Диссертация (1139510), страница 21
Текст из файла (страница 21)
Для определения некоторых закономерностей в такой гетерогеннойсовокупности, как больные с депрессивными расстройствами, применяюткластерный,факторный,регрессионный,дискриминантныйметодыстатистического анализа.Наличиемножестваисходныххарактеристик,описывающихклинические случаи, требует приведения начального набора к показателям,имеющим наибольшую значимость для изучаемого явления, но при этомпотеря данных, которые могли бы иметь влияние, должна быть минимальной.Снижение размерности данных осуществляется методами факторногоанализа (подтверждающий факторный анализ, разведочный факторныйанализ и анализ главных компонент). Факторный анализ структурируетмногомерные данные и их взаимосвязи путем выявления наиболеесущественных признаков в виде скрытых общих факторов, объясняющих эту105структуру.Эти скрытые факторы объединяют вводимые параметры,отображая их общие непосредственно ненаблюдаемые закономерности.
Этодает возможность достаточно просто и точно описать наблюдаемые исходныеданные, структуру и характер взаимосвязей между ними. Редукция данныхпроисходит за счет того, что новых переменных используется значительноменьше, чем исходных признаков.Применениеограниченофакторногорезультатамианализавнашемпсихометрическойисследованииоценкиприбылоизучениипсихопатологии депрессивных расстройств.
Математическая обработкаклинических проявлений проводилась на основе порядковой оценкивыявляемых симптомов, но шкала MADRS учитывает относительнонебольшое число признаков. Кроме того такие симптомы MADRS какгипотимия, оцениваемая субъективно и объективно, коррелировали междусобой, что было учтено при проведении факторного анализа.Результаты факторного анализа определили два скрытых фактора,объясняющих 55,3% от общей дисперсии (Рисунок 10).
Максимальнаянагрузка была определена для симптомов высказываемой печали и идейдепрессивного содержания (42,8%). Второй фактор объяснял дисперсиюсимптомов усталости и нарушений концентрации (12,5%).Рисунок 10. График собственных значений при факторном анализесимптоматики депрессивных расстройств (Критерий каменистой осыпи)106Цель проведения факторного анализа в нашей работе состояла впопытке определить структуру депрессивной симптоматики, возможностинайти некоторые закономерности группирования или даже осевые симптомы.Общая изменчивость таких симптомов, как высказываемая печаль ипессимистическиемысли,имеетклиническоеобъяснение,номалоспособствует получению знаний о группировании психопатологическойсимптоматики депрессивных расстройств.
Также, выделенные факторыобъясняют лишь чуть более 50% общей дисперсии. Факторный анализ былбыболееполезенприколичественномучетевсейнаблюдаемойсимптоматики, но психометрические шкалы, удобные в практическомприменении, включают лишь некоторые, наиболее значимые симптомы.На следующем этапе был проведен кластерный анализ. Данный методстатистическогоанализапредназначендлявыявленияструктурывимеющихся данных посредством их группирования. В нашем исследованиикластерный анализ применялся с целью определения возможности разбиенияоцениваемой с помощью психометрической оценки симптоматики на болееоднородные группы, т.е.
выявления групп больных с характернымидепрессивными симптомокомплексами. Таким образом, целью кластерногоанализа являлась проверка гипотезы о наличии клинических типов в групперасстройств настроения депрессивного спектра. Соответственно, исходнойинформацией для нас служила выявленная у больных психопатологическаясимптоматика. С целью приведения исходных данных к максимальнодостовернымиобъективным,былииспользованырезультатыпсихометрической оценки больных. Так как все оцениваемые симптомы былипредставлены в виде порядковых значений, процедура кластеризациисводилась к образованию групп по количественному сходству.При отсутствии априорной информации о числе кластеров дляопределения числа кластеров был проведен иерархический кластерныйанализ с помощью различных методов объединения.
В качестве переменных107использованы объекты наблюдения (клинические случаи). На Рисунке 11представлены наиболее наглядные результаты древовидной кластеризации сиспользованием метода наиболее удаленного соседа. В качестве мерысходства между объектами было применено евклидово расстояние.Рисунок 11. График иерархического кластерного анализа симптоматикидепрессивных расстройств (переменные - наблюдения)Как видно из иллюстрации, интерпретировать полученные графическиерезультаты сложно и высок риск ошибки.
