WO2018097765A1 - Способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных - Google Patents

Способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных Download PDF

Info

Publication number
WO2018097765A1
WO2018097765A1 PCT/RU2017/050093 RU2017050093W WO2018097765A1 WO 2018097765 A1 WO2018097765 A1 WO 2018097765A1 RU 2017050093 W RU2017050093 W RU 2017050093W WO 2018097765 A1 WO2018097765 A1 WO 2018097765A1
Authority
WO
WIPO (PCT)
Prior art keywords
patient
parameters
value
individual
clinical
Prior art date
Application number
PCT/RU2017/050093
Other languages
English (en)
French (fr)
Inventor
Виктор Николаевич ЛИТУЕВ
Олег Владимирович ГАЙСЁНОК
Original Assignee
Виктор Николаевич ЛИТУЕВ
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Виктор Николаевич ЛИТУЕВ filed Critical Виктор Николаевич ЛИТУЕВ
Priority to DE112017003670.4T priority Critical patent/DE112017003670T5/de
Publication of WO2018097765A1 publication Critical patent/WO2018097765A1/ru

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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

Definitions

  • the invention relates to medicine, and more specifically to methods for diagnosing non-communicable diseases based on statistical data processing methods in which parameters characterizing a patient's condition are measured.
  • the obtained parameters are processed by statistical methods, based on the processing of which the most significant diagnostic parameters are distinguished, the deviation from the norm of which reveals the presence of the disease.
  • This method can be used to diagnose non-communicable diseases and determine the causes of their development for a particular patient.
  • Clinical and amnestic data a set of information obtained during a medical examination by questioning the person being examined and / or those who know him, according to clinical and biochemical blood analysis and instrumental studies of the patient. Measured by the categorical criterion - yes / no.
  • Laboratory and instrumental data - data obtained in laboratories or, for example, by instrumental sonography (ultrasound) as a result of measurements (pressure, weight, height, content of one or another component in the blood, geometric size of internal organs and tissues, tumors, etc. , which is measured in units of the metric system, percent, etc.).
  • Reference values are a medical term used in laboratory and clinical studies, which are defined as intervals of certain clinical and biochemical parameters that are obtained as a result of mass screenings of the population. Examples of reference values (intervals): hemoglobin: 120-150 g / l; glucose: 3.9-5.8 mmol / l; platelets: 150-370 E9 / l. Most reference values are expressed in different units. This makes them comparable only at the level of intuition of an experienced doctor. Individual average values at reference intervals - the true value of the arithmetic mean of the specified parameter, taking into account the specific value of the individual patient's indicator.
  • An individual matrix of the clinical and biochemical state of a particular patient is a two-dimensional matrix filled with binary coefficients: zeros and ones.
  • various parameters characterizing the condition or pathology of a particular patient including clinical and biochemical data and information from the anamnesis.
  • the size of the atherosclerotic plaque of the right OCA the thickness of the intima-media
  • blood test results hemoglobin, erythrocytes, platelets, white blood cells, glucose, cholesterol, gamma-HT, fibrinogen, etc.
  • the following indicator intervals are indicated on the lines of an individual matrix:
  • the indicator is in the range of reference values, i.e. is the norm, then “1” is indicated, if not, then “0”.
  • the value of the indicator has a value below the limits of the interval of reference values; that is, the value of the indicator is below the norm, then “1” is indicated, if not, “0”.
  • the indicator for a particular patient has the same value as the arithmetic mean value calculated from the result of the individual patient’s value and the data of the extreme values of the range of reference values, then if the values coincide, it is designated as “1”, if not - “0”.
  • the individual value of the result of measuring the indicator of a particular patient is higher than a specific average, the calculated individual average, obtained according to the result of measuring the indicator of a particular patient, and the lower and higher values of the reference interval; that is, when the value is higher, then 1 ”is set; if not,“ 0 ”;
  • the individual values of the measurement result for a particular patient are below a specific average, the calculated individual average obtained from the data of the measurement result of the indicator for a particular patient, and the lower and higher values of the reference interval; that is, when the value is lower, then “1” is set; if not, “0”.
  • Cluster analysis is a multidimensional statistical procedure that collects data containing information about a sample of objects and then organizes objects into relatively homogeneous groups
  • Factor analysis is a multidimensional method used to study the relationships between the values of variables. Known variables are assumed to depend on fewer unknown variables and random error.
  • Multiple regression is a statistical technique, which is an extended version of a simple regression that allows you to make predictions and conclusions from latent states regarding, for example, one1 dependent variable, based on changes and actions of two or more independent variables.
  • dependent and independent variables the results of measurements of indicators for an individual patient can be applied. If the regression equation takes the form of standard values, then the relative weights or contributions of each of the independent variables (predictive) variables in the change in the dependent variable can be estimated.
  • PSA prostate specific antigen PSA was used as a tumor marker for prostate carcinoma pathology and it was determined that prostate carcinoma in a particular patient depends on the values of hepatic enzymes, and especially the values of gamma-glutamyl transferase.
  • the attending physician solves at the level of his knowledge and intuition the task of classifying all the data for a particular patient to determine key pathology indicators. It is clear that with such a variety of data and their relationships, the solution to the problem of data classification may not always be adequate and achieve clinical goals. Medical science using mathematical methods and models greatly facilitates the solution of classification problems only at the population level.
  • a known method for the diagnosis of noncommunicable diseases is based on statistical data processing methods, in which parameters characterizing the condition of patients at the population level are measured, the obtained parameters are processed by statistical methods, based on the processing of which the most significant diagnostic parameters are identified, the deviation from the norm of which reveals the presence of the disease. See patent for the invention of the Russian Federation N ° 2141247, published in 1999.
  • the disadvantage of this method is the 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 particular patient at a given level
  • the technique is based on averaged data that are calculated over a large population of patients. In determining the causes of the disease, factors are determined that affect the development of the disease, which affect the disease not in a particular patient, but in an average population of patients.
  • the present invention mainly aims to propose a method for the diagnosis of noncommunicable diseases based on statistical data processing methods in which parameters characterizing the condition of a particular patient are measured.
  • the obtained parameters are processed by statistical methods, based on the processing of which the most significant diagnostic parameters are distinguished, the deviation from the norm of which reveals the presence of the disease.
  • This allows, at least, to smooth out one of the above disadvantages, namely, to increase the accuracy of the diagnosis of noncommunicable diseases in a particular patient by identifying additional factors affecting the development of this disease in a particular patient, which is a technical problem to be solved.
  • the obtained individual patient matrix is processed by statistical methods using cluster analysis to determine structural relationships from all possible relationships between patient parameters. Due to this advantageous characteristic, it becomes possible to determine groups of related patient parameters, such parameters within the group that affect each other, but do not affect the parameters within another group.
  • the obtained individual patient matrix is processed by statistical methods using factor analysis to determine, at the level of measurement of factor weights and their signs, the values and directions of action (plus or minus) of each parameter when each of the entire set of parameters affects it the patient. Thanks to this advantageous characteristic, it becomes possible to measure factor weights and their signs of the value and direction of action of each parameter when each of the entire set of patient parameters affects it.
  • FIG. 1 shows a graph of the relationship of clinical, biochemical and instrumental indicators of the first example, according to the invention
  • FIG. 2 shows the steps of a method for the diagnosis of noncommunicable diseases based on statistical data processing methods according to the invention.
  • Step 1 Measure the parameters characterizing the condition of the patient, for which measure the parameters characterizing the condition of the patient, by obtaining:
  • the following 105 parameters can be applied, see table 1, or any representative sample of them. These examples are given from the conducted cohort study, the patient sample in which was formed on the rules of the register [1, 2]. Reference values of indicators and their norms are given in accordance with existing standards [3-5].
  • Table 1 An approximate set of indicator indicators, their reference values and norms.
  • the above list of indicators is not complete, is given as an example.
  • the number of indicators of pathological conditions of a patient depends on the progress of medical technologies. For example, in the presented range of pathology indicators, patient research data based on the results of promiotic studies can be installed.
  • indicators that describe the lifestyle and lifestyle of an individual patient can be included in these indicators, which, along with deviations in the parameters obtained by clinical diagnostic methods, can determine the effect of parameters describing the lifestyle and lifestyle of an individual patient.
  • Each of the above signs (like any other possible) has a specifically calculated coefficient of the probability value.
  • the value of the probability coefficient has both quantitative and qualitative characteristics characterizing the state of both an individual patient and the population in precisely defined quantitative frameworks.
  • Step 2 For those parameters for which reference values exist, a correction is made for the reference value of the specified parameter in the direction of the measured value of the patient parameter, thus determining the individual reference value of the specified parameter for a particular patient, for the remaining parameters, the value is assigned according to the categorical sign of its presence.
  • an individual matrix of the patient's clinical and biochemical state is constructed, formed by binary coefficients corresponding to comparing each parameter with an individual reference value and finding each parameter within a different interval of deviations of the measured value from the individual reference value of the specified parameter, arranging parameters characterizing the patient’s condition in the matrix columns , and in the lines - the norm and various intervals of deviations of the measured value I am from the individual reference value of the specified parameter, assigning one to the binary coefficient if the value of the parameter falls into the specified interval and zero if not.
