Методы анализа полученных данных

⇐ ПредыдущаяСтр 22 из 23Следующая ⇒

Обследование пациентов проходило по схеме, предусматривающей анализ различных клинических и лабораторных тестов, всесторонне характеризующих состояние больных с распространенным перитонитом. При этом степень нарушения гомеостаза пациентов оценивалась по изменению параметров центральной гемодинамики, стандартных и биохимических лабораторных показателей, а также рассчитываемых, с целью большей визуализации данных, интегральных индексов. Комплексная оценка состояния больных определялась с помощью интегральных шкал APACHE II и МИП. На основании полученных данных проводилась статистическая обработка информации с использованием программного обеспечения. Получаемая в ходе исследования информация заносилась в базу данных, созданную при помощи программ Microsoft Excel 2003-2007. В качестве аппаратного обеспечения при этом использовался персональный компьютер с процессором INTEL Centrino Duo 1,66GHz и операционной системой Windows Vista Home Premium (Microsoft Corp, USA). Общая статистическая обработка данных заключалась в вычислении средней арифметической (mean, M), средней ошибки (Standart Error Means - SEM) и представлении данных в виде M [SEM]. Распределение изучаемых наблюдений при этом приближалось к нормальному распределению, ввиду чего для сравнения исследуемых признаков использовался параметрический t-критерий Стьюдента (independent t-test). Полученное значение сравнивается со стандартными уровнями значимости различий (р<0,05; 0,01; 0,001). В исследовании применён тест с двусторонней вероятностью; тип - двухвыборочный с неравными дисперсиями [Зайцев В.М., 2003].

Исследование гемодинамического профиля основывался на расчетных методах получения параметров центральной гемодинамики, что было связано с высокой ее лабильностью и стремлением минимизировать количество диагностических процедур. При этом определялись показатели систолического объема сердца (СОС), минутного объема сердца (МОС), общего периферического сопротивления сосудов (ОПСС), среднего динамического давления (СДД) и среднего давления в легочной артерии (СДЛА), рассчитываемые по формулам Хикема, Старра и Пуазейля, исходными данными для которых служили частота сердечных сокращений (ЧСС), возраст больного (В), а также величина систолического (САД) и диастолического давления (ДАД), измеряемых аускультативным методом по Короткову. С целью интегральной оценки деятельности сердечно-сосудистой системы у больных с перитонитом рассчитывали распространенный в спортивной медицине коэффициент резистентности Кваса (КРК), увеличение которого свидетельствует о функциональном утомлении и снижении эффективности работы сердечно-сосудистой системы [Заболотских И.Б., 1998]. Данные методы пригодны для динамического исследования хирургических больных [Рыбачков В.В., 1987, Маевский С.В., 2005]. Все балльные оценки программированы для их автоматического определения.

В качестве примера приводим две прописи командной строки для определения балла APACHE II:

Частота сердечных сокращений (ЧСС; при синусовом ритме);

ƒ=ЕСЛИ(И($A2>0;D2>0;НЕ(D2=""));ЕСЛИ(ИЛИ(D2>=180;D2<40);4;ЕСЛИ(ИЛИ(D2>=140;D2<55);3;ЕСЛИ(ИЛИ(D2>=110;D2<70);2;ЕСЛИ(И(D2>69;D2<110);0))));" ").

Среднее артериальное давление (СрАД): ([САД]+[ДАД])/2;

ƒ=ЕСЛИ(И($A2>0;D2>0;НЕ(D2=""));ЕСЛИ(ИЛИ(D2>=160;D2<50);4;ЕСЛИ(И(D2>=130;D2<160);3;ЕСЛИ(ИЛИ(D2>=110;D2<70);2;ЕСЛИ(ИЛИ(D2>69;D2<110);0))));" ").

