Добавил:
Sekretar
kiopkiopkiop18@yandex.ru
t.me/Prokururor I Вовсе не секретарь, но почту проверяю
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Ординатура / Хирургия / Библиотека им академика М.И. Перельмана / Книга_1966_Библиотеки_им_академика_М_И_Перельмана
.pdf
31
В ходе операции оценивалась текстура поджелудочной железы (плотная, мягкая, очень
мягкая), диаметр Вирсунгова протока, объем интраоперационной кровопотери и
продолжительность хирургического вмешательства).
При прорастании опухоли в магистральные сосуды на этапе мобилизации осуществлялась
их резекция и протезирование с учетом индивидуальных особенностей анатомического строения
органов брюшной полости и роста опухли.
Рисунок 3 – Наложение гепатикоеюноанастомоза:
анастомоз отмечен красной стрелкой.
Рисунок 2 – Наложение панкреатоеюноанастомоза:
А) Начальный этап, установлен стент в Вирсунгов
проток; Б) Завершающий этап наложения анастомоза.
А) Б)
32
2.4. Ведение пациентов в послеоперационном периоде
Тактика ведения пациентов в послеоперационном периоде была основана на российских
и международных клинических рекомендациях, стандартах ведения хирургического больного.
Проводилась антибактериальная, инфузионная и анальгетическая терапия. Для профилактики
панкреатических фистул и панкреатита проводилась терапия окреотидом 200 мкг/сут и
омепразолом 40 мг/сут в течение первых пяти суток после хирургического вмешательства, с
возможностью увеличения продолжительности терапии по показаниям. Оценивалось состояние
пациента, наличие жалоб, уровень амилазы в отделяемом по дренажу и плазме крови, данные
общего анализа крови и мочи, коагулограммы, биохимического анализа крови. При наличии
симптомов воспаления, клинических признаков хирургических осложнений выполнялось УЗИ
и/или КТ органов брюшной полости. Удаление дренажей осуществлялась при прозрачном
характере отделяемого и снижении уровня амилазы ниже 100 мкг в нем.
2.4.1. Диагностика и лечение панкреатических фистул
Диагноз панкреатических фистул устанавливался в соответствии с критериями ISGPF,
2016, согласно которым основным диагностическим критерием является повышение уровня
панкреатической амилазы в отделяемом по дренажу свыше трех норм содержания фермента в
сыворотке крови [27]. Тяжесть панкреатических фистул устанавливалась в зависимости от
наличия клинических проявлений по результатам сбора жалоб, осмотра, данных лабораторных и
инструментальных методов исследования (табл. 2).
33
Таблица 2 – Диагностические критерии панкреатических фистул по ISGPF [26, 27]
Тип фистулы
Диагностический
Критерий
Фистула
отсутствует
Биохимическа
я утечка
Тип В Тип С
Содержание амилазы в
отделяемом по дренажу
Менее чем в 3
раза
превышает
нормальный
уровень
амилазы в
сыворотке
крови
Более чем в 3 раза превышает нормальный
уровень амилазы в сыворотке крови
Клиническое состояние
больного
Удовлетворите
льное
Удовлетворител
ьное
Средней
степени
тяжести
Тяжелое
Признаки панкреатита
по данным УЗИ и КТ
Нет Нет Да/нет Да
Продолжительность
дренирования более 21
дня
Нет Нет Да Да
Необходимость
специфического лечения
Нет Нет Да Да
Инфекционно-
воспалительный синдром
Нет Нет Да Да
Повторная
госпитализация
Нет Нет Да/нет Да
Сепсис, полиорганная
недостаточность
Нет Нет Нет Да
Необходимость повторной
операции
Нет Нет Нет Да
Летальный исход Нет Нет Нет Да
Оценивалось клиническое состояние пациента, продолжительность дренирования,
наличие инфекционно-воспалительного синдрома, признаков панкреатита по данным УЗИ и КТ,
необходимость повторной госпитализации после выписки, наличие признаков сепсиса и
необходимость повторной операции. В случае летального исхода, связанного с развитием
панкреатических фистул, класс осложнения оценивался как «С».
Тактика ведения пациентов с панкреатическими свищами различалась в зависимости от
их типа и тяжести клинических проявлений. Согласно ISGPF изолированное повышение уровня
панкреатическое амилазы - биохимическая утечка (фистула А до 2016 года) - считалось и
клинически не значимым [26, 27]. При выявлении симптомных панкреатических фистул
проводилась терапия окреотидом 200 мкг/сут и омепразолом 40-80 мкг/сут, антибактериальная,
34
противовоспалительная терапия. В случае фистул С и развития более тяжелых осложнений, таких
как панкреатит, аррозивные кровотечения проводилось повторное хирургическое вмешательство,
интенсивная терапия и парентеральное питание по показаниям.
2.5. Оценка факторов риска развития панкреатических фистул
Для исследования факторов риска пациенты были разделены на группы в зависимости от
наличия или отсутствия осложнения и его типа в соответствии с классификацией ISGPF, 2016
[27]. В первую группу вошли пациенты без панкреатических свищей, во вторую - больные с
биохимической утечкой амилазы по дренажу, в третью – с фистулами типа В и С, для которых
характерны выраженные клинические проявления.
Основываясь на данных литературы в качестве потенциальных факторов риска для оценки
были отобраны следующие параметры: возраст, индекс массы тела (ИМТ) пациента на момент
операции, стадия онкологического процесса, уровень амилазы в отделяемом по дренажу и плазме
крови за 1-5 и 10-15 сутки после операции, уровень лейкоцитов по данным общего анализа крови
до хирургического вмешательства, а также на 1-3, 5-7 и 10-15 сутки после него, данные о
морфологическом типе опухоли, информация о ее размере и первичной локализации по данным
МРТ и КТ, диаметре панкреатического протока по данным ультразвукового исследования.
Морфологический тип опухоли, периваскулярная и периневральная инвазия оценивались
по данным биопсии, выполненной перед началом комбинированного лечения; после
хирургического вмешательства морфологический диагноз был подтвержден на операционном
материале.
Оценивались данные о характере проведенных этапов комбинированного лечения:
проведение неоадъювантной полихимиотерапии, параметры, характеризующие хирургическое
вмешательство: текстура поджелудочной железы, данные о резекции и протезировании сосудов,
длительности операции, объеме кровопотери, типе накладываемого дуоденоэнтероанастомоза и
данные о наложении пункционной энтеростомы.
35
2.6. Статистическая обработка данных
В данной диссертационной работе проводилась статистическая обработка полученных
результатов с целью установления связи между различными факторами риска и развитием
панкреатических свищей, как с выраженными клиническими проявлениями, так и
бессимптомных, при помощи корреляционного анализа, параметрических и непараметрических
статистических критериев. Оценивалось влияние различных клинических показателей на
формирование панкреатических свищей в исходе ПДР.
Для исследования различий по основным клиническим показателям, имеющим
количественную характеристику, применялись параметрические и непараметрические критерии
в зависимости от распределения случайных величин. Для исследования взаимосвязей между
признаками применялся корреляционный анализ.
Статистическая обработка проводилась в программе Statistica 13.2 и RStudio при помощи
языка программирования R. На первом этапе оценивалось распределение случайных величин на
принадлежность к нормальному, для чего использовался критерий Шапиро-Вилка, α=0,05. При
количестве наблюдений n>50 применялся критерий Эппса-Палли, α=0,05.
Сравнение между группами по количественным показателям проводились при помощи t-
критерия Стьюдента в случае нормального распределения случайных величин и при помощи
непараметрического критерия Мана-Уитни когда распределение отличалось от нормального,
p<0,05. Сравнения внутри групп проводились при помощи парного t-критерия Стьюдента при
нормальном распределении случайных величин, в остальных случаях - при помощи
непараметрического критерия Вилкоксона. При нормальном распределении и количестве
наблюдений в исследуемы выборках n
i
>50 применялся z-тест, p<0,05. Для параметров,
принимающих дискретные значения применялась поправка Йетса на непрерывность. Анализ по
качественным показателям проводился при помощи критерия χ2 Пирсона, p<0,05.
Корреляционный анализ осуществлялся путем вычисления коэффициента корреляции
Пирсона в случае нормального распределения случайных величин, а при распределении,
отличном от нормального, производился расчет непараметрического коэффициента корреляции
Кендела, p<0,05. Корреляционный анализ с одновременным учетом качественных и
количественных показателей проводился при помощи метода Кендела, p<0,05. В случае
множественных сравнений применялась поправка Бонферони. Оценивалась направленность
корреляционной связи и ее сила. При значениях модуля коэффициента корреляции от 0 до 0,29
корреляционная связь считалась слабой, при значениях от 0,3 до 0,69 – средней силы, а от 0,7 до
1,0 – сильной.
36
Данные представлены в виде медианы, первого и третьего квартилей; для выборок с
нормальным распределением указаны среднее значение и стандартное отклонение. Для
качественных параметров представлены абсолютные и относительные значения.
С целью моделирования развития панкреатических фистул и выявления наиболее
значимых факторов использовались алгоритмы машинного обучения логистическая регрессия,
Radom forest, CatBoost. Отбор параметров осуществлялся на основе данных корреляционного
анализа и результатов работы алгоритмов отбора параметров. Подробное описание методов
математического моделирования представлено в Главе 3.
37
ГЛАВА 3. МЕТОДЫ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ
3.1. Технология анализа данных
Неотъемлемым компонентом создания математической модели высокого качества
является отбор показателей, имеющих потенциальную значимость для формирования модели,
что было осуществлено на основании литературных данных.
Стандартные подходы, принятые в анализе данных были модифицированы с для
обработки медицинской информации (рис. 4). Целевые параметры определены задачами
исследования: развитие панкреатических фистул, биохимической утечки по дренажу и фистул
В/С [27].
На следующем этапе осуществлялась медицинская и математическая экспертиза данных,
в результате которой проводилась корректировка единиц измерения, унификация представления
медицинских данных, а также восполнение пропущенных значений, что необходимо для
построения алгоритмов машинного обучения. Полнота представленных данных была 89%.
Недостающие данные были заполнены выборочным средним, что является стандартным
подходом при анализе данных. В случае оценки результатов методов визуализации – диаметра
Вирсунгова протока – в случае невозможности его оценить, условным значением параметра
считалось значение, рассчитанное как (0+3)/2, где 3 минимальное значение нормы по данным
литературы. Для значений амилазы в отделяемом по дренажу в случае недостатка данных
учитывалось максимальное значение за оцениваемые промежутки наблюдений. В случае
отсутствия значений измерений при отсутствии показаний к проведению лабораторного
исследования (по данным истории болезни) пропущенное значение заполнялось средним
значением нормы. На основе полученных данных была сформирована экспертная база данных.
Отбор параметров осуществлялся на основе результатов статистической обработки
данных, с оценкой корреляционных связей между количественными и качественными
параметрами распределения случайных величин (раздел 2.6.). Также применялся алгоритм
имитации отжига, который является субоптимальным алгоритмом оптимизации, а также
алгоритмы, представленные в библиотеке sklearn языка программирования python 3.7.
На следующем этапе обработки данных осуществлялись построение и отбор алгоритмов
на основе метрик качества (раздел 3.2.) и выявление факторов риска развития панкреатических
фистул на основе наиболее точной модели (раздел 3.3).
Построение подобных моделей осуществляется с целью создания программного продукта,
пригодного для клинического применения. В дополнение к разрабатываемой модели был создан
38
интерфейс с помощью языка программирования python 3.7 и библиотеки pysimpleGUI. Модель,
интерфейс и экспертная база данных были объединены в единый программный продукт –
программу для ЭВМ.
3.2. Построение и отбор алгоритмов
Для построения математических моделей были выбраны логистическая регрессия, а также
древесные алгоритмы Random forest и Catboost. В рамках разработанной технологии возможно
применение другого линейного алгоритма - метода опорных векторов (SVM – support vector
machine) – в случае линейного характера данных в дополнение к логистической регрессии.
Построение моделей осуществлялось в среде разработки jupyter при помощи языка
программирования python 3.7 с использованием библиотеки sklearn. В процессе обучения
алгоритмов осуществлялся подбор гиперпараметров с помощью алгоритмов оптимизации
библиотеки sklearn, python 3.7: LogisticRegressionCV для логистической регрессии и
GridSearchCV для остальных алгоритмов [42, 110, 129]. Для логистической регрессии также
использовалась библиотека statmodels.logit. Программный код (Приложение А) размещен на
ресурсе GitHub в открытом доступе. На разработанное ПО получены свидетельства о
регистрации программы для ЭВМ (Приложение В).
Определение целевых параметров
Первичная статистическая обработка,
выявление корреляционных
зависимостей Отбор признаков для
использования в моделях
Тестирование моделей
на имеющихся данных и отбор
наиболее эффективных
Разработка интерфейсов и создание
программы для ЭВМ
Медицинская и математическая
экспертиза данных, построение
экспертной базы данных
Разработка алгоритмов обработки
данных, построение и обучение
моделей машинного обучения
Исследование факторов риска на
основе модели
Тестирование алгоритмов в условиях
клиники
Рисунок 4 – Технология обработки данных с использованием алгоритмов машинного
обучения.
39
Логистическая модель множественной регрессии основана на оценке отношения шансов
развития осложнения по логарифмической шкале, формулы (1.1) и (1.2):
𝑝
(
𝑥
)
=
1
1 + 𝑒
(
⋯
)
где β – коэффциенты регрессии;
х – параметры;
р – функция вероятности.
Данная зависимость может быть представлена в следующем виде (формула (1.2)):
𝑝
(
𝑥
)
=
1
1 + 𝑒
где w расчетный коэффициент в степени Т;
xi – параметр;
р – функция вероятности.
Для расчета коэффициента регуляризации использовался алгоритм максимального
правдоподобия, формула (2):
𝑤 =𝑎𝑟𝑔𝑚𝑖𝑛
𝐶 log (1 + 𝑒
+
|
𝑤
|
где 𝑤 – L2-функция потерь;
С – коэффициент регуляризации;
w расчетный коэффициент в степени Т;
x
i
– параметр;
y
i
– значение функции регрессии.
Метод опорных векторов (SVM) – алгоритм линейной классификации, основанный на
обучении с учителем, формула (3):
1
n
max (0,1 − y
(
w
x
− b
)
)
+ λ
‖
w
‖
где x – параметр;
λ, b – константы;
w – расчетный коэффициент в степени Т, геометрический смысл которого –
перпендикуляр к разделяющей плоскости. Данный коэффициент может описываться
различными функциями ядра, формулы (4.1 – 4.3), которые являются гиперпараметрами
алгоритма SVM:
(1.1)
(1.2)
(2)
(3)
40
1. Полиномиальная функция:
kx
, x
= x
∗ x
+ 𝑟
где x
, x
– параметры;
r – константа;
d ∈ R
2. Радиальная базисная функция:
kx
, x
= exp −γx
− x
,𝛾=1/2𝜎
где x
, x
– параметры;
σ – стандартное отклонение
3. Сигмоидная функция:
kx
, x
= tanhx
∗ x
+ 𝑟
где x
, x
– параметры;
r – константа
Выбор функции ядра осуществлялся при помощи алгоритма оптимизации GridSearchCV.
Работа алгоритма «Random forest» описывается следующей формулой (5) [96]:
𝐹
=𝑎
(
𝑥
)
=
1
𝑇
𝑎
(𝑥)
где F
T
– модель классификации;
a(x) – дерево решений;
x – набор данных;
T-бутстреп коэффициент, который отражает количество деревьев решений.
Алгоритм Catboost отличается применением градиентного бустинга [48]. Данный
алгоритм основан на нахождении градиента функции, который соответствует максимальному ее
уменьшению, что позволяет найти оптимальное дерево решений.
Функция потерь описывается следующей формулой (6):
L(f(x),y)=i∑wi⋅l(f(xi),yi)+J(f),
где l(f(x),y) – значение функции потерь в точке (x, y);
w
i
– весовой коэффициент i-ого параметра
J(f) – функция регуляризации
При этом в случае построения древесных моделей классификации, соответствующих формуле
(5)
Отрицательный градиент функции потерь можно представить формулой (7):
(5)
(4.1)
(4.2)
(4.3)
(6)
Соседние файлы в папке Библиотека им академика М.И. Перельмана