Анализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки) icon

Анализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки)





Скачать 281.73 Kb.
НазваниеАнализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки)
МАЛАНЧУК Андрей Валентинович
Дата конвертации02.04.2013
Размер281.73 Kb.
ТипАвтореферат
На правах рукописи


МАЛАНЧУК Андрей Валентинович


АНАЛИЗ И МОДЕЛИРОВАНИЕ ПАРАМЕТРОВ
ИММУННОЙ СИСТЕМЫ
КАК ПРОГНОСТИЧЕСКОГО ФАКТОРА
ПРИ ЗАБОЛЕВАНИЯХ КОЖИ




05.13.01 – системный анализ, управление и обработка информации
(медицинские науки)


АВТОРЕФЕРАТ


диссертации на соискание учёной степени
кандидата медицинских наук


Воронеж - 2009

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Воронежская государственная медицинская академия имени Н.Н. Бурденко Федерального агентства по здравоохранению и социальному развитию» (ГОУ ВПО «ВГМА им. Н.Н. Бурденко Росздрава»)



Научный руководитель:

доктор медицинских наук, доцент

Семенов Сергей Николаевич


Официальные оппоненты:


доктор медицинских наук, профессор

Сафонов Михаил Юрьевич


кандидат медицинских наук

Подоскин Андрей Анатольевич


Ведущая организация:

ГОУ ВПО «Московский государственный медико-стоматологический университет Федерального агентства по здравоохранению и социальному развитию»



Защита состоится «___» ______________ 2009 года в ___ часов, на заседании
диссертационного совета Д.208.009.03 при Государственном образовательном учреждении высшего профессионального образования «Воронежская государственная медицинская академия им. Н.Н. Бурденко Федерального агентства по здравоохранению и социальному развитию» по адресу: 394000, г. Воронеж, ул. Студенческая, 10.


С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Воронежская государственная медицинская академия им. Н.Н. Бурденко Федерального агентства по здравоохранению и социальному развитию», по адресу: 394000, г. Воронеж, ул. Студенческая, 10.


Автореферат разослан "___" ___________ 2009 г.



Ученый секретарь
диссертационного совета





В.Т. Бурлачук
^

Общая характеристика работы


Актуальность проблемы. Кожа является органом, постоянно контактирующим с агрессивными факторами внешней среды и активно реагирующим на наличие внутренних патологических процессов (Кубанова А.А., 1998, 2005; Иванов О.Л. 1998). Особенности строения, разнообразие функций и большое число внешних и внутренних факторов, воздействующих на кожу, обусловливают многообразие заболеваний кожи, требующих своевременной, точной диагностики и лечения (Ситкевич А.Е., 1997; Гандарова З.Б., 2000).

В частности, одной из распространенных инфекционных болезней человека является рожа, заболеваемость которой в России на протяжении многих десятилетий не имеет тенденции к снижению, составляя в среднем 15-20 на 10 тысяч населения (Черкасов В.Л., 1986, Ратникова Л.И., 2007, Бурданова Т.М., 2007). К числу неблагоприятных последствий перенесенного рожистого воспаления относится развитие хронических рецидивирующих форм этого заболевания. Ранний и точный прогноз течения рожи представляет на сегодняшний день весьма актуальную задачу (Амбалов Ю.М. с соавт, 1998, Ковтун Э.А., 2008).

Большую проблему представляют и канцерогенные заболевания кожи. В 2000 году в мире по данным Международного агентства по исследованию рака (МАИР) (Лион) было зарегистрировано более 10 млн. случаев заболевания злокачественными опухолями, среди которых 132000 случаев заболеваний составляет меланома, самая опасная форма рака кожи с высокой летальностью, составляющей около 50% от общего числа заболевших (Макин И.Л., Пшениснов К. П. , 1999; Барминова И.В., 2003).

Заболевание рожей и меланомой с одинаковой частотой встречается в разных возрастных группах у мужчин и женщин, причем чаще страдают лица активного в трудовом и социальном плане возраста – от 30 до 50 лет.

По современным представлениям формирование рожистого воспаления происходит на фоне снижения факторов неспецифической резистентности организма, а также комплексной недостаточности клеточного и гуморального звеньев иммунитета (Краснова Е.И., 1997; Амбалов Ю.М. и соавт., 2005; Васильева Н.Г., 2006 и др.). Так же активно обсуждаются вопросы взаимоотношения компонентов иммунной системы и меланомы на клеточном уровне. В частности, с помощью моноклональных антител и техники клонирования цитотоксических Т-лимфоцитов удалось идентифицировать большое число опухолеассоциированных антигенов, экспрессируемых на клетках меланомы (Кравец Б.Б. с соавт., 1999; Монахов А.С. с соавт, 2005).

В связи с вышеизложенным актуальным является изучение диагностической значимости взаимоотношений компонентов иммунной системы с выявлением особенностей этих реакций при неканцерогенных и канцерогенных заболеваниях кожи.

Целью диссертационного исследования явилась разработка моделей определения иммунологической специфичности и индивидуального прогнозирования неканцерогенных, на примере рожи, и канцерогенных, на примере меланомы, заболеваний кожи на основе анализа параметров иммунологического статуса.