Таким образом, данный метод непозволяет нам достичь цели анализа – определение числа кластеров, накоторые разбиваются объекты наблюдения. Далее мы провели иерархическийкластерный анализ с использованием в качестве переменных данныхпсихометрической оценки с помощью шкалы MADRS (Рисунок 12).108Рисунок 12. График иерархического кластерного анализа симптоматикидепрессивных расстройств (переменные - симптомы)Для уточнения числа кластеров был построения график изменениярасстояний во время последовательного процесса разбиения объектов накластеры. На Рисунке 13 представлен убывающий график зависимостиотношения внутригрупповой дисперсии к межгрупповой от числа кластеров.Данная иллюстрация визуально обозначает образование среди наблюдаемыхпеременных двух или восьми кластеров.Рисунок 13. График изменения расстояний при объединении кластеров109Такимобразом,определитьиерархическаявозможностькластеризацияразбиенияпозволиланаблюдаемыхнампеременных(депрессивных симптомов) на два или восемь кластеров.
Учитываяполученные данные о конечном числе кластеров, был проведен кластерныйанализ по методу k-средних Мак-Кина. На Рисунке 14 представлены средниезначения по пунктам шкалы MADRS, полученные при разбиении выборки надва кластера.Рисунок 14. График средних значенийвыраженности депрессивных симптомов в двух кластерахКак видно из иллюстрации, график образует две кривые, практическипараллельные друг другу. Клиническая интерпретация данного графикаопределяет разделение депрессивной симптоматики, наблюдаемой у больныхв нашем исследовании, на два симптомокомплекса, очень схожих попрофилю, но различающихся по степени выраженности.
Очевидно, чтокластерный анализ здесь выделяет неспецифичную психопатологическуюструктурудепрессии.Впрактическомсмыслетакоеразделениемалоприменимо, особенно учитывая, что депрессивная симптоматика нестатична, ее динамика подразумевает нарастание выраженности симптомов смомента начала фазы, видоизменение или смену синдрома.110На Рисунке 15 представлены средние значения по пунктам шкалыMADRS, полученные при разбиении выборки на восемь кластеров.Рисунок 15.
График средних значений выраженностидепрессивных симптомов в восьми кластерахАнализ средних значений показывает, что выраженность депрессивныхсимптомов в полученных восьми кластерах значительно различается.Подобное математическое разбиение всего лишь десяти основных симптомовдепрессии на восемь их различных комбинаций отображает значительныйполиморфизмклиническихпроявленийдепрессивныхрасстройстввисследуемой выборке, несмотря на довольно строгие критерии отбора.Однако полученное разбиение крайне сложно интерпретировать и, при болееподробномрассмотренииполученныхгрупп,неудаетсявыделитьопределенные характеристики, отличные для каждой из групп. Такимобразом, выделенные с помощью психометрической оценки подтипы неподтверждаются другими клиническими характеристиками.Данный результат можно объяснить гетерогенностью самой выборки,что могло привести к влиянию вмешивающихся факторов на результаткластеризации.
Эффект вмешивающихся переменных можно контролировать111с помощью стратификации – метода формирования групп на основе однойилинекоторыххарактеристик,имеющихнаибольшеевлияниенанаблюдаемое явление. Ранее нами было получены данные, показывающиевзаимосвязь некоторых клинических и социо-демографических признаков свыраженностью тех или иных депрессивных симптомов (Глава 3.2). Такиеассоциации можно интерпретировать как способность этих факторовмодерировать психопатологические (клинические) особенности депрессии.Однако, учитывая значительное количество полученных данных, а такжеспособность различных факторов коррелировать или быть зависимыми другот друга, получить эмпирическое представление об их предсказательнойспособности в отношении различных депрессивных симптомов на основанииоднофакторного анализа представляется крайне сложным. Для лучшегопонимания о том, как различные клинические и демографические признакисоотносятся с психопатологическими симптомами депрессии, целесообразнопроведение многофакторного анализа с возможностью ранжирования ихпрогностической силы.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
