Курсовая. Шевченко Юрий Владимирович

• Название: Шевченко Юрий Владимирович
• Анкор: Курсовая
• Дата: 16.03.2023
• Размер: 441.85 Kb.
• Имя файла: shevchenkouv.docx
• Тип: Автореферат; #995831
• страница: 3 из 5

Практическая значимость работы

Разработанное программное средство прогнозирования тяжести течения раннего послеоперационного периода после радикальных операций по поводу рака легкого позволяет врачам анестезиологам-реаниматологам в момент поступления пациента в отделение реанимации и интенсивной терапии определить риск развития у него осложнений. Это дает возможность выбрать оптимальную схему лечения, исходя из индивидуального прогноза пациента. Разработанное программное средство может использоваться как автономно, так и в составе медицинской информационной системы отделения реанимации и интенсивной терапии «ИНТЕРИС».

Внедрение в практику

Разработанные модели встроены в прогностический модуль информационной системы отделения реанимации и интенсивной терапии

«ИНТЕРИС» и используются в повседневной практике отделения анестезиологии и реанимации Российского научного центра Рентгенорадиологии.

Апробация работы

Результаты диссертационного исследования доложены на XI ежегодной сессии Научного Центра сердечно-сосудистой хирургии им. А.Н.Бакулева РАМН с всероссийской конференцией молодых ученых (Москва 13–15мая 2007г.), и на научных семинарах кафедры медицинской кибернетики и информатики и ПНИЛ разработки медицинских информационных систем РГМУ 23 апреля и 25 июня 2008 года.

Публикации

По материалам диссертации опубликовано 5 печатных работ, в том числе 1 статья в журнале, входящем в перечень ВАК.

Структура и объем диссертации

Диссертационная работа состоит из введения, глав обзора литературы, описания материалов и методов исследования, результатов исследования и их обсуждения, заключения, выводов и практических рекомендаций. Список литературы включает 121 источник, из них 60 работ отечественных и 61 иностранных авторов. Диссертация изложена на 150 страницах машинописного текста, иллюстрирована 20 рисунками и 42 таблицами.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и задачи исследования, научная новизна и практическая значимость работы.

В первой главе представлен обзор данных литературы. Глава содержит обзор классификаций рака легкого, методов исследования, используемых в клинической практике для установления и уточнения диагноза у больных раком легкого, методов и программ лечения пациентов с раком легкого. Большая часть литературного обзора посвящена исследованиям по прогнозированию исхода и течения заболевания у пациентов с раком легкого с помощью различных математических моделей. Проанализированы различные параметры, характеризующие течение и исход рака легкого. Рассмотрены клинические данные и разнообразие математических методов, используемых для построения прогностических моделей. Отдельно рассмотрены модели на основе регрессионного анализа и модели с использованием метода искусственных

нейронных сетей. Особое внимание посвящено работам, в которых производилось сравнение моделей, построенных на основе регрессионного анализа, с моделями на основе нейронных сетей для прогнозирования течения рака легкого и других заболеваний.

Во второй главе содержится характеристика клинического материала и описание использованных в работе математических методов.

Исследование проводилось с сентября 2005 по март 2008 года на базе отделения анестезиологии и реанимации Российского Научного Центра Рентгенорадиологии (директор академик РАМН В.П.Харченко, руководитель лаборатории анестезиологии и реанимации д.м.н. М.В.Петрова).

В исследовании были рассмотрены данные историй болезни 500 пациентов, находившихся в отделении анестезиологии и реанимации после операции по поводу рака легкого в период с 1992 по 2007 год. Данные пациентов, находившихся в отделении анестезиологии и реанимации (ОАиР) в период с 1992 по 2003 год, составили ретроспективный массив. Этот массив содержал данные историй болезни 375 пациентов. С мая 2003 года по октябрь 2007 набирался проспективный массив, включавший расширенный набор параметров. За это время проанализированы данные 125 пациентов после операций по поводу рака легкого.

Необходимая информация была получена из историй болезни пациентов (дооперационные лабораторные исследования), из общебольничной медицинской информационной системы Российского Научного Центра Рентгенорадиологии

«МЕДИС» (результаты дооперационных инструментальных исследований) и информационной системы отделения реанимации и интенсивной терапии

«ИНТЕРИС» (интраоперационные данные).

В ретроспективном массиве описание каждого пациента состояло из значений 124 переменных, содержащих паспортную информацию, характеристику опухоли, тип операции, результаты лабораторных и инструментальных методов исследования до и во время операции, величину кровопотери. С целью построения более качественной модели в проспективном массиве был значительно расширен набор переменных. Для описания опухолевого процесса были использованы данные компьютерной томографии, данные рентгенологического исследования, а также результаты гистологического и цитологического исследований материала биопсии. В проспективный массив добавлены результаты общего и биохимического анализа крови, исследования свертывающей системы крови. Значительно расширен набор переменных, описывающих сопутствующие заболевания пациентов. Использовались данные анамнеза, инструментальных исследований, информация о проведенных курсах химиотерапии и лучевой

терапии. Кроме исхода и длительности пребывания в ОАиР, в проспективном массиве содержится детальное описание послеоперационных осложнений.