В соответствии с целью работы были определены следующие задачи:

оценить статистические показатели, корреляционные связи и достоверность их динамики для компонентов иммунограмм при роже, как модели неканцерогенного, и меланоме, как модели канцерогенного заболевания кожи;

разработать методику комплексного анализа показателей иммунного статуса для выявления взаимоотношений клеточных субпопуляций и показателей гуморального иммунитета, наиболее характерных для изученных заболеваний кожи;

построить регрессионные модели, позволяющие определять иммунологическую специфичность изменений при изученных заболеваниях кожи, используя в качестве компонентов показатели иммунной системы, отобранные с использованием различных методик;

рассчитать параметры модели, уточняющие прогноз течения меланомы
с использованием клинических характеристик пациентов.

Научная новизна исследования:

Разработана методика статистического анализа компонентов иммунного статуса, обеспечивающая формирование адекватного представления о комплексе иммунологических нарушений, специфичных для рожи, как модели инфекционного, и меланомы, как модели канцерогенного, заболеваний кожи.

На основе использования совокупности статистических методов определен набор диагностически значимых показателей иммунологического статуса, характеризующий такие заболевания кожи как меланома и рожа. Установлено, что при оценке иммунологического статуса соотношения его компонентов представляют более значимую диагностическую и прогностическую информацию, чем оценка динамики абсолютных значений отдельно взятых показателей.

С использованием регрессионного моделирования показана принципиальная возможность вычислительной диагностики и прогнозирования течения неканцерогенных, на примере рожи, и канцерогенных, на примере меланомы, заболеваний кожи, базирующихся на показателях иммунологического статуса пациентов в остром периоде заболевания.

Практическая значимость и реализация результатов работы:

Сформирована регрессионная модель, обеспечивающая индивидуальную диагностику у пациента канцерогенных (меланома) или неканцерогенных (рожа) заболеваний кожи при первичном обращении, которая может быть использована в качестве дополнительного эффективного инструмента диагностики (заявка на патент № 2008136304 от 08.09.2008 RU).

Создана оригинальная модель прогнозирования тяжести течения меланомы, учитывающая клинические показатели пациента, позволяющая непосредственно после оперативного удаления опухоли выявить пациентов с неблагоприятным прогнозом, предусматривающим развитие рецидивов и метастазов, для назначения адекватного лечения (заявка на патент № 2008137191 от 16.09.2008 RU; решение о выдаче патента от 04.08.2009 г.).

Разработанные модели обеспечивают минимизацию затрат на процесс дополнительной диагностики, исключение субъективного компонента трактовки результатов, сохранение принципа индивидуального подхода, точность оценки текущего статуса пациента и прогноза развития заболевания.

Результаты диссертации внедрены в практическую деятельность и учебный процесс кафедры онкологии с лучевой терапией и лучевой диагностикой с онкологией ИПМО ГОУ ВПО «ВГМА им. Н.Н. Бурденко Росздрава»; ГУЗ «Воронежский областной клинический онкологический диспансер»; ГУЗ «Воронежский областной центр по профилактике и борьбе со СПИД и инфекционными заболеваниями».

Достоверность полученных результатов обеспечена достаточным объемом клинических наблюдений, стандартностью сроков обследования и проводимого лечения, адекватностью методов математической обработки данных и проверкой полученных результатов с помощью нескольких методов статистической обработки.

Апробация работы. Основные положения диссертации обсуждены на
I Всероссийской конференции молодых ученых, организованной Воронежской государственной медицинской академией им. Н.Н. Бурденко и Курским государственным медицинским университетом, Воронеж, 2007 г; I Всероссийской конференции молодых ученых Курского государственного медицинского университета, 2007 г.; заседаниях онкологического общества г. Воронежа, 2007-2008 гг.

Публикации. Основные результаты диссертационной работы изложены в 10 публикациях, в том числе 1- в журнале, рекомендованном «Перечнем ВАК».

Структура и объем диссертации

Текст диссертации изложен на 112 страницах, работа иллюстрирована 17 рисунками и 25 таблицами, включая таблицы приложения. Список литературы содержит 108 источников, из них, 62 отечественных и 46 зарубежных..

Основные положения диссертации, выносимые на защиту.

Для выбора компонентов для построения модели влияния показателей иммунной системы на вид и тяжесть заболеваний кожи на примере рожи и меланомы из наиболее часто используемых методов статистического анализа наиболее целесообразно выбирать регрессионный анализа полной матрицы исследуемого набора.

Построение окончательной, уточняющей, модели инфекционного или канцерогенного заболевания кожи следует использовать метод множественной линейной регрессии и доступные на текущий момент времени лабораторные и клинические показатели, имевшие на предварительном этапе моделирования высокий уровень значимого влияния на вид заболевания кожи.

Уточняющую диагностику тяжести течения меланомы кожи с высокой степенью достоверности позволяет провести модель индивидуального расчета, использующая в качестве компонентов клинические характеристики пациентов, такие, как стадия заболевания, наличие изъязвлений, митозов, лимфоидной инфильтрации, гистологический тип и толщину опухоли.

^ ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Работа выполнена на базе ГОУ ВПО ВГМА им. Н.Н. Бурденко Росздрава (ректор д.м.н., проф. Есауленко И.Э.), ГУЗ «Воронежской областной клинический онкологический диспансер» (главный врач к.м.н. Чевардов Н.И.) и ГУЗ "Воронежский областной центр по профилактике и борьбе со СПИД и инфекционными заболеваниями» (главный врач д.м.н. Мамчик Т.А.).

