2. Выбор оптимальной дозы лечебного воздействия. Прогнозирование состояния больного на основе его модели состояния. Коррекция лечения.

1. Постановка задачи. Формулируется перечень заболеваний (син¬дромов, состояний), которые необходимо распознавать с помо¬щью разрабатываемого правила. При этом необходимо учитывать, что все объекты (пациенты) должны описываться определенным набором параметров, с помощью которых предположительно мож¬но будет распознать эти объекты. Формируется их перечень. Созда¬ется формализованная карта параметров с их градациями. Проду¬мывается система (шкала) кодирования градаций параметров.

2. Формирование обучающей выборки. Чтобы приступить к реше¬нию задачи дифференциальной диагностики, нужно иметь неко¬торое множество реальных историй болезни с известными вери¬фицированными диагнозами, которые и будет распознавать пост¬роенное в будущем решающее правило. Такое множество необхо¬димо для анализа материала с целью определения статистически «типичной» картины для каждого рассматриваемого заболевания (состояния, синдрома) — образа заболевания.

Однако важно понимать, что в обучающую выборку должны войти все пациенты за определенный (обычно несколько лет) период работы клиники или случайно отобранные больные, со¬ответствующие сформулированным критериям отбора. Неслучай¬ный отбор пациентов может привести к разработке узконаправ¬ленного правила.

Необходимо отметить, что сформировать обучающую выборку можно как на ретроспективном материале (по историям болез¬ни), так и в проспективном исследовании. Чрезвычайно важны полнота собираемого клинического материала и его объем при минимальном числе пропущенных значений используемых пара¬метров.

Формализованные карты всех пациентов, входящих в обуча¬ющую выборку, заносятся в массив (например, в таблицу MS Excel), который впоследствии и будет обрабатываться для получения диа¬гностического алгоритма.

3. Исследование параметров на информативность и минимизация их количества. Подходов к исследованию параметров на информа¬тивность при дифференциальной диагностике и решении задач прогнозирования достаточно много. Это и подсчет частот, и при¬менение методов параметрической и непараметрической стати¬стики для исследования различий средних значений выборок, точ¬ного метода Фишера, метода Байеса (например, для оценки ди¬агностической информативности совокупности отобранных пара¬метров) и др.

Важно, что в результате такого исследования в рассмотрении остаются наиболее информативные параметры, число которых существенно сокращается, причем без ущерба для конечной цели — распознавания дифференцируемых состояний. Наоборот, повы¬шение качества распознавания происходит при отборе наиболее информативных параметров, так как при этом отсеиваются пара¬метры, создающие так называемый «шум», т.е. не имеющие диф¬ференциально-диагностической ценности.

Для минимизации количества параметров можно (и часто нуж¬но) использовать математические методы, например корреляци¬онный анализ. Если имеет место сильная корреляция, то один из пары параметров следует убрать из набора. В этом случае необхо¬димо рассматривать как клинические аргументы, так и аргументыс позиции здравого смысла (например, какой из параметров труд¬нее и дороже измерять, тот из пары и следует исключить).

4. Получение решающего правила и его оценка. Для получения диагностического алгоритма часто используют принципы класте¬ризации, методы множественного статистического анализа: дискри¬минантный, регрессионный, нейросетевой и др. В настоящее вре¬мя для этого в большинстве случаев используют известные стати¬стические пакеты: 5/15, SPSS, Statistica и др.

Два принципиально различных подхода к распознаванию — вероятностный (стохастический) и детерминистский — выдают решение в различной форме. При вероятностном подходе ответ сопровождается оценкой (обычно в процентах), указывающей на возможность того или иного диагноза (прогноза). При детермини¬стском однозначно указывается один из возможных вариантов ответа.

Критериев качества распознавания несколько. Одним из них является процент правильных отнесений (или наоборот — число ошибок распознавания) на обучающей выборке. Принято оцени¬вать чувствительность диагностического алгоритма и его специ¬фичность.

Чувствительность — доля пациентов с диагностированным за¬болеванием среди всех пациентов с данным заболеванием в обу¬чающей выборке, т.е. отношение числа истинно положительных результатов к числу случаев с наличием заболевания.

Специфичность — это доля пациентов с ^диагностирован¬ным заболеванием среди пациентов без данного заболевания в обучающей выборке, т.е. отношение числа истинно отрицатель¬ных результатов к общему числу случаев с отсутствием заболева¬ния.

Одним из способов оценки качества полученного диагности¬ческого алгоритма является проведение скользящего экзамена. Суть его заключается в том, что данные каждого пациента по очереди исключаются из обучающей выборки, процедура классификации повторяется без него, а затем данные исключенного пациента подставляются в полученное правило и оценивается правильность диагностики.

Достаточно распространенным подходом к оценке полученно¬го диагностического алгоритма остается его проверка на конт¬рольной (экзаменационной) выборке ретроспективных данных и в опытной эксплуатации в проспективном исследовании. Этапы распознавания можно представить следующим образом:1) предварительный анализ данных и минимизация простран¬ства параметров;2) классификация на обучающий выборке;3)контроль результатов классификации на экзаменационной выборке.

Билет № 17