Для того, чтобы учесть все особенности течения раннего послеоперационного периода, в качестве зависимой переменной нами была использована экспертная оценка тяжести течения послеоперационного периода. Эту оценку проводил опытный врач анестезиолог-реаниматолог с учетом длительности пребывания пациента в ОАиР, наличия послеоперационных осложнений и необходимости протезирования жизненно-важных функций (кровообращение, дыхание). В ретроспективном массиве пациенты с гладким течением послеоперационного периода составили 61% (217 пациентов), пациенты с осложненным течением послеоперационного периода – 39% (138 пациентов). В проспективный массив вошли 64 пациента (55%) с гладким и 53 пациента (45%) с осложненным течением послеоперационного периода.

Построение прогностических моделей осуществлялось с использованием метода бинарной логистической регрессии и метода искусственных нейронных сетей. При построении нейросетевых моделей использовались две принципиально разные архитектуры: полносвязные нейронные сети и многослойные нейронные сети. В многослойных сетях различают входной слой, на который подаются значения независимых переменных, выходной слой, а также скрытые слои, находящиеся между ними. В полносвязных нейронных сетях каждый нейрон связан с каждым, в том числе с собой (Рис. 1).



Рис. 1. Многослойные и полносвязные нейронные сети. В многослойной нейронной сети сигнал поступает на нейроны входного слоя, передается на нейроны скрытого слоя, а затем поступает на выходные нейроны. В полносвязных сетях часть нейронов является входными(1,2), результаты части нейронов являются выходами сети(2,3).

Построение моделей на основе бинарной логистической регрессии и многослойных нейронных сетей производилось с использованием статистического пакета SPSS for Windows (модули SPSS Regression Models и SPSS Neural Networks), для построения моделей полносвязных нейронных сетей использовалась программа Panalyzer 5.0 [Д.А. Россиев, 1995].

При построении всех моделей использовался единый алгоритм. На первом этапе производился отбор переменных для включения в модели. Для логистической регрессии отбор переменных осуществлялся с помощью оценки значимости различий между группами с гладким течением послеоперационного периода и осложненным течением послеоперационного периода по каждому признаку. Значимость различий определялась с помощью T-критерия Стьюдента для нормально распределенных переменных и с помощью критерия Манна-Уитни для остальных переменных. Для построения моделей использовались переменные с р≤0,1. Для моделей на основе искусственных нейронных сетей отбор переменных для включения в модели заключался в оценке вклада каждой входной переменной в результат модели. В итоговые списки включали переменные, имеющие максимальный вклад в результат модели.

На втором этапе построения моделей варьировались их параметры. Для моделей бинарной логистической регрессии определялось включение или исключение регрессионной константы. Для моделей на основе искусственных нейронных сетей определялось количество нейронов, функция активации, алгоритм обучения сети.

На третьем этапе оценивалось качество моделей. Для этого использовались: производительность (процент правильных отнесений), чувствительность, специфичность и площадь под ROC-кривой. Для моделей бинарной логистической регрессии и многослойных нейронных сетей нами был разработан специальный программный модуль для проведения процедуры скользящего экзамена.

В третьей главе представлены результаты исследования и их обсуждение.

На начальном этапе исследования был разработан алгоритм набора проспективных данных и их использования в процессе построения моделей. Набор информации основывался на сохранении всех доступных данных, которые поступали из историй болезни пациентов и из общебольничной медицинской информационной системы Российского Научного Центра Рентгенорадиологии

«МЕДИС», в информационной системе отделения реанимации и интенсивной терапии «ИНТЕРИС». Данные из историй болезни вводились в «ИНТЕРИС» вручную. Данные из информационной системы «МЕДИС» импортировались в виде текстовых файлов. Все текстовые файлы были распределены на 5 групп:

1. 
   Данные общеклинического анализа крови и лейкоцитарной формулы, данные биохимического анализа крови, данные анализа свертывающей системы крови.
   
2. 
   Заключения по результатам инструментальных методов исследования (компьютерной томографии, рентгенограммы легких, ультразвуковых и эндоскопических исследований гистологического исследования материалов биопсии) и консультаций врачей-специалистов.
   
3. 
   Предоперационный осмотр анестезиологом, протокол операции, протокол анестезии.
   
4. 
   Анамнез, состояние больного по данным осмотра и предоперационный эпикриз.
   
5. 
   Данные спирографии и сцинтиграфии.
   

Количественная информация извлекалась из текстовых файлов с помощью процедур обработки текста и запросов MS Access.

После ввода всех доступных данных в «ИНТЕРИС» осуществлялся их импорт в общую таблицу MS Excel. Затем таблица была преобразована в формат данных SPSS и в формат виртуальных таблиц Panalyzer для дальнейшего исследования переменных и построения моделей.

Для ретроспективного массива, который имел большое количество пропусков, использовались процедуры автоматического заполнения пропущенных значений. Процедуры различались в зависимости от типа переменных (Таблица 1). Большая часть переменных относилась к непрерывным. Непрерывными считались переменные, принимающие множественные значения (более 5), в том числе целочисленные. Другим рассматриваемым типом были дискретные переменные, принимающие ограниченное количество значений. Для непрерывных переменных использовалась процедура заполнения пропусков с помощью линейной интерполяции. Последнее непустое значение до и первое непустое значение после пропущенного используются для построения интерполяционной прямой в зависимости от порядкового номера записи.

Для дискретных переменных использовалось заполнение пропусков наиболее часто встречающимся значением. Часть переменных описывала наличие или отсутствие признака. Для таких переменных использовалось заполнение пропусков значением «нет признака».