  • the norm is within (unit, if yes, zero if not)
  • Stage 3 The obtained individual patient matrix is processed by statistical methods, based on the processing of which the structure of indicators and their interdependence determining the development of the disease in a particular patient are distinguished.
  • Step 31 It is possible to process the obtained individual patient matrix by statistical methods using cluster analysis to determine structural relationships from all possible relationships between patient parameters.
  • Step 32 It is possible to process the obtained individual patient matrix by statistical methods using factor analysis to determine the value and direction of action (plus or minus) of each parameter at the level of measurement of factor weights and their signs when each of the entire set of patient parameters affects it.
  • Step 33 It is possible to process the obtained individual patient matrix by statistical methods using multiple regression, which determines the effect of independent parameters on the dependent parameters of the patient.
  • Stage 4 Based on the processing in the previous stages, the most significant diagnostic parameters are identified, the deviation from the norm of which reveals the presence of the disease.
  • the set of individual matrices of the clinical and biochemical state for each patient can be transformed into a general population matrix, since both the patient and the population as a whole are characterized by a single qualitative and quantitative state of clinical and biochemical pathology indicators.
  • Each of the indicators with specific values of the calculated probability coefficients can be represented in an individual patient matrix, in the general population matrix in the form of a dependent or independent variable, which can be processed using a wide range of various mathematical analysis methods depending on the task.
  • the proposed method for the diagnosis of noncommunicable diseases based on statistical data processing methods can be carried out by a specialist in practice and, when implemented, ensures the implementation of the declared purpose, which allows us to conclude that the criterion of "industrial applicability" for the invention is met.
  • the applicant carried out calculations according to this method on the examples: - the first group of 86 patients from a cohort study on the correlation of carotid and coronary atherosclerosis in patients with cardiovascular patients [1, 2];
  • 3 accumulates in its columns the converted data for 105 positions for different groups of patients by the number of mathematical and statistical methods.
  • Patient groups were selected from the first group using a cluster analysis of 105 indicators, (see step 1).
  • Group 2 includes 33 patients,
  • Table 3 below presents the calculated group data on average values and factor loads for each of the above groups.
  • column N ° 1 indicates the number of the indicator in the list (see Step 1)
  • columns N ° 2-6 show the average values of the indicators for groups of 86, 33, 23, 19 and 1 1 patients.
  • Columns N ° 7-1 1 reflect the numerical values of factor loads calculated using the principal component method.
  • each of the samples adequately reflects the linear states of most of the indicator values recorded in the sample, which is represented by a total of 86 patients.
  • factor loads which reflect the systemic relationships of each indicator with each.
  • significant indicators of factor loads > 0.72
  • indicator 93 the degree of maximum stenosis of the coronary artery.
  • the absolute number of factor loads for most indicators ranges from -0.62 to +0.93.
  • Example 1 The construction of a graph of the relationship of clinical, biochemical and instrumental indicators on the example of the second group of patients
  • factor analysis [8.9] made it possible to determine the effect of each trait in a particular patient, and the obtained data were systematized for the entire cohort of the study.
  • table ⁇ ° 3 we turn to the information in table ⁇ ° 3, in which the data of factor analysis are grouped - numerical values of factor loads calculated from the aggregated data matrix for 12 patients.
  • a graph was created of the relationship of signs characterizing the presence of a cardiological pathology (ie, the development of IHD) in an aggregated matrix of a cohort of 12 patients (see Fig. 1).
  • indicator 86 In the center of the first macro structure is indicator 86 (intimedia media), which has a large number of relationships with other, mainly instrumental indicators.
  • the previous macro structure is associated with the second macro structure, which consists of four indicators: 38 (LDL - int), 37 (cholesterol - int), 38 (LDL - n), 37 (cholesterol - n).
  • the second macrostructure is associated with the third.
  • the third macrostructure 22 indicators are interconnected, of which 9 indicators have a value above the norm (ext). Of these, two are instrumental and reflect the cardiological state of the patient (the presence of coronary heart disease). These are indicators 1 16 and 1 18, which are in a state above the norm (MCKT KA> 50%, and CAG> 50%). In other words, the interrelated indicators of the third macrostructure reflect the presence of IHD in patients. Interrelated indicators of this structure reveal the state of coronary heart disease in the form of an internal structure of the relationship of instrumental, clinical and biochemical blood parameters.
  • biochemical blood parameters (vn) above normal 23 (red blood cells - vn), 1 1 1 (GGT - vn), 32 (KFK - vn), 28 (Glucose - vn), 42 (Fibrinogen - vn) ), 1 10 (Amylase - int), 31 (Potassium - int).
  • the other 1 1 indicators included in the third macrostructure under consideration they have a value below the norm (nn), norm (n) and not norm (not).
  • 7 indicators are clinical and instrumental: 86 (intima-media - nn), 19 (blood pressure - nn), 19 (blood pressure-n), 46 (ECG-not), 82 (treadmill test - not), 1 17 (MCKT CA ⁇ 50%), 1 19 (CAH ⁇ 50%).
  • the remaining 4 interrelated indicators are laboratory: 23 (red blood cells - nn), 1 12 (alkaline phosphatase - nn), 40 (triglycerides - n), 31 (potassium - nn).
  • the fourth macro structure which is also interconnected as the third, with the second macro structure (which can generally be described as the “cholesterol core”), consists of 21 interrelated indicators. Moreover, only three of them: 1 15 (AB in the field of bifurcations of the right OSA - stenosis - extra), 82 (TFN - n), 1 19 (CAG ⁇ 50%) are instrumental. Indicator 1 15 has the maximum number of relationships.
  • the rest are indicators of a clinical and biochemical blood test and have a norm value: 44 (maximum aggregation - n), 108 (calcium - n), 30 (creatinine - n), 10 (amylase-n), 32 (CPK - n), 29 (uric acid - n), 39 (HDL - n), 28 (glucose - n), 31 (potassium - n), 27 (ESR - n), 24 (leukocytes - n), 23 (red blood cells - n), 35 (bilirubin - n), 22 (hemoglobin - n), 33 (AST - n), 18 (heart rate - n), 1 12 (alkaline phosphatase - n), 42 (fibrinogen - n). Table 5. Factor loadings for the studied traits in 12 patients
  • this example shows that using standard diagnostic methods, patients can be divided into two groups - with or without a disease. It is for patients whose pathology is not identified, it is necessary to conduct a more accurate diagnosis, which allows implement the proposed method. It is this diagnosis that allows a group of patients with a lack of pathology to identify the subgroup in which the latent development of the disease has already begun and to determine those factors that are primarily responsible for the onset of the development of the pathology.
  • Example 2 Comparison of patient N ° 73 and a group of 86 patients
  • the numbers in bold are instrumental indicators of cardiological pathology.
  • Table 7 The results of data processing on the mathematical model of multiple regression for a group of 86 patients and patient N ° 73.
  • Data for a group of 86 patients reflect the fact of the available values for 84 indicators, and the remaining 21 indicators are not integrated into the multiple regression calculations.
  • the number of independent variables for patient N ° 73 is an order of magnitude less.
  • the total value of the dependent variables 79, 87, 91 by the coefficients of the independent variables determines the total value of these dependent variables.
  • the fraction of the total values of independent variables acting to increase the values of one or another dependent variable reflects the measured state of the differentiated effect of independent variables on the total value of any of the selected dependent variables.
  • the fraction of the total values of independent variables acting to reduce a particular dependent variable reflects the measured effect on the state of any of the identified dependent variables.
  • two independent indicators 15 and 32 determine its increase. And two independent indicators 1 and 18 respectively decrease its growth.
  • the next dependent indicator 91 is the maximum and reaches 63, 1% - 91 mainly due to independent indicators 1, 14, 15, 32.
  • Example 3 Comparison of patient N ° 18 and a group of 26 patients
  • Table 9 The results of data processing on the mathematical model of multiple regression for a group of 26 patients and patient N ° 18.
  • the values of the cardiological dependent variable 79 are determined as increasing the coefficients of the multiple regression equations by 39.7%, but the same variable is reduced by 60.3% of the values of the multiple regression coefficients of the independent variables.
  • dependent variable 87 its values are increased by the coefficients of the equation of independent variables, which already make up 57.3%, and decrease 42.7%.
  • the corresponding values are: an increase of 53.6%, a decrease of 46.4%.
  • the patient data ⁇ ° 18 represent the following: dependent variable 91 has in Table 9 the maximum value of the independent indices increasing it - 79.0%.
  • the dependent variable has a slightly lower maximum 79, which is 78.3%.
  • this value also has a predominant value, which increases its growth - 51.6%.
  • the known triggers were triggers.
  • the peculiarity and interest of the proposed method lies in the fact that it allows you to highlight in a particular person those signs that require exposure, but do not fit into the understanding of the situation of the development of the disease from the classical approach and traditional data analysis.
  • Such examples may be such signs identified in this invention, as a blood group in the development of IHD, GGT in the development of cancer, and others.

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

Изобретение относится к диагностике неинфекционных заболеваний на основе статистических методов обработки данных. Способ содержит измерение параметров, характеризующих состояние пациента. Полученные параметры обрабатывают статистическими методами. Выделяют наиболее значимые диагностические параметры, по отклонению от нормы которых выявляют наличие заболевания. Также измеряют параметры, характеризующие состояние пациента, включающие клинико-анамнестические данные, лабораторно-инструментальные данные. Для тех параметров, у которых существуют референсные интервалы, выполняют вычисление среднего арифметического, а для остальных параметров присваивается «1» или «0» в зависимости от категориального признака. Строят индивидуальную матрицу клинико-биохимического состояния, в которой расположены последовательно параметры, характеризующие состояние пациента, а в строках - норма и различные интервалы отклонений измеренного значения от индивидуального референсного значения указанного параметра, присваивая бинарному коэффициенту «1», если значение параметра попадает в указанный интервал, и «0», если нет. Обрабатывают статистическими методами полученную матрицу. Выделяют наиболее значимые параметры, влияющие на состояние данного пациента, и по которым выявляют наличие заболевания у данного пациента. Изобретение позволяет повысить точность диагностики неинфекционных заболеваний.

