Меню
Публикации
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2022-22-1-155-166
УДК 616.092+616.98, 303.425.6, 338.45, 519.873, 681.518
Вменение и системное моделирование параметров кислотно-основного состояния различных групп пациентов
Читать статью полностью
Язык статьи - английский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Курапеев Д.И., Лушнов М.С., Ман Т., Жукова Н.А. Вменение и системное моделирование параметров кислотно-основного состояния различных групп пациентов // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 22, № 1. С. 155–166 (на англ. яз.). doi: 10.17586/2226-1494-2021-22-1-155-166
Аннотация
Предмет исследования. Исследована возможность корректной замены недостающих значений в наборах кислотно-основного состояния в артерии и вене в разных группах пациентов с различными исходами заболевания: «выписан», «умер», «переведен в другое медицинское учреждение». Рассмотрены перспективы применения индивидуальных оптимизационных многомерных оценок данных биомедицинских параметров в виде проекций на одномерное пространство. Решение поставленных задач необходимо для полноценного использования медицинских данных при анализе больших хранилищ информации медицинских организаций и предоставления врачам из большого круга показателей о здоровье пациентов верифицированных многомерных оценок биомедицинских систем. Методы. Применен статистический метод для проверки корректности в наборах данных вменения с использованием процедур дискриминантного анализа. Выполнена оценка импутированного набора данных для получения оптимизированной симметричной корреляционной матрицы и сопутствующих логарифмов критериальных функций. Получены индивидуальные системные оценки состояния каждого пациента в разных группах пациентов в определенный момент исследования. Применен метод вычисления многомерной статистики Хотеллинга T2 для выявления различий в логарифмах критериальных функций параметров кислотно-основного состояния между группами пациентов с различными исходами. Результаты. Показана корректность применения процедур дискриминантного анализа для проверки вменения наборов данных. Выявлены статистически значимые отличия логарифмов критериальных функций показателей кислотно-основного состояния между венозной и артериальной кровью и биохимических параметров крови на основе многомерной статистики Хотеллинга T2 между группами пациентов с различными исходами. Практическая значимость. Доказано, что импутация данных значительно увеличивает объем и представительность исследуемой выборки. Продемонстрировано, что замещенные данные позволяют проводить системную статистическую оценку совокупности параметров организма на основе расчета логарифмов критериальных функций кислотно-основного состояния. Такие логарифмы позволяют точно различать пациентов по исходам в трех группах: «выписанные», «умершие», «переведенные в другое медицинское учреждение». Показаны 100 % различия биохимических показателей по многомерной статистике Хотеллинга T2 между указанными тремя группами пациентов с COVID-19. Результаты исследования могут быть применены при разработке информационных систем отдельных медицинских биохимических и гематологических приборов и анализаторов и в перспективе соответствующих систем искусственного интеллекта.
Ключевые слова: кислотно-основное состояние, вменение, медицинская информационная система, COVID-19, критериальная функция
Благодарности. Исследование выполнено при поддержке Российского научного фонда в рамках гранта № 17-15-01177. Исследование проводилось в рамках бюджетной темы № 0060-2019-0011.
Список литературы
Благодарности. Исследование выполнено при поддержке Российского научного фонда в рамках гранта № 17-15-01177. Исследование проводилось в рамках бюджетной темы № 0060-2019-0011.
Список литературы
1. Анохин П.К. Теория функциональной системы // Успехи физиологических наук. 1970. Т. 1. № 1. С. 19–54.
2. Хакен Г. Информация и самоорганизация: Макроскопический подход к сложным системам / пер. с англ. М.: Мир, 1991. 240 с.
3. Лушнов А.М., Лушнов М.С. Медицинские информационные системы: многомерный анализ медицинских и экологических данных. СПб.: Геликон Плюс, 2013. 458 с.
4. Kurapeev D.I., Lushnov M.S., Osipov V.Yu., Vodyaho A.I., Zhukova N.A. Synthesis of integral models of system dynamics of an Acid-Base State (ABS) of patients at operative measures // Acta Scientific Medical Sciences. 2019. V. 3. N. 3. P. 16–29.
5. Kurapeev D.I., Lushnov M.S., Zhukova N.A. Comparison of integral models of systemic dynamics of Acid-Base State of venous and arterial circulating blood in patients with surgical interventions // Acta Scientific Medical Sciences. 2019. V. 3. N 6. P. 38–48.
6. Lebedev S., Zhukova N., Vodyaho A., Kurapeev D., Lushnov M. An ontology-driven toolset for fast prototyping of medical data processing systems // International Journal of Biology and Biomedical Engineering. 2017. V. 11. P. 135–142.
7. Narenda P.M., Fukunaga K. A branch and bound algorithm for feature subset selection // IEEE Transactions Computers. 1977. V. C-26. N 9. P. 917–922. https://doi.org/10.1109/TC.1977.1674939
8. Ridout M.S. An improved branch and bound algorithm for feature subset-selection // Journal of the Royal Statistical Society. Series C (Applied Statistics). 1988. V. 37. N 1. P. 139–147. https://doi.org/10.2307/2347512
9. Bech C.N., Brabrand M., Mikkelsen S., Lassen A. Risk factors associated with short term mortality changes over time, after arrival to the emergency department // Scandinavian Journal of Trauma, Resuscitation and Emergency Medicine. 2018. V. 26. N 1. P. 29. https://doi.org/10.1186/s13049-018-0493-2
10. Fuchs P.A., Del Junco D.J., Fox E.E., Holcomb J.B., Rahbar M.H., Wade C.A., Alarcon L.H., Brasel K.J., Bulger E.M., Cohen M.J., Myers J.G., Muskat P., Phelan H.A., Schreiber M.A., Cotton B.A. Purposeful variable selection and stratification to impute missing Focused Assessment with Sonography for Trauma data in trauma research // Journal of Trauma and Acute Care Surgery. 2013. V. 75. N 1 (Suppl. 1). P. S75–S81. https://doi.org/10.1097/TA.0b013e31828fa51c
11. Мантрова А.И. Как пропуски в медицинских данных могут влиять на результаты исследований? // Научное обозрение. Биологические науки. 2019. № 2. С. 5–9.
