Автореферат и диссертация по медицине (14.00.05) на тему:Система прогнозирования "поведения" артериального давления у пациентов с эссенциальной артериальной гипертензией

На правах рукописи

Горшкова Елена Владимировна

СИСТЕМА ПРОГНОЗИРОВАНИЯ «ПОВЕДЕНИЯ» АРТЕРИАЛЬНОГО ДАВЛЕНИЯ У ПАЦИЕНТОВ С ЭССЕНЦИАЛЬНОЙ АРТЕРИАЛЬНОЙ ГИПЕРТЕНЗИЕЙ

14.00.05. - Внутренние болезни

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата медицинских наук

□ОЗ17677В

Нижний Новгород 2007

003176776

Работа выполнена в ГОУ ВПО «Нижегородская государственная медицинская академия Федерального агентства по здравоохранению и социальному развитию»

Научный руководитель: доктор медицинских наук, профессор

ГОУ ВПО «НижГМА» Шкарин Владимир Вячеславович

Официальные оппоненты: доктор медицинских наук, профессор

Военно-медицинский институт ФСБ России

Алексеева Ольга Поликарповна

доктор медицинских наук, профессор ГОУ ВПО «НижГМА» Стронгин Леонид Григорьевич

Ведущая организация: ФГУ «Московский государственный

медико-стоматологический университет»

Защита состоится «_» _ 2007 г. в _ часов на

заседании диссертационного совета Д 208 061 02 ГОУ ВПО «Нижегородская государственная медицинская академия Федерального агентства по здравоохранению и социальному развитию» по адресу 603005, г Н Новгород, пл Минина и Пожарского, 10/1

С диссертацией можно ознакомиться в библиотеке Нижегородской государственной медицинской академии по адресу г Н Новгород, ул Медицинская д 4

Автореферат разослан «_»_2007 г

Учёный секретарь Диссертационного совета

доктор медицинских наук, профессор Лукушкина Е Ф

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Предвидение явлений в медицине является наиболее актуальной научно-практической задачей профессиональной деятельности врача Многие исследователи считают, что научно обоснованному прогнозированию и эффективной профилактике принадлежит будущее (Амосов НМ,1991) Совершенствование известных и создание новых методов диагностики и прогнозирования позволит существенно улучшить качество оказания медицинской помощи населению

Данная научная проблема имеет давнюю историю Еще Гиппократ определял значение прогноза для практики врача так «Задача лечения наилучше будет совершаться, если он из настоящих страданий предузнает будущее» (Бородулин В И ,1988) Общий прогресс естествознания конца XIX - начала XX веков, явился мощным стимулом приближение медицины к точным наукам Следует отметить, что изучение нейросетевой организации центральной нервной системы физиологической научной школой И П Павлова стало предтечей теоретического обоснования создания электронно-вычислительных машин Основоположником применения электронно-вычислительных машин в нашей стране был академик А А Вишневский, доказавший на практике, что математические методы не только не уменьшают роли врачебного искусства, но и поднимают его на более высокий научный уровень В 1971 году им издана монография «Кибернетические системы в медицине» Последующее развитие идей прогнозирования с применением ЭВМ проведено научной школой Н М Амосова «Одной узкопрактической, цеховой мудростью не отыщешь новых путей к прогрессу Для этого нужны широкие взгляды и обширные знания смежных областей и специальностей» (ЮдинС С,1991)

Современное прогнозирование интегрируется с целым рядом разделов наук, таких как топографическая анатомия, иммунология, лучевая диагностика, эндоскопия, биофизика, лабораторная диагностика и др Для решения задач прогнозирования применяются различные математические методы регрессионный, дискриминантный анализ, метод наименьших квадратов, вариационные ряды, математическое и имитационное моделирование, нейросетевая диагностика

Возникновение современной технологии Data Mining, что в переводе с английского языка означает «добыча» или «раскопка данных» («интеллектуальный анализ данных») связано с появлением нового

современного направления в развитии средств и методов обработки данных

Выделяют пять стандартных типов закономерностей, которые позволяют выявлять методы Data Mining ассоциация, последовательность, классификация, кластеризация и прогнозирование

Прогнозирование дает возможность предсказать поведение системы в будущем

В последнее время, наибольший интерес вызывает применение искусственных нейросетей для решения самых разнообразных задач в области медицины В тоже время, в доступной литературе отсутствуют данные о применении метода нейросетевого анализа (МНСА) в прогнозировании «поведения» артериального давления (АД)

Другим направлением в прогнозировании АД является метод Марковских цепей (ММЦ), основанный на вероятностном подходе

В работе поводилась разработка метода прогнозирования «поведения» АД у пациентов с артериальной гипертензией (АГ) с применением МНСА, а также сравнение прогностической эффективности с ММЦ

Цель исследования:

Разработка достоверной системы краткосрочного прогнозирования «поведения» АД у пациентов с АГ на фоне индивидуально подобранной гипотензивной терапии

Задачи исследования:

1 Разработать методику краткосрочного прогнозирования АД у пациентов с эссенциальной артериальной гипертензией (ЭАГ) с использованием МНСА

2 Выявить наиболее оптимальную модель прогнозирования «поведения» АД, путем сравнения МНСА и анализа с использованием ММЦ

3 Оценить эффективность применения методов прогнозирования «поведения» АД на основе Марковских цепей (МЦ) и нейронных сетей (НС)

Научная новизна:

1 Впервые разработана методика краткосрочного прогнозирования «поведения» АД у пациентов с АГ, с применением МНСА

2 Проведен сравнительный анализ прогностической эффективности методик нейросетевого анализа (НСА) и ММЦ, рекомендуемых с целью индивидуального контроля АГ и коррекции гипотензивной терапии

3 Разработана компьютерная программа расчета индивидуальных показателей контролируемости АД и расчета чувствительности и специфичности рассматриваемых методов на базе Microsoft Exel

Практическое значение работы:

1 Создана система краткосрочного прогнозирования «поведения» АД у пациентов с ЭАГ, основанная на использовании метода контрольных карт (МКК) и НСА

2 Разработанный МНСА позволяет эффективно применять его с целью прогнозирования «поведения» АД и своевременной коррекции гипотензивной терапии

3 Проведен сравнительный анализ прогностической эффективности методик НСА и ММЦ, позволивший показать более высокую точность НСА

Реализация результатов исследования

Результаты работы - метод прогнозирования «поведения» АД на основе НСА и МКК, программа для ЭВМ «Программа для расчета контрольных пределов, векторов вероятности и матрицы переходов для расчета по методу Марковских цепей» внедрены в практику деятельности МЛПУ «Городская больница № 13» и, как учебный материал, представлены в циклах лекций общего и тематического усовершенствования кафедры терапии ЦПК и ППС ГОУ ВПО «Нижегородская государственная медицинская академия»

Положения, выносимые на защиту:

1 Разработанная система краткосрочного прогнозирования «поведения» АД у пациентов с ЭАГ, основанная на использовании МНСА, позволяет осуществлять эффективный прогноз АД на срок до 30 дней

2 Проведенный сравнительный анализ двух методов прогнозирования АД показал более высокую чувствительность МНСА и, в тоже время, высокую специфичность ММЦ

3 Использование методов прогнозирования посредством НСА и ММЦ позволит наиболее эффективно решать задачи по контролю АД у пациентов с ЭАГ

Апробация работы

Апробация работы состоялась на межкафедральном заседании кафедры терапии ЦПК и ППС, кафедры скорой и неотложной медицинской помощи ЦПК и ППС, кафедры пропедевтики внутренних болезней, кафедры госпитальной терапии, кафедры терапии факультета обучения иностранных студентов, кафедры внутренних болезней постдипломного образования ВМИ ФСБ России 13 сентября 2007 года