Description

СПОСОБ ДИАГНОСТИКИ НЕИНФЕКЦИОННЫХ ЗАБОЛЕВАНИЙ НА ОСНОВЕ СТАТИСТИЧЕСКИХ МЕТОДОВ ОБРАБОТКИ ДАННЫХ Область техники, к которой относится изобретение.
Изобретение относится к области медицины, а более конкретно к способам диагностики неинфекционных заболеваний на основе статистических методов обработки данных, при которых измеряют параметры, характеризующие состояние пациента. Полученные параметры обрабатывают статистическими методами, на основании обработки которых выделяют наиболее значимые диагностические параметры, по отклонению от нормы которых выявляют наличие заболевания. Данный способ может быть использован для диагностики неинфекционных заболеваний и определения причин их развития для конкретного пациента.
В данном описании использованы следующие термины:
Клинико-амнестические данные - совокупность сведений, получаемых при медицинском обследовании путем расспроса самого обследуемого и/или знающих его лиц, по данным клинико-биохимического анализа крови и инструментальных исследований пациента. Измеряется по категориальному признаку - есть/нет.
Лабораторно-инструментальные данные - данные полученные в лабораториях, или, например, инструментальным способом сонографии (УЗИ) в результате измерений (давления, веса, роста, содержания того или иного компонента в крови, геометрического размера внутренних органов и тканей, опухолей, и пр., что измеряется в единицах метрической системы, процентах и т.д.).
Референсные значения - это медицинский термин, употребляемый при проведении лабораторных и клинических исследованиях, которые определяются как интервалы определенных клинико-биохимических показателей, которые получены в результате массовых обследований населения. Примеры референсных значений (интервалов): гемоглобин: 120-150 г/л; глюкоза: 3,9-5,8 ммоль/л; тромбоциты: 150-370 Е9/л. Большинство референсных значений выражено в разных единицах измерений. Это делает их сравнимыми только на уровне интуиции опытного врача. Индивидуальные средние значения в референсных интервалах - истинное значение среднего арифметического указанного параметра с учетом конкретного значения показателя индивидуального пациента. Это вычисление среднего арифметического для двух или трех значений: нижней границы референсного интервала, верхней границы референсного интервала, и, измеренного результата показателя конкретного пациента. Таким образом, получается определить не средние значения, вычисленные на основе громадного объема данных популяции, а истинное среднее значение, индивидуальное для каждого пациента, которое может изменяться со временем, и, которое является более точным показателем среднего значения конкретного пациента, учитывающего его индивидуальные особенности.
Индивидуальная матрица клинико-биохимического состояния конкретного пациента - двумерная матрица, заполненная бинарными коэффициентами: нулями и единицами. В столбцах матрицы обозначены и пронумерованы различные параметры, характеризующие состояние или патологию конкретного пациента, включающее клинико-биохимические данные и сведения из анамнеза. Например: размер атеросклеротической бляшки правой ОСА, толщина интима-медиа; результаты анализа крови: гемоглобин, эритроциты, тромбоциты, лейкоциты, глюкоза, холестерин, гамма - ГТ, фибриноген и др. По строкам индивидуальной матрицы обозначены следующие интервалы показателей:
• наличие того или иного показателя; если показатель есть в качестве значения указывается «1 », если нет «0».
• показатель находится в интервале референсных значений, т.е. является нормой, то указывается «1 », если - нет, то «0».
• значения показателя конкретного пациента находятся вне интервалов референсных значений; т.е. является не нормой, то указывается значение «1 », если показатель находится в норме, то указыватся «0».
• значение показателя имеет большее значение и находится вне пределов интервала референсных значений; то есть значения показателя больше нормы, то указывается «1 », если нет - «0».
• значения показателя имеет значение ниже пределов интервала референсных значений; то есть значение показателя ниже нормы, то указывается «1 », если нет - «0». • показатель по конкретному пациенту имеет совпадающее значение со средним арифметическим значением, вычисленным по результату значения индивидуального пациента и данным крайних значений интервала референсных значений, то при совпадении значений обозначается как «1 », если нет - «0».
· индивидуальное значение результата измерения показателя конкретного пациента выше конкретного среднего, вычисленного индивидуального среднего, полученного по данным результата измерения показателя у конкретного пациента, и, низшего и высшего значений референсного интервала; то есть, когда значение выше, то ставится 1 », если нет - «0»;
· индивидуальные значения результата измерения по конкретному пациенту ниже конкретного среднего, вычисленного индивидуального среднего, полученного по данным результата измерения показателя у конкретного пациента, и, низшего и высшего значений референсного интервала; то есть, когда значение ниже, то ставится «1 », если нет - «0».
· волатильность конкретного значения показателя в интервале референсных значений от 0,0% до 3,0%; если значение коэффициента вариации, рассчитанного по данным дисперсии показателя индивидуального значения пациента попадает в этот интервал референсных значений, то ставится «1 », если нет - «0»;
· волатильность конкретного значения показателя в интервале референсных значений от 3,01 % до 10,0%; если значение коэффициента вариации, рассчитанного по данным дисперсии показателя индивидуального значения пациента попадает в этот интервал референсных значений, то ставится «1 », если нет «0».
· волатильность конкретного значения показателя в интервале референсных значений от 10,01 % до 20,0%; если значение коэффициента вариации, рассчитанного по данным дисперсии показателя индивидуального значения пациента попадает в этот интервал референсных значений, то ставится «1 », если нет - «0».
· волатильность конкретного значения показателя в интервале референсных значений от 20,01 % до 30,0%. Если значение коэффициента вариации, рассчитанного по данным дисперсии показателя индивидуального значения пациента попадает в этот интервал референсных значений, то ставится «1 », если нет - «0». • волатильность конкретного значения показателя в интервале референсных значений >30,01 %. Если значение коэффициента вариации, рассчитанного по данным дисперсии показателя индивидуального значения пациента попадает за это значение интервального ряда референсных значений, то ставится «1 », если нет - «0».
• индивидуальные значения результата измерения по конкретному пациенту ниже конкретного среднего, вычисленного индивидуального среднего, полученного по данным результата измерения показателя у конкретного пациента, и, низшего и высшего значений референсного интервала; то есть, когда значение ниже, то ставится «1 », если нет - «0».
• волатильность конкретного значения показателя в интервале референсных значений от 0,0% до 3,0%; если значение коэффициента вариации, рассчитанного по данным дисперсии показателя индивидуального значения пациента попадает в этот интервал референсных значений, то ставится «1 », если нет - «0»;
• волатильность конкретного значения показателя в интервале референсных значений от 3,01 % до 10,0%; если значение коэффициента вариации, рассчитанного по данным дисперсии показателя индивидуального значения пациента попадает в этот интервал референсных значений, то ставится «1 », если нет «0».
• волатильность конкретного значения показателя в интервале референсных значений от 10,01 % до 20,0%; если значение коэффициента вариации, рассчитанного по данным дисперсии показателя индивидуального значения пациента попадает в этот интервал референсных значений, то ставится «1 », если нет - «0».
• волатильность конкретного значения показателя в интервале референсных значений от 20,01 % до 30,0%. Если значение коэффициента вариации, рассчитанного по данным дисперсии показателя индивидуального значения пациента попадает в этот интервал референсных значений, то ставится «1 », если нет - «0».
• волатильность конкретного значения показателя в интервале референсных значений >30,01 %. Если значение коэффициента вариации, рассчитанного по данным дисперсии показателя индивидуального значения пациента попадает за это значение интервального ряда референсных значений, то ставится «1 », если нет - «0». Количество интервалов по строкам может изменяться в сторону увеличения их дробности.
Формула вычисления среднего арифметического:
n
Формула вычисления дисперсии (стандартного отклонения):
Figure imgf000007_0001
Формула вычисления коэффициента вариации:
Figure imgf000007_0002
Кластерный анализ — многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающая объекты в сравнительно однородные группы
Факторный анализ— многомерный метод, применяемый для изучения взаимосвязей между значениями переменных. Предполагается, что известные переменные зависят от меньшего количества неизвестных переменных и случайной ошибки.
Множественная регрессия - статистическая методика, представляющая собой расширенный вариант простой регрессии, позволяющий делать предсказания и выводы из латентных состояний относительно, например, одной1 зависимой переменной, основываясь на изменениях и действиях двух или более независимых переменных. В качестве зависимой и независимых переменных могут быть применены результаты измерений показателей по индивидуальному пациенту. Если уравнение регрессии имеет форму стандартных значений, то могут быть оценены относительные веса или вклады каждой из независимых переменных (предсказывающих) переменных в изменении зависимой переменной. Пример: в качестве зависимой переменной применялся простат специфический антиген PSA как онкомаркер при патологии карциномы предстательной железы и было определено, что карцинома простаты у конкретного пациента зависит от значений печеночных ферментов, и, особенно, значений гаммаглютамилтрансферазы.
Уровень техники При проведении диагностики, на основании большого количества несравнимых данных, которые отражают состояние индивидуального пациента, выбор, классификация и содержание агрегированных показателей для достижения клинических целей является весьма трудной задачей. В результате, важнейшие для точности диагностики значения несравнимых данных игнорируются по объективным обстоятельствам, поскольку даже в классическом клинико- биохимическом анализе крови определяющее и существенное количество результатов показателей представляется в разных единицах измерения, например, гемоглобин измеряется в г/л, тромбоциты - в Е9/л, глюкоза - ммоль/л, и т.д.
