Use of the non-uniform successive vald’s procedure for prediction of the acute pneumonia course

Cover Page


Cite item

Abstract

The table for prediction of the complicated and uncomplicated courses of the acute pneumonia is developed. It is simple and nice for calculation, does not require computers, uses available diagnostic parameters and may be proposed for clinical practice.

Full Text

Острая пневмония (ОП) является одним из наиболее распространенных заболеваний органов дыхания и характеризуется большим разнообразием клинической картины. В последние годы сохраняется тенденция к учащеную тяжелых и затяжных форм ОП. Проблемы снижения заболеваемости и повышения эффективности лечения связаны в первую очередь с совершенствованием методов ранней дифференциальной диагностики и разработкой новых способов воздействия на патологический процесс.

Среди перспективных направлений, в значительной степени способствующих решению этой проблемы, важное место занимает использование математических методов в создании моделей патологических процессов. Успешное прогнозирование особенностей течения и исхода заболевания с получением обоснованной информации о значениях параметров исследуемой системы в последующие моменты времени позволяет выбрать оптимальный метод лечебного воздействия.

В литературе достаточно широко представлены различные математические варианты решения проблемы прогностического моделирования. В своей работе мы использовали так называемую неоднородную последовательную процедуру распознавания Вальда (НПП), которая характеризуется целым рядом важных преимуществ: во-первых, своей независимостью от формы статистического распределения, во-вторых, простотой и близостью к врачебному мышлению по своей логической основе, в-третьих, возможностью разработки на достаточно малых группах обучения, в-четвертых, обоснованностью отказа от использования тех или иных параметров при обследовании больных [1]. Слабыми местами НПП являются достаточно жесткая альтернативность распознавания и предположение о независимости используемых показателей. Возможны варианты с учетом взаимозависимости признаков, однако при этом процедура распознавания сильно усложняется без значительного увеличения информативности на выходе прогностической системы.

Суть метода состоит в последовательном накоплении информации посредством суммирования диагностических коэффициентов до момента достижения одного из диагностических порогов, определяемых заранее соответственно значениям допустимых ошибок (Дкпор. =+13 при 5% ошибок) и соответствующих прогнозируемым состояниям.

Целью настоящей работы являлась разработка системы прогнозирования осложненного (А1) или неосложненного (А2) течения ОП. Группу обучения модели составили 57 больных ОП (вторичные пневмонии по классификации О.В.Коровиной, 1978) с сопутствующим обострением хронического бронхита. Выбор данной подгруппы пневмоний был мотивирован их значительным удельным весом в структуре заболевания в целом и большей частотой неблагополучного развития воспалительного процесса [4].

Изучена линейная корреляция 43 параметров вентиляционной функции легких, лабораторно-биохимических и некоторых иммунологических показателей. Были отобраны 23 высококоррелируемых параметра, в последующем разбитые на 4 кластера по признаку внутригрупповой однородности: показатели вентиляционной функции легких, “острофазовые” тесты, элементы лейкоформулы, иммунологические параметры. Внутри кластеров признаки обладали высокой корреляцией, тогда как между кластерами достоверной взаимосвязи не обнаруживалось, что позволяло их рассматривать как независимые друг от друга. Показатели больных группы обучения были распределены соответственно прогнозируемым состояниям. Далее исследуемые признаки делили на диапазоны [2]. После определения частоты встречаемости признака в каждом диапазоне находили его частоту путем деления единицы на показатель частоты.

 

Таблица 1

Диагностическое прогнозирование осложненного или неосложненного течения острых пневмоний

Признаки

ДК

J

ЖЕЛ, %

 

Ʃ J = 2,92

35 - 50,9

6,68

0,531

99 - 114,9

—9

0,721

115 - 130,9

— 12,0

0,534

83 — 98,9

-2,92

0,315

51 — 66,

6,35

0,304

СК, ед. опт. пл.