Основные материалы и положения диссертации доложены на II съезде кардиологов Сибирского федерального округа (Томск 2007 г )

Публикации

По теме диссертации опубликовано 8 печатных работ (из них 5 в центральной печати)

Структура и объем диссертации

Диссертация изложена на 120 страницах машинописного текста и состоит из списка сокращений, введения, трех глав исследований, заключения, выводов, практических рекомендаций, списка литературы и приложений Библиографический список содержит 157 источников, из них 88 работ отечественных авторов, 69 иностранных Работа иллюстрирована 12 таблицами, 15 рисунками, 4 схемами, 5 диаграммами

СОДЕРЖАНИЕ РАБОТЫ Основная часть работы посвящена разработке современного подхода к проблеме прогнозирования и контроля «поведения» цифр АД у пациентов с ЭАГ Одним из методов контроля АД у пациентов с АГ является МКК (Вл.В Шкарин 1999 г) Основной задачей МКК является своевременное выявление негативных тенденций «поведения» АД с целью предупреждения развития ситуаций, приводящих к выходу процесса из контролируемого состояния Используя методику контрольных карт (КК) для обработки исходных данных, разработан метод прогноза изменения АД основанный на НСА Проведена его всесторонняя оценка путем сравнения с ранее предложенным методом прогноза использующим принцип МЦ

Работа основана на данных клинико-инструментальных исследований 120 пациентов с АГ, проведенных на базе кафедры терапии ЦПК И ППС ГОУ ВПО НижГМА Росздрава

Критериями исключения являлись возраст меньше 40 и больше 70 лет, ассоциированные клинические состояния, такие как цереброваскулярное заболевание, заболевания сердца, заболевания почек, заболевание периферических артерий, симптоматическая АГ, сахарный диабет типа 1, типа 2, онкологические заболевания в анамнезе, низкая приверженность пациента к проводимому исследованию

Со всеми пациентами, входящими в исследование, предварительно проводились следующие мероприятия и методы обследования

1 Проведение структурированного формализованного интервью (сбор анамнеза, жалоб)

2 Подбор адекватной гипотензивной терапии терапия подбиралась индивидуально каждому пациенту после углубленного клинико лабораторно- инструментального обследования

3. Обучение пациентов самостоятельному измерению АД.

4. Ведение пациентами КК: группе в количестве 120 человек было предложено в течение 2-х месяцев вести КК, куда пациенты с АГ, после подбора им гипотензивной терапии, заносили каждодневные значения систолического АД (САД) и диастолического АД (ДАД). Измерение АД проводилось в одно и тоже время (8.30 до 9.00), одним и тем же аппаратом, на одной и той же руке, в одном и том же положении тела. Анализ КК пациента для получения вектора начальных вероятностей проводился с момента достижения стабильности цифр АД, но не ранее 7-го дня от начала гипотензивной терапии.

Дизайн исследования включал четыре этапа.

На первом этапе проводилась обработка полученных исходных значений АД по МКК (Вл.В.Шкарин 1999).

Расчёт индивидуальных контрольных пределов проводился по следующему алгоритму, (см. рисунок 1)

Исхедное АД 1хГ

\ч. - > N 'ч !------------------------------------------------------- В ь

с

в * £..........................................

/ V

Рис. 1. Схема расчёта контрольных пределов снижения АД

Вначале определяли грубые верхний (Аа) и нижний (Ос!) пределы снижения САД и ДАД. Верхний грубый предел (ВГП) составлял 95% от исходного значения (что соответствует 5% снижению АД, т.е минимальному значению, которое свидетельствует о наличии гипотензивного эффекта отличного от плацебо). Нижний грубый предел (НГП) составлял 70% от исходного значения для САД и ДАД (что соответствует 30% снижению АД, т.е. максимально допустимому за короткий период без риска выраженной гипоперфузии).

Далее определяли верхний оптимальный предел (ВОП) и нижний оптимальный предел (НОП) снижения АД.

В основу расчёта оптимальных пределов положен принцип «золотого сечения».

«Золотое сечение» — это такое пропорциональное деление отрезка на неравные части, при котором меньшая часть так относится к большей, как большая ко всему отрезку. Графически это выглядит следующим образом (см. рисунок 2).

Рис. 2. Графическое выражение пропорции «золотого сечения»

Отношение а/Ь=Ь/с=0,618 ещё называют пропорцией гармонии, или «божественной» пропорцией. Обратное соотношение равняется 0,382. Однако, любой отрезок можно разделить на две части с двух сторон (см. рисунок 3).

О.Ш 0.618 ,

« 1

№

Рис. 3. Выражение двойственности пропорции «золотого сечения» в

одном отрезке

В нашем случае промежуток значений АД между грубыми пределами принимается за целый отрезок и далее по указанному принципу определяются ВОП и НОП АД.

ВОП определяли по формуле (1.1):

ВОП= 0,618 х(А-О), (1.1)

НОП определяли по формуле (1.2.):

НОП= 0,382 х(А-О). (1.2)

где А и О — значения верхнего и нижнего грубых пределов. Таким образом, соотношение всех пределов находится в следующих пропорциях (1.3):

ВОМ1)=АВ/ВО=АСМЛ>СО/АС=0,618 (1.3) Приведённый выше алгоритм расчётов контрольных пределов был реализован в разработанной компьютерной программе.

В соответствии с рассчитанными пределами на КК выделялось 5 зон контроля значений АД (см. рис. 4):

О

Неконтролируемая зона (+) Зона частичного контроля (+) Зона оптимального контроля Зона частичного контроля (-) Неконтролируемая зона (-)

дни наблюдения

Рис. 4. Схема расположения пяти зон контроля

зона оптимальных значений АД для данного пациента (О);

зона частичного контроля - значения АД расположены выше оптимальных границ, но ниже расчётных нижних грубых пределов АД (ЧКВ);

зона частичного контроля - значения АД расположены ниже оптимальных границ, но выше расчётных нижних грубых пределов АД (ЧКН);

неконтролируемая зона - значения АД выше верхнего грубого предела (НЗВ);

неконтролируемая зона - значения АД ниже грубого нижнего предела (НЗН).

Расчёт векторов вероятностей и матрицы переходов.

На следующем этапе проводился расчёт исходных значений векторов вероятностей и исходных значений матрицы переходов для САД и ДАД. Рассчитывали частоту (вероятность) нахождения САД и ДАД в каждой из 5-ти зон контроля за первые 30 дней наблюдения. Это составило исходные значения векторов вероятностей АД. Аналогичным образом, рассчитывались истинные значения векторов вероятностей АД на 3, 10 и 30 дни наблюдения.

Далее проводился расчёт матрицы переходов, т.е. вероятность перехода системы из одного состояния в другое за интервал наблюдения (за сутки) для всех возможных сочетаний переходов. Полученная матрица переходов имела следующий вид (1.4):

Э2 БЗ Э4 Э5

Тл дз д5

Б2 р1 р2 рЗ р4 р5

П 5 = ЭЗ f2 ъ f4 Г5

Э4 д1 д2 дз д4 д5

г1 г2 гЗ г4 г5

где - Б5 - соответственно состояния НЗВ, ЧКВ, О, ЧКН и НЗН, П - знак матрицы, 5 - число возможных состояний системы,

— р1 — р5, §1 - §5, г1 - г5 - вероятности переходов Расчеты производились при помощи авторской компьютерной программы, которая автоматически производила расчёты и заносила полученные результаты в стандартизированный бланк отчёта

Вторым этапом исследования было прогнозирование АД по ММЦ (Вл В Шкарин 1999) На основе данных анализа КК 80 пациентов с АГ и рассчитанных исходных значений векторов вероятности и матрицы переходов проводился расчет прогнозных значений векторов вероятности и матрицы переходов на заданные временные интервалы (3, 10, 30-й дни наблюдения) В качестве средневзвешенного показателя эффективности прогноза использовалась усредненная разница векторов вероятности (УРВВ) значений АД, представляющая собой среднее арифметическое значение разницы прогнозных и истинных значений АД пяти зон контроля, выраженное в процентах

Оценка эффективности прогноза проводилась путём сравнения УРВВ значений АД, полученных посредством ретроспективного расчета истинных значений АД с прогнозными значениями, рассчитанными по ММЦ Прогноз считался эффективным, если усредненная разница (т е ошибка прогноза) не превышала 10%

Третьим этапом исследования была разработка и оценка эффективности метода прогнозирования АД при помощи НСА Для разработки структуры методом случайной выборки из общего количества пациентов были сформированы три группы группа обучения - численностью 40 наблюдений, тестовая - 20 и контрольная - 60 Созданная нейронная

сеть (НС) «обучалась» на группе обучения на срок 3,10 и 30 дней. После чего НС тестировалась на тестовой группе.

Проводилась оценка полученных результатов и НС, дающая прогноз наиболее эффективно, проходила оценку на контрольной группе.

Первоначально создавались различные варианты структуры НС, которые проходили несколько отборочных тестов. Основной структурной единицей НС являлся многослойный персептрон. Было принято, что структура НС допускается к апробации на контрольной группе, если ошибка прогноза выдаваемая НС, будет составлять не более 25%. Удовлетворительно прошли тесты два варианта строения НС. Первый вариант предполагал построение сети, состоящей из трёх слоев нейронов, второй вариант - из четырех. Оценка прогностических возможностей трёхслойной НС на тестовом и контрольном множестве показала низкую прогностическую эффективность (ошибка прогноза составляла в среднем более 25 %). При использовании четырёхслойной НС на входные нейроны подавались исходные значения векторов вероятностей, как САД, так и ДАД соответствующих зон контроля. Полученная НС показала хорошую прогностическую эффективность и имела следующую структуру (см. рисунок 5).

I_I

VI

l-. IV - номер слоя нейросети. 1 —10 - номер нейрона.

Х1....Х5 -значение вектора вероятности нахождения АД в зоне контроля.

Рис. 5. Схема структуры нейронной сети для прогноза уровня АД

На четвертом этапе исследования было проведено сравнение двух описанных выше методов прогнозирования по их эффективности В сравнении не участвовали 40 наблюдений, включенных в обучающую группу НС, так как по ним не проводились расчеты с использованием нейросетевого метода прогнозирования Таким образом, в сравнении принимало участие 80 наблюдений, по которым были проведены расчеты, как по ММЦ, так и по МНСА Сравнивая полученные значения УРВВ АД, выраженные в процентах, для каждого пациента в отдельности, а также для наблюдаемой группы в целом, оценивали эффективность методов на сроки 3, 10 и 30 дней Под эффективностью прогноза методов понимались значения УРВВ истинных и прогнозных значений АД не превышающие 10%

Эффективность указанных выше методом оценивалась также путем расчета их чувствительности и специфичности Статистическая обработка данных проводилась методами математической статистики Обработку данных проводили с использованием статистического пакета «81а1§гар1нсз»

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ИХ ОБСУЖДЕНИЕ Прогнозирование «поведения» АД при помощи метода Марковских

цепей.

Прогнозирование при помощи ММЦ показало следующие результаты Среднее отклонение истинных значений нахождения АД в зонах контроля от прогнозных, выраженное в процентах, составило при прогнозе на 3 дня для САД - 2,4+1,2%, для ДАД - 2,8±1,4% При прогнозе на 10 дней для САД -6,2+2,2%, для ДАД - 7,3+2,9%, соответственно При 30-ти дневном прогнозе ошибка заметно увеличивалась Среднее отклонение для САД составило 12,8+2,4%, для ДАД 14,0+2,6% Следует отметить, что для ДАД ошибка прогноза на 30-й день достоверно не увеличилась по сравнению с прогнозом на 10-й день

Максимальная разница между прогнозными и истинными значениями АД составила для САД - 10,9%, 14,1%, 19,59% для ДАД - 7,64%, 17,39%, 19,73% при прогнозе на 3, 10 и 30 дней, соответственно Минимальная

разница составила для САД - 0,48%, 0,77%, 3,82% для ДАД - 0,41%, 4,58%,

10,82% при прогнозе на 3, 10 и 30 дней, соответственно

Отклонения прогнозных значений от истинных в анализируемой группе пациентов приведены в таблице 1

Таблица 1

Отклонение прогнозных значений векторов вероятностей АД от истинных при расчете по методу Марковских цепей, в процентах

Срок прогнозирования на 3 дня ** на 10 дней* на 30 дней™

Номер пациента САД ДАД САД ДАД САД ДАД

2 1,78 5,12 4,84 13,38 8,75 19,47

5 5,82 3,73 14,10 9,88 19,59 17,42

7 2,10 2,57 5,88 5,40 12,98 12,18

8 2,71 2,41 6,00 5,54 13,20 11,76

10 1,82 2,14 5,36 5,56 12,14 12,80

13 1,98 2,10 5,96 6,48 13,12 13,40

14 2,00 3,44 6,00 5,24 13,18 11,68

16 1,90 2,09 5,66 5,74 12,64 12,74

17 2,38 2,16 6,00 5,56 13,22 12,14

19 2,00 1,84 6,04 5,32 13,24 12,02

22 4,52 1,97 8,22 5,26 14,48 12,72

23 1,81 1,84 5,16 5,38 11,70 12,14

25 2,11 1,95 6,40 5,00 13,64 11,44

26 1,92 1,96 5,84 5,82 12,92 12,88

28 1,91 4,12 5,54 11,02 11,37 18,24

29 1,95 3,02 5,72 5,68 12,70 12,62

31 2,66 2,25 5,60 5,78 12,31 12,76

34 2,13 2,11 5,98 6,00 12,99 13,18

35 1,88 2,16 5,50 6,33 12,32 13,60

38 2,02 1,52 4,80 4,60 11,14 10,82

40 2,03 1,76 5,78 5,30 12,68 12,02

41 2,09 2,02 6,10 6,40 13,32 14,00

44 1,94 1,70 5,98 5,40 13,14 11,58

46 10,94 3,84 12,37 9,86 18,15 17,58

47 1,92 2,12 5,70 6,12 12,70 13,32

49 2,01 2,26 5,62 5,70 12,42 12,70

50 2,68 2,18 5,36 6,46 12,74 13,82

52 1,88 2,24 5,54 6,54 12,42 14,08

53 2,33 3,94 5,32 10,66 8,63 18,08

55 1,88 3,06 5,58 5,58 12,52 12,35

58 3,82 2,92 9,98 7,12 17,44 14,08

59 1,96 2,63 5,88 6,36 12,98 13,72

61 2,17 6,81 5,94 12,70 12,95 18,86

64 2,48 3,94 6,10 10,82 13,23 18,16

67 5,62 4,69 13,52 10,84 19,59 18,04

68 2,46 2,02 13,85 7,97 13,10 11,65

71 2,30 5,89 5,88 14,04 12,97 19,52

73 2,80 3,88 5,32 10,54 7,06 17,96

74 0,48 4,64 0,77 17,39 3,82 17,94

77 3,74 5,04 10,04 12,58 17,48 19,02

79 2,18 2,53 5,76 5,42 12,76 12,22

82 2,37 2,00 6,00 5,64 12,94 12,50

83 2,26 1,74 5,64 5,26 12,58 11,98

84 2,52 1,74 6,38 5,26 13,54 11,98

85 2,06 1,52 5,72 4,58 12,72 10,82

86 1,95 2,06 5,64 6,14 12,60 13,34

87 1,90 1,74 5,64 5,26 12,56 12,00

88 2,00 1,74 5,78 5,26 12,80 11,98

89 2,00 2,24 5,94 6,54 13,08 13,90

90 1,94 2,12 5,74 6,12 12,76 13,32

91 2,00 2,24 5,96 6,54 13,10 13,90

92 1,96 1,74 5,64 5,26 12,90 11,98

93 2,44 3,92 3,48 10,38 8,77 17,80

94 1,98 3,27 5,84 6,16 12,94 13,42

95 2,07 1,86 5,76 5,40 12,74 12,18

96 2,00 1,84 5,96 5,62 13,08 12,62

97 2,17 2,29 5,84 5,52 12,94 12,40

98 1,98 6,87 5,70 7,58 12,72 12,46

99 2,65 3,56 5,32 9,16 9,39 16,72

100 2,61 5,28 6,26 12,78 12,91 19,06

101 1,83 5,29 5,42 12,84 12,80 19,13

102 1,57 4,63 2,36 11,58 6,03 18,51

103 1,96 1,66 5,76 4,86 12,78 11,20

104 2,45 2,39 5,78 5,92 12,48 13,04

105 2,00 1,83 5,78 5,20 12,80 11,76

106 3,90 0,41 7,54 7,24 11,78 12,42

107 3,68 5,66 9,78 10,66 17,38 17,82

108 5,88 7,64 14,08 16,68 19,54 19,73

109 2,15 1,50 5,84 4,78 12,83 11,15

110 2,53 1,78 5,58 5,44 12,46 12,34

111 1,94 2,14 5,82 6,36 12,90 13,74

112 1,92 2,16 5,70 6,34 12,70 13,60

113 1,96 1,74 5,86 5,26 12,98 11,98

114 2,00 2,35 6,04 5,98 13,24 12,96

115 1,99 1,74 5,82 5,26 12,88 11,98

116 1,98 2,51 5,94 5,92 13,08 13,08

117 2,10 2,35 5,72 5,90 12,72 13,00

118 2,33 1,74 6,12 5,26 13,40 11,98

119 2,40 3,25 6,54 8,84 13,98 16,33

120 2,63 4,12 2,40 10,56 13,64 17,98

Среднее значение 2,4+1,2 2,8+1,4 6,2+2,2 7,3+2,9 12,8+2,5 14,0+2,6

*P<0,05 **P<0,01 ns P>0,05

Критерием удовлетворительного прогноза принимали отклонение прогнозных значений векторов вероятностей АД от истинных не более чем на 10% С этих позиций, показатели эффективности прогноза по ММЦ получаются следующими (см диаграмма 1) На 10-й день отмечается снижение эффективности прогноза по сравнению с прогнозом на 3-й день Процент удовлетворяющий условию на 10-й день составил 92,5% - для САД, для ДАД - 78,7% При прогнозировании на срок 30 дней по ММЦ, число положительных результатов становиться минимальным, и составляет 7,5% для САД, для ДАД они отсутствовали

Средние значения показателей эффективности прогноза снижаются по мере увеличения длительности прогнозируемого периода Таким образом, эффективный период прогноза для модели МЦ составляет 10 дней, т к к этому времени не происходит значительного снижения показателей его эффективности

о

О-

-е-

<75

ЕСАД □ ДАД

на 3 дня на 10 дней на 30 дней

Срок прогнозирования

Диаграмма 1. Показатели эффективности прогноза по методу Марковских цепей.

Прогнозирование «поведения» АД при помощи нейросетевого

анализа.

Создав структуру НС, произвели её «обучение» на срок 3, 10 и 30 дней. На вход НС подавались исходные значения векторов вероятностей АД тестовой и контрольной групп и, полученные на выходе значения АД, сравнивались с истинными значениями на соответствующий период прогноза.

Средняя ошибка для тестовой и контрольной групп составила при прогнозе на 3 дня для САД 2,9 + 1,1%, для ДАД - 3,4 + 3,3%; при прогнозе на 10 дней 6,2+4,5% и 8,4+5,5%, соответственно. При прогнозировании на 30-ти дневный срок результаты были следующими: САД - 8,0 + 4,6%, ДАД - 10,1 + 6,4%. (см. таблицу 2). Следует отметить, что достоверного отличия результатов прогнозирования по МНС на 30-й день по сравнению с 10-м днём не было. Таким образом, снижения эффективности прогноза не произошло, как по показателям САД, так и по ДАД.

Минимальная ошибка при прогнозе на 3 дня составила 0,6% и 0,8%, максимальная 5,8% и 18,3%, соответственно, для САД и ДАД. При расчёте прогноза на 10-ти дневный срок минимальная ошибка прогноза составила 1,0% для САД и 2,1% для ДАД, максимальная - 22,0% и 39,4%. Минимальная ошибка при прогнозе на 30 дней составила 1,3% - для САД, 2,7% для ДАД, максимальная 22,4% и 39,7%, соответственно.

16

Таблица 2

Отклонение прогнозных значений векторов вероятностей АД от истинных в тестовой и контрольной группах при анализе по методу нейронных сетей, в процентах.

Срок прогнозирования на 3 дня ** на 10 дней* на 30 дней"5

Номер пациента САД ДАД САД ДАД САД ДАД

2 4,2р 2,10 10,40 5,20 10,80 5,70

5 2,80 3,90 14,60 5,90 15,60 8,60

7 1,50 1,40 3,60 5,50 4,20 6,80

8 2,10 3,60 5,20 4,40 6,60 7,60

10 3,60 2,20 3,60 8,90 5,00 9,50

13 2,70 1,50 2,90 10,40 5,00 11,70

14 1,10 4,90 3,20 10,80 5,40 15,80

16 2,90 2,70 4,90 5,30 4,90 8,00

17 2,30 1,00 2,40 8,70 2,70 11,40

19 2,70 0,80 4,10 6,40 5,50 8,10

22 2,70 3,40 6,30 6,30 7,30 7,00

23 3,30 1,60 4,20 8,40 9,50 10,70

25 5,30 3,00 14,10 8,70 14,60 10,70

26 5,30 3,20 11,40 8,60 12,10 10,00

28 4,30 2,20 5,90 5,60 8,70 13,60

29 1,90 3,40 5,10 8,90 6,40 9,60

31 5,10 1,70 5,90 12,60 10,30 17,60

34 3,20 1,90 11,20 13,90 11,90 14,00

35 3,30 1,90 19,30 5,20 19,50 5,50

38 3,70 4,90 11,40 9,80 11,90 22,30

40 1,90 3,50 5,00 9,10 6,70 9,80

41 3,70 5,00 7,10 11,20 11,40 18,50

44 1,50 1,70 2,70 6,40 3,80 7,80

46 3,20 2,30 4,20 7,50 4,20 8,50

47 3,20 1,80 3,80 7,50 3,80 7,80

49 1,90 1,80 3,70 12,10 4,20 17,40

50 2,60 2,70 4,50 11,90 10,80 18,50

52 3,20 3,20 5,20 5,50 8,60 5,90

53 2,50 2,30 2,80 5,90 5,00 8,90

55 4,80 15,8 22,00 39,40 22,00 39,70

58 2,30 2,60 4,90 8,50 7,10 10,50

59 3,60 1,90 6,80 6,30 9,50 6,60

61 4,00 4,20 5,40 7,70 8,90 9,00

64 1,60 2,60 13,00 5,10 16,70 5,20

67 3,30 18,3 16,90 25,20 17,90 31,00

68 2,30 9,30 18,30 15,20 19,20 16,70

71 4,90 15,1 13,10 25,40 15,10 25,50

73 2,30 4,90 9,90 7,30 11,60 10,10

74 5,10 2,00 5,30 2,10 8,30 2,70

77 1,80 2,90 11,00 10,10 12,40 12,10

79 3,80 3,60 4,10 3,70 6,80 6,90

82 2,40 1,80 2,70 8,30 2,90 9,70

83 3,50 1,20 4,50 6,70 7,10 6,70

84 2,50 0,90 6,50 8,90 6,70 8,90

85 1,80 2,20 2,10 6,20 4,30 6,20

86 0,60 2,80 1,00 8,10 1,30 11,10

87 3,10 1,70 4,40 7,30 5,90 7,30

88 5,10 1,70 6,20 6,10 7,40 7,30

89 2,10 1,20 4,00 7,20 4,50 7,20

90 2,30 2,20 5,10 5,70 8,90 6,80

91 3,00 1,00 6,00 6,60 6,20 6,90

92 2,80 1,80 3,20 3,80 5,80 4,50

93 3,50 2,00 5,20 6,80 8,50 8,90

94 1,80 4,10 2,10 10,60 2,60 12,20

95 1,10 3,10 1,80 5,60 3,10 7,30

96 3,40 2,80 3,50 3,30 3,70 4,30

97 2,20 1,70 3,40 6,30 3,70 6,50

98 2,10 1,30 3,60 6,10 3,80 6,50

99 1,90 4,00 5,10 7,70 9,10 6,40

100 1,70 5,30 8,80 5,80 9,70 8,80

101 3,30 7,80 11,40 6,40 12,10 6,70

102 2,90 8,40 10,00 9,40 10,70 9,90

103 1,10 3,50 8,60 3,90 8,30 4,20

104 1,80 2,70 2,70 3,00 3,00 3,30

105 4,00 1,00 4,10 3,90 4,20 4,60

106 3,60 3,90 5,50 4,20 5,70 4,80

107 5,80 2,10 10,80 9,90 11,10 10,20

108 4,30 1,50 8,20 4,20 9,90 5,40

109 5,30 14,0 19,20 23,4 22,40 29,7

110 2,10 2,10 2,70 10,20 3,10 11,70

111 1,90 2,80 6,10 8,60 8,10 9,10

112 3,20 2,30 4,50 4,40 5,50 5,60

113 3,70 1,20 ' 4,00 ' 5,70 4,30 5,70

114 3,40 3,30 6,80 6,10 10,10 6,20

115 3,80 1,10 4,10 5,30 5,60 6,00

116 1,30 1,90 1,40 8,00 1,50 8,70

117 2,40 2,40 2,40 8,20 2,50 10,00

118 3,00 1,50 7,00 3,40 10,40 3,40

119 2,90 8,50 5,00 18,50 7,80 21,30

120 2,30 3,20 3,20 5,60 4,30 7,50

Среднее значение 2,9+1,1 3,4+3,3 6,2+4,5 8,4+5,5 8,0+ 4,6 10,1+ 6,4

*Р<0,05 **Р<0,01

ns Р>0,05

Определим, что прогноз является удовлетворительным при величине усреднённой разницы прогнозных и истинных значений векторов вероятностей нахождения АД в зонах контроля не превышающей 10% При прогнозе на 3 дня данное условие выполнялось для САД в 100 % случаев, для ДАД в 76 случаях из 80 наблюдений (95%) При 10-тидневном прогнозе данное условие выполнялось в 64 случаях (80%) как для САД, так и для ДАД При прогнозе на 30 дней условие выполнялось для САД в 57 случаях (71,3%), для ДАД 55 случаях (68,7%) (см диаграмма 2)

О -У-----,---,------,

на 3 дня на 10 дней на 30 дней

Длительность прогноза, дни

Диаграмма 2. Показатели эффективности прогноза при использовании метода нейронных сетей.

Сравнение прогностической эффективности метода Марковских цепей и метода нейронных сетей.

При прогнозировании на срок до 3-х дней значимых различий в эффективности сравниваемых методов не наблюдается (см. диаграмма 3). 98,7 100 100

САД ДАД

Диаграмма 3. Сравнение эффективности прогноза на срок до 3-х дней

В среднем, величина ошибки прогноза на срок 3 дня для САД по ММЦ составила 2,4 ± 1,2%, по методу НС - 2,9 ± 1,1%, для ДАД - 2,8 ± 1,4% и 3,4+3,3%, соответственно (Р<0,01).

Количество случаев, в которых ошибка прогноза превышает 10%

для САД было равно 1 (1,3%) при прогнозе по ММЦ, по МНС они отсутствовали. Для ДАД этот показатель был равен 0 и 4 (5,0%) случая, соответственно.

Сравнивая методы на срок прогнозирования 10 дней, получаем следующее (см. диаграмма 4).

САД ДАД

Диаграмма 4. Сравнение эффективности прогноза на срок 10 дней.

Ошибка прогноза составила, в среднем, для ММЦ 6,2 + 2,2% и 7,3 + 2,9%, для НС - 6,2 ± 4,5% и 8,4 ± 5,5% по САД и ДАД, соответственно(Р<0,01).

Ошибка прогноза более 10% отмечена в 6 случаях (7,5%) при расчётах по ММЦ и в 16 случаях (20%) при расчётах МНС, для показателей САД. Для ДАД данное условие выполнялось при расчёте по ММЦ в 17 случаях (21,2%), при расчёте по НС в 16 случаях (20 %). Отмечается некоторое снижение эффективности МЦ для расчётов цифр ДАД. НС показывает одинаковую эффективность прогноза как для показателей САД, так и ДАД.

При прогнозировании на 30 дней наиболее эффективным является МНСА. (см. диаграмма 5) Эффективность прогноза МЦ значительно уменьшилась к 30-му дню. Число случаев, при которых ошибка прогноза была бы менее 10% для САД составило 6 случаев (7,5%), а для ДАД такие случаи отсутствовали. НС показали себя следующим образом: ошибка прогноза менее 10% была отмечена в 57 случаях (71,2%) для САД и в 55 (68,7%) для ДАД.

Средняя ошибка прогноза составила при использовании МЦ 12,8 + 2,4% для САД и 14,0 + 2,6% для ДАД при использовании НС 8,0 ± 4,6% и 10,1 ± 6,4% (Р<0,01).

Диаграмма 5. Сравнение эффективности прогнозирования на срок 30 дней.