На первом диагностическом этапе, лечащий врач решает на уровне своих знаний и интуиции задачу классификации всех данных по конкретному пациенту для определения ключевых показателей патологии. Понятно, что при таком многообразии данных и их взаимосвязей решение проблемы классификации данных не всегда может быть адекватным и достигающим клинических целей. Медицинская наука с помощью математических методов и моделей существенно облегчает решение классификационных задач только на уровне популяции.
Известен способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных, при котором измеряют параметры, характеризующие состояние пациентов на уровне популяции, полученные параметры обрабатывают статистическими методами, на основании обработки которых выделяют наиболее значимые диагностические параметры, по отклонению от нормы которых выявляют наличие заболевания. См. патент на изобретение РФ N° 2141247, опубликован в 1999 году.
Данный способ является наиболее близким по технической сути и достигаемому техническому результату и выбран за прототип предлагаемого изобретения.
Недостатком такого способа является невысокая точность диагностики неинфекционных заболеваний именно у конкретного пациента. Это связано с тем, что диагностическая ценность метода у конкретного пациента на данном уровне техники основана на усредненных данных, которые рассчитываются по большой совокупности пациентов. При определении причин заболевания определяются факторы, влияющие на развитие данного заболевания, которые влияют на данное заболевание не у конкретного пациента, а у усредненной совокупности больных.
Соответственно, если конкретный пациент сопоставим со среднестатистическим больным по измеренным параметрам, то диагноз и причины заболевания, скорее всего, будут определены достаточно точно. Но при удалении от среднестатистического больного, точность диагноза будет резко уменьшаться, равно как и причины, которые приводят к такому состоянию пациента. Это хорошо проиллюстрировано в таблице 3, которая приводится и описывается далее и которая касается именно тех заболеваний, который описаны в прототипе.
Раскрытие изобретения.
Опирающееся на это оригинальное наблюдение настоящее изобретение, главным образом, имеет целью предложить способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных, при котором измеряют параметры, характеризующие состояние конкретного пациента. Полученные параметры обрабатывают статистическими методами, на основании обработки которых выделяют наиболее значимые диагностические параметры, по отклонению от нормы которых выявляют наличие заболевания. Это позволяет, по меньшей мере, сгладить один из указанных выше недостатков, а именно повысить точность диагностики неинфекционных заболеваний у конкретного пациента за счет выявления дополнительных факторов, влияющих на развитие данного заболевания у конкретного пациента, что и является решаемой технической задачей.
Для достижения этой цели
• измеряют параметры, характеризующие состояние пациента, включающие клинико-анамнестические данные, лабораторно-инструментальные данные,
• для тех параметров, у которых существуют референсные интервалы, выполняют вычисление среднего арифметического на основании результата показателя по конкретному пациенту и значениям нижнего и верхнего значений референсных интервалов, а для остальных параметров присваивается значение по категориальному признака его наличия и обозначается как «1 », и при отсутствии - «0»,
• строят индивидуальную матрицу клинико-биохимического состояния пациента, образованную бинарными коэффициентами, соответствующими сопоставлению каждого параметра с индивидуальным средним , вычисленным по референсным значениям и нахождению каждого параметра внутри и во вне различных референсных интервалов отклонений измеренного значения от индивидуального референсного значения указанного параметра, располагая в столбцах матрицы последовательно параметры, характеризующие состояние пациента, а в строках - норму и различные интервалы отклонений измеренного значения от индивидуального референсного значения указанного параметра, присваивая бинарному коэффициенту единицу, если значение параметра попадает в указанный интервал и ноль, если нет,
• обрабатывают статистическими методами полученную индивидуальную матрицу клинико-биохимического состояния пациента, на основании обработки которой и выделяют наиболее значимые параметры, влияющие на состояние данного пациента и по которым выявляют наличие заболевания у данного пациента.
Благодаря данным выгодным характеристикам появляется возможность: - выделения взаимосвязей между параметрами, которые у человека страдающего той или иной патологией являются зависимыми, что свидетельствует о наличии и структуре конкретной патологии.
- расширения выборки исходных данных, которые теперь позволяют включать для применения статистических методов обработки данных не только параметры, измеряемые в конкретных цифрах, но и те, которые можно оценивать по категориальному признаку его наличия;
- определять влияние одних измеряемых параметров конкретного пациента на другие параметры, и при этом выявить группы связанных параметров (при этом само наличие взаимосвязей среди независимых параметров является основой для анализа наличия и причин заболевания конкретного пациента); То есть при наличии онкологической патологии у врача появляется возможность определить совокупность параметров или параметр у пациента, которые определяют состояние и развитие злокачественной опухоли или ее рецидив. Соответственно, это становится решающим фактором и позволяет точно разработать технологию лечения. - перейти от статистических методов, построенных на группе сходных пациентов, к статистическим методам, применяемых к данному конкретному пациенту, что позволяет выявить факторы, влияющие на состояние данного конкретного пациента.
Все это приводит к тому, что становится возможным определить методы лечения данного конкретного пациента не в соответствии со среднестатистическими рекомендациями, которые могут не подойти данному конкретному пациенту, а на основании его личных данных, что будет приводить в норму факторы, влияющие на заболевание данного конкретного пациента.
Существует кроме того вариант изобретения, в котором выделяют наиболее значимые диагностические параметры путем выделения группы параметров, для которых выявлена зависимость этих параметров между собой внутри группы. Благодаря данной выгодной характеристике появляется возможность выделения зависимостей между параметрами, которые у здорового человека являются независимыми, что свидетельствует о патологии.
Существует кроме того вариант изобретения, в котором обрабатывают статистическими методами полученную индивидуальную матрицу пациента с применением кластерного анализа для определения структурных взаимосвязей из всех возможных взаимосвязей параметров пациента. Благодаря данной выгодной характеристике появляется возможность определять группы связанных параметров пациента, таких параметров внутри группы, которые влияют друг на друга, но не влияют на параметры внутри другой группы.
Существует также вариант изобретения, в котором обрабатывают статистическими методами полученную индивидуальную матрицу пациента с применением факторного анализа для определения на уровне измерения факторных весов и их знаков значения и направления действия (в плюс или в минус) каждого параметра при влиянии на него каждого из всей совокупности параметров пациента. Благодаря данной выгодной характеристике появляется возможность измерения факторных весов и их знаков значения и направления действия каждого параметра при влиянии на него каждого из всей совокупности параметров пациента.
Существует еще один вариант изобретения, в котором обрабатывают статистическими методами полученную индивидуальную матрицу пациента с применением множественной регрессии, по которой и определяют влияние независимых параметров на зависимые параметры пациента. Благодаря данной выгодной характеристике появляется возможность использовать метод множественной регрессии для определения влияния независимых параметров на зависимые параметры пациента.
Существует кроме того вариант изобретения, в котором для тех параметров, у которых существуют референсные значения, делают поправку для референсного значения указанного параметра в сторону множества измеренных в разное время значений параметров пациента, определяя таким образом индивидуальное референсное значение указанного параметра для конкретного пациента за определенный период. Благодаря данной выгодной характеристике появляется возможность повышения точности измерений, так как появляется больше данных по конкретному пациенту, которые описывают его состояние на промежутке времени, а не в какой-то конкретный момент. 9То есть исключается возможность возникновения случайных факторов, влияющих на отклонение некоторых параметров от нормы).
Совокупность существенных признаков предлагаемого изобретения неизвестна из уровня техники для способов аналогичного назначения, что позволяет сделать вывод о соответствии критерию «новизна» для предлагаемого решения. Кроме того, большая значимость данного решения, и факт, что до сих пор такое решение не было предложено, говорит о наличии изобретательского уровня для предлагаемого решения.
Краткое описание чертежей.
Другие отличительные признаки и преимущества предлагаемого решения ясно вытекают из описания, приведенного ниже для иллюстрации и не являющегося ограничительным, со ссылками на прилагаемые рисунки, на которых:
- фигура 1 показывает граф взаимосвязей клинических, биохимических и инструментальных показателей по первому примеру, согласно изобретению,
- фигура 2 показывает этапы способа диагностики неинфекционных заболеваний на основе статистических методов обработки данных, согласно изобретению.
Осуществление изобретения. Способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных следующим образом. (Приводится неограничивающий применения изобретения согласно фигуре 1 ).
Этап 1. Измеряют параметры, характеризующие состояние пациента, для чего измеряют параметры, характеризующие состояние пациента, путем получения:
- клинико-анамнестических данных,
- лабораторно-инструментальных данных,
которые измеряют на основании норм и референсных значений, по категориям либо по категориальному признаку его наличия.
В качестве примера таких параметров может быть применены следующие 105 параметров, см. таблицу 1 , или их любая репрезентативная выборка. Данные примеры приводятся из проведенного когортного исследования, выборка пациентов в котором была сформирована на правилах регистра [1 ,2]. Референсные значения показателей и их нормы приводятся в соответствии со существующими стандартами [3-5].
Таблица 1. Примерный набор показателей-признаков, их референсные значения и нормы.
Figure imgf000013_0001
Figure imgf000014_0001
Figure imgf000015_0001
Figure imgf000016_0001
Figure imgf000017_0001
Figure imgf000018_0001
Привиденный список показателей не является завершенным, приводится в качестве примера. В конечном счете, количество показателей патологических состояний пациента зависит от прогресса медицинских технологий. К примеру, в представленный спектр показателей патологии могут быть инсталлированы данные исследований пациентов по результатам промиотических исследований.
Кроме того, в эти показатели могут быть включены и показатели, которые описывают образ и режим жизни индивидуального пациента, что позволяет наряду с отклонениями в параметрах, которые получаются клинико- диагностическими методами, определять влияние параметров, описывающих образ и режим жизни индивидуального пациента.
Каждый из выше приведенных признаков (как и любой другой возможный) имеет конкретно вычисляемый коэффициент значения вероятности. Причем, значение коэффициента вероятности имеют как количественные, так и качественные признаки, характеризующие состояние как отдельного пациента, так и популяции в точно определяемых количественных рамках.
Этот вывод имеет важное значение, потому что наиболее разработанными в различных разделах математики являются именно методы анализа количественных признаков, имеющих высокую разрешающую способность.
Этап 2. Для тех параметров, у которых существуют референсные значения, делают поправку для референсного значения указанного параметра в сторону измеренного значения параметра пациента, определяя таким образом индивидуальное референсное значение указанного параметра для конкретного пациента, для остальных параметров присваивают значение по категориальному признаку его наличия. После чего строят индивидуальную матрицу клинико- биохимического состояния пациента, образованную бинарными коэффициентами, соответствующими сопоставлению каждого параметра с индивидуальным референсным значением и нахождению каждого параметра внутри различного интервала отклонений измеренного значения от индивидуального референсного значения указанного параметра, располагая в столбцах матрицы последовательно параметры, характеризующие состояние пациента, а в строках - норму и различные интервалы отклонений измеренного значения от индивидуального референсного значения указанного параметра, присваивая бинарному коэффициенту единицу, если значение параметра попадает в указанный интервал и ноль, если нет.
Вот примеры указанных интервалов: 1 . Есть-нет (единица, если есть данные по данному параметру или он есть, ноль, если нет)
2. Норма в пределах (единица, если да, ноль, если нет)
3. Не норма (единица, если да, ноль, если нет)
4. Больше нормы (единица, если да, ноль, если нет)
5. Меньше нормы (единица, если да, ноль, если нет)
6. Среднее
7. Больше среднего (единица, если да, ноль, если нет)
8. Меньше среднего (единица, если да, ноль, если нет)
9. 0-3% (единица, если коэффициент вариации подпадает в этот интервал, ноль, если нет)
10. 3,01 -10% (то же)
1 1 . 10,01 -20% (то же)
12. 20,01 -30% (то же )
13. Больше 30,01 % (то же)
Этап 3. Обрабатывают статистическими методами полученную индивидуальную матрицу пациента, на основании обработки которой выделяют структуру показателей и их взаимозависимость определяющия развитие заболевания у конкретного пациента.
Этап 31. Возможно производить обработку полученную индивидуальной матрицы пациента статистическими методами с применением кластерного анализа для определения структурных взаимосвязей из всех возможных взаимосвязей параметров пациента.
Этап 32. Возможно производить обработку полученную индивидуальной матрицы пациента статистическими методами с применением факторного анализа для определения на уровне измерения факторных весов и их знаков значения и направления действия (в плюс или в минус) каждого параметра при влиянии на него каждого из всей совокупности параметров пациента.
Этап 33. Возможно производить обработку полученную индивидуальной матрицы пациента статистическими методами с применением множественной регрессии, по которой и определяют влияние независимых параметров на зависимые параметры пациента. Этап 4. На основании обработки по предыдущим этапам выделяют наиболее значимые диагностические параметры, по отклонению от нормы которых выявляют наличие заболевания.
Приведенные варианты осуществления изобретения являются примерными и позволяют добавлять новые варианты или модифицировать описанные. Например, применять не описанные выше статистические методы для обработки данных конкретного пациента, так как существенным является не применение определенных статистических данных, а то, в отношении чего они применяются.
Совокупность индивидуальных матриц клинико-биохимического состояния по каждому пациенту может быть преобразована в общую матрицу популяции, поскольку как для пациента, так и в целом для популяции, характерно единое качественное и количественное состояние клинических и биохимических показателей патологии.
Каждый из показателей с конкретными значениями вычисленных коэффициентов вероятностей может быть представлен в индивидуальной матрице пациента, в общей матрице популяции в форме зависимой или независимой переменной, которые возможно обработать с помощью широкого спектра разнообразных математических методов анализа в зависимости от поставленной задачи.
Промышленная применимость.
Предлагаемый способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных может быть осуществлен специалистом на практике и при осуществлении обеспечивает реализацию заявленного назначения, что позволяет сделать вывод о соответствии критерию «промышленная применимость» для изобретения.
Описанный способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных реализуется на базе традиционных технологий, и возможность его осуществления не связана с какими-либо дополнительными техническими проблемами.
В соответствии с предложенным изобретением заявителем были проведены расчеты по данному способу на примерах: - первой группы из 86 пациентов, из когортного исследования, посвященного изучению корреляции каротидного и коронарного атеросклероза у пациентов с сердечно-сосудистыми пациентами [1 ,2];
- второй группы из 12 пациентов, имеющих кардиологическое и урологическое заболевание, отобранных на основании строгих критериев включения из Регистра отделения общей кардиологии ФГБУ «ОБП» г.Москва за 2012г (сокращенно: РОК-2012), и сформировавших когорту исследования «Кардиоуропрогноз» (сокращенно: КУП).
В приведенной ниже таблице 3 аккумулирует в своих столбцах преобразованные данные по 105 позициям для различных по количеству групп пациентов при помощи математико-статистических методов. Группы пациентов выделены из первой группы при помощи кластерного анализа по 105 показателям, (см. этап 1 ).
Всего, с помощью кластерного анализа было выделено пять групп пациентов:
1 группа из 86 пациентов по отношению к далее обозначенным группам представляет собой генеральную совокупность,
2 группа имеет в своем составе 33 пациента,
3 группа - 23 пациента,
4 группа - 19 пациентов,
5 группа - 1 1 пациентов.
Ниже в таблице 3 представлены расчетные групповые данные по средним значениям и факторным нагрузкам для каждой из выше указанных групп.
Таблица 3 Расчетные групповые данные по средним значениям и факторным нагрузкам
Figure imgf000023_0001
Figure imgf000024_0001
Figure imgf000025_0001
В таблице 3 столбец N°1 обозначает номер показателя в списке (см. Этап 1 ), столбцы N°2-6 показывают среднее значений показателей по группам из 86, 33, 23, 19 и 1 1 пациентов. Столбцы N° 7-1 1 отражают численные значения факторных нагрузок, вычисленные с помощью метода главных компонент.
Как видим, большинство средних значений из всего списка в 105 показателей в каждой из пяти групп являются очень близкими по количественным измерениям пациентов. Другими словами, каждая из выборок адекватно отражает линейные состояния большинства значений показателей, зафиксированное в выборке, которая представлена генеральной совокупностью из 86 пациентов.
Совсем другая ситуация с факторными нагрузками, которые отражают системные взаимосвязи каждого показателя с каждыми. Из всех пяти групп пациентов значимые показатели факторных нагрузок (>0,72) только у показателя 93 (степень максимального стеноза коронарной артерии). Абсолютное количество факторных нагрузок для большинства показателей колеблется от -0,62 до +0,93.
При относительно постоянных значениях средних арифметических для более чем 2/3 медицинских показателей, большая волатильность факторных нагрузок открывает значимую вероятность выявления существенного множества взаимосвязей существующих показателей кардиологической патологии между собой. Во всех пяти группах пациентов была обнаружена единая система взаимосвязей из девяти пар взаимосвязанных признаков:
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.
Из этой системы единых взаимосвязей:
- две пары отражают взаимосвязи между показателями клинического анализа крови (пары: 25:33; 26:30),
- две пары показывают взаимосвязи между показателями биохимического анализа крови (пары: 41 :47; 34:42).
- остальные пять пар взаимосвязей показывают взаимосвязи между показателями, полученными инструментальными методами.
Все остальные взаимосвязанные пары кардиологических показателей в значительной степени во всех пяти группах пациентов различны.
Таким образом, эти открытые взаимосвязи между показателями кардиологической патологии и, соответственно, скрытое латентное единство и различие во взаимосвязях внутри групп, выделенных из генеральной совокупности, даже в относительно единой системе квалифицированно отобранной совокупности носителей кардиологических патологий, включая малые группы пациентов численностью 10-20 человек, отражают сложнейшую структуру развития заболевания.
Следовательно, исследование существа взаимосвязей независимых показателей-переменных в составе любых по численности групп пациентов при высокой волатильности и существенных случайных отклонениях, делает для исследователя, для которого уже определен характер патологии как кардиологической, задачу достижения клинических целей мало вероятной и трудно достижимой без применения методов точной и структурной диагностики кардиологической и, очевидно, и любой другой патологии. Пример 1. Построение графа взаимосвязей клинических, биохимических и инструментальных показателей на примере второй группы пациентов
Для примера построения графа взаимосвязей клинических, биохимических и инструментальных показателей были выбраны данные по второй группе из 12 пациентов. Согласно имеющейся базе данных по данной группе, анализировались следующие показатели, см. таблицу 4:
Таблица 4.
Figure imgf000027_0001
Figure imgf000028_0001
Все показатели ранжировались на основании референсных значений на категории (н - норма, нн - ниже нормы, вн - выше нормы; для показателей не имеющих интерпретации в идее референсных значений также использовалась категория не - не норма) либо по категориальному признаку его наличия (да/нет).
Далее определялась конкретная вероятность наличия каждого показателя, измеряемая с помощью математических процедур [6,7], для каждого из пациентов индивидуально.
Применение факторного анализа [8,9] позволило определить влияние каждого признака у конкретного пациента, и полученные данные были систематизированы для всей когорты исследования. Для получения значений данных по 41 показателю популяционного характера обратимся к сведениям в таблице Ν°3, в которой сгруппированы данные факторного анализа - численные значения факторных нагрузок, вычисленные из агрегированной матрицы данных по 12 пациентам.
Из всех 12 пациентов восьми был выставлен диагноз - ИБС на основании клинико-инструментальных методов обследования. Методами вероятностного математического моделирования верифицировались те признаки и взаимосвязи признаков, которые оказывали значимый вклад в формировании ИБС у данной когорты пациентов. В тоже время среди подгруппы пациентов с отсутствием диагноза ИБС на основании стандартных методов обследования определялась комбинация признаков, ответственных за данное состояние пациентов.
При анализе данных таблицы N° 3, обращает на себя внимание, что 2/3 значений всех показателей сконцентрированы в поле факторов 18 и 22, которые имеют существенное значение для формирования кардиологической патологии у данной когорты пациентов. Т.о., из всей совокупности 41 характеристик семь показателей: 37 (холестерин), 106 (мочевина), ЗО(креатинин), 34(АЛТ), 1 12(щелочная фосфотаза), 35(билирубин), 44(максимальная агрегация тромбоцитов), 1 13(наличие изменений при холтеровском мониторировании ЭКГ), 1 16(МСКТ КА - стеноз >50,0%), 1 18(Коронаграфия -стеноз >50,0%) определяют комбинацию признаков, взаимосвязанных с друг другом и максимально ответственных за формирование ИБС для популяции из 12 пациентов.
По данным кластерного анализа, основанных на измерениях евклидовых расстояний между значениями показателей [10], был создан граф взаимосвязей признаков, характеризующих наличие кардиологической патологии (т.е. развитие ИБС), в агрегированной матрице когорты из 12 пациентов (см фиг. 1 ).
Важной исследовательской задачей в данном случае являлось установление взаимосвязей между анализируемыми клинико-лабораторными и инструментальными признаками. Поскольку можно было предположить, что именно наличие этих системных взаимосвязей и характеризуют процесс развития ИБС.
Создание графа взаимосвязей клинических, биохимических и инструментальных показателей позволило обнаружить четыре взаимосвязанных макро структуры.
В центре первой макро структуры расположен показатель 86 (интима- медиа вн), имеющий большое количество взаимосвязей с другими, в основном, инструментальными показателями.
Через взаимосвязи 1 1 1 (ГГТ н), 40(триглицериды вн), 40(триглицериды н) предыдущая макро структура связана со второй макро структурой, состоящей из четырех показателей: 38(ЛПНП - вн), 37(холестерин -вн), 38(ЛПНП - н), 37(холестерин - н). Вторая макроструктура связана с третьей.
В третьей макроструктуре взаимосвязаны 22 показателя, из которых 9 показателей имеют значение выше нормы (вн). Из них два являются инструментальными и отражают кардиологическое состояние пациента (наличие ИБС). Это показатели 1 16 и 1 18, которые находятся в состоянии выше нормы (MCKT KA >50%, и КАГ >50%). Другими словами, взаимосвязанные показатели третьей макроструктуры отражают наличия ИБС у пациентов. Взаимосвязанные показатели этой структуры раскрывают состояние ИБС в форме внутренней структуры взаимосвязей инструментальных, клинических и биохимических показателей крови. Из этих взаимосвязанных показателей 7 являются биохимическими показателями крови (вн) выше нормы: 23(эритроциты - вн), 1 1 1 (ГГТ - вн), 32(КФК - вн), 28(Глюкоза - вн), 42(Фибриноген - вн), 1 10(Амилаза - вн), 31 (Калий -вн).
Кроме того, из других 1 1 показателей, включенных в третью, рассматриваемую макроструктуру, имеют значение ниже нормы (нн), норма (н) и не норма (не). Из них 7 показателей являются клиническими и инструментальными: 86 (интима-медиа - нн), 19 (АД - нн), 19 (АД -н), 46 (ЭКГ- не), 82 (тредмил-тест - не), 1 17 (MCKT КА <50%), 1 19(КАГ <50%). А остальные 4 взаимосвязанных показателя являются лабораторными: 23 (эритроциты - нн), 1 12 (щелочная фосфотаза - нн), 40 (триглецириды - н), 31 (калий - нн).
Четвертая макро структура, так же взаимосвязанная как и третья, со второй макро структурой (которую в целом можно охарактеризовать как «холестериновое ядро»), состоит из 21 взаимосвязанного показателя. Причем, только три из них: 1 15 (АБ в области бифуркаций правой ОСА - стеноз - вн), 82 (ТФН - н), 1 19 (КАГ < 50%) являются инструментальными. Показатель 1 15 имеет максимальное количество взаимосвязей. Остальные являются показателями клинического и биохимического анализа крови и имеют значение нормы: 44 (максимальная агрегация - н), 108(кальций - н), 30(креатинин - н), 1 10(амилаза -н), 32(КФК - н), 29(мочевая кислота - н), 39(ЛПВП - н), 28(глюкоза - н), 31 (калий - н), 27(СОЭ - н), 24(лейкоциты - н), 23(эритроциты - н), 35(билирубин - н), 22(гемоглобин - н), 33(АСТ - н), 18(ЧСС - н), 1 12(щелочная фосфотаза - н), 42(фибриноген - н). Таблица 5. Факторные нагрузки по исследуемым признакам у 12 пациентов
Figure imgf000031_0001
Итак, данный пример показывает, что стандартными диагностическим методами можно разделить пациентов на две группы - с наличием или отсутствием заболевания. Именно для пациентов, у которых патология не выявлена, необходимо провести более точную диагностику, которую и позволяет осуществить предлагаемый метод. Именно такая диагностика позволяет у группы пациентов с отсутствием патологии выявить ту подгруппу, в которой уже началось латентное развитие заболевания и определить те факторы, которые в первую очередь ответственны за начало развития патологии.
Пример 2. Сравнение пациента N°73 и группы из 86 пациентов
Для примера применения способа диагностики неинфекционных заболеваний для пациентов с не выявленной патологией на основе статистических методов обработки данных приводим конкретный пример. Рассмотрим результаты обработки наблюдений измерения по 105 показателям, отражающим кардиологическую патологию по группе и пациенту N°73, выделенного для обработки данным методом случайного отбора. Результаты обработки матрицы данных по группе и пациенту, входящему в состав этой группы таковы.
Таблица 6. Факторные веса по 105 показателям для группы из 86 пациентов и по пациенту N° 73.
Figure imgf000033_0001
Факторы по абсолютному знаку со значением:
от +1 ,00 до 0,72 определяются как сильные,
от 0,71 до 0,40 как средние,
от 0,39 до 0,01 как слабо действующие.
Выделенные жирным шрифтом цифры - это инструментальные показатели кардиологической патологии.
По результатам факторного анализа по данным вышеприведенной таблицы 6 из совокупности в 105 показателей выделилась плеяда сильно и значительно действующих показателей (см. строки 1 и 2 таблицы 6.), которые были в ряду других характеристик, определенных традиционной кардиологической диагностикой. Причем, обращает на себя внимание тот факт, что количество значимых кардиологических показателей по пациенту N°73 в два раза превышает количество значимых кардиологических показателей по совокупности.
По данным факторного анализа для целей разработки методики точной диагностики сердечно-сосудистой патологии индивидуума по данным факторного анализа нами отобрано три показателя: 79, 87, 91 для обработки методами множественной регрессии.
Таблица 7. Результаты обработки данных по математической модели множественной регрессии по группе из 86 пациентов и пациенту N° 73.
Figure imgf000034_0001
Данные по группе из 86 пациентов отражают факт имеющихся значений по 84 показателям, а остальные 21 показатель не интегрированы в расчеты по множественной регрессии. Количество независимых переменных по пациенту N°73 на порядок меньше. Суммарное значение зависимых переменных 79, 87, 91 по коэффициентам независимых переменных определяет суммарное значение указанных зависимых переменных. Доля суммарных значений независимых переменных действующих на увеличение значений той или иной зависимой переменной отражает измеренное состояние дифференцированного влияния независимых переменных на суммарное значение любой из выделенных зависимых переменных. Доля суммарных значений независимых переменных действующих на уменьшение той или иной зависимой переменной отражает измеренное влияние на состояние любой из выделенных зависимых переменных.
По данным вышеприведенной таблицы 7 можно установить, что по групповым данным подтверждается развитие сердечно-сосудистой патологии в совокупности пациентов. Данные же по пациенту N° 73 дают более структурированное и дифференцированное состояние сердечно-сосудистой патологии у пациента N° 73. Рост величины зависимого показателя 79 определяют положительные значения независимого показателя 14, 15 и 32. Соответственно работают на уменьшение зависимого показателя следующие независимые показатели 18 и 87.
