Процес визначення у хворих на цукровий діабет груп ризику щодо розвитку тяжких кінцевих наслідків хвороби

Корисна модель відноситься до медицини, а зокрема до клінічної ендокринології та організації охорони здоров’я і може використовуватися для узагальненої оцінки контингентів хворих, що внесені до відповідних клінічних реєстрів, створених за нозологічним та територіальним принципом, з метою подальшої корекції надання лікувальної допомоги хворим і планування витрат у системі охорони здоров’я. Зокрема, може бути проведене максимально об’єктивний розподіл усіх хворих, внесених до відповідного популяційного реєстру хворих на цукровий діабет (ЦД), стосовно прогнозу розвитку тяжких наслідків хвороби. Відомий метод визначення груп ризику щодо розвитку несприятливих кінцевих наслідків ЦД, до якого входять створення реєстру хвори х. моніторинг клінічних даних та подальший аналіз за певними показниками [1]. Проте даний метод має певні недоліки: він здатний забезпечити оцінку популяції хворих лише за окремими показниками (підвищені рівні артеріального тиску, глікованого гемоглобіну, холестерину, індексу маси тіла тощо), вірогідний зв’язок яких з небажаними кінцевими наслідками ЦД (сліпота, ниркова недостатність, ампутації, смерть) можливий на основі лише існуючих теоретичних передбачень га врахування вже відомих факторів ризику. В конкретній популяції хворих реалізація кожного з окремих факторів ризику відбувається під впливом інших факторів, серед яких є генетичні, фактори середовища, якість лікування, або їх комбінація. В основу корисної моделі поставлено задачу удосконалити процес визначення у хворих на цукровий діабет груп ризику щодо розвитку тяжких кінцевих наслідків хвороби шляхом застосування певного методу кластеризації, який дозволить об’єктивно врахувати усю сук упність індивідуальних даних про хворих, які реально доступні для аналізу, що виключає можливість суб’єктивного відбору характеру даних та дозволить корегувати лікування як на індивідуальному рівні, так і на рівні регіональної політики охорони здоров’я. Поставлене завдання вирішується тим, що в процесі, який включає створення бази даних про хворих на ЦД та аналіз масиву індивідуальних даних, згідно з даною корисною моделлю, аналіз проводять за допомогою математичної моделі побудови "нейронних мереж Кохонена" в багатовимірному просторі ознак, що описує однотипні об’єкти, з наступним визначенням кластера хворих, що мають високий ризик тяжких кінцевих наслідків хвороби. Процес виконується наступним чином. До аналізу залучаються регіональні популяційні бази, що містять індивідуальні дані про хворих на цукровий діабет, які відповідають загальновизнаному формату, що вже існує для оцінки лікування хворих на ЦД [2|. Аналіз регіональних популяційних баз проводиться в два етапи: 1) виділення центрів кластерів у просторі ознак регіональних популяційних баз; 2) використання отриманої математичної моделі для аналізу популяційної бази конкретного регіону. Для побудови математичної моделі віднесення випадків, які містяться в регіональній популяційній базі до одного із N кластерів (і виділення цих кластерів) використовується метод нейромережевого моделювання. Процес побудови моделі проводиться на репрезентативній множині випадків, які містяться в регіональних популяційних базах. Для побудови моделі використовується процес побудови карт Кохонена [3]. Кожний випадок регіональної популяційної бази є точкою в багатовимірному просторі ознак, які є кількісними (зріст, рівень глюкози в крові, артеріальний тиск, тощо) або якісними (стать, куріння, тощо) даними. Для побудови карт Кохонена всі ознаки мають змінюватися в діапазоні [0...1] безрозмірних значень (нормалізація даних). При цьому кількісні ознаки перетворюються за формулою: x - xi Xi = max x max - xmin де Xi - змінене значення величини X, і - індекс поточного випадку регіональної популяційної бази, хi початкове значення змінної величини Х до проведення нормалізації, хmах - максимальне початкове значення змінної величини Х до проведення нормалізації, xmi n - мінімальне початкове значення змінної величини Х до проведення нормалізації. Якісні ж ознаки перетворюються в числовий вид шляхом кодування відповідей в "0" або "1". У випадку пропуску даній ознаці присвоюється значення, що дорівнює середньому по вибірці. Після проведення нормалізації всі ознаки будуть приймати значення на відрізку [0...1], при цьому "0" відповідає мінімальному значенню ознаки, "1" - його максимальне значення. Процес побудови нейронної мережі Кохонена проводиться відповідно до наведеного алгоритму на Фіг.1 "навчання нейромережевої моделі". Для придання сенсу кожному із виділених кластерів аналізується їхній склад за найбільш важливими ознаками ("несприятливі" закінчення перебігу хвороби і т.п.). В результаті будується математична модель, яка дозволяє віднести кожний випадок хвороби (індивідуальний запис про хворого) до одного із N кластерів. Для аналізу популяційної бази конкретного регіону проводиться нормалізація даних бази. як це було описано вище. Після проведення нормалізації за допомогою побудованої на першому етапі нейромережевої моделі проводиться класифікація випадків в кластери, що відображено на Фіг.2 - аналіз за допомогою нейромережевої моделі. Для порівняння популяційних баз регіону проводиться порівняння розподілу випадків, які містяться в цих базах за різними кластерами. В результаті застосування цієї моделі виникає розподілення всіх хворих, внесених до бази даних, яка аналізується, на кластери яким надано зміст за частотою віднесених до них на навчальній множині даних випадків несприятливих кінцевих результатів лікування. Нейромережева модель була запропонована для поліпшення процесу діагностики деяких функціональних порушень [4], а з метою кластеризації великих багатовимірних масивів даних даний метод раніше використовувався лише для прогнозування у геофізиці [5]. Наше використання цієї моделі для кластерного аналізу суто клінічних аспектів та оцінок у галузі конкретної патології є першим відповідним досвідом. Позитивний ефект досягається завдяки тому, що на відміну від аналізу за окремими показниками, з’являється можливість давати прогностичні оцінки щодо конкретного хворого та даної популяції хворих в цілому. Приклад Як вхідні ознаки при кластеризації були використані 108 ознак, які описують хворих та внесені в регіональні бази даних про хворих на цукровий діабет "Реєстр хворих на цукровий діабет" [2]. "Навчання" нейромережевої моделі проводилося на вибірці із 15829 пацієнтів старших 14 років із реєстру Донецької області. У цій оптимальній моделі до першого кластера було віднесено 4676 випадків, до другого кластера - 11153 випадки. На Фіг.3 наведено положення центрів кластера у багатовимірному просторі ознак (значення кожної ознаки вказане у відносних одиницях). Для наступного змістовного аналізу складу виділених кластерів та оцінювання ефективності інтегральної оцінки, отриманої за допомогою нейромережевої моделі, при кластеризації навмисно не були використані як "вхідні" ознаки наявності інвалідності, сліпоти, смерті через діабет (коди міжнародної класифікації хвороб 10-го перегляду Е10-Е14 як причина смерчі). В таблиці 1 приведено розподіл хворих за деякими іншими вхідними ознаками в кожному із кластерів. Результати порівняння кластерів наводяться з 95% вірогідним інтервалом (ВІ). Таблиця 1 Поширеність гострої серцево-судинної патології серед хворих на ЦД з реєстр у Донецької області, що віднесені до різних прогностичних кластерів Ознака Інфаркт міокарда Інсульт Кластері % (95% ВІ) 4,9 (4,3-5,6) 6,4 (5,8-7,2) Кластер 2% (95% ВІ) 2,5 (2,2-2,8) 3,8 (3,4-4,1) P