^ Во введении обоснована актуальности темы исследования, сформулирована его цель, поставлены задачи. Приведены научная новизна и практическая значимость, сведения об апробации и внедрении результатов исследования.

^ В первой главе рассмотрены известные на сегодняшний день способы диагностики и прогнозирования заболеваний кожи на примере рожистого воспаления и меланомы кожи. Показано, что существующие модели имеют логический, описательный характер. Зачастую предлагаемые варианты моделирования и прогнозирования в качестве критериев, определяющих прогноз, имеют очень общие, скорее социально-гигиенические, чем медицинские характеристики состояния пациента. Собственную реакцию организма и возможности коррекции её за счет влияния на иммунный статус пациента либо не учитывают вообще, либо ограничиваются одним-двумя иммунными показателями, спонтанно подобранными и не дающими полного представления о реальных взаимоотношениях в системе организм-болезнь.

Собраны и классифицированы сведения о состоянии иммунологической реактивности организма человека при меланоме кожи. За последнее время удалось выявить значительное число факторов, влияние которых статистически достоверно повышает вероятность заболевания меланомой кожи. Однако сегодня ни один из них не может быть признан главным, абсолютным или обязательным для возникновения заболевания. Таким образом, построение моделей зависимости исхода консервативного или хирургического лечения меланомы является серьёзной исследовательской задачей.

Установлено, что в патогенезе неканцерогенных заболеваний кожи, например, рожистого воспаления, вызванного стафилококковой инфекцией, существенное значение принадлежит нарушениям в системе клеточного иммунитета, которые можно охарактеризовать как вторичный иммунодефицит. У значительной части больных рожей в остром периоде наблюдается как относительный, так и абсолютный В-лимфоцитоз. При выздоровлении эти показатели имеют тенденцию к нормализации. У больных рецидивирующей формой рожи абсолютный лимфоцитоз отмечается у 31% случаев в остром периоде и в 62% случаев в периоде выздоровления.

Приведенные данные подтверждают, что состояние иммунной системы пациентов с заболеваниями кожи различного генеза имеет первостепенное значение в прогнозе его течения. Это в свою очередь требует обязательно учета соотношения параметров иммунного статуса при построении моделей диагностики этих патологий.

На основании проведенного анализа литературы определены цель и задачи исследования.

^ Во второй главе приведены характеристики исследованных групп пациентов, изученных параметров иммунной системы, средств и методов исследования, использованных в работе.

Материалом для работы послужили данные иммунологических исследований 17 здоровых добровольцев, 167 пациентов с меланомой кожи и 59 пациентов с рецидивирующей рожей. Все пациентов с меланомой были прослежены нами в период с 1998 по 2006 год, через 5 лет после проведения первичной операции по удалению меланомы фиксировалось к какой клинической группе отнесен пациент по результатам текущего обследования. 3-4-я клиническая группа расценивались как благоприятный прогноз, таких пациентов оказалось 112, 2-я клиническая группа или смерть как неблагоприятный прогноз, таких пациентов оказалось 55.

Средний возраст обследованных составлял 48±12 лет. По показателем распределения возраста и пола обследованных группы статистически достоверно не различались.

Всем пациентам, после установления клинического диагноза проводили исследование крови иммуно-лабораторными тестами I-II уровней по Р.В. Петрову с идентификацией с помощью моноклональных антител дифференцировочных маркеров основных популяций и субпопуляций лимфоцитов, фагоцитарного показателя и числа, поглотительной и метаболической способности фагоцитов, определением уровня иммунных глобулинов классов G, A, М.

Здоровым добровольцам исследование проводили однократно. Пациентов с рожистым воспалением обследовали дважды – в остром периоде заболевания при поступлении в стационар и через три месяца после начала курса терапии. Пациентам с меланомой кожи обследование проводили перед оперативным удалением опухоли, что соответствовало началу лечения после установления клинического диагноза и через три месяца после оперативного вмешательства. Далее диспансерное наблюдение и исследование иммунной системы вели с кратностью, предусмотренной протоколом наблюдения за пациентами с диагнозом «меланома кожи». В рамках настоящей работы результаты последующих наблюдений не учитывались за исключением отметки о годичной выживаемости и состоянии пациента по истечении года после удаления опухоли.

С целью стандартизации протоколов исследования пациентов с меланомой была создана специальная программа «Динамическое наблюдение клинических и иммунологичческих параметров пациентов с меланомой кожи» Свидетельство о гос.регистрации программы ЭВМ №2008611509 от 25.03.2008.

Программа предназначена для сбора, хранения и систематизации данных о динамике клинических и иммунологических показателей пациентов с меланомой кожи; включает функции пополнения картотеки пациентов: паспортной части и данных о клинической динамике заболевания. На каждого пациента ведется протокол с внесением текущих сведений по иммунологическому статусу. Программа написана на языке Visual Basic (как инструменте MS Excel), разработана для операционной среды Windows NT/XP, имеет объем 6 180 Кб.

Расчеты параметров иммунологического статуса в группах исследования проводили с помощью специально созданного с этой целью инструмента – базы данных, выполненных как СУБД линейного типа на базе Microsoft Excel. «Анализ реакций субпопуляций иммунокомпетентных клеток в процессе лечения» Свидетельство о гос.регистрации базы данных № 2008620136 от 25.03.2008.

База содержит данные о клинических, иммунологических и лабораторных показателях пациентов с заболеваниями кожи канцерогенного (меланома кожи) и неканцерогенного (рецидивирующая рожа) генеза, а также группы сравнения – практических здоровых однократных донорах.