 

Ʃ J = 2,32

125 - 175

—3,57

0,90

176 - 226

6,02

0,4

379 — 430

6,50

0,34

483 — 532

12,0

0,24

278 - 328

2,60

0,234

СОЭ, мм/ч

 

Ʃ J = 2,29

52 - 60

7,85

0,840

-2-6

-9,66

0,478

7-15

—5,35

0,473

43 — 51

3,77

0,252

H1 , мм

 

Ʃ J = 1,68

19,3 - 25,5

—2,34

0,850

31,9 — 38,1

4,42

0,320

13,0 - 19,2

—8,04

 0300

С. н., · 109

 

Ʃ J= 1,145

2,8 - 4,2

—3,125

0,375

8,8 — 10,2

6,0

 

Лимф., %

 

Ʃ J= 1,074

3,5 — 8,3

8,044

0,349

13,3 - 18,1

3,82

0,177

Лимф., · 109

 

Ʃ J= 0,962

1,18 — 1,56

3,21

0,250

1,96 - 2,94

-4,26

0,213

1,57 — 1,95

2,34

0,146

мвл, %

 

Ʃ J= 0,561

83,0 — 95,7

—3,0

0,171

108,6 -121,3

12,0

0,150

мос25, %

 

Ʃ J= 0,516

99,6 - 112,2

—9

0,215

мос75, %

 

Ʃ J= 0,510

6,8 - 29,2

3,88

0,151

 

Следующим этапом работы являлось вычисление так называемых диагностических коэффициентов (ДК) Путем логарифмирования отношения часа тот и умножения полученного результата на 10. Информативность (J) диапазонов определяли по методу С. Кульбака [1], где P1 и Р2 — вероятности развития прогнозируемых состояний А, и А2. Информативность признака в целом представляла собой сумму информативностей его диапазонов:J=101gP1P20,5(P1-P2)

При составлении диагностической таблицы каждый показатель кластера был выписан в порядке уменьшения своей прогностической информативности, что давало возможность исключить малозначимые признаки. Диапазоны оставшихся параметров также располагали в порядке убывания информативности. Согласно методике НПП, первоочередному суммированию подлежали диапазоны признаков, обладающих наибольшей информативностью. Данное обстоятельство сводило к минимуму количество неопределенных прогнозов моделей.

Заключительный этап работы состоял из оценки эффективности функционирования системы путем определения точности прогнозов. Число совпавших заключений по расчетам модели с клинической реальностью составило 72%, что превышало прогностические возможности врачей специализированного пульмонологического отделения [3]. В 3,5% случаев имело место ошибочное гиперпрогнозирование осложненного течения, в 24,5% — диагностического порога достичь не удалось, что в ряде случаев было связано с неполным обследованием пациентов.

Рассмотрим клинический пример расчета модели по разработанной пропластической таблице.

У., 54 лет, поступил в терапевтическое отделение 25.01.1988 г. с жалобами на малопродуктивный кашель, боли в левой половине грудной клетки, усиливавшиеся при вдохе и кашле, на одышку смешанного характера при незначительной физической нагрузке, общую слабость, озноб. Заболел остро: за 2 дня до госпитализации поднялась температура до 38,5° С с ознобом, появились сухой кашель и боли в левой половине грудной клетки, связанные с дыханием. Страдает хроническим бронхитом курильщика.

Объективное состояние при первичном осмотре оценено как среднетяжелое. Грудная клетка нормостеническая, левая половина несколько отстает при дыхании. Перкуторный звук начиная с середины левой лопатки притуплен; на фоне ослабленного дыхания в небольшом количестве выслушиваются мелкопузырчатые хрипы, в нижние отделы дыхание практически не проводится. Частота дыхания — 30 в 1 мин. Границы сердца — в пределах нормы. Пульс ритмичный, его частоты- 116 уд. в 1 мин. АД — 17,3/10,6 кПа.

Общий анализ крови при поступлении показании следующее: Нв — 1,84 ммоль/л, л. — 8,1-109/л; э.— 3%, п. — 2%, с. — 69%, лимф. — 18%, мон. — 8%; СОЭ — 32 мм/ч.

“Острофазовые” тесты: содержание фибриногена — 8 г/л, сиаловых кислот — 360 ед. опт. пл. Полярограмма: Н, — 38 мм, Н2 — 65 мм, К — 1,7. Вентиляционная функция легких: МВД — 64%, Ж ЕЛ — 49%, ФЖЕЛ — 42%, ОФВ, — 50%, МОС — 42%, МОС50 - 43%, МОС75 — 49%, ПОС — 44%.

