Диссертация (1140250), страница 16
Текст из файла (страница 16)
Включает специалистов по обработкеданных, консультантов по клинической эпидемиологии, специалистовклинико-экономической оценки, дата-менеджеров, специалистов поорганизации и ведении эпидемиологических регистров.В зонуответственности специалистов этого уровня входят: работа над сбором,формирование базы данных и применение скоринга для созданиявзвешенных оценок.96Рисунок 5.
Диаграмма процесса планирования и подготовки скоринговой системы (Этапы 1-5) для стратификации риска в рамкахпрофилактической программы97Операционные этапы подготовки скоринговой модели.Создание прогностической модели можно условно поделить на рядэтапов, при реализации которых возникают технические сложности, решениекоторых предлагается в данной работе.Этап 1: Унивариантный (монофакторный) анализ1.Разбивка непрерывных количественных данных (клинических,лабораторных, инструментальных, аппликативных) по формуле Страджесса/автоматизированным методикам – Проблема обработки количественныхнепрерывных данных. Метод максимизации хи-квадрата Пирсона подробнееописан в Приложении №3.2.Расчет предсказательной силы: Information value (IV) и Efficiencyvalue (EV) – по соответствующим показателям, отражающих, насколько«сильна» переменная относительно предсказания целевого события:где– количество пациентов без РАГ в диапазоне (группе);- количество пациентов с РАГ в диапазоне (группе).Для оценки полученных значений величины IV используют следующуютаблицу (таблица 11):Таблица №11 -- Оценка предсказательной силы переменной по InformationValueДиапазон значений IVПредсказательная силаМеньше 2%2% - 10%10% - 30%30% - 50%Больше 50%Очень слабаяСлабаяУмереннаяСильнаяОчень сильная98Для величины Efficiency Value минимально допустимым значением врамках скоринговой системы является 10%.
Для целей данной работы будутотобраны переменные, которые удовлетворяют хотя бы одному условию:3.В соотвествии с вышеописанной логикой произвобится отборпеременных по предсказательной силе.4.Далееследуетподготовкапеременныхдлядальнейшихвычислений.Этап 2: Многофакторный анализ.5.Оценка модели по каждой переменной, обучение модели (методмаксимального правдоподобия).6.Масштабирование до балльной шкалы (OR и скор-балл связанылинейным преобразованием).В результате первого этапа анализа (Унивариантного (монофакторного)анализа) создается перечень риск-факторов «Этапный отчет» (Э.4.1.) снаибольшей прогностической ценностью переменных.Рабочая группа по профилактике отбирает риск-факторы для второгоэтапа подготовки скоринговой карты (методом экспертных оценок иструктурированного анализа сценариев) – многофакторного анализа наосновании математического метода самообучающейся логистической регрессии(процедуры самообучения регрессий доступны в большинстве современныхстатистических пакетах IBM SPSS, SAS, R-studio, Pyton и пр.).4.2.
Оценка и стратификация риска развития хронической болезни почек3-5 стадии у больных хроническим гломерулонефритом с помощьюскоринговой модели.Используя вышеописанные этапы, была проведена процедура оценки истратификации риска развития ХБП 3-5 страдии у пациентов с ХГН, созданыоценочные шкалы состояния, где каждому риск-фактору присвоен балл. Вкачестве контрольной точки прогрессирования хронической болезни почек,изменяющей тактики ведения пациента была выбрана СКФ 60 мл/мин/1,73м2.99Суммабалловиндивидуальноговриска.конечномРанеесчетебылисоответствуетизложенывероятностиразличныемоделипрогнозирования ХБП в различных группах больных, однако оценка риска небыла детально изучена в группе ХГН. Таким образом целью подготовкискоринговой системы на данном этапе исследования стала: стратификацияриска больных хроническим гломерулонефритом на группы риска повероятности наступления ХБП стадий 3-5, стадии, которые отражают снижениепочечной функции (от умеренно сниженной до терминальной), что в своюочередь, повышает частоту неблагоприятных ССЗ и ухудшает прогнозвыживаемости больных.В качестве проектной команды выступили: эксперты Научного обществанефрологов России (НОНР), сотрудники НИО Нефрологии НОКЦ Нефрологии,Высшей школы управления здравоохранением ФГАОУ ВО Первый МГМУ им.И.М.
Сеченова Минздрава России (Сеченовский Университет). Реализациясистемы подразумевала групповую работу на разных уровнях решения задач снеобходимостью прочных горизонтальных связей для возможности коррекцииработы и запуска новых итераций исследовательских процессов.Поисковый характер работы, большое количество гипотез и высокая долянеопределенности при формулировании модели потребовала включениебольшого количества клинических параметров в базу данных, в общемизмерении их количество составило 71. Подробная структура БД изложена вглаве «Материалы и методы», варианты кодировок и типы ввода в Приложении№1. После проведения унивариантного анализа, был получен ряд оцененныхпредикторов для прогноза ХБП (Общий перечень всех оцененных предикторовсм. в Приложении №3).
В систему скоринговых моделей были включеныпараметры с Efficiency Value более 10%.Далееследуетпоследовательныйпроцессотборапеременныхвматематическую модель по принципу предсказательной силы и клиническогосмысла, показатели могут быть использованы в соответствии с логикойисследователя и комбинироваться в разные модели. Обучение и калибровкамодели произведена в программно-вычислительной среде SAS (используя100методмаксимальногоправдоподобия).ПрограммноеобеспечениеSASпозволило решить исследовательские задачи, т.к.
в нем имеется процедураPROCLOGISTIC, которая позволяет оценить параметры модели методоммаксимальногоправдоподобия,используяпошаговыйметодотборапеременных. Данная процедура была использована для автоматическогопостроения логистической регрессии. Далее регрессионная модель приводитсяк скоринговой карте, для этого производится процесс масштабирования кдесятичным баллам. Это необходимо в связи с рядом причин:Возможность внедрить скоринговые модели в повседневнуюпрактикуОблегчение работы с картами для персоналаВозможность использования распечатанной карты на бумажномносителе, вместо использования онлайн-калькуляторов.В общем, отношение шансов и скор-балл (скоринговый балл) связанылинейным преобразованием:,где Score – скор-балл,Offset – начальное смещение,Factor – коэффициент шансов,odds – отношение шансов.Наиболеераспространеннымисчитаютсяскоринговыекартыоткалиброванные таким образом,чтобы отношение шансов увеличивалось в два раза/уменьшалось вдва раза с увеличением/уменьшением на 20 баллов (данная величина влитературе обозначается pdo – “points to double the odds”), при этом скор-баллу600 соответствует отношение шансов 50:1.чтобы отношение шансов увеличивалось в два раза/уменьшалось вдва раза с увеличением/уменьшением на 20 баллов, при этом скор-баллу 200101соответствует отношение шансов 10:1.
Из решения системы относительновеличины pdoДляскор-баллаувеличением/уменьшением600напри20отношениибалловпришансов50:1иувеличении/уменьшенииотношения шансов в 2 раза:.Дляскор-баллаувеличением/уменьшением200напри20отношениибалловпришансов10:1иувеличении/уменьшенииотношения шансов в 2 раза:,.В данной работе используется последний способ калибровки, получимследующую линейную трансформацию коэффициента при каждой переменной:Рисунок 6. График зависимости индивидуального количества баллов ивероятности наступления неблагоприятного события (ХБП 3-5 стадии,резистентности к антигипертензивному лечению).102При этом будем округлять значение балла до целых. Интерпретациявероятности наступления неблагоприятного события идет по логарифмическойкривой (рисунок 6).В результате построения математическоймодели на основаниилогистической регрессии мы получаем оценённое регрессионное уравнение сперечнем показателей (таблица 12).Таблица №12 -- Оценка параметров логистической регрессии прогнозариска развития стадий 3-5 хронической болезни почек у больныххроническим гломерулонефритом.ПараметрыBСтандартнаяОшибкаВальдст.св.Знач.Exp (B)95% доверительныйинтервал для Exp(B)НижняяграницаВерхняяграницаСвободныйчлен0,7561,150,43210,511Возраст, год0,0360,00819,94710,0000,9650,9500,9800,4800,26724,01410,0001,9701,642,2870,0330,00633,49010,0001,0331,0221,0450,1530,03321,91810,0001,1651,0931,2420,7930,3076,68110,0102,2091,2114,029СистолическоеАД, мм.рт.стГемоглобин, г/лСуточнаяпротеинурия, гПовышениеконцентрациитриглицеридовплазмы выше1,64 ммоль/лДанные матрицы классификации: Обучающий набор: чувствительность --93,9%,специфичность --89,0%; тестовый набор: чувствительность -- 95,7%, специфичность --79,1%.В результате разбивки непрерывных показателей на диапазоны: возраст,САД, гемоглобин и суточная протеинурия, в итоговой регрессионной модели,масштабированной до балльных значений с экспертной поправкой былаполучена скоринговая карта (таблица 14).103Таблица №14 -- Скоринговая модель индивидуального риска развитиястадий 3-5 ХБП у больных хроническим гломерулонефритом№12345ПеременныеВозраст, годыСистолическоеартериальное давление,мм.рт.ст.Гемоглобин, г/лСуточная протеинурия, гБаллменее 263027-5010старше 500менее 13555136-16040более 1600менее 96097-11610более 11720менее 0,18200,18-0,945более 0,950да15нет50Повышение триглицеридовболее 1,64 ммоль/лМодель с целыми баллами может быть реализована, как на бумажном наносителе, так и в качестве модуля медицинской информационной системы,второй вариант представляется гораздо более оптимальным, так как накоплениебанка данных по пациентам и фиксация оценок модели даст в перспективевозможность улучшать модель.Важный этап при работе с готовой скоринговой картой – необходимостьзадать целевой уровень клинического риска, который будет контрольнойточкой между высоким и приемлемым уровнем риск, в данном исследованииуровень обозначен около контрольной точки – 50% (рисунок 6), т.е.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