По зависимому показателю 87, который имеет также положительное значение, определяют его увеличение два независимых показателя 15 и 32. И соответсвенно уменьшают его рост два независимых показателя 1 и 18.
Следующий зависимый показатель 91 является максимальным и достигает 63, 1 % - 91 главным образом за счет независимых показателей 1 , 14, 15, 32.
Пример 3. Сравнение пациента N°18 и группы из 26 пациентов
Перейдем к анализу данных по третьей подгруппе, состоящей из 23 пациентов и исследованию данных по пациенту N° 18, отобранного случайным методом из этой подгруппы.
Таблица 8. Факторные веса по 105 показателям для подгруппы из 26 пациентов и для пациента N° 18.
Figure imgf000035_0001
Как показывают данные таблицы 8, как и в предыдущих таблицах факторные веса сильно и средне действующих клинических, биохимических и инструментальных показателей, определяющих состояние кардиологической патологии отдельного пациента, и в этом случае преобладают по сравнению с групповыми данными. Слабо препятствуют развитию кардиологической патологии у пациента N° 18 показатели, номера которых указаны в строке Ф4, количество которых в два раза меньше показателей, действующих сильно и заметно.
Конкретное представление о состоянии и структуре кардиологической патологии у пациента N° 18 дают данные ниже приведенной таблицы 9.
Таблица 9. Результаты обработки данных по математической модели множественной регрессии по группе из 26 пациентов и пациенту N° 18.
Figure imgf000036_0001
По групповым данным значения кардиологической зависимой переменной 79 определяются как увеличивающиеся по коэффициентам уравнения множественной регрессии на 39,7%, но эту же переменную уменьшают на 60,3% значения коэффициентов множественной регрессии независимых переменных. Для зависимой переменной 87 ее увеличивают значения коэффициентов уравнения независимых переменных, которые составляют уже 57,3%, а уменьшают 42,7%. Для состояния величины зависимой переменной 91 соответствующие значения составляют: на увеличение 53,6%, на уменьшение 46,4%.
Данные по пациенту Ν° 18 представляют следующее: зависимая переменная 91 имеет в таблице 9 максимальное значение увеличивающих ее независимых показателей - 79,0%. Чуть ниже максимум у зависимой переменной 79, который составляет 78,3%. Для зависимой переменной эта величина имеет также преобладающее значение, которое увеличивает ее рост - 51 ,6%.
Как видно, по сравнению с данными по группе, у пациента N° 18 кардиологическая патология развита в наибольшей степени. Это состояние для трех зависимых переменных, отражающих в данном случае возможное развитие кардиологической патологии у пациента N° 18, определяют следующие значения со знаком плюс независимых кардиологических показателей: 1 , 13, 14, 15, 17, 38, 60, 75, 87. ЗАКЛЮЧЕНИЕ:
Приведенные примеры показали, что уникальность способа состоит в том, что он позволяет выделить из группы пациентов, отобранных на основании стандартных референсных методов, как не имеющих заболевания, подгруппу пациентов, находящихся в состоянии промежуточном между отсутствием болезни и началом её развития. Это является крайне важным - так как этой подгруппе необходимо особое внимание и активное лечение. Чего не происходит при традиционном анализе ситуации, так как пациенты, не имеющие болезни, остаются без должного лечения.
Основа, которая заложена в генезе данного развития заболевания у конкретного человека, на основании чего формируются в том числе собственные подгруппы, кроется в том, что индивидуальные признаки - тригерры (которые могут перекликаться с групповыми особенностями при повторении их встречаемости у разных пациентов), при определенном сочетании запускают процесс развития болезни.
Это подтверждают данные, полученные в наших примерах. Пациенты N°73 и N°18, отобранные из разных подгрупп, на основании распределения на подгруппы при помощи кластерного анализа, не имеют в настоящий момент сердечно-сосудистого заболевания, что подтверждено отсутствием наличия у них атеросклеротического поражения как сонных, так и коронарных артерий (при проведении дуплексного сканирования сонных артерий и проведении коронароангиографии).
Но при дополнительном анализе и создании графов взаимосвязи признаков, комплексно влияющих на дальнейшее развитие событий у конкретного человека по взаимосвязям с основными признаками (79,87,91 ), получены следующие комбинации: - у пациента N°73 ими стали признаки N°1 (пол), 14 (клинические проявления заболевания - в данном контексте - жалобы со стороны пациента), 15 (рост), 18 (исходная ЧСС), 32 (уровень КФК).
- у пациента N°18 - признаки 1 (пол), 13 (наличие регулярного стресса), 14 (клинические проявления заболевания - в данном контексте - жалобы со стороны пациента), 15 (рост), 17 (индекс массы тела), 38 (уровень ЛПНП),60 (толщина ЗС ЛЖ при ЭХОКГ), 75 (максимально-достигнутая ЧСС при проведении нагрузочной пробы).
Сравнение признаков позволяет отметить сходные у двух пациентов, и в тоже время, ряд признаков у пациента N°18 объясняют, почему он находиться в другой группе - латентной, переходной группе, в которой (и именно у него в том числе) уже началось развитие заболевания. Это характеризуют те признаки, которые являются известными факторами риска - стресс (13), избыточная масса тела (17), липидные факторы (38), гипертрофия миокарда (60), детренированность (75). И именно они явились тригеррами для активации процесса формирования заболевания в данной ситуации. Что требует незамедлительного воздействия при помощи немедикаментозных и медикаментозных методов.
В данном примере признаками тригеррами явились известные факторы. Но особенность и интерес предлагаемого способа состоит в том, что он позволяет выделить у конкретного человека такие признаки, которые требует воздействия, но не укладываются в понимании ситуации развития заболевания со стороны классического подхода и традиционного анализа данных. Такими примерами могут быть такие признаки, выявленные в данном изобретении, как группа крови в развитии ИБС, ГГТ в развитии онкозаболевания, и другие.
Соответственно, приведенные расчеты на примере кардиологических заболеваний показали, что способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных:
- позволяет измерить влияние показателей на ее состояние,
- дает исследователю сильный интегральный инструмент достижения поставленных целей,
- дает возможность выявить как общую структуру общей патологии, так и ее индивидуальные особенности для конкретного пациента.
Таким образом, за счет указанных выше характеристик и обеспечивается достигаемый технический результат, а именно: повышение точности диагностики неинфекционных заболеваний у конкретного пациента за счет выявления дополнительных факторов, влияющих на развитие данного заболевания у конкретного пациента.
Дополнительным полезным техническим результатом заявленного изобретения является то, что данный способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных:
- позволяет значительно усовершенствовать клиническую практику в здравоохранении.
- может быть успешно применен и для решения любых других медицинских проблем, в частности, для лечения онкологических патологий.
Кроме того, открывается еще одно важное направление в здравоохранении, которое обеспечивается применением предлагаемого способа. После верно определенного показателя-тригерра (-ов) у конкретного пациента, применение комплекса медицинских процедур должно привести к улучшению состояния пациента. По результатам чего необходимо проведение новых измерений для установления возникшей вновь системы взаимосвязанных показателей. Тогда в новой системе исчезает "старый" центр патологии и возникает «новый» центр, который будет "ликвидирован" последующими медицинскими процедурами. И так пошагово - до полной ликвидации патологии.
При помощи предлагаемого способа можно вычислить систему взаимосвязей между показателями конкретного пациента. В ней выделить центральный показатель, который определяет состояние любой патологии. Стандартные современные подходы обеспечивают возможность ликвидации или элиминирования одной взаимосвязанной зависимой переменной, что не уничтожает патологии в целом, а лишь модифицирует ее из-за интерференции болезней, когда одна патология накладывается на другую. Но теперь последовательной ликвидацией целого ряда ядер патологии в форме инцидентных вершин графов (то есть зависимых показателей, имеющих большее количество взаимосвязей) становится возможным балансировка всех показателей организма конкретного пациента, то есть приведение его в естественное, здоровое состояние.
ЛИТЕРАТУРА:
1 . Гайсёнок О. В., Марцевич С.Ю., Калашников СВ., Бошков В. Б., Шаталова И. В.
О роли дуплексного сканирования сонных артерий в выявлении корреляции между каротидным и коронарным атеросклерозом по результатам коронароангиографии у пациентов с ИБС: стабильной стенокардией. Тер.архив. 2012. N°4. с.35-38.
2. Гайсёнок О. В., Марцевич С.Ю., Калашников СВ., Мазаев В. П., Деев А.Д.
Оценка информативности дуплексного сканирования сонных артерий в рамках комплексной методики верификации диагноза ИБС в условиях практического здравоохранения. Профилактическая медицина. Том 15 N°6 2012: 41 -45.
3. Назаренко Г. И., Кишкун А. А. Клиническая оценка результатов лабораторных исследований. 2-изд., стереотипное. - М.: Медицина, 2002. - 544с. - ISBN 5- 225-04579-0
4. ИНВИТРО ДИАГНОСТИКА. Лабораторная диагностика / Под редакцией:
Е.А.Кондрашевой, А.Ю.Островского, В.В.Юрасова - Москва, «Медиздат»,2007. - 560с, ил. ISBN978-5-902943-04-4
5. Шулутко Б. И., Макаренко СВ. Стандарты диагностики и лечения внутренних болезней. 4 издание: ЭЛБИ СПб, 2007. -700с. ISBN: 978-5-93979-190-8
6. Мостеллер Ф., Рурке Р., Томас Дж. Вероятность /Пер. с англ. В.В.Фирсова. Под ред. и с предисл. И.М.Яглома. М.: Мир, 1969. -431 с.
7. Босс В. Лекции по математике. Т.4: Вероятность, информация, статистика. Изд.
2-е, исправ. - М.: Издательство ЛКИ, 2008. - 216с.
8. Ким Дж.-О., Мьюллер Ч. У. «Факторный анализ: статистические методы и практические вопросы» / сборник работ «Факторный, дискриминантный и кластерный анализ»: пер. с англ.; под. ред. И. С. Енюкова.— М.: «Финансы и статистика», 1989.— 215с.
9. Timothy A. Brown. Confirmatory factor analysis for applied research. Guilford Press, 2006.- 475p.
Ю. Харари Ф. - Теория графов: пер. с англ. В. П. Козырева. Изд. 4-е. - М.: Книжный дом "ЛИБРОКОМ", 2009. - 296 с