Сравнивая прогностическую значимость исследуемых методов, путём расчёта чувствительности и специфичности каждого из них, были получены следующие результаты, приведенные в таблице 3

Таблица 3

Показатели чувствительности и специфичности методов прогнозирования на сроки 3,10 и 30 дней, в процентах

на 3 дня на 10 дней на 30 дней

МЦ НС МЦ НС МЦ НС

Чувств итель ность по САД 40 50 27 25 6 23

Специфично сть по САД 97 91 97 83 96 88

Чувств итель ность по ДАД 33 60 15 50 0 17

Специфично сть по ДАД 98 92 98 81 96 79

Так, максимальные значения чувствительности приходятся на 3-й день прогнозирования и составляют для САД 40% и 50%, для ДАД 33% и 60% при прогнозе по ММЦ и МНСА. Минимальные же значения приходятся на 30-й день прогноза. Для САД это 6% и 23%, для ДАД 0 и 17%, соответственно, для МЦ и НС. Специфичность представленных методов, напротив, довольно

высока МЦ показали максимальные значения - для САД - 97% на 3-й и 10-й дни наблюдения, для ДАД 98% так же на 3-й и 10-й дни Минимальное значение специфичности для ММЦ было 96% как для САД, так и для ДАД на 30-й день прогноза Показатели специфичности при прогнозировании с использованием МНСА были несколько ниже Максимальное значение специфичности НС показали на 3-й день прогноза, что составило 91% для САД, и 92% для ДАД Минимальное значение было показано для САД на 10-й день - 83%, ДАД на 30-й день - 79%

В целом, можно сказать, что НС обладают более высокой, по сравнению с МЦ чувствительностью При чём данный показатель, с увеличением сроков прогнозирования, у НС уменьшался менее значительно, чем у МЦ Данные утверждения справедливы как для САД (см рис 6), так и для ДАД (см рис 7) В тоже время ММЦ показывает несколько большую, по сравнению с МНС специфичность (см рис 8, 9)

Рис. 6. Показатели чувствительности методов Марковских цепей и нейронных сетей для САД

Рис. 7. Показатели чувствительности методов Марковских цепей и нейронных сетей для ДАД

Рис. 8. Показатели специфичности методов Марковских цепей и нейронных сетей для САД

1,20 -г

1,00 -

Л

о о 0,80 -

X

Т

X ■в- 0,60 -

X

ш 0,40 -

о

0,20 -

0,00 -

3 10

Срок прогнозирования, дни

30

—♦ - марковские цепи -•-НС

Рис. 9. Показатели специфичности методов Марковских цепей и нейронных сетей для ДАД

Результаты, полученные по методу прогнозирования с использованием

МЦ, позволяют сказать, что данный метод наиболее эффективен при сроках

прогнозирования до 10-ти дней В этот период число положительных

результатов прогноза составило для САД 90%, для ДАД - 70% При

использовании этого метода, проявляется его особенность, заключающаяся в

некотором «размывании» получаемых результатов, при чём степень

«размывания» возрастет пропорционально увеличению срока прогноза

Данный результат можно объяснить тем, что Марковские процессы хорошо

работают на системах с фиксированными, не изменяющимися или

меняющимися достаточно медленно исходными значениями «Поведение» АД

зависит от большой совокупности различных факторов, большинство из

которых склонно к достаточно резким изменениям своих параметров Среди

них, можно выделить такие, как отмена препарата, изменение эмоционального

фона пациента, влияние метеофакторов и другие

НС показали свою эффективность при сроке прогнозирования до 30-ти

дней Значения средней ошибки с увеличением срока прогнозирования

существенно не изменялись Таким образом, НС показали высокую

устойчивость к воздействию различных возмущающих факторов, приводящим

к довольно резким колебаниям цифр АД Полученные результаты

согласуются с данными литературы, указывающими на высокую

эффективность применения НС в области решения задач с нелинейными

25

параметрами, что позволяет гораздо лучше классифицировать данные, чем обычно используемые линейные методы

Анализ представленных методов путем расчёта их чувствительности и специфичности выявил ряд особенностей Как МЦ, так и НС показали высокую специфичность при прогнозировании на 3, 10 и 30 дней Средний показатель специфичности метода по САД составил для НС 87,3 ± 4,0%, для МЦ этот показатель был выше и составил 96,6 + 0,5% В тоже время показатели чувствительности метода были достоверно выше для НС и составили 32,6 + 15,0%, а для МЦ - 24,3 + 17,1% Показатели чувствительности по ДАД при использовании МНСА составили, в среднем, 42,3 + 22,5%, при использовании ММЦ - 16,0 + 16,5% Специфичность методов была 84,0 + 7,0%, в среднем, для НС и 97,3 + 1,1% для МЦ Таким образом, можно говорить о более высокой специфичности ММЦ по сравнению с МНСА В тоже время, чувствительность ММЦ была значительно ниже, при чем этот показатель снижался с увеличением прогнозного периода НС показывает удовлетворительный, по сравнению с МЦ, баланс между чувствительностью и специфичностью метода Сохранение этого баланса, с увеличением периода прогнозирования, говорит о стабильности данного метода

ВЫВОДЫ

1 Метод прогнозирования «поведения» АД с использованием НС показал себя достаточно эффективным при сроках прогнозирования до 30-ти дней

2 МНСА, в комбинации с МКК, наиболее целесообразно применять при прогнозирования «поведения» АД на достаточно длительный срок в целях превентивной коррекции гипотензивной терапии

3 В рамках сравнения двух моделей прогнозирования «поведения» АД показана более высокая чувствительность МНСА и высокая специфичность ММЦ

4 Совместное использование анализируемых методов позволит наиболее эффективно решать задачу контроля АД у пациентов с АГ

ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ

1 Разработанная система краткосрочного прогнозирования «поведения» АД у пациентов с ЭАГ, основанная на использовании МНСА в комбинации с МКК, качественно улучшает возможность контроля показателей цифр АД индивидуально для каждого пациента

2 Применение МНСА с целью прогнозирования «поведения» АД позволяет проводить своевременную коррекцию гипотензивной терапии у пациентов, находящихся на амбулаторном лечении

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

1 Горшкова, Е В Артериальная гипертензия у больных ревматологического профиля /Е В Горшкова // Материалы \Ч-ой итоговой открытой научно-практической конференции студентов и молодых ученых, часть 1 / Киров 2000 С 27

2 Англоязычные ресурсы глобальной сети по артериальной гипертензии / Алакаев Р Р [ и др ] // Нижегородский медицинский журнал -2004 - №3 - С 195-197

3 Горшкова, Е В Оценка эффективности применения нейросетевого анализа в прогнозировании поведения артериального давления у пациентов с артериальной гипертензией /ЕВ Горшкова // Нижегородский медицинский журнал -2007 -№2-С 8-12

4 Горшкова, Е В Оценка эффективности применения модели Марковских цепей в прогнозировании поведения артериального давления у пациентов с эссенциальной артериальной гипертензией // Материалы II Съезда кардиологов Сибирского Федерального округа / Томск 2007 С 36-37

5 Горшкова, Е В Прогнозирование поведения артериального давления с использованием нейросетей // Материалы II Съезда кардиологов Сибирского Федерального округа / Томск 2007 С 36

6 Горшкова, Е В Оценка эффективности применения модели Марковских цепей в прогнозировании «поведения» артериального давления у больных первичной артериальной гипертензией // Материалы Российского национального конгресса кардиологов, конгресса кардиологов стран СНГ «Кардиология без границ» - Приложение 1 к журналу «Кардиоваскулярная терапия и профилактика» / Москва 2007 С 71-72

7 Горшкова, Е В Прогнозирование поведения артериального давления с использованием нейросетей // Материалы Российского национального конгресса кардиологов, конгресса кардиологов стран СНГ «Кардиология без границ» - Приложение 1 к журналу «Кардиоваскулярная терапия и профилактика» / Москва 2007 С 71

8 Авторское свидетельство программы для ЭВМ №2007613915 «Программа для расчета контрольных пределов, векторов вероятности и матрицы переходов для расчетов по методу Марковских цепей»

