WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 | 4 |

Материалом для работы послужили данные иммунологических исследований 17 здоровых добровольцев, 167 пациентов с меланомой кожи и 59 пациентов с рецидивирующей рожей. Все пациенты 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-я клиническая группа расценивались как благоприятный прогноз, таких пациентов оказалось 131, 4-я клиническая группа или смерть как неблагоприятный прогноз, таких пациентов оказалось 36.

Средний возраст обследованных составлял 48±12 лет. По показателям 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 иммунологических 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 25.03.2008г.

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 наибольшую 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 компонентов 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. 6. 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.

Pages:     | 1 || 3 | 4 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»