DE112017003670T5 - Method for the diagnosis of noncommunicable diseases based on statistical methods of data processing - Google Patents
Method for the diagnosis of noncommunicable diseases based on statistical methods of data processing Download PDFInfo
- Publication number
- DE112017003670T5 DE112017003670T5 DE112017003670.4T DE112017003670T DE112017003670T5 DE 112017003670 T5 DE112017003670 T5 DE 112017003670T5 DE 112017003670 T DE112017003670 T DE 112017003670T DE 112017003670 T5 DE112017003670 T5 DE 112017003670T5
- Authority
- DE
- Germany
- Prior art keywords
- patient
- parameters
- parameter
- personal
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Ceased
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000007619 statistical method Methods 0.000 title claims abstract description 31
- 208000031662 Noncommunicable disease Diseases 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 title claims abstract description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 33
- 201000010099 disease Diseases 0.000 claims abstract description 31
- 230000001419 dependent effect Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000000556 factor analysis Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 21
- 239000003814 drug Substances 0.000 abstract description 3
- 230000018109 developmental process Effects 0.000 description 21
- 230000007170 pathology Effects 0.000 description 17
- 208000031481 Pathologic Constriction Diseases 0.000 description 13
- 238000002586 coronary angiography Methods 0.000 description 13
- 208000029078 coronary artery disease Diseases 0.000 description 13
- 210000004351 coronary vessel Anatomy 0.000 description 13
- 230000036262 stenosis Effects 0.000 description 13
- 208000037804 stenosis Diseases 0.000 description 13
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 12
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 12
- 102000007330 LDL Lipoproteins Human genes 0.000 description 8
- 108010007622 LDL Lipoproteins Proteins 0.000 description 8
- 230000000747 cardiac effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000003143 atherosclerotic effect Effects 0.000 description 7
- 150000003626 triacylglycerols Chemical class 0.000 description 7
- 235000012000 cholesterol Nutrition 0.000 description 6
- 229940109239 creatinine Drugs 0.000 description 6
- 230000001575 pathological effect Effects 0.000 description 6
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 5
- 102000015779 HDL Lipoproteins Human genes 0.000 description 5
- 108010010234 HDL Lipoproteins Proteins 0.000 description 5
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 5
- 102000004357 Transferases Human genes 0.000 description 5
- 108090000992 Transferases Proteins 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 239000008103 glucose Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 239000011591 potassium Substances 0.000 description 5
- 229910052700 potassium Inorganic materials 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 208000010110 spontaneous platelet aggregation Diseases 0.000 description 5
- 230000002861 ventricular Effects 0.000 description 5
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 4
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 4
- 206010002383 Angina Pectoris Diseases 0.000 description 4
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 4
- 108010049003 Fibrinogen Proteins 0.000 description 4
- 102000008946 Fibrinogen Human genes 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 4
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 229940012952 fibrinogen Drugs 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000035488 systolic blood pressure Effects 0.000 description 4
- 239000004382 Amylase Substances 0.000 description 3
- 102000013142 Amylases Human genes 0.000 description 3
- 108010065511 Amylases Proteins 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 208000014882 Carotid artery disease Diseases 0.000 description 3
- 235000004279 alanine Nutrition 0.000 description 3
- 235000019418 amylase Nutrition 0.000 description 3
- 208000037876 carotid Atherosclerosis Diseases 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 206010025482 malaise Diseases 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010003658 Atrial Fibrillation Diseases 0.000 description 2
- 108010074051 C-Reactive Protein Proteins 0.000 description 2
- 102100032752 C-reactive protein Human genes 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 206010042602 Supraventricular extrasystoles Diseases 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 2
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 2
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 2
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 229940009098 aspartate Drugs 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004159 blood analysis Methods 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000001990 intravenous administration Methods 0.000 description 2
- 210000005246 left atrium Anatomy 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 208000008510 paroxysmal tachycardia Diseases 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 230000004873 systolic arterial blood pressure Effects 0.000 description 2
- 229940116269 uric acid Drugs 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- PGOHTUIFYSHAQG-LJSDBVFPSA-N (2S)-6-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-4-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-1-[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2R)-2-[[(2S)-2-[[(2S)-2-[[2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-1-[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-amino-4-methylsulfanylbutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]propanoyl]pyrrolidine-2-carbonyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-methylpentanoyl]amino]acetyl]amino]-3-hydroxypropanoyl]amino]-4-methylpentanoyl]amino]-3-sulfanylpropanoyl]amino]-4-methylsulfanylbutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-hydroxybutanoyl]pyrrolidine-2-carbonyl]amino]-5-oxopentanoyl]amino]-3-hydroxypropanoyl]amino]-3-hydroxypropanoyl]amino]-3-(1H-imidazol-5-yl)propanoyl]amino]-4-methylpentanoyl]amino]-3-hydroxybutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]-5-oxopentanoyl]amino]-3-hydroxybutanoyl]amino]-3-hydroxypropanoyl]amino]-3-carboxypropanoyl]amino]-3-hydroxypropanoyl]amino]-5-oxopentanoyl]amino]-5-oxopentanoyl]amino]-3-phenylpropanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-oxobutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-4-carboxybutanoyl]amino]-5-oxopentanoyl]amino]hexanoic acid Chemical compound CSCC[C@H](N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N1CCC[C@H]1C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](Cc1cnc[nH]1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](Cc1ccccc1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCCN)C(O)=O PGOHTUIFYSHAQG-LJSDBVFPSA-N 0.000 description 1
- 241001136792 Alle Species 0.000 description 1
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 1
- 206010006580 Bundle branch block left Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010007572 Cardiac hypertrophy Diseases 0.000 description 1
- 208000014526 Conduction disease Diseases 0.000 description 1
- 240000003517 Elaeocarpus dentatus Species 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010020852 Hypertonia Diseases 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 208000007177 Left Ventricular Hypertrophy Diseases 0.000 description 1
- 206010073150 Multiple endocrine neoplasia Type 1 Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 108010094028 Prothrombin Proteins 0.000 description 1
- 102100027378 Prothrombin Human genes 0.000 description 1
- 108010000499 Thromboplastin Proteins 0.000 description 1
- 102000002262 Thromboplastin Human genes 0.000 description 1
- 208000012931 Urologic disease Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 208000037849 arterial hypertension Diseases 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000023852 carbohydrate metabolic process Effects 0.000 description 1
- 235000021256 carbohydrate metabolism Nutrition 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 208000026758 coronary atherosclerosis Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007914 intraventricular administration Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000000771 oncological effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 229940039716 prothrombin Drugs 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000015598 salt intake Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 210000002023 somite Anatomy 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 208000014001 urinary system disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Bioethics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Die Erfindung bezieht sich auf das Gebiet der Medizin und richtet sich auf das Verfahren zur Diagnose nichtübertragbarer Krankheiten aufgrund statistischer Verfahren der Datenverarbeitung, bei dem die den Zustand eines Patienten kennzeichnenden Parameter gemessen werden. Erfasste Patientenparameter werden mittels statistischer Verfahren bearbeitet, dadurch werden die signifikantesten diagnostischen Parameter festgelegt, deren Abweichung von der Norm für das Vorliegen einer Krankheit spricht. Dieses Verfahren kann zur Diagnose nichtübertragbarer Krankheiten und Bestimmung deren Entwicklung bei Patienten angewendet werden. The invention relates to the field of medicine and is directed to the method for the diagnosis of non-communicable diseases based on statistical methods of data processing in which the parameters characterizing a patient's condition are measured. Recorded patient parameters are processed by means of statistical methods, thereby determining the most significant diagnostic parameters whose deviation from the standard for the presence of a disease speaks. This procedure can be used to diagnose noncommunicable diseases and determine their development in patients.
Description
Die Erfindung bezieht sich auf das Gebiet der Medizin und richtet sich auf das Verfahren zur Diagnose nichtübertragbarer Krankheiten aufgrund statistischer Verfahren der Datenverarbeitung, bei dem die den Zustand eines Patienten kennzeichnenden Parameter gemessen werden. Erfasste Patientenparameter werden mittels statistischer Verfahren bearbeitet, dadurch werden die signifikantesten diagnostischen Parameter festgelegt, deren Abweichung von der Norm für das Vorliegen einer Krankheit spricht. Dieses Verfahren kann zur Diagnose nichtübertragbarer Krankheiten und Bestimmung deren Entwicklung bei Patienten angewandt werden.The invention relates to the field of medicine and is directed to the method for the diagnosis of non-communicable diseases based on statistical methods of data processing in which the parameters characterizing a patient's condition are measured. Recorded patient parameters are processed by means of statistical methods, thereby determining the most significant diagnostic parameters whose deviation from the standard for the presence of a disease speaks. This method can be used to diagnose noncommunicable diseases and determine their development in patients.
Stand der TechnikState of the art
Bei der Diagnose aufgrund der Vielzahl der den Zustand eines Patienten kennzeichnenden Parameter ist die Auswahl, Klassifikation und inhaltliche Aggregation von Patientenparametern zum Erreichen klinischer Ziele eine sehr schwierige Aufgabe.In diagnosing, because of the variety of parameters that characterize a patient's condition, the selection, classification, and content aggregation of patient parameters to achieve clinical goals is a very difficult task.
Im ersten diagnostischen Schritt löst der behandelnde Arzt aufgrund seines Wissens und seiner Intuition die Aufgabe der Klassifikation sämtlicher Patientendaten, um Schlüsselparameter einer Pathologie zu ermitteln. Es ist klar, dass bei einer solchen Vielfalt von Daten und deren Zusammenhängen die Lösung des Problems von Datenklassifizierung nicht immer angemessen ist und klinische Ziele nicht immer erreichen kann. Die medizinische Wissenschaft erleichtert die Lösung von Klassifikationsaufgaben auf Populationsebene durch die Anwendung von mathematischen Verfahren n und Modellen erheblich. Bekannt ist ein Verfahren zur Diagnose nichtübertragbarer Krankheiten aufgrund statistischer Verfahren der Datenverarbeitung, bei dem die den Zustand eines Patienten kennzeichnenden Parameter gemessen werden; erfasste Patientenparameter werden mittels statistischer Verfahren bearbeitet, dadurch werden die signifikantesten diagnostischen Parameter festgelegt, deren Abweichung von der Norm für das Vorliegen einer Krankheit spricht. Siehe Erfindungspatent Nr. 2141247 von 1999, Russische Föderation.In the first diagnostic step, the attending physician, based on his knowledge and intuition, solves the task of classifying all patient data to identify key pathology parameters. It is clear that with such a variety of data and their contexts, solving the problem of data classification is not always appropriate and may not always achieve clinical goals. Medical science greatly facilitates the resolution of population level classification tasks through the application of mathematical methods and models. Known is a method for the diagnosis of noncommunicable diseases based on statistical methods of data processing, in which the parameters characterizing the condition of a patient are measured; recorded patient parameters are processed by statistical methods, thereby determining the most significant diagnostic parameters whose deviation from the standard for the presence of a disease speaks. See invention patent No. 2141247 of 1999, Russian Federation.
Dieses Verfahren ist der vorliegenden Erfindung im technischen Sinn und nach erzieltem technischem Ergebnis besonders nah und wurde als deren Prototyp ausgewählt.This method is particularly close to the present invention in the technical sense and according to the achieved technical result and has been selected as its prototype.
Als Nachteil dieses Verfahrens wird geringe Genauigkeit der Diagnose nichtübertragbarer Krankheiten bei einem bestimmten Patienten betrachtet. Dies ist auf die Tatsache zurückzuführen, dass der Diagnosewert des Verfahrens bei einem bestimmten Patienten auf durchschnittliche Daten, die aus den vorliegenden Daten vieler Patienten berechnet werden, nach heutigem Stand der Technik gestützt wird. Bei der Ermittlung der Erkrankungsursache werden die die Entwicklung der vorliegenden Erkrankung beeinflussenden Faktoren, die auf die Erkrankung nicht bei einem bestimmten Patienten, sondern bei der durchschnittlichen Patientenpopulation einwirken, bestimmt. Falls also der Patient mit einem durchschnittlichen Patienten nach gemessenen Parametern vergleichbar ist, so werden die Diagnose und die Erkrankungsursache höchstwahrscheinlich ziemlich genau bestimmt. Je mehr sich die Daten des Patienten von den Daten eines Durchschnittspatienten unterscheiden, desto stärker verringert sich die Genauigkeit der Diagnose, ebenso wie die Genauigkeit der Ursachen, die den Patienten zu solchem Gesundheitszustand geführt haben. Dies ist in der nachstehenden Tabelle 3, die gerade die im Prototyp beschriebenen Krankheiten umfasst, klar zu sehen.A drawback of this method is considered to be low accuracy of the diagnosis of noncommunicable diseases in a particular patient. This is due to the fact that the diagnostic value of the method in a given patient is based on average data calculated from the present data of many patients in the current state of the art. When determining the cause of the disease, the factors influencing the development of the present disease, which affect the disease not in a specific patient but in the average patient population, are determined. Thus, if the patient is comparable to an average patient according to measured parameters, the diagnosis and the cause of the disease are most likely to be determined fairly accurately. The more the data of the patient differs from that of the average patient, the more the accuracy of the diagnosis is reduced, as well as the accuracy of the causes that have led the patient to such health. This is clearly shown in Table 3 below, which includes the diseases described in the prototype.
ErfindungsgegenstandInventive subject matter
Die sich auf diese eigenartige Beobachtung stützende vorliegende Erfindung hat zum Ziel im Wesentlichen ein Verfahren zur Diagnose nichtübertragbarer Krankheiten aufgrund statistischer Verfahren der Datenverarbeitung, bei dem die den Zustand eines Patienten kennzeichnenden Parameter gemessen werden, vorzuschlagen. Erfasste Patientenparameter werden mittels statistischer Verfahren bearbeitet, dadurch werden die signifikantesten diagnostischen Parameter festgelegt, deren Abweichung von der Norm für das Vorliegen einer Krankheit spricht. Dies kann zumindest einen der oben genannten Nachteile ausgleichen, und nämlich die Genauigkeit der Diagnose nichtübertragbarer Krankheiten bei einem bestimmten Patienten durch die Identifizierung der die Entwicklung dieser Krankheit beeinflussenden zusätzlichen Faktoren verbessern. Dies ist die zu lösende technische Aufgabe der beanspruchten Erfindung.The present invention, based on this peculiar observation, aims to propose, in essence, a method of diagnosing noncommunicable diseases based on statistical methods of data processing in which the parameters characterizing a patient's condition are measured. Recorded patient parameters are processed by means of statistical methods, thereby determining the most significant diagnostic parameters whose deviation from the standard for the presence of a disease speaks. This can compensate for at least one of the above-mentioned drawbacks, namely to improve the accuracy of the diagnosis of noncommunicable diseases in a particular patient by identifying the additional factors affecting the development of that disease. This is the technical problem to be solved by the claimed invention.
Um dieses Ziel zu erreichen, werden die den Zustand eines Patienten kennzeichnenden Parameter von erhaltenen anamnestischen und klinischen, Labor- und Instrumentendaten, die aufgrund der Normen und Referenzwerten, nach Kategorien oder nach kategorialem Merkmal des Vorhandenseins gemessen werden, festgestellt. Des Weiteren wird die Korrelation zwischen allen den Zustand des Patienten kennzeichnenden Parametern berechnet, dafür wird eine persönliche Matrix des klinischen und biochemischen Zustands des Patienten, die durch die Wahrscheinlichkeiten des Hervorrufens bekannter pathologischer Zustände nach allen erhaltenen Parametern gebildet wird, erstellt. Danach wird die erhaltene persönliche Patientenmatrix mittels statistischer Verfahren bearbeitet und werden die signifikantesten diagnostischen Parameter festgelegt, die den Zustand des Patienten beeinflussen und das Vorliegen der Krankheit kennzeichnen.To achieve this goal, patients' conditional parameters are determined from established anamnestic and clinical, laboratory and instrumental data measured by standards and reference values, by category or by categorical feature of presence. Furthermore, the correlation between all the patient's condition is characteristic Calculated parameters, it is a personal matrix of the clinical and biochemical condition of the patient, which is formed by the probabilities of causing known pathological conditions according to all parameters obtained, created. Thereafter, the obtained personal patient matrix is processed by statistical methods and the most significant diagnostic parameters are determined which affect the condition of the patient and characterize the presence of the disease.
Dank dieser Vorteile ist es möglich:
- • die Ausgangsdatenmenge zu erweitern, so können nicht nur Zifferparameter, sondern auch die nach kategorialem Merkmal des Vorhandenseins gemessen Parameter in den statistischen Verfahren der Datenverarbeitung bewertet werden;
- • den Einfluss einiger gemessener Patientenparameter auf andere Patientenparameter zu bestimmen und gleichzeitig Gruppen bezogener Parameter zu identifizieren (dabei ist selbst das Vorhandensein von Zusammenhängen zwischen unabhängigen Parametern die Grundlage für die Analyse von Vorliegen und Ursachen einer Krankheit beim Patienten);
- • von statistischen Verfahren, die auf eine Gruppe ähnlicher Patienten gerichtet sind, zu statistischen Verfahren, die bei einem bestimmten Patienten angewandt werden, zu übergehen. Dadurch können die den Zustand dieses Patienten beeinflussenden Faktoren festgestellt werden.
- • expand the output data set so that not only digit parameters but also the parameters measured by the categorical feature of the presence can be evaluated in the statistical methods of data processing;
- • To determine the influence of some measured patient parameters on other patient parameters while identifying group-related parameters (even the existence of relationships between independent parameters is the basis for analyzing the presence and causes of a patient's disease);
- • move from statistical methods aimed at a group of similar patients to statistical methods used in a given patient. As a result, the factors influencing the condition of this patient can be determined.
Dies führt dazu, dass die Behandlung eines bestimmten Patienten nicht in Übereinstimmung mit den durchschnittlichen statistischen Empfehlungen, die für diesen bestimmten Patienten nicht geeignet sein könnten, sondern aufgrund dessen persönlicher Angaben, gewählt wird. So können die die die Krankheit des Patienten beeinflussenden Faktoren normalisiert werden.As a result, the treatment of a particular patient is not chosen in accordance with the average statistical recommendations that may not be appropriate for that particular patient, but rather on the basis of personal information. Thus, the factors affecting the patient's illness can be normalized.
Darüber hinaus gibt es eine Variante der Erfindung, bei der die erhaltene persönliche Patientenmatrix mittels statistischer Verfahren unter Anwendung der Clusteranalyse bearbeitet wird, um die strukturellen Zusammenhänge aus allen möglichen Parameterzusammenhängen zu extrahieren. Dank diesem günstigen Merkmal ist es möglich, Gruppen bezogener Patientenparameter, d.h. solcher Patientenparameter innerhalb einer Gruppe, die nur gegenseitig aufeinander, und nicht auf Parameter einer anderen Gruppe einwirken, zu bestimmen.In addition, there is a variant of the invention in which the personal patient matrix obtained is processed by means of statistical methods using cluster analysis in order to extract the structural relationships from all possible parameter relationships. Thanks to this favorable feature, it is possible to provide group-related patient parameters, i. such patient parameters within a group, which only interact with each other, and not affect parameters of another group.
Es gibt auch eine Variante der Erfindung, bei der die erhaltene persönliche Patientenmatrix mittels statistischer Verfahren unter Anwendung der Faktorenanalyse bearbeitet wird, um Faktorgewichte jedes Parameters, deren Vorzeichen und Wirkrichtung (positiv oder negativ) unter Einwirkung jedes der gesamten Patientenparameter zu bestimmen. Dank diesem günstigen Merkmal können Faktorgewichte jedes Patientenparameters, deren Vorzeichen und Wirkrichtung unter Einwirkung jedes der gesamten Patientenparameter gemessen werden.There is also a variant of the invention in which the obtained personal patient matrix is processed by statistical methods using factor analysis to determine factor weights of each parameter, their sign and direction of action (positive or negative) under the effect of each of the overall patient parameters. Thanks to this favorable feature, factor weights of each patient parameter, their sign and direction of action can be measured under the influence of each of the entire patient parameters.
Es gibt eine weitere Variante der Erfindung, bei der die erhaltene persönliche Patientenmatrix mittels statistischer Verfahren unter Anwendung der Mehrfachregression bearbeitet wird, nach der der Einfluss unabhängiger Patientenparameter auf abhängige Patientenparameter bestimmt wird. Dank diesem günstigen Merkmal kann die Mehrfachregression angewendet werden, um die Einwirkung unabhängiger Patientenparameter auf abhängige Patientenparameter zu bestimmen.There is another variant of the invention in which the obtained personal patient matrix is processed by statistical methods using multiple regression, after which the influence of independent patient parameters on dependent patient parameters is determined. Thanks to this favorable feature, multiple regression can be used to determine the effect of independent patient parameters on dependent patient parameters.
Die Gesamtheit von erfindungswesentlichen Merkmalen ist nach dem modernen Stand der Technik bei ähnlichen Verfahren unbekannt und lässt für die Erfindungsneuheit sprechen. Darüber hinaus weist die große Bedeutung dieser Erfindung und die Tatsache, dass bisher keine solche Lösung vorgeschlagen worden ist, auf das Vorhandensein der erfinderischen Tätigkeit für die vorschlagende Lösung hin.The totality of features essential to the invention is unknown in similar methods according to the state of the art and suggests that the invention be novelty. Moreover, the great importance of this invention and the fact that no such solution has been proposed so far, points to the existence of the inventive step for the proposed solution.
Figurenlistelist of figures
Sonstige wesentliche Merkmale und Vorteile der vorschlagenden Erfindung sind aus der unten angeführten, nicht einschränkenden Beschreibung der Zeichnungen klar zu sehen, wie folgt:
-
1 zeigt eine erfindungsgemäße Graph der Zusammenhängen von klinischen, biochemischen und Instrumentendaten zum Beispiel 1. -
2 zeigt erfindungsgemäße Schritte des Verfahrens zur Diagnose nichtübertragbarer Krankheiten aufgrund statistischer Verfahren der Datenverarbeitung.
-
1 shows a graph according to the invention of the relationships of clinical, biochemical and instrument data, for example 1. -
2 shows steps of the method according to the invention for the diagnosis of noncommunicable diseases based on statistical methods of data processing.
Lösung der Aufgabe Solution of the task
Das Verfahren zur Diagnose nichtübertragbarer Krankheiten aufgrund statistischer Verfahren der Datenverarbeitung wird wie folgt durchgeführt (gezeigt an einem nicht die Anwendung der Erfindung einschränkenden Beispiel wie in
Schritt 1. Die den Zustand eines Patienten kennzeichnenden Parameter werden von erhaltenen
- • anamnestischen und klinischen Daten,
- • Labor- und Instrumentendaten,
- • anamnestic and clinical data,
- • laboratory and instrument data,
Als Beispiel dafür können die folgenden 105 Parameter angewendet werden, siehe Tabelle 1 oder deren repräsentative Auswahl. Diese Beispiele stammen aus der durchgeführten Kohortenstudie, in der die Patientengruppe nach den Registerregeln [1,2] ausgewählt wurde. Referenzwerte und Normen sind gemäß den bestehenden Standards angegeben [3-5].
Tabelle 1. Beispielgebende Parameter, deren Referenzwerte und Normen
Die obige Parameterliste ist nicht vollständig und dient nur als Beispiel. Letztendlich hängt die Parameterzahl pathologischer Zustände des Patienten vom Fortschritt in der Medizintechnik ab. So können z.B. in die oben angeführte Liste von Pathologiemerkmalen Angaben promiotischer Studien der Patienten eingefügt werden. The above parameter list is not complete and is only an example. Ultimately, the number of parameters of pathological conditions of the patient depends on the progress in medical technology. Thus, for example, details of the patient's promiotic studies can be included in the list of pathology features listed above.
Darüber hinaus können diese Parameter durch die die Lebensweise eines Patienten beschreibenden Parameter ergänzt werden; dies lässt die Einwirkung von letzten zusammen mit Abweichungen der durch Diagnoseverfahren ermittelten Parameter bestimmen.In addition, these parameters can be supplemented by the parameters describing a patient's way of life; this allows the influence of the last to be determined together with deviations of the parameters determined by diagnostic methods.
Jedes der obigen Merkmale (wie jedes anderes) hat einen spezifisch berechneten Wahrscheinlichkeitsfaktor. Dabei haben einen Wahrscheinlichkeitswert sowohl quantitative als auch qualitative Merkmale, die den Zustand sowie eines Patienten, als auch der Population in einem genau definierten quantitativen Rahmen bezeichnen. Diese Schlussfolgerung ist wichtig, da gerade die Verfahren die Analyse quantitativer Merkmale mit hoher Auflösung in verschiedenen Bereichen der Mathematik am weitesten entwickelt sind.Each of the above features (like any other) has a specific calculated probability factor. In this case, a probability value has both quantitative and qualitative features that describe the condition as well as a patient, as well as the population within a precisely defined quantitative framework. This conclusion is important because the very methods of analyzing high-resolution quantitative features are most advanced in various fields of mathematics.
Schritt 2. Für die Parameter mit Referenzwerten wird eine Referenzwertänderung des angegebenen Parameters in Richtung des gemessenen Werts des Patientenparameters gemacht, somit wird der persönliche Referenzwert des angegebenen Parameters für den Patienten bestimmt und den übrigen Parameter wird der Wert nach kategorialem Merkmal des Vorhandenseins zugewiesen. Danach wird eine persönliche Matrix mit klinischen und biochemischen Daten des Patienten, die durch binäre Koeffizienten gebildet wird, erstellt. Die binären Koeffizienten entsprechen dem Vergleich jedes Parameters mit einem persönlichen Referenzwert und jedem Parameter innerhalb eines Intervalls von Abweichungen des Messwerts vom persönlichen Referenzwert des angegebenen Parameters. Die den Zustand des Patienten kennzeichnenden Parameter werden sequentiell in den Spalten der Matrix, und die Normen und unterschiedlichen Abweichungsintervalle des Messwerts vom persönlichen Referenzwert des angegebenen Parameters werden in den Zeilen der Matrix angeordnet. Dem binären Koeffizienten wird 1 zugewiesen, wenn der Parameterwert innerhalb des angegebenen Intervalls liegt, und 0, wenn nicht. Hier sind Beispiele für bestimmte Intervalle:
- 1. Ja oder nein (1, wenn Daten zu diesem Parameter vorhanden sind, und 0, falls nicht)
- 2. Im Normbereich (1, falls ja, und 0, falls nicht)
- 3. Außer der Norm (1, falls ja, und 0, falls nicht)
- 4. Über der Norm (1, falls ja, und 0, falls nicht)
- 5. Unter der Norm (1, falls ja, und 0, falls nicht)
- 6. Durchschnitt
- 7. Über Durchschnitt (1, falls ja, und 0, falls nicht)
- 8. Unter Durchschnitt (1, falls ja, und 0, falls nicht)
- 9. 0-3% (1, wenn der Variationskoeffizient zu diesem Intervall passt, 0, wenn nicht)
- 10. 3.01-10% (das gleiche)
- 11. 10.01-20% (das gleiche)
- 12. 20.01-30% (das gleiche)
- 13. Mehr als 30,01% (das gleiche).
- 1. Yes or no (1 if there is data for this parameter, and 0 if not)
- 2. In the normal range (1, if yes, and 0, if not)
- 3. Except the norm (1, if yes, and 0, if not)
- 4. Above the norm (1, if yes, and 0, if not)
- 5. Under the norm (1, if yes, and 0, if not)
- 6th average
- 7. Over average (1, if yes, and 0 if not)
- 8. Below average (1, if yes, and 0 if not)
- 9. 0-3% (1 if the coefficient of variation matches this interval, 0 if not)
- 10. 3.01-10% (the same)
- 11. 10.01-20% (the same)
- 12. 20.01-30% (the same)
- 13. More than 30.01% (the same).
Schritt 3. Die persönliche Patientenmatrix wird mittels statistischer Verfahren bearbeitet, dadurch wird die Struktur der Parameter und ihre gegenseitige Abhängigkeit, die die Entwicklung der Krankheit bei einem Patienten bestimmt, festgelegt.Step 3. The personal patient matrix is processed by statistical methods, which determines the structure of the parameters and their interdependence, which determines the development of the disease in a patient.
Schritt 3.1. Die erhaltene persönliche Patientenmatrix kann mittels statistischer Verfahren unter Anwendung der Clusteranalyse bearbeitet werden, um die strukturellen Zusammenhänge aus allen möglichen Parameterzusammenhängen zu extrahieren. Schritt 3.2. Die erhaltene persönliche Patientenmatrix kann mittels statistischer Verfahren unter Anwendung der Faktorenanalyse bearbeitet werden, um Faktorgewichte jedes Parameters, deren Vorzeichen und Wirkrichtung (positiv oder negativ) unter Einwirkung jedes der gesamten Patientenparameter zu bestimmen.
Schritt 3.3. Die erhaltene persönliche Patientenmatrix kann mittels statistischer Verfahren unter Anwendung der Mehrfachregression bearbeitet werden, nach der der Einfluss unabhängiger Patientenparameter auf abhängige Patientenparameter bestimmt wird.
Schritt 4. Aufgrund der Bearbeitung entsprechend genannten Schritten werden die signifikantesten diagnostischen Parameter festgelegt, deren Abweichung von der Norm das Vorliegen der Krankheit zeigt.Step 3.1. The resulting personal patient matrix can be manipulated by statistical methods using cluster analysis to extract the structural relationships from all possible parameter relationships. Step 3.2. The resulting personal patient matrix may be manipulated by statistical methods using factor analysis to determine factor weights of each parameter, their sign and direction of action (positive or negative) under the effect of each of the overall patient parameters.
Step 3.3. The resulting personal patient matrix can be manipulated using statistical techniques using multiple regression, which determines the influence of independent patient parameters on dependent patient parameters.
Step 4. By processing the steps mentioned above, the most significant diagnostic parameters are determined whose deviation from the norm indicates the presence of the disease.
Die obigen Ausführungsformen der Erfindung sind beispielhaft und lassen neue Varianten hinzufügen oder die schon beschriebenen modifizieren. So können z.B. die oben nicht beschriebenen statistischen Verfahren zur Datenbearbeitung eines Patienten angewendet werden, weil hier nicht die Anwendung bestimmter statistischer Daten signifikant ist, sondern das Ziel - wofür diese Daten angewendet werden.The above embodiments of the invention are exemplary and allow to add new variants or to modify those already described. Thus, e.g. The above-described statistical methods for data processing of a patient are used because it is not the application of certain statistical data that is significant, but the goal - for which this data is used.
Die Gesamtheit persönlicherer Matrizen des klinischen und biochemischen Zustands jedes Patienten kann in eine allgemeine Populationsmatrix umgewandelt werden, da sowohl einem Patient als auch der ganzen Population derselbe qualitative und quantitative Stand klinischer und biochemischer pathologischer Merkmale eigen ist.The totality of more personal matrices of the clinical and biochemical condition of each patient can be converted into a general population matrix, since both a patient and the whole population have the same qualitative and quantitative status of clinical and biochemical pathological features.
Jeder der Parameter mit spezifischen Werten der berechneten Wahrscheinlichkeitsfaktoren kann in einer persönlichen Patientenmatrix, in einer allgemeinen Populationsmatrix in Form einer abhängigen oder unabhängigen Variablen dargestellt werden. Die Matrizen können je nach Aufgabe mittels verschiedener mathematischer Analyseverfahren bearbeitet werden.Each of the parameters having specific values of the calculated likelihood factors may be represented in a personal patient matrix, in a general population matrix in the form of a dependent or independent variable. Depending on the task, the matrices can be processed using various mathematical analysis methods.
Gewerbliche AnwendbarkeitIndustrial Applicability
Das vorliegende Verfahren zur Diagnose nichtübertragbarer Krankheiten aufgrund statistischer Verfahren der Datenverarbeitung kann durch Fachleute praktisch eingesetzt werden und sichert die Realisierung angemeldeter Anwendungen. Dies lässt über die gewerbliche Anwendbarkeit der Erfindung sprechen.The present method for diagnosing noncommunicable diseases based on statistical data processing techniques can be practiced by those skilled in the art and ensures the realization of registered applications. This suggests the industrial applicability of the invention.
Das beschriebene Verfahren zur Diagnose nichtübertragbarer Krankheiten aufgrund statistischer Verfahren der Datenverarbeitung wird aufgrund herkömmlicher Technologien durchgesetzt, und die Möglichkeit seiner Durchsetzung ist mit keinen zusätzlichen technischen Problemen verbunden.The described method of diagnosing noncommunicable diseases due to statistical methods of data processing is enforced due to conventional technologies, and the possibility of its enforcement entails no additional technical problems.
Gemäß der vorgeschlagenen Erfindung hat der Anmelder Berechnungen nach diesem Verfahren wie folgt durchgeführt:
- - Berechnungen für die erste Gruppe mit 86 Patienten aus einer Kohortenstudie, die der Korrelation von Karotis- und Koronaratherosklerose bei Patienten mit Herz-Kreislauf-Erkrankungen gewidmet wurde [1,2];
- - Berechnungen für die zweite Gruppe mit 12 Patienten mit kardiologischen und urologischen Erkrankungen, die aufgrund strenger Einschlusskriterien aus dem Register der Abteilung für allgemeine Kardiologie der FGBU OBP Moskaus für 2012 (abgekürzt: ROK-2012) ausgewählt wurde und die Kohorte der Forschungsstudie „Cardioprognoz“ (CUP) gebildet hat.
- - Calculations for the first group of 86 patients from a cohort study devoted to the correlation of carotid and coronary atherosclerosis in patients with cardiovascular disease [1,2];
- - Calculations for the second group of 12 patients with cardiological and urological diseases, selected on the basis of strict inclusion criteria from the register of the General Cardiology Unit of the FGBU OBP Moscow for 2012 (ROK-2012) and the cohort of the research study "Cardioprognoz" (CUP) has formed.
In der nachstehenden Tabelle 3 sind die mittels mathematisch-statistischer Verfahren modifizierten Daten von 105 Parametern für verschiedene Patientengruppen gesammelt. Die Patientengruppen sind aus der ersten Gruppe mittels der Clusteranalyse nach 105 Parametern ausgewählt worden (siehe Schritt 1).In Table 3 below, the data modified by mathematical-statistical methods of 105 parameters are collected for different patient groups. The patient groups were selected from the first group by cluster analysis according to 105 parameters (see step 1).
Insgesamt wurden mittels der Clusteranalyse fünf Patientengruppen gebildet:
- Gruppe 1 mit 86 Patienten ist in Bezug auf die folgenden Gruppen eine Gesamtheit.
- Gruppe 2 hat 33 Patienten,
- Gruppe 3 - 23 Patienten,
- Gruppe 4 - 19 Patienten,
- Gruppe 5 - 11 Patienten.
- Group 1 with 86 patients is a whole with respect to the following groups.
- Group 2 has 33 patients
- Group 3 - 23 patients,
- Group 4 - 19 patients,
- Group 5 - 11 patients.
In der Spalte 1 der Tabelle 3 sind die Parameternummern (siehe Schritt 1) aufgelistet, Spalten von 2 bis 6 zeigen Durchschnittswerte der Parameter für Gruppen mit 86, 33, 23, 19 und 11 Patienten. In den Spalten von 7 bis 11 sind numerische Werte der Faktorlasten, die mittels der Hauptkomponentenanalyse berechnet worden sind, angegeben.Column 1 of Table 3 lists the parameter numbers (see step 1), columns 2-6 show average values of the parameters for groups of 86, 33, 23, 19 and 11 patients. Columns 7 to 11 give numerical values of the factor loads calculated by principal component analysis.
Wie es ersichtlich aus der Tabelle ist, sind die meisten Durchschnittswerte der Gesamtliste von 105 Parametern in jeder der fünf Gruppen nach quantitativen Messungen von Patienten sehr ähnlich. Mit anderen Worten spiegelt jede Datenauswahl Linearwerte der meisten erfassten Parameter aus der Gesamtheit von 86 Patienten dar. Ganz anders sieht die Situation mit Faktorlasten, die die Systemzusammenhänge jedes Parameters widerspiegeln, aus. Von allen fünf Patientengruppen sind signifikante Werte der Faktorbelastungen (>0,72) nur beim Parameter 93 (max. Stenosegrad in Koronararterien) vorhanden. Absolute Menge von Faktorlasten der meisten Parameter schwankt von -0,62 bis +0,93. Bei relativ konstanten arithmetischen Mitteln für mehr als zwei Drittel von medizinischen Parametern zeigt die hohe Volatilität der Faktorlasten erhebliche Wahrscheinlichkeit der Feststellung von einer signifikanten Menge der Zusammenhänge zwischen vorhandenen Parametern einer Kardiopathologie. In allen fünf Patientengruppen wurde ein einheitliches System von Zusammenhängen aus neun Paaren miteinander verbundener Merkmale gefunden:
- 1. 34:42;
- 2. 100:101;
- 3. 90:46;
- 4. 22:18;
- 5. 41:47;
- 6. 26:30;
- 7. 57:58;
- 8. 57:59;
- 9. 25:33.
- 1. 34:42;
- 2. 100: 101;
- 3. 90:46;
- 4. 22:18;
- 5. 41:47;
- 6. 26:30;
- 7. 57:58;
- 8. 57:59;
- 9. 25:33.
Von diesem System von einheitlichen Zusammenhängen
- • stellen zwei Paare Zusammenhänge zwischen klinischen Blutwerten (Paare 25:33, 26:30) dar,
- • zeigen zwei Paare Zusammenhänge zwischen den Parametern der biochemischen Blutanalyse (Paare 41:47, 34:42),
- • andere fünf Paare zeigen Zusammenhänge zwischen den mittels instrumentelles Verfahrens erhaltenen Parametern,
- • Sonstige miteinander verbundene Paare von Herzparametern unterscheiden sich in allen fünf Patientengruppen stark.
- • two pairs represent correlations between clinical blood values (pairs 25:33, 26:30),
- • two pairs show correlations between the parameters of the biochemical blood analysis (pairs 41:47, 34:42),
- • other five pairs show correlations between the parameters obtained by instrumental method,
- • Other interconnected pairs of cardiac parameters differ greatly in all five patient groups.
Somit spiegeln diese offenen Zusammenhänge zwischen Merkmalen der Herzpathologie und dementsprechend verborgene latente Gemeinsamkeit und Unterschied in Zusammenhängen innerhalb den aus der ursprünglichen Gesamtheit ausgewählten Gruppen, selbst in einem relativ einheitlichen System der sorgfältig ausgewählten Trägern von Herzpathologien, einschließlich Untergruppen mit 10-20 Patienten, die sehr komplexe Struktur der Krankheitsentwicklung wider.Thus, these open correlations between features of cardiac pathology and correspondingly hidden latent commonality and difference in contexts within the groups selected from the original entirety, even in a relatively uniform system of carefully selected carriers of cardiac pathologies, including subgroups of 10-20 patients, reflect very much complex structure of disease development.
Als Folge macht die Forschung des Wesens von Zusammenhängen zwischen unabhängigen variablen Parametern in den aus einer beliebigen Patientenzahl bestehenden Gruppen mit hoher Volatilität und erheblichen zufälligen Abweichungen die Aufgabe der Erreichung klinischer Ziele für den Forscher, für den die Pathologie bereits als eine Kardiopathologie aussieht, schwer vorstellbar und ohne Anwendung der Verfahren zur präzisen und strukturellen Diagnose der Kardiopathologie und offensichtlich jeder anderen Pathologie schwer zu erreichen.As a result, research into the nature of interrelationships between independent variable parameters in high-volatility groups with significant random deviations from any number of patients makes the task of achieving clinical goals difficult to imagine for the researcher, for whom pathology already looks like a cardiopathology and difficult to achieve without the use of procedures for precise and structural diagnosis of cardiopathology and, apparently, any other pathology.
Beispiel 1. Graph der Zusammenhänge zwischen klinischen, biochemischen und instrumentellen Parametern am Beispiel der zweiten PatientengruppeExample 1. Graph of the relationships between clinical, biochemical and instrumental parameters using the example of the second patient group
Als Beispiel für Erstellen einer Graph von Zusammenhängen zwischen klinischen, biochemischen und instrumentellen Parametern wurden Parameter der zweiten Gruppe mit 12 Patienten ausgewählt. Gemäß der für diese Gruppe vorhandenen Datenbank sind folgende Parameter analysiert worden, siehe Tabelle 4.
Tabelle 4
Alle Parameter wurden aufgrund der Referenzwerte den Kategorien nach (N - Norm, UN - unter Norm, ÜN - über Norm; bei Parametern ohne Referenzwerten: KN - keine Norm) oder nach kategorialem Merkmal des Vorhandenseins (ja-nein) eingegliedert.All parameters have been added to the categories according to the reference values (N - standard, UN - under standard, TS - over standard, for parameters without reference values: CN - no standard) or according to the categorical feature of presence (yes - no).
Ferner wurde die mittels mathematischer Verfahren [6, 7] gemessene spezifische Wahrscheinlichkeit jedes Parameters für jeden Patienten bestimmt. Durch die Anwendung der Faktorenanalyse [8, 9] konnte die Wirkung jedes Merkmals bei einem bestimmten Patienten bestimmt werden, und die erhaltenen Daten wurden für die gesamte Kohorte der Studie systematisiert. Um die Werte des zu der Population gehörenden Parameter 41 zu erhalten, sind die Angaben der Tabelle 3, in der die Daten der Faktorenanalyse - numerische Werte der aus einer aggregierten Datenmatrix von 12 Patienten berechneten Faktorlasten gruppiert sind, zu betrachten.Further, the specific probability of each parameter measured by mathematical methods [6, 7] was determined for each patient. By applying factor analysis [8, 9], the effect of each feature on a particular patient could be determined and the data obtained were systematized for the entire cohort of the study. In order to obtain the values of the parameter 41 belonging to the population, the data of Table 3 are to be considered, in which the data of the factor analysis - numerical values of the factor loads calculated from an aggregated data matrix of 12 patients are grouped.
Von 12 Patienten wurde bei 8 Patienten eine koronare Herzkrankheit (KHK) aufgrund klinischer und instrumenteller Verfahren diagnostiziert. Mittels probabilistischen Verfahrens wurden jene Merkmale und Zusammenhänge, die einen signifikanten Beitrag zur Bildung von KHK in dieser Patientenkohorte geleistet hatten, geprüft. In der Untergruppe der Patienten ohne KHK mittels Standarduntersuchungsverfahren wurde eine Kombination der für diesen Zustand der Patienten verantwortlichen Merkmale gleichzeitig bestimmt. Bei der Analyse von Daten der Tabelle 3 fällt auf, dass zwei Drittel der Werte aller Parameter in den Zeilen der Parameter 18 und 22, die eine große Bedeutung für die Entstehung einer Kardiopathologie bei dieser Patientenkohorte haben, liegen. D. h. bestimmen sieben Parameter von insgesamt 41 Parametern: 37 (Cholesterin), 106 (Harnstoff), 30 (Kreatinin), 34 (Alanin-Transferase), 112 (alkalische Phosphatase), 35 (Bilirubin), 44 (max. Thrombozytenaggregation), 113 (pathologische Veränderungen im LZ-EKG), 116 (atherosklerotische Veränderungen in der Koronararterien nach MSCT- Koronarangiographie >50,0%), 118 (atherosklerotische Veränderungen in der Koronararterien nach Koronarangiographie >50,0%) eine Kombination von Merkmalen, die miteinander zusammenhängen und für die Entstehung einer KHK bei der Population von 12 Patienten maximal verantwortlich sind.Out of 12 patients, 8 patients were diagnosed with coronary heart disease (CHD) due to clinical and instrumental procedures. The probabilistic method was used to examine those features and relationships that had a significant contribution to the formation of CHD in this patient cohort. In the subgroup of patients without CHD using standard testing methods, a combination of the characteristics responsible for this condition of the patients was determined simultaneously. When analyzing data in Table 3, it is noticeable that two-thirds of the values of all the parameters in the lines of the Parameters 18 and 22, which are of great importance for the development of cardiopathology in this patient cohort, are. Ie. determine seven parameters out of a total of 41 parameters: 37 (cholesterol), 106 (urea), 30 (creatinine), 34 (alanine transferase), 112 (alkaline phosphatase), 35 (bilirubin), 44 (maximum platelet aggregation), 113 ( pathological changes in the LZ ECG), 116 (atherosclerotic changes in the coronary arteries after MSCT coronary angiography> 50.0%), 118 (atherosclerotic changes in the coronary arteries after coronary angiography> 50.0%) a combination of features that are related and are responsible for the development of CHD in the population of 12 patients.
Nach Angaben der Clusteranalyse aufgrund der Messungen der euklidischen Abstände zwischen den Parameterwerten [10] wurde eine Graph der Zusammenhänge der Merkmale, die das Vorliegen einer Kardiopathologie (d. h. Entwicklung von KHK) kennzeichnen, in der aggregierten Matrix der Kohorte von 12 Patienten erstellt (siehe
Eine wichtige Forschungsaufgabe bestand in diesem Fall darin, Zusammenhänge zwischen den analysierenden klinischen, Labor- und Instrumentenmerkmalen zu bestimmen, weil es zu vermuten war, dass gerade das Vorhandensein dieser systemischen Zusammenhänge den Entwicklungsprozess der KHK kennzeichnet.An important research task in this case was to determine relationships between the analyzing clinical, laboratory and instrumental characteristics, because it was probable that the very existence of these systemic correlations characterizes the developmental process of CHD.
Die Erstellung von der Graph der Zusammenhänge zwischen klinischen, biochemischen und instrumentellen Parametern ließ vier zusammenhängende Makrostrukturen erkennen. Im Zentrum der ersten Makrostruktur befindet sich der Parameter 86 (Intima-Media-Dicke - ÜN), der eine Vielzahl von Zusammenhängen mit anderen, hauptsächlich instrumentellen Parametern aufweist. Durch die Wechselbeziehungen 111 (GGT - ÜN), 40 (Triglyceride - ÜN), 40 (Triglyceride - N) ist die vorherige Makrostruktur mit der zweiten Makrostruktur, die aus vier Parametern besteht: 38 (LDL - ÜN), 37 (Cholesterin - ÜN), 38 (LDL - N), 37 (Cholesterin - N) verbunden. Die zweite Makrostruktur ist mit der dritten verbunden. In der dritten Makrostruktur sind 22 Parameter miteinander verbunden, von denen 9 einen Wert über der Norm (ÜN) haben. Zwei davon sind instrumentell und spiegeln den kardiologischen Zustand des Patienten (Vorliegen von KHK) wider. Dies sind Parameter 116 und 118, die über der Norm sind (MSCT-Koronarangiographie >50% und Koronarangiographie >50%). Mit anderen Worten, spiegeln die miteinander verbundenen Parameter der dritten Makrostruktur das Vorliegen von KHK bei Patienten wider. Die miteinander verknüpften Parameter dieser Makrostruktur zeigen den Zustand der KHK in Form einer inneren Struktur der Zusammenhänge zwischen instrumentellen, klinischen und biochemischen Blutparametern. Von diesen zusammenhängenden Parametern liegen 7 biochemische Blutparameter über der Norm (ÜN): 23 (RBC - ÜN), 111 (GGT - ÜN), 32 (CPK - ÜN), 28 (Glucose - ÜN), 42 (Fibrinogen - ÜN), 110 (Amylase - ÜN), 31 (Kalium - ÜN).The creation of the graph of the relationships between clinical, biochemical and instrumental parameters revealed four coherent macrostructures. At the center of the first macrostructure is the parameter 86 (Intima Media Thickness - ÜN), which has a multitude of relationships with other, mainly instrumental, parameters. Interactions 111 (GGT - ÜN), 40 (triglycerides - ÜN), 40 (triglycerides - N) represent the previous macrostructure with the second macrostructure consisting of four parameters: 38 (LDL - TS), 37 (cholesterol - TS ), 38 (LDL - N), 37 (cholesterol - N). The second macrostructure is connected to the third one. In the third macro structure there are 22 parameters connected, of which 9 have a value above the norm (TS). Two of them are instrumental and reflect the patient's cardiac condition (presence of CHD). These are parameters 116 and 118 that are above standard (MSCT coronary angiography> 50% and coronary angiography> 50%). In other words, the interconnected parameters of the third macrostructure reflect the presence of CHD in patients. The interlinked parameters of this macrostructure show the state of CHD in the form of an internal structure of the relationships between instrumental, clinical and biochemical blood parameters. Of these related parameters, 7 biochemical blood parameters are above the norm (TS): 23 (RBC - TS), 111 (TSG - TS), 32 (CPK - TS), 28 (glucose - TS), 42 (fibrinogen - TS), 110 (amylase - TS), 31 (potassium - TS).
Außerdem sind die Werte elf anderer Parameter, die in der dritten Makrostruktur enthalten sind, unter der Norm (UN), im Normbereich (N) und keine Norm (KN). 7 davon sind klinisch und instrumentell: 86 (Intima-Media-Dicke - UN), 19 (systolischer Blutdruck - UN), 19 (systolischer Blutdruck - N), 46 (Veränderungen der Ruhe-EKG - KN), 82 (ETT-Interpretation - KN), 117 (MSCT-Koronarangiographie <50%), 119 (Koronarangiographie <50%). Die verbleibenden 4 miteinander zusammenhängenden Parameter sind Laborparameter: 23 (RBC - UN), 112 (alkalische Phosphatase - UN), 40 (Triglyceride - N), 31 (Kalium - UN). Die vierte Makrostruktur, genauso verbundene, wie die dritte Makrostruktur, mit der zweiten Makrostruktur (die im Allgemeinen als „Cholesterinkern“ bezeichnet werden kann) besteht aus 21 miteinander verbundenen Parametern. Darüber hinaus sind nur drei davon: 115 (atherosklerotische Plaque in der Bifurkation der rechten ACC - Stenose - ÜN), 82 (ETT-Interpretation - N), 119 (Koronarangiographie <50%) instrumentell. Parameter 115 hat eine maximale Zahl von Zusammenhängen. Die übrigen sind die Parameter klinischer und biochemischer Blutanalyse und liegen im Normbereich: 44 (max. Thrombozytenaggregation - N), 108 (Kalzium - N), 30 (Kreatinin - N), 110 (Amylase - N), 32 (CPK - N), 29 (Harnsäure - N), 39 (HDL - N), 28 (Glukose - N), 31 (Kalium - N), 27 (BSG - N), 24 (WBC - N), 23 (RBC - N), 35 (Bilirubin - N), 22 (HGB - N), 33 (AST - N), 18 (Herzfrequenz - N), 112 (alkalische Phosphatase - N), 42 (Fibrinogen - N).
Tabelle 5. Faktorlasten nach den zu forschenden Merkmalen bei 12 Patienten
Dieses Beispiel zeigt also, dass Patienten mittels Standarduntersuchungsverfahren in zwei Gruppen - mit oder ohne Krankheit eingeteilt werden können. Genau für Patienten, deren Pathologie nicht festgestellt worden war, ist es erforderlich, eine genauere Diagnose, die mittels des vorschlagenden Verfahrens möglich ist, durchzuführen. Durch eine solche Diagnose kann aus einer Patientengruppe ohne Pathologie eine Untergruppe, in der die latente Entwicklung der Krankheit bereits begonnen hat, ausgegliedert werden und können die Faktoren, die in erster Linie für die Entstehung der Pathologie verantwortlich sind, festgestellt werden.This example thus shows that patients can be divided into two groups - with or without illness - using standard examination methods. Precisely for patients whose pathology has not been established, it is necessary to make a more accurate diagnosis possible by means of the proposing procedure. By making such a diagnosis, a subgroup in which the latent development of the disease has already begun can be separated from a group of patients without pathology, and the factors primarily responsible for the development of the pathology can be ascertained.
Beispiel 2. Vergleich des Patienten 73 mit der Gruppe mit 86 PatientenExample 2. Comparison of the patient 73 with the group of 86 patients
Als Beispiel für die Anwendung des Verfahrens zur Diagnose nichtübertragbarer Krankheiten aufgrund statistischer Verfahren der Datenverarbeitung bei Patienten mit nicht erkannter Pathologie ist hier ein konkretes Beispiel angeführt. Zu betrachten sind Ergebnisse der bearbeiteten Beobachtungen von Messungen an 105 Parametern, die eine Kardiopathologie in der Gruppe mit 86 Patienten und beim Patienten 73, der nach dem Zufallsprinzip aus der Gruppe zwecks der Analyse ausgewählt war, widerspiegeln. Die Ergebnisse der Bearbeitung von Datenmatrix der Gruppe und des Patienten als ein Teil dieser Gruppe, sind wie folgt.
Tabelle 6. Faktorgewichte für 105 Parameter der Gruppe mit 86 Patienten und des Patienten 73
- • von +1,00 bis 0,72 als stark wirkend,
- • von 0,71 bis 0,40 - als mäßig wirkend,
- • von 0,39 bis 0,01 - als schwach wirkend definiert.
- • from +1.00 to 0.72 as strong,
- • from 0.71 to 0.40 - as moderate,
- • from 0.39 to 0.01 - defined as weak.
Fettgedruckte Zahlen sind wichtige Parameter einer Kardiopathologie.Bold numbers are important parameters of cardiopathology.
Nach den Ergebnissen der Faktorenanalyse wurde gemäß den Daten der obigen Tabelle 6 aus 105 Parametern eine Reihe von stark und signifikant aktiv wirkenden Parametern (siehe Zeilen 1 und 2 von Tabelle 6), die sich unter anderen mittels traditioneller kardiologischer Diagnose bestimmten Merkmalen befanden,festgestellt.According to the results of the factor analysis, according to the data of the above Table 6 of 105 parameters, a series of strongly and significantly active-acting parameters (see lines 1 and 2 of Table 6) found among others by means of traditional cardiac diagnosis were determined.
Darüber hinaus wird darauf hingewiesen, dass die Anzahl signifikanter kardiologischer Parameter des Patienten 73 doppelt so hoch ist als die Anzahl sämtlicher signifikanter kardiologischer Parameter der Gruppe. Nach den Ergebnissen der Faktorenanalyse wurde von uns drei Parameter 79, 87, 91 zur Bearbeitung durch die Mehrfachregression ausgewählt, um ein Verfahren zur genauen Diagnose einer Kardiopathologie des Patienten zu entwickeln.
Tabelle 7. Ergebnisse der Datenbearbeitung mittels der Mehrfachregression für die Gruppe mit 86 Patienten und des Patienten 73.
Aus der obigen Tabelle 7 kann festgestellt werden, dass die Gruppendaten die Entwicklung einer Kardiopathologie in der Gesamtheit von Patienten bestätigen. Die Daten des Patienten 73 beweisen einen mehr strukturierten und differenzierten Zustand der Kardiopathologie beim Patienten 73. Die Zunahme des Wertes vom abhängigen Parameter 79 bestimmt positive Werte der unabhängigen Parameter 14, 15 und 32. Dementsprechend wirken folgende unabhängige Parameter 18 und 87 auf die Abnahme des Wertes des abhängigen Parameters.It can be seen from the above Table 7 that the group data confirm the development of cardiopathology in the entirety of patients. The data from the patient 73 demonstrates a more structured and differentiated condition of the cardiopathology in the patient 73. The increase in the value of the dependent parameter 79 determines positive values of the independent parameters 14, 15 and 32. Accordingly, the following independent parameters 18 and 87 act on the decrease of the Value of the dependent parameter.
Die Zunahme des Wertes vom abhängigen Parameter 87, der ebenfalls einen positiven Wert aufweist, ist von zwei unabhängigen Parametern 15 und 32 abhängig. Dementsprechend wirken zwei unabhängige Parameter 1 und 18 auf die Abnahme seines Wertes.The increase in the value of the dependent parameter 87, which also has a positive value, depends on two independent parameters 15 and 32. Accordingly, two independent parameters 1 and 18 act on the decrease of its value.
Der abhängige Parameter 91 ist maximal und erreicht den Wert von 63,1% hauptsächlich wegen der unabhängigen Parameter 1, 14, 15, 32.The dependent parameter 91 is maximum and reaches the value of 63.1% mainly because of the independent parameters 1, 14, 15, 32.
Beispiel 3. Vergleich des Patienten 18 mit der Untergruppe mit 26 PatientenExample 3. Comparison of the patient 18 with the subgroup of 26 patients
Gehen wir zur Analyse von Daten der dritten Untergruppe mit 23 Patienten und zur Forschung der Daten des Patienten 18, der nach dem Zufallsprinzip aus dieser Gruppe zwecks der Analyse ausgewählt war, über.
Tabelle 8. Faktorgewichte für 105 Parameter der Untergruppe mit 26 Patienten und des Patienten 18
Aus der obigen Tabelle 8 kann festgestellt werden, dass wie in den vorherigen Tabellen die Faktorengewichte der stark und mäßig wirkenden klinischen, biochemischen und instrumentellen Parameter, die den Zustand der Kardiopathologie eines Patienten bestimmen, in diesem Fall im Vergleich zu Gruppendaten überwiegen. Die Entwicklung der Kardiopathologie beim Patienten 18 wird kaum durch die Parameter, deren Nummern in der Zeile F4 angegeben sind und deren Anzahl doppelt so wenig als der stark und deutlich wirkenden Parameter ist, behindert. Ein spezifisches Bild des Zustands und der Struktur der Kardiopathologie beim Patienten 18 kann durch die nachstehende Tabelle 9 veranschaulicht werden.
Tabelle 9. Ergebnisse der Datenbearbeitung mittels der Mehrfachregression für die Untergruppe mit 26 Patienten und des Patienten 18
Gemäß den Gruppendaten werden die Werte der kardiologisch abhängigen Variable 79 als um 39,7% nach Koeffizienten wachsende Gleichungen der Mehrfachregression bestimmt, aber die gleiche Variable wird um 60,3% von den Werten der Koeffizienten der Mehrfachregression unabhängiger Variablen reduziert. Die abhängige Variable 87 wird durch die Koeffizientenwerte der Gleichung unabhängiger Variablen um bereits 57,3% erhöht, während sie dadurch um 42,7% erniedrigt wird. Für die abhängige Variable 91 bilden entsprechende Werte eine Zunahme um 53,6% und eine Abnahme um 46,4%.According to the group data, the values of the cardiologically dependent variable 79 are determined to be equations of multiple regression increasing by 39.7% in terms of coefficients, but the same variable is reduced by 60.3% from the values of the coefficients of multiple regression of independent variables. The dependent variable 87 is increased by already 57.3% by the coefficient values of the independent variable equation, while it is thereby lowered by 42.7%. For the dependent variable 91, corresponding values increase by 53.6% and decrease by 46.4%.
Die Daten des Patienten 18 lauten wie folgt: die abhängige Variable 91 hat in der Tabelle 9 den Maximalwert der sie erhöhenden unabhängigen Parameter - 79,0%. Gleich danach folgt der Maximalwert der abhängigen Variable 79 mit 78,3%. Für die abhängige Variable hat dieser Wert auch einen dominanten Wert, der ihr Wachstum bis 51,6% erhöht. Wie zu sehen ist, ist die Kardiopathologie beim Patienten 18 im Vergleich zu den Daten der Gruppe ausgeprägter. Diesen Zustand wird für drei abhängige Variablen, die in diesem Fall eine mögliche Entwicklung der Kardiopathologie beim Patienten 18 widerspiegeln, durch positive Werte unabhängiger kardiologischer Parameter 1, 13, 14, 15, 17, 38, 60, 75, 87 bestimmt.The data of the patient 18 are as follows: the dependent variable 91 has in Table 9 the maximum value of the independent parameters increasing it - 79.0%. Immediately thereafter, the maximum value of the dependent variable 79 follows at 78.3%. For the dependent variable, this value also has a dominant value, which increases its growth to 51.6%. As can be seen, the cardiopathology in patients 18 is more pronounced compared to the data of the group. This condition is determined by positive values of independent cardiac parameters 1, 13, 14, 15, 17, 38, 60, 75, 87 for three dependent variables, which in this case reflect a possible development of cardiopathology in the patient 18.
ZUSAMMENFASSUNG SUMMARY
Diese obigen Beispiele haben veranschaulicht, dass die Einzigartigkeit des Verfahrens besteht darin, dass es aus einer Gruppe von gesunden Patienten, die mittels Standarduntersuchungsverfahren ausgewählt wurden, eine Untergruppe von Patienten, die sich in einem Zwischenzustand zwischen keiner Krankheit und dem Krankheitsbeginn befinden, aussondern lässt. Dies ist äußerst wichtig - da diese Untergruppe besondere Aufmerksamkeit und aktive Behandlung erfordert. Dies passiert bei der herkömmlichen Analyse der Situation nicht, da Patienten ohne Anzeichen der Krankheit nicht angemessen behandelt werden. Der in der Genese solcher Entwicklung der Krankheit bei einem bestimmten Paienten verborgen Grund, auf dem auch eigene Untergruppen gebildet werden, liegt darin, dass individuelle Merkmale -Trigger, die sich mit den Gruppenmerkmalen beim Wiederholen ihres Auftretens bei verschiedenen Patienten überschneiden können, in einer bestimmten Kombination die Krankheit einsetzen.These above examples have illustrated that the uniqueness of the method is that it allows a subset of patients who are in an intermediate state between no disease and the onset of disease to be selected from a group of healthy patients selected by standard screening methods. This is extremely important - as this subgroup requires special attention and active treatment. This does not happen in the traditional analysis of the situation, because patients are not adequately treated without signs of the disease. The reason hidden in the genesis of such development of the disease in a particular patient, on which are also formed their own subgroups, is that individual features - triggers, which may overlap with the group characteristics in repeating their occurrence in different patients, in a particular one Combining the disease.
Dies wird durch die in unseren Beispielen erhaltenen Angaben bestätigt. Die Patienten 73 und 18, die aus verschiedenen, unter Anwendung der Clusteranalyse gebildeten Untergruppen ausgewählt wurden, haben zurzeit keine kardiovaskuläre Erkrankungen. Das wurde durch keine vorhandenen atherosklerotischen Läsionen der Karotis- und Koronararterien in der Duplex-Untersuchung und Koronarangiographie bestätigt.This is confirmed by the information obtained in our examples. Patients 73 and 18, selected from various subgroups formed using cluster analysis, currently have no cardiovascular disease. This was not confirmed by any existing atherosclerotic lesions of the carotid and coronary arteries in duplex examination and coronary angiography.
Bei der zusätzlichen Analyse und Erstellung von Graphen der Zusammenhänge von Merkmalen, die eine weitere Entwicklung der Krankheit bei einer bestimmten Person durch Zusammenhänge mit den Hauptmerkmalen (79.87.91) umfassend beeinflussen, wurden aber folgende Kombinationen erhalten:
- • beim Patienten 73 sind das Parameter 1 (Geschlecht), 14 (klinische Manifestationen der Krankheit - in diesem Zusammenhang - Beschwerden des Patienten), 15 (Wuchs), 18 (Herzfrequenz bei Aufnahme), 32 (CPK).