Пересчитываем процентное содержание лимфоцитов и сегментоядерных нейтрофилов в абсолютные значения в соответствии с требованиями прогностической таблицы. Соотносим данные конкретного больного с интервалами показателей таблицы и выписываем значения ДК в порядке убывания информативностей тестов с целью первоочередного суммирования наиболее информативных. С вероятностью до 5% ошибок достижение порога +13 прогнозирует осложненное течение ОП, —13 — неосложненное; отсутствие какого- либо из этих порогов при сложении значений всех 10 показателей таблицы делает прогноз неопределенным (табл. 2).

 

Таблица 2

Прогностические признаки больного У.

Показатели

Данные больного

ДК

Сумма

ЖЕЛ

 

 

 

(35 - 50,9%)

49

6,68

6,68

Ск., ед. опт. пл.

360

6,68

СОЭ, мм/ч

32

6,68

Н,, мм

 

 

 

(31,9 - 38,1)

38

4,42

11,10

С.н. · 109

5,59

11,10

Лимф., %

 

 

 

(13,3 - 18,1)

18

3,82

14,92

Лимф., · 109

 

 

Порог достигнут

(1,18 - 1,56)

1,46

3,21

 

мвл, %

64

 

мос25, %

42

 

МОС75, %

49

 

 

Таким образом, достижение порога +13 произошло уже при сложении ДК трех признаков, что прогнозирует высокую вероятность осложненного течения заболевания.

При рентгенологическом исследовании выявлена левосторонняя пневмония, осложненная плевральным выпотом до уровня II ребра слева. Под влиянием интенсивного лечения, включавшего и плевральные пункции, состояние больного постепенно улучшалось. Перед выпиской выпот рассосался, однако рентгенологически определялись плевральные спайки, уплотнение междолевой борозды. В левой аксиллярной области выслушивался шум трения плевры, то есть в целом течение и исход пневмонии были неблагоприятными, что соответствовало нашему прогнозу.

Таким образом, предлагаемая в виде диагностической таблицы система прогнозирования обладает достаточно высокой точностью и простотой расчетов арифметических операций (в пределах 10 мин) без привлечения какой-либо вычислительной техники, включает доступные диагностические параметры и может быть рекомендована в клиническую практику терапевтических и специализированных отделений.

×

About the authors

D. A. Valimukhametova

Kazan State Medical University; Russian Medical Academy of Postgraduate Education

Author for correspondence.
Email: info@eco-vector.com

Department of Internal Medicine № 3, head. - prof. Department of Military Field (Naval) Therapy

Russian Federation, Kazan; Moscow

V. G. Novozhenov

Kazan State Medical University; Russian Medical Academy of Postgraduate Education

Email: info@eco-vector.com

Department of Internal Medicine No. 3, Department of Military Field (Naval) Therapy, Head - prof.

Russian Federation, Kazan; Moscow

R. F. Khamitov

Kazan State Medical University; Russian Medical Academy of Postgraduate Education

Email: info@eco-vector.com

Department of Internal Medicine No. 3, Department of Military Field (Naval) Therapy

Russian Federation, Kazan; Moscow

Z. N. Yakupova

Kazan State Medical University; Russian Medical Academy of Postgraduate Education

Email: info@eco-vector.com

Department of Internal Medicine No. 3, Department of Military Field (Naval) Therapy

Russian Federation, Kazan; Moscow

R. F. Serdyuk

Kazan State Medical University; Russian Medical Academy of Postgraduate Education

Email: info@eco-vector.com

Department of Internal Medicine No. 3, Department of Military Field (Naval) Therapy

Russian Federation, Kazan; Moscow

References

  1. Гублер Е.В. Вычислительные методы анализа и распознавания патологических процессов. — Л., 1978.
  2. Лакин Г.Ф. Биометрия. — М., 1990.
  3. Положенное С.Д, Назаренко Г. И., Лебедев М.Ф.// Военно-мед.журн. — 1987. — № 2. — С.29-32.
  4. Холошина Г.И. Сборник резюме Ill Национального конгресса по болезням органов дыхания.— Спб, 1 — 5 декабря 1992 г.

© 1996 Eco-Vector





This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies