создание обучающей выборки (иначе, экспертной базы данных). Для этого был проведен ряд обследований пациентов, здоровых и страдающих различными формами венозных болезней с помощью диагностического комплекса РТМ-01-РЭС по методике, описанной в наших работах ранее. По результатам исследования была составлена контрольная группа здоровых и группа больных, которую разбили на подгруппы по виду заболевания вен нижних конечностей. Каждый обследуемый пациент имел предварительный диагноз, поставленный на основании обследования на ультразвуковом допплерографе БИОСС-1 датчиком 8 МГц, а также ультразвукового сканирования состояния подкожных и глубоких вен в положении стоя на ультразвуковом сканере «Лоджик а-100».
Рис. 2. Схема расположения точек измерения температуры
Далее опишем подробнее математический аппарат, необходимый для верификации диагноза термометрии [1,2,4,10,12]. Во-первых, исходные данные формируются как упорядоченный набор из 48 признаков-координат, каждая из которых представляет собой температуру, измеренную в определенной точке правой и левой голени пациента в положении лежа и стоя микроволновым и инфракрасным датчиком (рис. 1). Используя эрмитовы сплайны, рассчитываются значения температурных полей в дополнительных узлах, которые выступают в качестве дополнительных признаков-координат для формирования расширенной экспертной базы данных (обучающей выборки). Далее применяется метод классификации, основанный на непараметрическом оценивании плотности распределения вероятности.
Наши исходные данные (обучающая выборка) представляются как упорядоченный набор из Р признаков-координат, то есть в виде матрицы:
У1, л 1 К • 2 • ,1 1 Р
,.2 ,2 ,2 ,2
, 1 2 ' Р
У1Я, N, 1 N • 2 . ^ Р )
где У номер одного из классов «Здоров» - «Болен» (например, У =1, если в строке стоят признаки-координаты здорового пациента, и У =2, если больного), N — общее число наблюде-
ний, 1=1..М. Пусть Т = ?2,...,^)т - заданная контрольная вы-
борка, где ^ = (?1,?2,...,?Р) при 1=1...И, х = (х1,хг,...,Хр) - новое наблюдение, т.е. вектор признаков-координат пациента, которого необходимо диагностировать (иначе, отнести к одному из имеющихся классов и причислить ему соответствующий номер 1 или
2). Тогда за Н) обозначим соответствующую гипотезу о принадлежности нового наблюдения х к / классу. Обозначим / (...) = /(...| Н) - плотности распределения вероятностей вектора
х, принадлежащего } классу, ]=1,2. Вводя априорные вероятности гипотез щ, которые вычисляются как отношение числа наблюдений N из } класса к общему числу наблюдений N (м = М + N2), рассмотрим случай байесовского классификатора, минимизирующего вероятность принятия неверного решения по поводу принадлежности нового наблюдения к тому или иному классу:
П2 /2( Х)
Y( х)--
(1)
П/( х)
Если у( х) > 1 , то принимается гипотеза Н2, если у(х) < 1, то, соответственно, принимается гипотеза Н1.
Основной проблемой, возникающей при использовании формулы (1), является задача оценивания неизвестной многомерной плотности распределения вероятностей по результатам полученных наблюдений. Поскольку нельзя сделать предположение о структуре данной многомерной плотности распределения вероятности, то применяется непараметрический метод для ее оценивания. Данный метод основывается на приближении 5-образной последовательностью многомерной 5-функции Дирака с использованием формулы ядерной оценки плотности ] класса Парзена - Розенблатта [10,12]
1 ^ г, (р(х, I1) 1, (2)
fb (х) =
М/(Ь) % { ь
где К(z) - функция ядра, Ь - произвольное положительное значение, называемое параметром сглаживания, N - общее число наблюдений соответствующего класса. Ядро обязано быть четной функцией и удовлетворять условию нормировки | К^ф-Х
В этом случае
г (3)
£р /ь (х)& = 1
при любом Ь , то есть функцию /ь (х) действительно можно рассматривать как плотность вероятности. В формуле (2) р(х, ?) -функция расстояния, заданная в пространстве Кр, и У(Ь) - нормирующий множитель, обеспечивающий выполнение (3).
Если различна мера разброса Р признаков-координат, то обычно предлагается в качестве параметров сглаживания рассматривать минимальное, среднее или максимальное расстояние от 5 координаты нового наблюдения х = (хр..., хр) до 5 координаты наблюдения ? = (?1,?2,...,?р) из / класса. Однако на практике чаще подбор подходящего параметра сглаживания производится путем численного эксперимента.
В данной работе для оценки плотности распределения в (2) были использованы различные параметры сглаживания и ядра Гаусса, Вале - Пуссена и тригонометрическое (3): ядро Гаусса - к(^ = _^ехр(_и!"]; ядро Вале - Пуссена
к (u) = 1- (
2п I u/2
=_i_eXpU2_j; адр° Вале
; тригонометрическое ядро
1 f sinu
K (u) = —
Рис. 3. Схема интерполяции функции
При тестировании лучшая точность диагностики была получена при Ь=1 с использованием ядра Гаусса, что состав-ило
73,1%, для ядра Вале — Пуссена — 72,1% и для тригонометрического ядра — 53,8%j.
Помимо этого было исследовано влияние увеличения количества признаков-координат. Данный вопрос решали с помощью сплайн - интерполяции функции, описывающей распределение температуры внутри голени. По результатам численных экспериментов наилучшая точность диагностики была получена при увеличении количества точек до 140 признаков-координат (рис.
3). Для P =140 получили 77%о верно диагностированных, также при b=1 и ядре Гаусса в качестве параметров оценки плотности распределения по формуле (2). Таким образом, при увеличении признаков-координат до P =140 точность диагностики увеличилась (в среднем на 4%). Были проанализированы термограммы людей, диагнозы которых не совпали с результатами предварительного обследования. Установили, что в двух случаях был нарушен температурный фон в диагностическом кабинете (t=15,7°C), тогда как температура в помещении должна составлять 20-24°С для обеспечения надежной работы прибора и комфортных условий для пациентов. В остальных случаях у всех неверно диагностированных значительно выражены отеки, тем самым создается эффект термоса. И при диагностике получается, что отклонение температуры в каждой конкретной точке данного пациента и пациентов из группы «здоров» будет мало, поскольку особенности распределения температур по ноге система не учитывает. Отсюда и возможные ошибки при диагностике.
Учитывая данные особенности, при повторной диагностике были получены результаты: (b=1 и ядре Гаусса) P =48 получили 81%; P =140 получили 85,6% верно диагностированных.
Заключение. Алгоритм диагностики, показывает довольно высокую точность диагностики, в случае P =140 получили 85,6% при b=1 и ядре Гаусса в качестве параметров оценки плотности распределения по формуле (2). Ошибка классификации для него составила 14,4%. Чувствительность метода (выявляемость венозных заболеваний) составила 76,9%. Точность метода 85,6% и специфичность метода 97,4%.
Для корректной работы алгоритма необходимо увеличение объема обучающей выборки. Отметим также, что верификация диагнозов подобными системами позволяет ставить лишь предварительный диагноз. Они ни в коем случае не предназначены для того, чтобы заменить собой мнение опытного врача. Но серьезно могут помочь в развитии профилактики и ранней диагностики заболеваний вен нижних конечностей. Все это еще раз доказывает работоспособность новой экспертной системы, которую мы предлагаем в качестве базы для разработки интеллектуального комплекса компьютерной диагностики венозных заболеваний.
Литература
1. Айвазян С.А., Бухштабер В.М., Епюков И.С. и др. Прикладная статистика: Классификация и снижение размерности: Справ. изд./ Под ред. С. А. Айвазяна. М.: Финансы и статистика, 1989. С. 120.
2. Власов В.В. Эффективность диагностических исследований. М.: Медицина, 1988. С. 256.
3. Гайкович Е.И., Сумин М.И., Троицкий Р.В. // Радиофизика. 1988. № 9. С. 1104.
4. Деврой Л., Дьерфи Л. Непараметрическое оценивание плотностей. Ы-подход. М.: Мир, 1988. С. 407.
5. Савельев В.С. Флебология 2001. С. 660.
6. Способ комбинированной термометрии для диагностики посттромботической болезни вен нижних конечностей. Ларин С.И., Замечник Т.В. Патент на изобретение № 2319438. Заре-гистр. 20 марта 2008 г.
7. Способ комбинированной термометрии для диагностики острого венозного тромбоза вен нижних конечностей. Ларин С.И., Замечник Т.В. Патент на изобретение №2330604. Зарегист-рир.Ф 10 августа 2008 г.
8. Способ комбинированной термометрии для диагностики варикозной болезни вен нижних конечностей. Ларин С.И., За-мечник Т.В. Патент на изобретение №2330603. Зарегистр. 10 августа 2008 г.
9. Mayers P.O., Sadowski M.I., Barrett A.H. // J of Microwave Power. 1979. Vol. 14, №2. P.105-115.
10. Parzen E. // Annals of Mathematical Statistics. - 1962. Vol.33 P.1065-1076.
11. Ring F.F. // Rheumatol (Oxford), 2004, Jun; 43 (6): Р. 800.
12. Rosenblatt M. // Annals of Mathematical Statistics. 1956.Vol. 27. P. 832-837.
13. Van-den-Heuvel-C.-J., Ferguson-S.-A., Dawson-D., Gilbert S.-S. // Physiol-Meas. 2003. Aug; 24 (3): Р. 717-725.