Индекс перитонита Маннхаймера (Мангеймский индекс перитонита (IPM)) [Linder M.M., 1987; Billing A., 1994; Ермолов А.С., 1996] определялся путём заведения в таблицы и суммирования составляющих индекса;

Расчёт параметров лейкоцитарной формулы (%): Юные (Юн); Миелоциты (МИЦ); Палочкоядерные нейтрофилы (ПЯН); Сегментоядерные нейтрофилы (СЯН); Лимфоциты (ЛФЦ); Моноциты (МНЦ) проводился унифицированным методом морфологического исследования форменных элементов крови с дифференцированным подсчётом лейкоцитарной формулы) [Меньшиков В.В., 1987]. Расчёт лейкоцитарного индекса интоксикации Я.Я.Кальф-Калифа и лейкоцитарного индекса интоксикации модифицированного [Меньшиков В.В., 1987; Савельев В.С., Гельфанд Б.Р., Филимонов М.И., 2006] проводился по оригинальной формуле авторов при норме – 1,5 условных единиц. Расчёт лимфоцитарного индекса (норма 2,5 условных единиц) [Гостищев В.К., 2002] и микро-макрофагального индекса (норма 17 условных единиц) [Мустафин Ж.Г., 1999] также проводилось по авторским схемам.

Определение статистических различий избранных критериев в различные сроки послеоперационного периода. Осуществлено при помощи F-теста (функция возвращает одностороннюю вероятность того, что дисперсии аргументов массив[1] и массив[2] различаются несущественно) и Т-Теста (функция возвращает одностороннюю или двустороннюю вероятность того, что среднее арифметическое числового массива 1 и массива 2 различаются несущественно). Полученное значение сравнивалось со стандартными уровнями значимости различий (р<0,05; 0,01; 0,001). В исследовании применён тест с двусторонней вероятностью; тип- двухвыборочный с неравными дисперсиями [Зайцев В.М., 2003].

Определение программными методами принадлежности к группе исследования пациентов с синдромом системной воспалительной реакции, полиорганной дисфункцией осуществлено в соответствии с критериями SIRS [Bone R.C., 1992]. Программными методами определялось наличие заданного числа симптомов SIRS, проводилась оценка и сопоставление параметров SIRS и их числа в различные сроки послеоперационного периода с другими критериями, их диагностическая и прогностическая ценность. Критериями для констатации полиорганной дисфункции считались: частота сердечных сокращений при синусовом ритме [ЧСС>110], частота дыхательных движений [ЧДД>24], среднее артериальное давление [САД<71 мм Hg], показатель шкалы комы Глазго – [GCS<11].

Рис.12.8. Принтскрин программы Medcalc.

Сформированы группы с разделением по количеству диагностированных критериев:

Ø Группа SPOD no - отсутствие вышеперечисленных симптомов,

Ø Группа SPOD mono - наличие одного из вышеперечисленных симптомов,

Ø Группа SPOD di - наличие двух симптомов,

Ø Группа SPOD poly - наличие трёх или четырёх симптомов.

Ø Другие важные симптомы - гепаторенальный синдром, диурез, уровень креатинина, лейкоцитоз и пр. в этой части исследования не применены.

Для оценки возможностей прогностической системы рассматриваются две основные характеристики, оценивающие эффективность модели в целом: дискриминационная способность – оценка эффективности шкалы в классификации больных; прогностическая способность – характеристика, определяющая, насколько прогнозируемая летальность соответствует реальной. Прогностическую способность критерия определяли с помощью критерия согласия (сопряжённости) χ² Пирсона (в зарубежной литературе – Pearson Chi square goodness-of-fit test) со степенью свободы (df) 1 и более. После формулировки нулевой гипотезы, которая утверждает об отсутствии связи между исследуемыми явлениями, сравнивались показатели ожидаемой (полученной в результате преобразований) и наблюдаемой летальности. С учётом пороговых уровней вероятности p [0,05], [0,01], [0,001], путём табличного и компьютерного определения значения p изучалась вероятность исключения нулевой гипотезы, то есть подтверждения прогностических свойств критерия, представленного в виде шкалы. На основе критерия согласия χ² Пирсона определяются критерий сопряжённости С и критерий Чупрова. Значение этих критериев варьирует от 0 до 1 и имеет те же ограничения, что и критерий χ² Пирсона. Зависимость бинарного зависимого признака от диагностического теста определяется превышением значения этих критериев 0,5 [Гланц С., 1998; Боровиков В.П., 2003; Зайцев В.М., 2003].