12. Lefering R., Huber-Wagner S., Nienaber U., Maegele M., Bouillon B. Update of the trauma risk adjustment model of the TraumaRegister DGU™: the Revised Injury Severity Classification, version II // Critical Care. 2014. V. 18. N 5. P. 476. https://doi.org/10.1186/s13054-014-0476-2
13. Seleno N., Vogel J., Liao M., Hopkins E., Byyny R., Moore E., Gravitz C., Haukoos J. Denver trauma organ failure score outperforms traditional methods of risk stratification in trauma // Academic Emergency Medicine. 2012. V. 19. Suppl. 1. P. S144.
14. Золин П.П. Статистическая обработка цензурированных выборок при изучении экстремальных и терминальных состояний // Патогенез, клиника и терапия экстремальных и терминальных состояний: Материалы научно-практической конференции, г. Омск, 21 октября 1998 г. Омск: Омская государственная медицинская академия, 1998. С. 39–43.
15. Fabian-Jessing B.K., Vallentin M.F., Secher N., Hansen F.B., Dezfulian C., Granfeldt A., Andersen L.W. Animal models of cardiac arrest: A systematic review of bias and reporting // Resuscitation. 2018. V. 125. P. 16–21. https://doi.org/10.1016/j.resuscitation.2018.01.047
16. Krantz M.J., Kaul S. The ATLAS ACS 2–TIMI 51 trial and the burden of missing data: (Anti-Xa Therapy to Lower Cardiovascular Events in Addition to Standard Therapy in Subjects With Acute Coronary Syndrome ACS 2–Thrombolysis In Myocardial Infarction 51) // Journal of the American College of Cardiology. 2013. V. 62. N 9. P. 777–781. https://doi.org/10.1016/j.jacc.2013.05.024
17. Little R.J., D’Agostino R., Cohen M.L., Dickersin K., Emerson S.S., Farrar J.T., Frangakis C., Hogan J.W., Molenberghs G., Murphy S.A., Neaton J.D., Rotnitzky A., Scharfstein D., Shih W.J., Siegel J.P., Stern H. The prevention and treatment of missing data in clinical trials // New England Journal of Medicine. 2012. V. 367. P. 1355–1360. https://doi.org/10.1056/NEJMsr1203730
18. National Research Council. The prevention and treatment of missing data in clinical trials. Washington, DC: National Academies Press, 2010. 162 p.
19. Фабрикант М.С. Модель-ориентированный подход к отсутствующим значениям: множественная импутация в многоуровневой регрессии посредством R (на примере анализа опросных данных) // Социология: методология, методы, математическое моделирование (Социология:4М). 2015. № 41. С. 7–29.
20. Van Buuren S. Flexible Imputation of Missing Data. CRC Press, 2012. 342 p. https://doi.org/10.1201/b11826
21. Куликова К.Ю. Статистический анализ медицинских данных при наличии пропусков // Процессы управления и устойчивость. 2014. Т. 1. № 1. С. 253–258.
22. Witkiewitz K., Falk D.E., Kranzler H.R., Litten R.Z., Hallgren K.A., O’Malley S.S., Anton R.F. Methods to analyze treatment effects in the presence of missing data for a continuous heavy drinking outcome measure when participants drop out from treatment in alcohol clinical trials // Alcoholism: Clinical and Experimental Research. 2014. V. 38. N 11. P. 2826–2834. https://doi.org/10.1111/acer.12543
23. Parvez B., Shah A., Muhammad R., Shoemaker M.B., Graves A.J., Heckbert S.R., Xu H., Ellinor P.T., Benjamin E.J., Alonso A., Shintani A.K., Roden D., Darbar D. Replication of a risk prediction model for ambulatory incident atrial fibrillation using electronic medical record // Circulation. 2012. V. 126. N 21. Meeting Abstract 18578.
24. Zhang Z. Multiple imputation with multivariate imputation by chained equation (MICE) package // Annals of Translational Medicine. 2016. V. 4. N 2. P. 30. https://doi.org/10.3978/j.issn.2305-5839.2015.12.63
25. Аладышкина А.С., Лакшина В.В., Леонова Л.А., Максимов А.Г. Особенности работы с данными, характеризующими здоровье населения: заполнение пропусков в данных // Социальные аспекты здоровья населения. 2020. Т. 66. № 1. С. 12. https://doi.org/10.21045/2071-5021-2020-66-1-12
26. Little R.J.A., Rubin D.B. Statistical Analysis with Missing Data. John Wiley & Sons, 2014. 408 p.
27. Seitz C., Lanius V., Lippert S., Gerlinger C., Haberland C., Oehmke F., Tinneberg H.-R. Patterns of missing data in the use of the endometriosis symptom diary // BMC Women's Health. 2018. V. 18. N 1. P. 88. https://doi.org/10.1186/s12905-018-0578-0