Claims

ФОРМУЛА ИЗОБРЕТЕНИЯ
1 . Способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных, при котором измеряют параметры, характеризующие состояние пациента, полученные параметры обрабатывают статистическими методами, на основании обработки которых выделяют наиболее значимые диагностические параметры, по отклонению от нормы которых выявляют наличие заболевания, отличающийся тем, что
• измеряют параметры, характеризующие состояние пациента, включающие клинико-анамнестические данные, лабораторно- инструментальные данные,
• для тех параметров, у которых существуют референсные интервалы, выполняют вычисление среднего арифметического на основании результата показателя по конкретному пациенту и значениям референсных интервалов, а для остальных параметров присваивается значение по категориальному признака его наличия и обозначается как «1 », и при отсутствии - «0»,
• строят индивидуальную матрицу клинико-биохимического состояния пациента, образованную бинарными коэффициентами, соответствующими сопоставлению каждого параметра с индивидуальным референсным значением и нахождению каждого параметра внутри различного интервала отклонений измеренного значения от индивидуального референсного значения указанного параметра, располагая в столбцах матрицы последовательно параметры, характеризующие состояние пациента, а в строках - норму и различные интервалы отклонений измеренного значения от индивидуального референсного значения указанного параметра, присваивая бинарному коэффициенту единицу, если значение параметра попадает в указанный интервал и ноль, если нет,
• обрабатывают статистическими методами полученную индивидуальную матрицу клинико-биохимического состояния пациента, на основании обработки которой и выделяют наиболее значимые параметры, влияющие на состояние данного пациента и по которым выявляют наличие заболевания у данного пациента.
2. Способ диагностики неинфекционных заболеваний по п.1 , отличающийся тем, что выделяют наиболее значимые диагностические параметры путем выделения группы параметров, для которых выявлена зависимость этих параметров между собой внутри группы.
3. Способ диагностики неинфекционных заболеваний по п.1 , отличающийся тем, что обрабатывают статистическими методами полученную индивидуальную матрицу клинико-биохимического состояния пациента с применением кластерного анализа для определения структурных взаимосвязей из всех возможных взаимосвязей параметров пациента.
4. Способ диагностики неинфекционных заболеваний по п.1 , отличающийся тем, что обрабатывают статистическими методами полученную индивидуальную матрицу клинико-биохимического состояния пациента с применением факторного анализа для определения на уровне измерения факторных весов и их знаков значения и направления каждого параметра при влиянии на него каждого из всей совокупности параметров пациента.
5. Способ диагностики неинфекционных заболеваний по п.1 , отличающийся тем, что обрабатывают статистическими методами полученную индивидуальную матрицу клинико-биохимического состояния пациента с применением множественной регрессии, по которой и определяют влияние независимых параметров на зависимые параметры пациента.
6. Способ диагностики неинфекционных заболеваний по п.1 , отличающийся тем, что для тех параметров, у которых существуют референсные значения, делают поправку для референсного значения указанного параметра в сторону множества измеренных в разное время значений параметров пациента, определяя таким образом индивидуальное референсное значение указанного параметра для конкретного пациента за определенный период.
PCT/RU2017/050093 2016-11-24 2017-09-25 Способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных WO2018097765A1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE112017003670.4T DE112017003670T5 (de) 2016-11-24 2017-09-25 Verfahren zur Diagnose nichtübertragbarer Krankheiten aufgrund statistischer Verfahren der Datenverarbeitung

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2016146181 2016-11-24
RU2016146181A RU2632509C1 (ru) 2016-11-24 2016-11-24 Способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных

Publications (1)

Publication Number Publication Date
WO2018097765A1 true WO2018097765A1 (ru) 2018-05-31

Family

ID=60040821

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2017/050093 WO2018097765A1 (ru) 2016-11-24 2017-09-25 Способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных

Country Status (3)

Country Link
DE (1) DE112017003670T5 (ru)
RU (1) RU2632509C1 (ru)
WO (1) WO2018097765A1 (ru)

Cited By (4)

* Cited by examiner, † Cited by third party
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
CN111312346A (zh) * 2020-01-21 2020-06-19 杭州杏林信息科技有限公司 住院患者新发生感染人数的统计方法、设备和存储介质
CN117166996A (zh) * 2023-07-27 2023-12-05 中国地质大学（北京） 地质参数门槛值的确定方法、装置、设备及存储介质
CN117373036A (zh) * 2023-10-24 2024-01-09 东南大学附属中大医院 基于智能ai的数据分析处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2141247C1 (ru) * 1998-01-29 1999-11-20 Омский государственный университет Способ диагностики функционального состояния кардиосистемы
RU2010111010A (ru) * 2010-03-24 2011-09-27 Сергей Михайлович Ледовской (RU) Способ дистанционного мониторинга состояния человека, комплекс для его осуществления и система регистрации физиологической информации

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2141247C1 (ru) * 1998-01-29 1999-11-20 Омский государственный университет Способ диагностики функционального состояния кардиосистемы
RU2010111010A (ru) * 2010-03-24 2011-09-27 Сергей Михайлович Ледовской (RU) Способ дистанционного мониторинга состояния человека, комплекс для его осуществления и система регистрации физиологической информации

Cited By (6)

* Cited by examiner, † Cited by third party
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
CN111312346A (zh) * 2020-01-21 2020-06-19 杭州杏林信息科技有限公司 住院患者新发生感染人数的统计方法、设备和存储介质
CN111312346B (zh) * 2020-01-21 2023-04-18 杭州杏林信息科技有限公司 住院患者新发生感染人数的统计方法、设备和存储介质
CN117166996A (zh) * 2023-07-27 2023-12-05 中国地质大学（北京） 地质参数门槛值的确定方法、装置、设备及存储介质
CN117166996B (zh) * 2023-07-27 2024-03-22 中国地质大学（北京） 地质参数门槛值的确定方法、装置、设备及存储介质
CN117373036A (zh) * 2023-10-24 2024-01-09 东南大学附属中大医院 基于智能ai的数据分析处理方法

Also Published As

Publication number Publication date
RU2632509C1 (ru) 2017-10-05
DE112017003670T5 (de) 2019-04-18

Similar Documents

Publication Publication Date Title
Bajaj et al. Prognostic value of biomarkers in acute non-massive pulmonary embolism: a systematic review and meta-analysis
Gerstenecker et al. Age and education corrected older adult normative data for a short form version of the Financial Capacity Instrument.
WO2018097765A1 (ru) Способ диагностики неинфекционных заболеваний на основе статистических методов обработки данных
WO2018060996A1 (en) Systems and methods for mining of medical data
Shi et al. Predicting two-year quality of life after breast cancer surgery using artificial neural network and linear regression models
Moon et al. Diagnostic value of parameters related to white blood cell counts for troponin I elevation in CO poisoning
KR20230126155A (ko) 인공지능을 기반으로 의학 데이터를 활용하여 성분의 효능을 사용자 맞춤형으로 분석하는 방법, 서버 및 프로그램
Mena et al. Machine learning approach to extract diagnostic and prognostic thresholds: application in prognosis of cardiovascular mortality
Winder et al. Hierarchical clustering analyses of plasma proteins in subjects with cardiovascular risk factors identify informative subsets based on differential levels of angiogenic and inflammatory biomarkers
Huang et al. The predictive value of the HEART and GRACE scores for major adverse cardiac events in patients with acute chest pain
Liu et al. Left ventricular hypertrophy detection using electrocardiographic signal
De Filippo et al. Machine learning‐based prediction of in‐hospital death for patients with takotsubo syndrome: The InterTAK‐ML model
Axente et al. Heart failure prognostic model
Wosiak et al. On integrating clustering and statistical analysis for supporting cardiovascular disease diagnosis
WO2023128780A1 (ru) Способ ранней диагностики хронических заболеваний пациента
Guan et al. Assessment of the timeliness and robustness for predicting adult sepsis
Francis et al. Tecumseh, Michigan
TWI641963B (zh) Method for screening coronary heart disease by cardiovascular marker and mechanical learning algorithm
Pruinelli et al. A multi-dimensional general health status concept to predict liver transplant mortality
Dalal et al. Original Research Article A precise coronary artery disease prediction using Boosted C5. 0 decision tree model
Pieringer et al. Continuous Long-Term Assessment of Heart Rate Variability in Adults with Cyanotic Congenital Heart Disease after Surgical Repair
Korenevskiy et al. Prognosis of Recurrent Myocardial Infarction Based on Shortliffe Fuzzy Models Using the Electrical Characteristics of Biologically Active Points
Khalili et al. The dynamics of metabolic syndrome development from its isolated components among Iranian adults: findings from 17 years of the Tehran lipid and glucose study (TLGS)
Coskun et al. A New Model to Determine the Personal Reference Interval of Tests in Laboratory Medicine: A Preliminary Study
TWI803893B (zh) 敗血症之人工智慧輔助醫療診斷方法及其系統

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17874758

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 17874758

Country of ref document: EP

Kind code of ref document: A1