В общем виде структура построения доказательной базы и расчета параметров моделей для диагностики изучаемых заболеваний приведена на рис. 1.

Приведены и обоснованы методики расчета параметров иммунной системы, сведения об использовании основных методов математической статистики, моделирования и анализа данных для оценки результатов и прогнозирования биологической и медицинской информации.



Рис. 1. Общая схема структуры исследования.


В третьей главе с использованием ряда общепринятых статистических методов изучена реакция компонентов иммунной системы на проводимое лечение в группах исследования, проведено ранжирование этих изменений и выявлены показатели, имеющие набольшую динамику в ответ на проведенное лечение.

Общепринятой на сегодняшний день схемой анализа является отслеживание динамики средних значений относительно нормы (группы практически здоровых доноров) или относительно уровня острого периода заболевания в процессе лечения. Под средними значениями, как правило, в медицине подразумевают среднее арифметическое выборки.

Однако наиболее полное представление о различиях выборок можно получить при исследовании параметров функционала, включающих несколько компонентов статистических параметров, характеризующих определенную выборку.

Анализ полученных результатов показал, что оценка относительных изменений отдельных показателей иммунного статуса, независимо от того, какая группа обследованных используется в качестве группы сравнения, не обеспечивает существенных диагностических отличий или выраженных особенностей тяжести процесса или их динамики в процессе лечения (рис. 2А, 2Б, 3).

Следующий шаг в алгоритме выявления значимых параметров, позволяющих четко и однозначно различать нозологические классы и степень тяжести заболеваний заключался в ранговой оценке статистически значимого «отклика» отдельных иммунных параметров на лечебное воздействие.




Рис. 2. Относительные изменения иммунологических показателей в %% от уровня показателей здоровых лиц у пациентов до начала лечения (А) и через 3 месяца от начала лечения (Б).

Обозначения: уровень контроля (100%); рецидивирующая рожа;

  • меланома с благоприятным прогнозом, меланома с неблагоприятным прогнозом; статистически достоверные отличия (Р0<0,05) показателя при роже (*), при меланоме с благоприятным прогнозом (#), при меланоме с неблагоприятным прогнозом (@).



Ранговая оценка позволила выделить несколько показателей, изменения которых в ответ на лечебное воздействие имеют высокий рейтинг, независимо от выбора точки отсчета – норма, острый период заболевания при исследуемых видах заболевания и тяжести их течения. Так, общее количество лимфоцитов, CD3+, CD25+, IgA, IgM по динамике изменений находятся в первой половине рейтингового списка, располагаются на местах выше 12 из 23 изученных параметров. Для таких параметров, как CD8+, CD11в+, НСТсп значимость динамики имеет более высокий рейтинг при одной из изученных нами нозологических форм и низкий при другой. Тем не менее, оценка значимости динамики параметров описательной статистики с помощью t-критерия Стьюдента позволяет сформулировать некоторый алгоритм отбора показателей иммунной системы для включения в модель определения вида и тяжести заболевания.




Рис. 3. Относительные изменения иммунологических показателей в %% от уровня показателей до начала лечения у пациентов через 3 месяца от начала лечения.

Обозначения: уровень контроля (100%); рецидивирующая рожа;
меланома с благоприятным прогнозом, меланома с неблагоприятным прогнозом; статистически достоверные отличия (Р0<0,05) показателя при роже (*), при меланоме с благоприятным прогнозом (#), при меланоме с неблагоприятным прогнозом (@).



С использованием следующего статистического метода – корреляционного анализа удалось установить, что некоторые из изученных параметров иммунной системы образуют достоверно большее количество корреляций. Набор показателей иммунной системы, образующий наибольшее количество корреляций во многом совпадал с набором показателей, отобранных с сравнительной оценки математических ожиданий выборок исследованных групп.

Таким образом, изучение динамики количества корреляций для изученных показателей иммунной системы подтверждает отсутствие четких однонаправленных тенденций и наличие значительных изменений взаимосвязей компонентом иммунитета при изученных заболеваниях. При этом выраженные изменения характерны для ограниченного и конкретного набора показателей. В связи с этим можно предложить следующую пошаговую схему отбора компонентов для дальнейшего моделирования, основываясь на результатах корреляционного анализа (рис. 4, 5).



Рис. 4. Алгоритм отбора показателей иммунной системы для включения
в модель оценки вида и тяжести заболевания кожи.



Следующим методом статистического моделирования, который мы использовали для выявления наиболее релевантных показателей иммунной системы среди изученных был расчет степени иммунологических расстройств (А.М.Земсков, 1999) по формуле:



Изменения каждого расчетного параметра пациента менее чем на 33% от уровня математического ожидания в группе здоровых доноров определялось как I степень расстройств иммунной системы, от 34 до 66% — II степень, выше 66% — III степень иммунных расстройств. При получении знака «–» изменения характеризовались как иммунологическая недостаточность (СИН), при получении знака «+» как гиперфункция иммунной системы (ГИС).

Исследование динамики устранения выявленного иммунодефицита в группах исследования после проведенного лечения также не позволяет сделать однозначных заключений, претендующих на использование в качестве клинической модели вида и тяжести заболеваний кожи (рис. 6).



Рис. 5. Алгоритмическая схема отбора показателей иммунной системы для включения в модель оценки вида и тяжести заболевания кожи.




Рис. 7. Динамика количества пациентов, имеющих
2-3 степень иммунологической недостаточности в группе пациентов
с рожистым воспалением после курса лечения.


Из общих закономерностей, подмеченных нами в процессе расчетов по этой методике, можно отметить лишь одно – набор компонентов иммунной системы в наибольшей степени измененный в остром периоде заболевания или показывающий наиболее значительную динамику в процессе лечения практически тот же, что и отобранный нами в качестве компонентов построения модели вида и тяжести заболеваний кожи на предыдущих этапах исследования.

^ В четвертой главе отмечено, что одним из основных средств моделирования и анализа эффективности функциональной взаимосвязи клинических и иммунологических параметров, влияющих на динамику и прогноз тяжести заболевания является требование строгого математического описания структуры объекта моделирования, в частности показателей иммунной системы. Это позволяет найти аналитические зависимости между входными параметрами анализируемой системы и показателями функционирования в случае, если искомая модель является достаточно простой. Наиболее приемлемым методом имитационного моделирования, являющимися эффективным средством при анализе объектов, таких, как иммунная система, с иерархической или стохастической системой связей между элементами модели является регрессионный анализ.

Мы использовали наиболее простой и доступный метод линейной множественной регрессии со следующим обоснованием.

Заданное пространство признаков X' представляет собой абсолютные значения изученных компонентов иммунной системы в остром периоде заболевания. Их размерность p>1, состоит из величин конкретных измерений x = {x1, …, xj, …, xp}, где xj – значение j-го компонента иммунной системы, в остром периоде заболевания. В матрице Х' столбец, в который внесены коды групп наблюдения, а именно 0 – здоровые добровольцы, 1 – пациенты с рецидивирующей рожей, 2 – пациенты с меланомой кожи благоприятного прогноза, 3 – пациенты с меланомой кожи неблагоприятного прогноза, считали зависимой переменной или откликом y, а остальные признаки m, m < p, m > 1, определены нами как объясняющие или варьируемые переменные. Поскольку на предварительных этапах исследования установлено, что массив наблюдений статистически репрезентативен, то можно сформировать обучающую выборку в виде матрицы независимых переменных X xij , j = 1,2,…,m, и сопряженного с ней вектора-столбца Y yi, где i = 1,2,…,n – количество строк измерений (n > m), для которых все значения численно определены.

Необходимо сконструировать уравнение, выражающее закон изменения отклика Y в зависимости от конкретных значений независимых переменных X xij.

Модель наблюдений имеет вид:



где – значение объясняемой переменной в i-м наблюдении; – известное значение j-ой объясняющей переменной в i-м наблюдении; – неизвестный коэффициент при j-ой объясняющей переменной.

Использование множественного регрессионного анализа имеет чрезвычайно широкие возможности для построения моделей взаимовлияния переменных в медицинских исследованиях, содержащих, как правило, десятки потенциальных переменных (Шитиков В.К. с соавт., 2003; Шитиков В.К. с соавт., 2008, Розенберг Г.С. с соавт., 2008,).

Поставив задачу оценки влияния комбинации компонентов иммунной системы на фактор отклика, в качестве которого мы использовали вид и тяжесть заболеваний кожи, можно построить несколько вариантов регрессионных моделей, позволяющих прогнозировать вид и динамику развития патологического процесса на примере заболеваний кожи.

Первый вариант построенной модели в качестве расчетного метода использовал множественную линейную регрессию и включал весь набор исследуемых показателей.

Результаты работы полученной модели проверяли на обучающей выборке, в качестве которой использовали исходные данные всех пациентов изучаемых групп. Чувствительность специфичность и точность работы модели при проверке её на обучающей выборке показали 100% результат.

Однако расчет индивидуального прогноза для пациентов, обратившихся с кожными заболеваниями, для практического врача представляется достаточно затруднительным как раз в силу своей многокомпонентности, требует значительных затрат времени и большой сосредоточенности внимания. Поэтому мы использовали различные алгоритмы минимизации набора компонентов для построения аналогичной модели, учитывая необходимость сохранения высокого уровня её чувствительности, специфичности и точности.

В качестве компонентов следующего варианта модели мы использовали метод предварительного отбора при помощи традиционных способов анализа исходного состояния и динамики показателей иммунной системы на лечебные воздействия. В качестве критерия отбора выбрана наибольшая динамика показателя в ответ на лечебные воздействия.

Получены следующие показатели работы модели на обучающей выборке: чувствительность = 95,7%; специфичность = 89,6%; точность = 92,6 %.

Результаты приведенных расчетов свидетельствуют, что модель прогноза вида и тяжести заболеваний кожи, включающая отобранные с помощью традиционных методов анализа компоненты, значительно уступает модели, построенной с учетом всех исследованных компонентов. Кроме того, коэффициент детерминации такой модели ниже в сравнении с коэффициентом детерминации модели учитывающей максимальный набор компонентов – 76,27 % против 88,83%.

Альтернативным методом минимизации набора компонентов для построения модели прогнозирования является использование тех компонентов, которые показали наибольшую значимость при построении регрессионной модели с использованием всех изученных компонентов. Поскольку компонентов, влияющих на прогноз заболеваний кожи с принятой в медицине достоверностью не менее 90-95% оказалось лишь два, мы приняли решение включить в набор и те компоненты, значимость влияния которых составляла около 80%.

Прогноз = 1,74624 - 0,373825* Лимф - 0,00289553* CD3+ - 0,0674485* CD11в+ +1,04409* CD16+ + 2,08387* CD20+ - 1,71682* CD25+ + 0,736794* CD95+ +0,00532813* ФП + 0,059057* IgA.

Результаты проверки модели: Чувствительность = 95,1%; специфичность = 97,9%; точность = 96,5%.

Результаты приведенных расчетов свидетельствуют, что модель прогноза вида и тяжести заболеваний кожи, включающая отобранные с помощью регрессионного анализа компоненты несколько уступает модели, построенной с учетом всех исследованных компонентов, однако превосходит модель, построенную с учетом отбора методами традиционного анализа. Коэффициент детерминации такой модели незначительно ниже чем аналогичный показатель модели, учитывающей максимальный набор компонентов – 82,73% против 88,83%.

Таким образом, модель прогноза вида и тяжести заболеваний кожи, построенная с учетом предварительно отобранных по результатам регрессионного анализа полной матрицы компонентов, показывает достаточную чувствительность специфичность и точность, содержит небольшое количество компонентов, что не затрудняет расчеты индивидуальных коэффициентов прогнозирования для практического врача. Обобщая результаты построения моделей вида и тяжести заболеваний кожи, приведенные в этой главе, можно сделать некоторые заключения, позволяющие выработать общий подход к процессу моделирования и прогнозирования с использованием в качестве базового регрессионный анализ показателей иммунной системы (рис. 8, 9).

Однако дифференциальная диагностика благоприятного или неблагоприятного прогноза меланомы с помощью этой модели представляется затруднительной, поскольку полученные на обучающей выборке диапазоны коэффициентов оказались перекрывающимися (см. табл. 1).

Постоянно меняющиеся методы оценки показателей иммунной системы, появление новых и уточнение существующих сведений о маркерах дифференцировки лимфоцитов, расширение возможностей оценки функционирования иммунокомпетентных клеток и продуцируемых ими белков не позволяют создать универсальную модель прогнозирования вида и тяжести заболеваний. Однако результаты нашего диссертационного исследования позволяют дать достаточно универсальные рекомендации построения алгоритмов отбора компонентов, моделирования и индивидуального прогнозирования интересующих исследователя состояний.



Рис. 8. Пошаговый алгоритм отбора компонентов для построения
модели вида заболеваний кожи.



Построение регрессионной модели, включающей в качестве компонентов показатели иммунной системы, определяемые в остром периоде заболевания, позволяет четко и однозначно дифференцировать вид заболеваний кожи и с достаточной долей точности определять прогноз тяжести течения заболевания.



Рис. 9. Структурная схема алгоритма формирования
модели вида заболеваний кожи.



С использованием построенной модели для каждого из пациентов рассчитан индивидуальный коэффициент прогноза, затем рассчитано математическое ожидание и его ошибка для групп исследования (см. табл. 1).

Таблица 1.

Средние значения коэффициентов регрессионной модели для
отобранных методами регрессионного анализа показателей иммунной системы, влияющих на тяжесть заболеваний кожи


Группа исследования

М

m

доноры

0,109

0,062

рецидивирующая рожа

1,002713

0,31

меланома кожи благоприятного прогноза

2,223542

0,254

меланома кожи неблагоприятного прогноза

2,623147

0,187


Из таблицы следует, что существует принцип линейности возрастания коэффициентов прогноза с увеличением клинической тяжести заболевания. Перекрывания диапазонов индивидуальных коэффициентов для каждой из групп исследования нет, изученные заболевания кожи можно легко дифференцировать по значению полученного коэффициента для индивидуального прогнозирования вида и тяжести заболеваний кожи. Если коэффициент меньше единицы, то пациент не имеет заболеваний кожи, если коэффициент лежит в диапазоне от 1 до 2 баллов – у пациента рожистое воспаление; если диапазон коэффициента от 2,3 до 2,5 (данные приведены с учетом максимального разброса величины коэффициента, полученного на обучающей выборке) то у пациента меланома кожи, имеющая благоприятный прогноз, если коэффициент превышает 2,5 единицы у пациента меланома кожи неблагоприятного прогноза.

Для пациентов с установленным диагнозом «меланома кожи» была рассчитана следующая модель, учитывающая индивидуальные клинические особенности пациента.

Для построения модели использованы результаты, полученные при пред- и послеоперационном клиническом обследовании 167 пациентов с установленным диагнозом «меланома кожи».

У пациентов во время подготовки к операции по удалению меланомы и по результатом анализа полученных в ходе операции материалов гистологического исследования иссеченной опухоли фиксируют следующие показатели: пол, возраст, стадию меланомы, группу крови, резус-фактор, наличие изъязвлений, митозов, лимфоидной инфильтрации, гистологического типа опухоли, её толщину в мм, уровень инвазии. Для показателей, носящих качественный характер мы присваивали признакам следующие значения: пол – женщины (0), мужчины (1); стадия меланомы в соответствии с общепринятыми римскими обозначениями; резус-фактор (0) отсутствует, (1) присутствует); для изъязвлений, митозов, лимфоидной инфильтрации (0) признак отсутствует, (1) признак присутствует; гистологический тип опухоли – узловая (1), лентигомеланома (2), поверхностно распространяющаяся (3), эпителиоидноклеточная (4), безпигментная (5), сочетание нескольких (6).

С использованием множественного регрессионного анализа получена следующая модель, описывающая прогноз развития меланомы.

Тяжесть течения = 4,74472 + 0,311714*пол+ 0,0920974*возраст - 1,22181*стадия заболевания - 0,232456*группа крови - 2,77509*резус-фактор + 0,597768* наличие изъязвлений + 1,27497*наличие митозов-1,11004*наличие лимфоидной инфильтрации- 1,31926* гистологический тип опухоли + 0,0719651*толщина опухоли - 0,562743* инвазии.

Все 167 пациентов были прослежены нами в период с 1998 по 2006 год, через 5 лет после проведения первичной операции по удалению меланомы фиксировалось к какой клинической группе отнесен пациент по результатам обследования через 5 лет. 2-3-я клиническая группа расценивались как благоприятный прогноз, 4-я клиническая группа или смерть как неблагоприятный прогноз.

С помощью полученной модели на обучающей выборке из 167 пациентов рассчитали следующие значения (см. табл. 2) коэффициентов прогноза.

^ Таблица 2.

Средние значения коэффициентов регрессионной модели
влияющих на тяжесть течения меланомы кожи


Группа исследования

М

m

меланома кожи благоприятного прогноза

0,132

0,033

меланома кожи неблагоприятного прогноза

2,850

0,115


Максимальное значение коэффициента, полученное в группе неблагоприятного прогноза составило 1,15; минимальное значение в группе благоприятного прогноза – 2,2. Для повышения надежности прогнозирования, по нашему мнению, следует использовать именно нижнюю границу показателя, полученного на обучающей выборке, а не средние значения для исследованных групп пациентов.

Таким образом, используя предложенную модель можно осуществлять индивидуальное прогнозирование наличия тяжести течения меланомы практически сразу после выполнения первичной операции, что позволит принимать превентивные меры у пациентов с неблагоприятным прогнозом, и продлевать таким образом длительность периода выживания для этой категории больных.

Выводы.


  1. Расчет статистической значимости динамики параметров иммунной системы на основе математического ожидания выборок для исследованных в работе групп пациентов с рецидивирующей рожей и меланомой кожи позволил установить, что к числу наиболее значимо меняющихся параметров относятся абсолютное количество лейкоцитов, носители маркеров дифференцировки CD11в+, CD16+, CD20+, CD25+, CD95+, фагоцитарный показатель, иммуноглобулины класс А.

  2. Модели выявления наиболее значимо меняющихся показателей иммунной системы при заболеваниях кожи меланомой и рожей, рассчитанные с использованием коэффициента диагностической ценности и определения степени иммунологических расстройств, в качестве значимых показателей выявили тот же набор, что и модели с использованием динамики средних значений и корреляционного анализа.

  3. Регрессионная модель позволяет с наибольшей точностью, в сравнении с классическими методами анализа иммунной системы, дифференцировать канцерогенные (меланома) и неканцерогенные (рожа) заболевания кожи при первичном обращении пациента.

  4. Для уточнения тяжести течения меланомы необходимо использовать дополнительные инструменты в виде регрессионной модели, включающей в качестве компонентов клинического и гистологического анализа опухоли.

  5. Для построения индивидуальной модели вида и тяжести заболеваний кожи, обладающей достаточной точностью при минимальном наборе компонентов, наиболее целесообразно проводить отбор компонентов в два этапа: формирование регрессионной модели, включающей все исследуемые показатели иммунной системы и создание регрессионной модели, включающей лишь те показатели, значимость влияния которых на прогноз заболевания превышает 80%.
^

Практические рекомендации


Для прогнозирования вида заболеваний кожи целесообразно использовать следующую прогностическую модель, построенную с использованием линейной регрессии: Прогноз = 1,74624 - 0,373825* Лимф - 0,00289553* CD3+ - 0,0674485* CD11в+ +1,04409* CD16+ + 2,08387* CD20+ - 1,71682* CD25+ + 0,736794* CD95+ +0,00532813* ФП + 0,059057* IgA; при индивидуальном расчете для каждого пациента в случае, если полученный коэффициент: не превышает 1 – у пациента нет заболеваний кожи; лежит в диапазоне 1,1 - 2 заболевание кожи носит неканцерогенный характер, при значении коэффициента более 2 канцерогенное заболевание кожи.

Тяжесть течения меланомы с высокой степенью достоверности определят модель индивидуального расчета, позволяющая оценить дальнейшее течение заболевания сразу после оперативного удаления опухоли рассчитывается при помощи модели: Тяжесть течения = 4,74472 + 0,311714*пол
+ 0,0920974*возраст - 1,22181*стадия заболевания - 0,232456*группа крови - 2,77509*резус-фактор + 0,597768* наличие изъязвлений + 1,27497*наличие митозов-1,11004*наличие лимфоидной инфильтрации- 1,31926* гистологический тип опухоли + 0,0719651*толщина опухоли - 0,562743* инвазии; если рассчитанное значение не превышает 2,2 – прогноз течения меланомы благоприятный, если коэффициент больше 2,2 – прогноз неблагоприятный.

Список работ, опубликованных по теме диссертации:

Публикация в журнале «Перечня ..» ВАК Минобрнауки:

1. Костенко С.М. Прогнозирование заболеваний кожи с учетом взаимоотношений показателей иммунитета / С.М. Костенко, А.В. Маланчук, С.Н. Семенов // Вестник новых медицинских технологий. – 2008, Т., XV, № 4, – С. 117-118.