Дискриминационная возможность шкалы даёт основание для применения исследуемого критерия как маркера благоприятного (или неблагоприятного) исхода. Для определения дискриминационных свойств шкалы критерия нами применялся Receiver Operating Characteristic (ROC) Analysis [Hanley J.A., 1982], который является наиболее распространенным в мире способом определения диагностической мощности теста и сравнительного анализа моделей. Критерием качества при этом служила площадь под RОC-кривой (ROC_AREA _UNDER _CURVE₍_AUC₎) на полученном графике, которая находилась в диапазоне от 0,5 до 1 (значение 0,5 свидетельствует об отсутствии дискриминационных свойств модели, 1 – об «идеальной» дискриминации). В литературе иногда приводится следующая экспертная шкала для значений AUC, по которой можно судить о качестве модели: [http://www.basegroup.ru].

Дополнительно определялись оптимальная пороговая точка разделения (optimal cut-off point), средние показатели чувствительности (sensitivity) и специфичности (specifity) каждого метода. Исследование дискриминационной ценности диагностических критериев и их совокупностей в отношении исхода лечения и прогрессирования перитонита методом Receiver Operating Characteristic Analysis [Hanley J.A., 1982].

Основой Receiver Operating Characteristic Analysis является определение чувствительности и специфичности каждого значения диагностической шкалы в отношении альтернатив исхода заболевания, после чего строится график зависимости чувствительности метода от ложной специфичности (1 – специфичность). Для определения показателей чувствительности и специфичности, в зависимости от выбранной пороговой точки среза и полученного таким образом «положительного» или «отрицательного» значения изучаемой шкалы, вся выборка больных разбивается на 4 группы:

A – истинноположительная группа (положительное значение шкалы соответствует положительному исходу);

B – ложноположительная группа (положительное значение шкалы соответствует отрицательному исходу);

C – ложноотрицательная группа (отрицательное значение шкалы соответствует положительному исходу);

D – истинноотрицательная группа (отрицательное значение шкалы соответствует отрицательному исходу).

Чувствительность (sensitivity) и специфичность (specifity) определяются по формулам:

Sensitivity = A/(A+B); Specifity = D/(C+D).

ROC-анализ тесно связан с бинарной логистической регрессией и применяется для оценки качества моделей: позволяет выбрать аналитику модель с наилучшей прогностической силой, проанализировать чувствительность и специфичность моделей, подобрать порог отсечения. Оптимальной пороговой точкой (optimal cut-off point) является такое значение шкалы, в котором ее классификационные возможности по разделению больных на «положительную» и «отрицательную» группу максимальны, а количество ложных положительных и отрицательных значений (т.е. B + C) – минимально. При построении ROC-кривой (ROC-curve) оптимальному пороговому значению шкалы соответствует наибольшая крутизна изгиба полученного графика, где наблюдаются максимальные уровни показателей чувствительности и специфичности. После определения пороговых точек и построения ROC-кривой появляется возможность определения площади под графиком (ROC_AREA _UNDER _CURVE₍_AUC₎), которая является интегральным показателем, оценивающим прогностические свойства избранной шкалы. Диапазон получаемых значений ROC_AUC находится в пределах от 0,5 до 1, причем первое значение отражает отсутствие классификационных свойств применяемой шкалы, а 1 – свидетельствует о «идеальной» дискриминации. Приближение значения ROC_AUC к 1,0 соответствует более значимым классификационным свойствам применяемой шкалы.

Для осуществления представленной процедуры ROC-анализа, а также определения показателей чувствительности и специфичности в оптимальной пороговой точке нами был использован оригинальный алгоритм аналогичный статистическим приёмам, заложенным в программе StatsDirect 5.0. Это позволило автоматически оценить предикторные свойства критериев тяжести состояния пациентов и их совокупностей.

В настоящем исследовании дискриминационная способность определялась в отношении одиночных критериев, в отношении групп критериев, в отношении межгрупповых комбинаций критериев. Последние два раздела основаны на определении внутригрупповых и межгрупповых дискриминационных максимумов при условии придания каждому критерию веса в одну единицу. Таким способом определялись совокупности критериев, обладающих наибольшей дискриминационной мощностью в отношении исходов или хирургических осложнений, возникших в послеоперационном периоде. Исследование проведено в обеих группах исследования на дооперационном этапе и в течение шести хирургических суток. Для статистического анализа были применены: оригинальная программа, созданная средствами Microsoft Excel 2003-07 и прикладная программа Medcalc (рис.12.8) [www.medcalc.be], в которой совмещены возможности проведения ROC-analysis, логистической регрессии, определения непараметрического критерия χ² (НП χ²) и p-критерия для определения его статистической достоверности.

Определение сравнительной эффективности альтернативных методов хирургического лечения на основе метода «выскакивающей» варианты - Z-тестирования диагностических критериев [Зайцев В.М., 2003]. Метод «выскакивающей» варианты применяется для определения вероятности принадлежности тестируемой варианты к совокупность имеющихся вариант. В нашем исследовании с помощью данной функции определяется вероятность принадлежности тестируемой варианты – балла шкалы APACHE II (других шкал) к совокупности вариант, характеризующих группу исследования по заданным критериям. Например: решается вопрос, попадёт ли тестируемая варианта в совокупность вариант, отражающих балл шкалы в подгруппе с традиционным хирургическим лечением, гнойным перитонитом, умерших. При сравнении полученных данных, относящихся к разным методам лечебного воздействия, можно делать заключение о преимуществе альтернативных методов лечения. Учитывая, что понятие вероятность стремится к 0, возможно проведение цензурирования – инструмента, отсекающего бесконечно малые величины вероятности, не имеющие информационного значения. В исследовании применялось цензурирование 0,05 (5%). В соответствии с литературными данными, в ходе выполнения функции возможно программирование определения двустороннего P-значения Z-теста для имеющегося множества данных при гипотетическом математическом ожидании.

Этапы проведения Z-теста:

Ø Создание базы данных.

Ø Создание шкалы с максимальным дискриминационным максимумом.

Ø Определение совокупности значений шкалы в летальной подгруппе при ТМ-методе.

Ø Определение совокупности значений шкалы в витальной подгруппе при ТМ-методе.

Ø Определение совокупности значений шкалы в летальной подгруппе при ПР-методе.

Ø Определение совокупности значений шкалы в витальной подгруппе при ПР-методе.

Ø Определение вероятности попадания тестируемых вариант в каждую из этих совокупностей.

Ø Сравнение полученных результатов путём двойного вычитания (положительные значения останутся при тех значениях шкалы, при которых выбор альтернативного метода, в данном случае – ПР, наиболее предпочтителен).

Ø Цензурирование полученных результатов (учитывая, что функция вероятности стремится к 0, для большей информативности отсечены результаты, составляющие менее 5% от максимума).

С целью определения прогноза исходов и послеоперационных осложнений применена логистическая регрессия (logistic regression). Метод логистического регрессионного анализа представляет собой построение прямой (или кривой – при нелинейном шкалировании) в многомерном пространстве, направление которой больше всего соответствует выявленной закономерности [Зайцев В.М., 2003].

При этом степень достоверности выявленной зависимости оценивается при помощи F-критерия Фишера, имеющего определенный пороговый уровень вероятности (p), аналогичный данному показателю у t-критерия Стьюдента. Величина p, меньшая принятого уровня достоверности, свидетельствует о статистически правомочном применении полученной регрессионной модели для описания исходных и итоговых данных. Уравнение данной прямой, в общем случае регрессионного анализа, имеет следующий вид:

Y = K₀+K₁×X₁+K₂×X₂+…..+K_n×X_n; где X₁, X₂, X_n – анализируемые количественные признаки (независимые переменные); Y – итоговое значение функции (зависимая переменная); K₁, K₂, K_n – «весовые» коэффициенты, отражающие уровень влияния того или иного признака на итоговое значение функции; K₀ – константа. Для преобразования зависимой переменной Y в данном регрессионном уравнении в вероятность наступления какого-либо события, применяется, так называемая, логит-модификация (преобразование), суть которой заключается в представлении Y, как натурального логарифма отношения вероятностей наличия или отсутствия данного исхода:

Y = ln(P/(1-P)); где Y-зависимая переменная; P-вероятность наступления события. После преобразования регрессионное уравнение принимает вид:

ln(P/(1-P))= K₀+K₁×X₁+K₂×X₂+…..+K_n×X_n; или

(P/(1-P))= ℮^K⁰⁺^K^1×^X¹⁺^K^2×^X^2+…..+^Kn^×^Xn; или

P=℮^K⁰⁺^K^1×^X¹⁺^K^2×^X^2+…..+^Kn^×^Xn /(1+℮^K⁰⁺^K^1×^X¹⁺^K^2×^X^2+…..+^Kn^×^Xn),

Представленный метод множественной логистической регрессии был реализован с использованием статистического пакета Medcalc. Общее «качество» полученной модели при этом оценивалось этой программой классификационной матрицы. При анализе матрицы модели рассчитывалась доля указанных верно прогнозов.

Простейшими критериями, влияющими на результаты лечения распространённого перитонита являются неизменные критерии: возраст пациента, вид экссудата, время развития заболевания. Ограниченные возможности имеются для оценки индекса сопутствующей патологии(соответствует составляющей шкалы APACHE II). Данные параметры являются неизменными в течение всего времени лечения и оцениваются только на дооперационном этапе исследования. Важным элементом для выбора параметров и симптомов РП, предназначенных для исследования оценивалась их потенциальная информативность, доступность определения и простота интерпретации. Наиболее подходящими одиночными критериями оказались симптомы, характеризующие сердечно-сосудистую систему, среди которых частота сердечных сокращений [ЧСС], систолическое артериальное давление [САД], диастолическое артериальное давление [ДАД], среднее артериальное давление [СрАД]. С целью более глубокого изучения функции сердечно-сосудистой системы рассчитаны параметры центральной гемодинамики: систолический объем сердца [СОС], минутный объем сердца [МОС], общее периферическое сопротивление сосудов [ОПСС], среднее динамическое давление [СДД] и среднее давление в легочной артерии [СДЛА], рассчитываемые по формулам Хикема, Старра и Пуазейля, исходными данными для которых служили ЧСС, возраст больного, а также величина САД и ДАД, измеряемых аускультативным методом по Короткову. Представляет интерес коэффициент выносливости Кваса,широко распространенный в спортивной и космической медицине. Увеличение коэффициента Кваса, свидетельствующий о функциональном утомлении и снижении эффективности работы сердечно-сосудистой системы [Заболотских И.Б., 1998]. Возможность эффективного использования этих параметров для мониторинга состояния хирургических больных подтверждена в работах В.Ф.Медведева (1975), А.Б.Граменицкого (1983), В.В.Рыбачкова (1987), С.В.Маевского (2005).

Одиночными параметрами, характеризующими влияние интоксикации на макроорганизм и пригодными для исследования явились: частота дыхательных движений, гематокрит, креатинин плазмы крови, калий плазмы крови, натрий плазмы крови, ректальная температура, оксигенация периферической крови - сатурация (SpO₂).

В качестве одиночных параметров определены составляющие лейкоцитарной формулы, абсолютное число популяций лейкоцитов: эозинофилы, миелоциты, юные клетки, палочкоядерные нейтрофилы, сегментоядерные нейтрофилы, лимфоциты, моноциты. Определены индексы, составленные на основе одиночных параметров: лейкоцитарный индекс интоксикации, лейкоцитарный индекс интоксикации модифицированный, лимфоцитарный индекс, микро-макрофагальный индекс.

Наиболее интересными для анализа являются критерии, созданные на основе совокупности симптомов: балл шкалы комы Glasgow, балл шкалы оценки тяжести состояния (ОТС), число симптомов SIRS, число симптомов SPOD (определяется в соответствии с известными классификациями или произвольно), Mannheimer peritonitis index.

Первый этап статистического анализа – получение основных данных в динамике, сравнение исследуемых критериев в группах и подгруппах исследования; второй этап – определение прогностических и дискриминационных свойств статистическими методами; выявление конкретных методов прогнозирования исходов лечения и развития прогрессирующего перитонита; аргументированный выбор хирургической тактики на основе периоперационных данных исследования.

Дата добавления: 2018-02-15; просмотров: 540; Мы поможем в написании вашей работы!

Поделиться с друзьями:

⇐ Предыдущая 14 15 16 17 18 19 20 212223 Следующая ⇒

Мы поможем в написании ваших работ!