СПИСОК СОКРАЩЕНИЙ

АГ - артериальная гипертензия

АД - артериальное давление

ВГП - верхний грубый предел

ВОП - верхний оптимальный предел

ДАД - диастолическое артериальное давление

КК — контрольная карта

МКК - метод контрольных карт

ММЦ - метод Марковских цепей

МНСА - метод нейросетевого анализа

МЦ - Марковские цепи

НГП - нижний грубый предел

НОП - нижний оптимальный предел

НС - нейронная сеть

НСА - нейросетевой анализ

САД - систолическое артериальное давление

УРВБ - усредненная разница векторов вероятностей

ЭАГ - эссенциальная артериальная гипертензия

Подписано к печати 14 11 2007 Бумага офсетная Тираж 100 экз Заказ №490

Отпечатано ООО «Стимул - СТ» 603155, г Н Новгород, ул Трудовая, 6 Тел 36-86-40

Актуальность темы

Сердечно-сосудистая патология, в частности артериальная гипертензия (АГ), относится к числу наиболее распространенных заболеваний сердечно-сосудистой системы и в настоящее время является основной причиной смертности и инвалидизации населения, что делает проблему лечения и профилактики АГ не только медицинской, но и социальной проблемой [10, 47, 51].

Россия относится ^ к странам с наиболее высокой распространенностью АГ: повышенное АД имеет 42,5 млн человек, т.е. 40 % населения России - это больные АГ. Распространенность этого заболевания с возрастом увеличивается и у пожилых людей достигает 80 % [56, 76]. Нижегородская область не является исключением по эпидемиологии АГ, инвалидизации, уровню осложнений этого грозного заболевания. На протяжении последних 9 лет сохраняется высокая распространенность АГ и не выявляется тенденция к снижению ее частоты и, особенно, осложнений [30]. По данным эпидемиологических репрезентативных исследований установлено, что в нашей стране около 40 % взрослого населения имеют повышенное АД, причем, основная масса (до 70 %) этих лиц имеют мягкую АГ, около половины не знают о своем, заболевании [38]. Большинство лиц с АГ имеют неблагоприятные факторы 1 риска, негативно влияющие на прогноз развития и, течение заболевания. [59]. Только около 7-8% больных АГ находятся под наблюдением врача (на диспансерном наблюдении), однако, и у этих пациентов часто сохраняются высокие уровни факторов риска, не достигается целевое АД, что неблагоприятно для прогноза. [35] Иными словами, цели эффективного контроля АГ, согласно национальным рекомендациям [45], у большинства больных не достигаются.

Несмотря на большое количество широкомасштабных исследований, проведённых в этой области, и огромные средства, затраченные на борьбу с заболеванием и его осложнениями, до сих пор не удаётся достичь адекватного контроля над АГ [26, 58]. Даже в тех случаях, когда назначается медикаментозная терапия с учётом всех существующих рекомендаций, велик процент выхода АГ из-под контроля [41]. Эффективный контроль АГ предполагает не только правильность медикаментозных врачебных назначений (подбор препарата, дозы, режима приема и пр.), но и коррекцию основных факторов риска, тесно связанных с поведенческими привычками пациента (Приказ МЗ РФ № 4 от 24.01.2003 «О мерах по совершенствованию организации медицинской помощи больным с артериальной гипертонией в Российской Федерации») [46].

Эффективность гипотензивной терапии во многом зависит от того, как сам пациент относится к своему здоровью, насколько он доверяет врачу. Многочисленными исследованиями, изучавшими вопросы причин неадекватного контроля АГ в реальной практике, показано, что основным препятствием к повышению качества медицинской профилактической помощи является низкая приверженность пациентов с АГ к выполнению врачебных назначений [14,15,25,64].

Научные исследования последних лет, направленные на изучение факторов повышения приверженности пациентов к выполнению врачебных назначений [28,48,51,54], показали, что одним из основных методов, повышающих полноту и точность выполнения^ пациентами* врачебных назначений, является обучение пациентов: Обучение пациента позволяет расширить сферу влияния врача от лечения болезни к профилактике. При таком подходе медицинский контроль над заболеванием дополняется контролем факторов нездоровья, обусловленных образом жизни пациента, его привычками, особенностями поведения, влияющими на здоровье и течение заболевания [6, 40].

Проблема прогнозирования в клинической медицине является наиболее актуальной научно-практической задачей профессиональной деятельности врача. Многие исследователи считают, что научно обоснованному прогнозированию и эффективной профилактике принадлежит будущее. (Амосов Н.М., 1991). Целью прогнозирования является предвидение вариантов течения патологических процессов на стадиях предболезни и развернутых клинических проявлений, а также разработка эффективных методов лечения и предупреждения заболеваний и его осложнений [35].

Используемый для целей прогнозирования рациональный- подход заключается в мультифакториальном анализе сведений о- пациенте, картине заболевания с использованием всего спектра клинических признаков и диагностических показателей. Этот метод позволит на большом клиническом материале определить не только роль сочетаний признаков заболевания, прогностическую значимость каждого из них в количественном выражении, но и критерии оптимального лечения.

Первоначально прогнозирование, как специфический вид научного анализа, применялось, в основном, в области естественных явлений (прогноз погоды, паводков, урожайности и т.д.). В настоящее время оно охватывает самые различные сферы деятельности людей: политику, международные отношения, экономику, демографические и социальные процессы, медицину и т.д.

Прогнозированием^ представляет собой" научное- (т.е. основанное на системе фактов и доказательств, установленных причинно-следственных связей) выявление вероятностных путей и результатов предстоящего развития явлений и процессов, оценку показателей, характеризующих эти явления и процессы для более или менее отдаленного будущего. Таким образом, прогнозирование является научной деятельностью, направленной на выявление и изучение возможных альтернатив будущего развития и структуры его вероятных траекторий. Каждая альтернативная траектория развития связывается с наличием комплекса внешних относительно исследуемой системы (явлений) условий [77].

Медицинский прогноз — это «предвидение вероятного возникновения заболевания или предсказание характера течения или исхода болезни, основанное на знании закономерностей развития патологических процессов» [9, с. 274] Виды прогноза в медицине:

1. Прогноз состояния здоровья пациента в необычных условиях и влияния факторов риска.

2. Прогноз возможности заболевания.

3. Прогноз течения и исхода заболевания.

4. Математический прогноз (в первых публикациях - «машинный прогноз течения и исхода заболевания») - предсказание с использованием математических методов и вычислительной техники.

На современном этапе для решения проблем прогнозирования применяются различные математические методы, разрабатываются компьютерные программы.

Методы прогнозирования существенно различаются в зависимости от того, является ли прогнозирование краткосрочным или среднесрочным. В первом случае прогноз строится на один-два момента времени (квартал, месяц, неделю и т. п.) вперёд и, как правило, оперативен и непрерывен: В большинстве случаев краткосрочного прогнозирования данные* берутся либо за месяц, либо1 за, неделю; соответственно прогноз необходимо построить на один-два месяца или на неделю вперёд. При среднесрочном прогнозировании данные, как правила, ежегодные, а прогноз необходимо построить на 5-10 лет вперёд. В медицине актуальными являются как краткосрочное, так и среднесрочное прогнозирование. Среднесрочное прогнозирование применяется для оценки динамики заболеваемости, травматизма, нахождения их взаимосвязи с теми или иными факторами. Краткосрочное прогнозирование находит применение в клинической медицине с целью определения возможных вариантов развития болезни у конкретно взятого пациента.