- • beim Patienten 18 sind das Parameter 1 (Geschlecht), 13 (regelmäßiger Stress), 14 (klinische Manifestationen der Krankheit - in diesem Zusammenhang - Beschwerden des Patienten), 15 (Wuchs), 17 (Body-Mass-Index), 38 (LDL), 60 (linksventrikuläre Hinterwanddicke nach Echokardiogramm), 75 (maximale Herzfrequenz beim ETT).
- • in the patient 73, the parameters are 1 (sex), 14 (clinical manifestations of the disease - in this context - complaints of the patient), 15 (growth), 18 (heart rate at admission), 32 (CPK).
- • in patient 18, the parameters are 1 (sex), 13 (regular stress), 14 (clinical manifestations of the disease - in this context - patient complaints), 15 (growth), 17 (body mass index), 38 ( LDL), 60 (left ventricular posterior wall thickness after echocardiogram), 75 (maximum heart rate at ETT).
Beim Vergleich der Merkmale sind ähnliche Parameter bei zwei Patienten zu sehen, und gleichzeitig wird es durch eine Reihe von Merkmalen beim Patienten 18 klar, warum er sich in einer anderen Gruppe - einer latenten Übergangsgruppe, in der die Entwicklung der Krankheit bereits begonnen hat, befindet. Dies ist durch die bekannten Risikofaktoren gekennzeichnet - Stress (13), Übergewicht (17), Lipidfaktoren (38), Myokardhypertrophie (60), keine körperliche Aktivität (75). In dieser Kombination sind sie zu Triggern für die Entstehung der Krankheit geworden. Dies erfordert eine unverzügliche Behandlung mit nicht-medikamentösen und medikamentösen Methoden. In diesem Beispiel wurden zu Triggern bekannte Faktoren. Die Besonderheit und das Interessante im vorschlagenden Verfahren besteht jedoch darin, dass bei einem Patienten die Merkmale, die einer Behandlung bedürfen, aber nicht in das Verständnis der Krankheitsentwicklung durch klassische Verfahren und die traditionelle Datenanalyse passen, abgesondert werden können. Als Beispiele können solche in dieser Erfindung festgestellten Parameter, wie die Blutgruppe bei der Entwicklung von KHK, GGT bei der Entwicklung von Krebs usw. dienen.When comparing the features, similar parameters are seen in two patients and, at the same time, a number of features in the patient 18 make it clear why he is in another group - a latent transition group in which the development of the disease has already begun , This is characterized by the known risk factors - stress (13), obesity (17), lipid factors (38), myocardial hypertrophy (60), no physical activity (75). In this combination, they have become triggers for the onset of the disease. This requires immediate treatment with non-drug and medical methods. In this example, triggers became known factors. However, the peculiarity and interest in the proposing procedure is that in a patient, the characteristics that require treatment but do not fit into the understanding of disease development through classical procedures and traditional data analysis can be discarded. By way of example, such parameters as established in this invention, such as the blood group in the development of CHD, GGT in the development of cancer, etc., may serve.
Dementsprechend haben die angeführten Berechnungen am Beispiel kardiovaskulärer Erkrankungen gezeigt, dass das Verfahren zur Diagnose nichtübertragbarer Krankheiten aufgrund statistischer Verfahren der Datenverarbeitung
- • die Messung der Einwirkungen von Merkmalen auf den Zustand des Patienten ermöglicht,
- • dem Forscher ein wirksames Instrument zur Erreichung der von ihm gestellten Ziele gibt,
- • sowohl die Gesamtstruktur der allgemeinen Pathologie als auch ihre individuellen Merkmale für einen bestimmten Patienten bestimmen lässt.
- • allows the measurement of the effects of features on the condition of the patient,
- • gives the researcher an effective tool to achieve the goals he has set,
- • determine the overall structure of the general pathology as well as its individual characteristics for a particular patient.
Ein weiteres nützliches technisches Ergebnis der beanspruchten Erfindung ist das, dass dieses Verfahren zur Diagnose nichtübertragbarer Krankheiten aufgrund statistischer Verfahren der Datenverarbeitung
- • klinische Praxis im Gesundheitswesen wesentlich verbessern lässt,
- • auch für die Lösung anderer medizinischer Probleme, insbesondere für die
- • significantly improve clinical practice in healthcare,
- • also for the solution of other medical problems, especially for the
Claims (6)
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2016146181A RU2632509C1 (en) | 2016-11-24 | 2016-11-24 | Method for diagnostics of non-infectious diseases based on statistical methods of data processing |
RU2016146181 | 2016-11-24 | ||
PCT/RU2017/050093 WO2018097765A1 (en) | 2016-11-24 | 2017-09-25 | Method for diagnosing non-infectious diseases on the basis of statistical data processing methods |
Publications (1)
Publication Number | Publication Date |
---|---|
DE112017003670T5 true DE112017003670T5 (en) | 2019-04-18 |
Family
ID=60040821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE112017003670.4T Ceased DE112017003670T5 (en) | 2016-11-24 | 2017-09-25 | Method for the diagnosis of noncommunicable diseases based on statistical methods of data processing |
Country Status (3)
Country | Link |
---|---|
DE (1) | DE112017003670T5 (en) |
RU (1) | RU2632509C1 (en) |
WO (1) | WO2018097765A1 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3588513A1 (en) * | 2018-06-29 | 2020-01-01 | Lituev, Viktor Nikolaevich | Apparatus and method for statistical processing of patient s test results |
CN111312346B (en) * | 2020-01-21 | 2023-04-18 | 杭州杏林信息科技有限公司 | Statistical method, equipment and storage medium for newly infected number of inpatients |
CN117166996B (en) * | 2023-07-27 | 2024-03-22 | 中国地质大学(北京) | Method, device, equipment and storage medium for determining geological parameter threshold |
CN117373036B (en) * | 2023-10-24 | 2024-06-11 | 东南大学附属中大医院 | Data analysis processing method based on intelligent AI |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2141247C1 (en) * | 1998-01-29 | 1999-11-20 | Омский государственный университет | Method for diagnosing cardiac system functional state |
RU2442531C2 (en) * | 2010-03-24 | 2012-02-20 | Сергей Михайлович Ледовской | Means of remote humain state monitoring |
-
2016
- 2016-11-24 RU RU2016146181A patent/RU2632509C1/en active
-
2017
- 2017-09-25 WO PCT/RU2017/050093 patent/WO2018097765A1/en active Application Filing
- 2017-09-25 DE DE112017003670.4T patent/DE112017003670T5/en not_active Ceased
Also Published As
Publication number | Publication date |
---|---|
RU2632509C1 (en) | 2017-10-05 |
WO2018097765A1 (en) | 2018-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112017003670T5 (en) | Method for the diagnosis of noncommunicable diseases based on statistical methods of data processing | |
Taylor et al. | A holistic model for understanding and predicting depressive symptoms in African‐American women | |
Banks et al. | The SES health gradient on both sides of the Atlantic | |
Evers et al. | Examining relationships between multiple health risk behaviors, well-being, and productivity | |
Jerison | The evolution of diversity in brain size | |
Ljunghall et al. | Longitudinal studies of mild primary hyperparathyroidism | |
Oxlad et al. | Psychological risk factors for increased post-operative length of hospital stay following coronary artery bypass graft surgery | |
EP1527407A2 (en) | Method and computer program comprising program code means, and computer program product for analysing the activity of a pharmaceutical preparation | |
Pucker et al. | Description and prediction of social isolation in borderline patients over 20 years of prospective follow-up. | |
Ladwig et al. | Depression: An underestimated risk for the development and progression of coronary heart disease | |
DE19634577A1 (en) | Method and arrangement for determining individual-specific daily profiles of blood sugar concentration, insulin activity and food absorption | |
DE69633681T2 (en) | METHOD FOR DETERMINING REPERFUSION FOR THROMBOLYTIC THERAPY | |
AT508113B1 (en) | METHOD FOR ASSESSING THE HEALTH RISK OF A PROBAND | |
Motzek et al. | Impact of dementia on length of stay and costs in acute care hospitals | |
McKhann et al. | Subjective memory symptoms in surgical and nonsurgical coronary artery patients: 6-year follow-up | |
EP1175865A2 (en) | Evaluation method for determining the temporal stationarity of measured physiological signals | |
Cherry | Women and work stress: evidence from the 1946 birth cohort | |
Pieper et al. | Depression as a comorbid disorder in primary care | |
Appenroth et al. | Trans and Care | |
Krupp et al. | Validation of the German version of the 6‑item screener: Brief cognitive test with broad application possibilities | |
WO2020115021A1 (en) | Method for supporting a diagnosis and device for same | |
Nayak et al. | Comparing the HRV Time-Series Signals Acquired from Cannabis Consuming and Non-Consuming Indian Paddy-Field Workers by Recurrence Quantification Analysis | |
Al-Smadi | Lifestyle and prediction of menopausal symptoms among sample of women in Jordan | |
Glasunov et al. | Methodological Aspects of the Design and Conduct of Preventive. Trials in Ischaemic Heart Disease | |
Aghatabay et al. | The Effect of Optimism Training on Emotional Problems and Life Satisfaction in Patients with Myocardial Infarction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee | ||
R073 | Re-establishment requested | ||
R074 | Re-establishment allowed | ||
R002 | Refusal decision in examination/registration proceedings | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee | ||
R003 | Refusal decision now final |