WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 | 2 || 4 |

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. 7, 8).

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. 7. 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. 8. 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 результатам 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 класса 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 определяет модель индивидуального расчета, позволяющую 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.

Pages:     | 1 | 2 || 4 |






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