РАЗРАБОТКА  АВТОМАТИЗИРОВАННОЙ  СИСТЕМЫ  ДЛЯ  ОПРЕДЕЛЕНИЯ  ПРОГНОЗА  РАЗВИТИЯ  ОСЛОЖНЕНИЙ  В  ПОСЛЕОПЕРАЦИОННЫЙ  ПЕРИОД  АОРТО-КОРОНАРНОГО  ШУНТИРОВАНИЯ

Сицинская  Яна  Чеславовна

Кирпенко  Александра  Николаевна

студенты  6  курса,  Факультет  Биомедицинской  Инженерии  Национальный  Технический  Университет  Украины  «Киевский  Политехнический  Институт»,  Украина,  г.  Киев

E -mail: 

Павлов  Владимир  Анатольевич

научный  руководитель,  канд.  техн.  наук,  ст.  преподаватель  кафедры  БК  ФБМИ  НТТУ  «КПИ»,  Украина,  г.  Киев

Аннотация

Работа  посвящена  многомерному  анализу  статистических  данных  полученных  при  операциях  аорто-коронарного  шунтирования  коронарных  артерий  с  целью  разработки  автоматизированной  системы  классификации  состояний  пациента  в  послеоперационный  период.

Введение

По  данным  Всемирной  Организации  Здравоохранения  (ВОЗ),  заболевания  сердечно-сосудистой  системы  является  первой  причиной  смертности  людей.  Около  29  %  людей  в  мире  умирают  от  заболеваний  сердца  и  сосудов,  из  которых  на  первом  месте  стоит  ишемическая  болезнь  сердца  ИБС.  Операция  аорто-коронарного  шунтирования  является  эффективным  методом  лечения  ИБС  и  позволяет  пациентам  вернуться  к  нормальной  активной  жизни.  Операция  аортокоронарного  шунтирования  (АКШ)  —  это  операция  на  сердце,  что  позволяет  с  помощью  шунтов  восстановить  сердечный  кровоток  в  обход  суженных  и  закупоренных  коронарных  сосудов.  Тем  самым  обеспечивается  снабжение  сердца  кровью  и  кислородом.  Операция  аорто-коронарного  шунтирования  снижает  риск  развития  инфаркта  за  счет  улучшения  кровоснабжения  сердечной  мышцы  [1].

Важным  аспектом  для  врачей  является  прогнозирование  протекания  выздоровления  пациента  после  оперативного  вмешательства.  Перед  оперативным  вмешательством  врачи  наблюдают  и  анализируют  десятки  показателей  системы  кровообращения  одного  пациента.  Когда  же  речь  идет  о  потоке  больных,  которых  объединяют  тяжелые  соматические  заболевания  и  характер  проведенного  оперативного  вмешательства,  то  приходится  обрабатывать  и  анализировать  очень  большие  массивы  данных.  Для  этого  используют  статистические  методы  обработки.  Выздоровление  пациента  после  операции  классифицируют  по  определенным  послеоперационным  состояниям,  основными  из  которых  являются:  норма  и  патология.  Однако  развитие  послеоперационных  осложнений  существенно  задерживает  процесс  восстановления,  а  отсутствие  адекватной  реакции  персонала  может  угрожать  жизни  пациента.  Поэтому  своевременное  определение  развития  послеоперационных  осложнений  за  счет  внедрения  автоматизированной  диагностической  системы  является  актуальной  задачей.

Основная  часть

Массив  данных  представлен  Национальным  институтом  сердечно-сосудистой  хирургии  им.  Н.М.  Амосова  АМН  Украины.  Данные  содержат  наблюдения,  которые  были  накоплены  в  ходе  планового  лечебного  процесса,  то  есть  были  получены  не  в  связи  с  постановкой  конкретных  исследовательских  задач.  Данные  были  получены  на  операционном  и  послеоперационном  периодах.  Возраст  больных  составлял  от  17  до  56  лет.  Классификация  состояний  пациента:  норма,  острая  сердечная  недостаточность,  острая  недостаточность  мозгового  кровообращения.

Для  моделирования  состояния  пациента  применен  аппарат  линейного  дискриминантного  анализа  и  логистической  регрессии.

Задача  множественной  линейной  регрессии  заключается  в  построении  линейной  модели  связи  между  набором  непрерывных  регрессоров  и  непрерывной  зависимой  переменной.

Массив  входных  данных  обрабатывался  пакетом  SPSS  Statistics  v.  20.  С  помощью  бинарной  логистической  регрессии  можно  исследовать  зависимость  дихотомических  переменных  от  независимых  переменных,  которые  имеют  любую  шкалу.  Бинарная  логистическая  регрессия  вычисляет  вероятность  наступления  события  (зависимой  переменной)  в  зависимости  от  значений  независимых  переменных.  Решается  задача  классификации  наблюдений  за  дихотомической  переменной  —  осложнения,  которая  принимает  значения  1  —  норма,  2  —  патология.  До  значения  2  —  патология  входит:  острая  сердечная  недостаточность  и  острая  недостаточность  мозгового  кровообращения.

Таблица  1.  

Сводка  обработки  наблюдений

В  Таблице  1  представлен  отчет  обработки  наблюдений,  из  которого  видно,  что  все  значения  включены  в  анализ  без  пропущенных  наблюдений.

Таблица  2  

Таблица  классификации^a

Общий  процент  классификации  составляет  69,4  %.  (Таб.  2).

С  помощью  дискриминантного  анализа  на  основе  наблюдений  —  переменных,  объект  может  быть  отнесен  к  одному  из  нескольких  ранее  заданных  классов.  Классы  задаются  с  помощью  группирирующей  переменной,  в  данном  случае  таковой  является  осложнения  —  три  послеоперационные  состояния:  1  —  норма,  2  —  острая  сердечная  недостаточность,  3  —  недостаточность  мозгового  кровообращения.  Независимыми  являются  все  другие  переменные,  они  характеризуют  причастность  к  тому  или  иному  классу.

На  Рисунке  1  представлено  распределение  наблюдений  на  три  состояния.

Рисунок  1.  Распределение  наблюдений  на  три  состояния

В  Таблице  3  представлены  результаты  классификации,  где  отражена  предполагаемая  принадлежность  к  группе  —  процент  вероятности  прогноза  для  каждой  из  группы.  75,7  %  исходных  наблюдений  классифицировано  правильно  на  три  состояния.

Таблица  3.

Результаты  классификации^a

Выводы

Для  классификации  состояний  пациента  после  операции  аорто-коронарного  шунтирования  были  использованы  методы  логистической  регрессии  и  дискриминантного  анализа.  Получены  удовлетворительные  результаты  классификаций  по  трем  состояниям:  1  —  норма,  2  —  острая  сердечная  недостаточность,  3  —  острая  недостаточность  мозгового  кровообращения.  Данная  классификация  выполнялась  для  внедрения  автоматизированной  диагностической  системы  для  улучшения  восстановления  послеоперационных  пациентов.

Список  литературы:

1.Иванова  В.Д.  Избранные  лекции  по  оперативной  хирургии  и  клинической  анатомии./В  записи  Яремина  Б.И.  Издание  3-е,  исправленное  и  дополненное.  Самара  ООО  «Офорт»,  2009  —  194  с.