Публикации в других изданиях:

2. Мамчик Т.А. Важность цитологического метода в диагностике меланомы кожи / Т.А. Мамчик, С.М. Костенко, А.В. Маланчук // Научно-медицинский вестник Центрального Черноземья. – 2006. - № 22. – С. 53-56.

3. Маланчук А.В. Особенности восстановительного периода у пациентов, оперированных по поводу меланомы кожи / А.В. Маланчук // Научно-медицинский вестник Центрального Черноземья. – 2007. - № 30. – С. 236-238.

4. Черкашин И.Н. Изменения иммунного статуса у пациентов со злокачественными новообразованиями и динамика иммунокомпетентных клеточных субпопуляций в процессе традиционного предоперационного лечения (на примере рака молочных желез) / И.Н. Черкашин, А.В. Маланчук // Научно-медицинский вестник Центрального Черноземья. – 2007. - № 28. – С. 236-238.

5. Маланчук А.В. Взаимосвязь клинических проявления меланомы кожи с субпопуляциями иммунокомпетентных клеток / А.В. Маланчук, С.М. Костенко, Н.Ю. Константинова // Материалы I Всероссийской конференции молодых ученых, организованной Воронежской государственной медицинской академией им. Н.Н. Бурденко и Курским государственным медицинским университетом, 16-17 февр. – Воронеж, 2007.

6. Зависимость характера иммунопатологии и её фармакологической коррекции от патогенеза, стадии, локализации заболеваний / Е.В. Бабурина,
М.А. Земсков, Л.Г. Гертнер, В.А. Земскова, Ю.А. Деева, Р.В. Тонких, О.Н. Петренко, А.В. Маланчук // Материалы I Всероссийской конференции молодых ученых, Курского государственного медицинского университета, 29 нояб. – Воронеж, 2007.

7. Анализ реакций субпопуляций иммунокомпетентных клеток в процессе лечения : свидетельство о гос. регистрации базы данных № 2008620136 / Маланчук А.В., Костенко С.М., Пелешенко Е.И., Воронцова З.А., Иванова Г.А. ; опубл. 25.03.2008.

8. Динамическое наблюдение клинических и иммунологичческих параметров пациентов с меланомой кожи : свидетельство о гос. регистрации программы ЭВМ № 2008611509 / Маланчук А.В., Костенко С.М., Пелешенко Е.И., Воронцова З.А. ; опубл. 25.03.2008.

9. Закономерности формирования и направленной коррекции иммунопатологии при гнойно-воспалительных заболеваниях / М.А. Земсков, С.В. Старцева, А.И. Токмаков, Е.В. Бабурина, А.В. Маланчук, Т.Д. Новосельцева // Научно-медицинский вестник Центрального Черноземья. – 2007. - № 31. – С. 38-43.

10. Прогнозирование тяжести и течения заболеваний кожи канцерогенного и неканцерогенного генеза / Н.И.Чевардов, Н.В.Урланова, А.В.Маланчук, Ю.Н.Ряховский // Журнал теоретической и практической медицины. – 2008. - № 3. – С. 332-336.


© Воронежская государственная медицинская
академия им. Н.Н. Бурденко, 2009 г


Формат 60х841/16 Бумага офсетная

Подписано в печать 03.07.2009 г

Объем 1,0 усл.печ.листов – Тираж 100 экз, Заказ № ___


Отпечатано с готового оригинал-макета
394000, г. Воронеж, ул. ул. Студенческая, 10




Ваша оценка этого документа будет первой.
Ваша оценка:

Похожие:

Анализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки) iconАнализ, моделирование и алгоритмизация диагностики урогенитального хламидиоза у женщин с нарушением
Специальность 05. 13. 01 – Системный анализ, управление и обработка информации (медицинские науки)
Анализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки) iconИсследование, моделирование и рациональный выбор реабилитационных психопрофилактических мероприятий

Анализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки) iconМодели и алгоритмы периоперационной лучевой визуализации желчевыводящих протоков у больных калькулезным

Анализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки) iconМагнитно-резонансная томография в комплексной диагностике острых патологических переломов позвонков

Анализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки) icon“ разработка консультативной диагностической экспертной системы для дифференциальной диагностики

Анализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки) iconРазработка решающего правила для прогнозирования исхода стандартного стационарного лечения у больных

Анализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки) iconПрограмма курса Особенности использования керамических масс и изготовления керамических виниро в
Внутри и вне ротовой анализ эстетических параметров, как неотъемлемая часть диагностирования и планирования...
Анализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки) iconАнализ нейропсихологических синдромов с целью обнаружения общего основания (фактора), объясняющего
Биоэлектрические колебания, возникающие в нервных структурах в ответ на внешнее раздражение и находящиеся...
Анализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки) iconИнформационный бюллетень анализ динамики бытовых
Анализ динамики бытовых отравлений проводился на основании сведений статистической отчетной формы...
Анализ и моделирование параметров иммунной системы как прогностического фактора при заболеваниях кожи 05. 13. 01 системный анализ, управление и обработка информации (медицинские науки) iconСистемный анализ психического развития детей с недоразвитием речи

Разместите кнопку на своём сайте:
Медицина


База данных защищена авторским правом ©MedZnate 2000-2016
allo, dekanat, ansya, kenam
обратиться к администрации | правообладателям | пользователям
Медицина