Современное прогнозирование интегрируется с целым рядом разделов наук таких как: топографическая анатомия, иммунология, лучевая диагностика, эндоскопия, биофизика, лабораторная диагностика и др. Для решения задач прогнозирования применяются различные математические методы: статистические, дискриминантный анализ, метод наименьших квадратов, вариационные ряды, моделирование, кибернетический анализ, нейросетевая диагностика.

Методики прогнозирования, применяемые в медицине, различны. В последнее время наибольший интерес- вызывает применение искусственных нейронных сетей (НС) для, решения самых разнообразных задач в области медицины. Предполагается, что в ближайшие несколько лет, НС найдут широкое применение в решении биомедицинских проблем. Уже сейчас искусственные НС используются в, диагностических системах, для обнаружения рака и сердечно-сосудистых заболеваний (ССЗ), в анализе изображений получаемых при применении различных методов лучевой диагностики, с целью раннего выявления патологических отклонений, используются как инструменты в разработке лекарств для борьбы с раком и СПИДОМ, а также в процессе моделирования биомолекул. [41, 73]

Возникновение современной технологии Data Mining, чтовпереводе с* английского языка- означает «добыча» или «раскопка данных» («интеллектуальный анализ данных») связано с появлением нового современного направления в развитии средств и методов, обработки данных [27]. Data Mining позволяет отыскивать нетривиальные паттерны (шаблоны), отражающие фрагменты многоаспектных отношений в данных, и получать практически полезные и доступные интерпретации знания, целесообразно применить эту методику в конкретных областях медицины. Выделяют пять стандартных типов закономерностей, которые позволяют выявить методами Data Mining: ассоциация; последовательность, классификация, кластеризация и прогнозирование. Прогнозирование дает возможность предсказать «поведение» системы в будущем.

Использование различных методов прогнозирования артериального давления (АД) у пациентов с эссенциальной артериальной гипертензией (ЭАГ) представляется в настоящее время достаточно актуальной задачей.

Метод контрольных карт (МКК) [86, 89] включает в себя как компоненты самоконтроля, так и возможность объективного контроля за состоянием пациента со стороны врача. Расчёт индивидуальных показателей контролируемости АД у пациента позволяет лечащему врачу вносить соответствующие коррективы в назначенную гипотензивную терапию: Для прогнозирования «поведения» АД у пациентов с ЭАГ применяется метод Марковских цепей (ММЦ) [85]. Однако, по данным литературы [62, 86] можно выделить некоторые его недостатки. В частности отсутствие устойчивости результатов прогноза к действию различного рода возмущающих факторов воздействующих на пациента, недостаточной высокая эффективность прогноза на длительный период, что позволяет говорить о необходимости поиска нового метода прогнозирования.

В последнее время, наибольший интерес вызывает применение искусственных НС для решения, самых разнообразных задач в области медицины. В-тоже, время в доступной'литературе отсутствуют данные о применении метода. нейр9сетевого анализа (МНСА)' в прогнозировании АД.

В работе поводилась > разработка метода прогнозирования «поведения» АД у пациентов с АГ с применением МНСА, а также сравнение прогностической эффективности с ММЦ.

Цель исследования

Разработка достоверной системы краткосрочного прогнозирования «поведения» АД у пациентов с АГ на фоне индивидуально подобранной гипотензивной терапии.

Задачи исследования

1. Разработать методику краткосрочного прогнозирования АД у пациентов с ЭАГ с использованием МНСА.

2. Выявить наиболее эффективную модель прогнозирования «поведения» АД путем сравнения МНСА и анализа с использованием ММЦ.

3. Оценить эффективность применения методов прогнозирования на основе Марковских цепей (МЦ) и НС.

Научная новизна исследования

1. Впервые разработана методика краткосрочного прогнозирования «поведения» АД у пациентов с АГ, с применением МНСА.

2. Проведён сравнительный анализ прогностической эффективности методик нейросетевого анализа (НСА) и ММЦ, рекомендуемых с целью индивидуального контроля АГ и коррекции гипотензивной терапии.

3. Разработана компьютерная программа расчёта индивидуальных показателей контролируемости АД и расчёта чувствительности и специфичности рассматриваемых методов на базе Microsoft Exel.

Практическая значимость работы

1. Создана система краткосрочного прогнозирования «поведения» АД у пациентов с ЭАГ, основанная на использовании МКК и МНСА.

2. Разработанный МНС А позволяет эффективно применять его с целью прогнозирования поведения АД и своевременной коррекции гипотензивной терапии.

3. Проведён сравнительный анализ прогностической эффективности методик НСА и ММЦ, позволивший показать более высокую точность НСА.

Реализация результатов исследования

Результаты работы — метод прогнозирования «поведения» АД на основе НСА и МКК, программа для ЭВМ «Программа для расчёта контрольных пределов, векторов вероятности и матрицы переходов для расчёта по методу Марковских цепей» внедрены в практику деятельности МЛПУ «Городская больница № 13» и как учебный материал представлены в циклах лекций общего и тематического усовершенствования кафедры терапии ЦПК и ППС ГОУ ВПО «НижГМА Росздрава»

Положения, выносимы на защиту

1. Разработанная система краткосрочного прогнозирования «поведения» АД у пациентов с ЭАГ, основанная на использовании МНСА, позволяет осуществлять эффективный прогноз АД на срок до 30 дней.

2. Проведённый сравнительный анализ двух методов прогнозирования АД показал более высокую чувствительность метода нейронных сетей (МНС) и, в тоже время, высокую специфичность ММЦ.

3. Использование методов прогнозирования посредством НСА и ММЦ позволит наиболее эффективно решать задачи по контролю АД у пациентов с ЭАГ.

Апробоция

Апробация работы состоялась на межкафедральном заседании кафедры ЦПК и 1111С, кафедры скорой и неотложной медицинской помощи ЦПК И ППС, кафедры пропедевтики внутренних болезней, кафедры госпитальной терапии, кафедры терапии факультета обучения иностранных студентов, кафедры внутренних болезней постдипломного образования ВМИ ФСБ России 13 сентября 2007 года.

Основные материалы и положения диссертации доложены на II съезде кардиологов Сибирского федерального округа (Томск 2007 г.).

Публикации

По теме диссертации опубликовано 8 печатных работ (из них 5 в центральной печати).

Объём и структура диссертации

Диссертация изложена на 120 страницах машинописного текста и состоит из списка сокращений, введения, трех глав, выводов, практических рекомендаций, списка литературы и приложений. Библиографический список содержит 157 источников, из них 88 работ отечественных авторов, 69 иностранных. Работа иллюстрирована 12 таблицами, 15 рисунками, 4 схемами, 5 диаграммами.

104 ВЫВОДЫ

1. Метод прогнозирования «поведения» АД с использованием НС показал себя достаточно эффективным при сроках прогнозирования до 30 дней.

2. НС, в комбинации с МКК наиболее целесообразно применять для прогнозирования «поведения» АД на достаточно длительный срок, в целях превентивной коррекции гипотензивной терапии.

3. В рамках сравнения двух моделей прогнозирования «поведения» АД показана более высокая чувствительность МНСА и высокая специфичность ММЦ.

4. Совместное использование анализируемых методов позволит наиболее эффективно решать задачу контроля АД у пациентов с АГ.

ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ

1. Разработанная система краткосрочного прогнозирования «поведения» АД у пациентов с ЭАГ, основанная на использовании НС в комбинации с МКК, качественно улучшает возможность контроля показателей цифр АД индивидуально для каждого пациента.

2. Применение МНСА с целью прогнозирования «поведения» АД позволяет проводить своевременную коррекцию гипотензивной терапии, у пациентов находящихся на амбулаторном лечении.

106