Основа доказательной медицины. Глава v анализ медицинских публикаций с позиций доказательной медицины Анализ данных по доказательной медицине

Проблемы здоровья и экологии

диобиологии, проф. Е. Б. Бурлаковой. Эти данные формируют новые представления о биологической эффективности хронического воздействия излучений на человека и однозначно свидетельствуют о неправомочности экстраполяции эффектов больших доз ионизирующей радиации на область малых доз.

Развитие новых концепций важно для формирования взвешенных планов развития атомной энергетики и справедливой социальной политики по отношению к ликвидаторам Чернобыльской катастрофы и жителям загрязненных радионуклидами районов.

При оценке действия излучений на здоровье человека следует иметь в виду, что ионизирующая радиация - космогенный фактор среды обитания. Хорошо известно, что природный радиационный фон необходим для, роста, развития и существования разнообразных живых существ, в том числе млекопитающих. Понимание радиобиологических закономерностей связано с проникновением в суть феномена жизни, связи живого и космоса. Есть немало загадок в эффектах ионизирующей радиации, в том числе положительное или отрицательное воздействие облученных биологических объектов на необлученные. Представляет безусловный интерес мысль, высказанная А. М. Кузиным в его последней записке к сотрудникам: «Жизнь, живое тело - это метаболизирующая система структур на молекулярном уровне, составляющих единое целое благодаря информации, непрерывно доставляемой вторичным, биогенным излучением, возникающим под влиянием атомной радиации природного радиоактивного фона космического и земного происхождения».

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Кудряшов, Ю. Б. Радиационная биофизика. Ионизирующие излучения / Ю. Б. Кудряшов.- М.: изд. Моск. ун-та, 2004. - 580 с.

2. Ярмоненко, С. П. Радиобиология человека и животных / С. П. Ярмоленко, А. А. Вайнсон. - М.: Высш. шк., 2004. - 550 с.

3. Mothersill, C. Low-dose radiation effects: Experimental hematology and the changing paradigm / C. Mothersill, C. Seymour // Experimental Hematology. - 2003. - № 31. - С. 437-445.

4. Ли, Д.Е. Действие радиации на живые клетки / Д. Е. Ли. - М.: Госатомиздат, 1966. - 288 с.

5. Тимофеев-Ресовский, Н. В. Применение принципа попадания в радиобиологии / Н. В. Тимофеев-Ресовский, В. И. Иванов, В. И. Корогодин. - М.: Атомиздат, 1968. - 228 с.

6. Гончаренко, Е. Н. Химическая защита от лучевого поражения / Е. Н. Гончаренко. - М.: изд. Моск. ун-та, 1985. - 248 с.

7. Национальный доклад «20 лет после Чернобыльской катастрофы: последствия в Республике Беларусь и их преодоление» / Комитет по проблемам последствий катастрофы на Чернобыльской АЭС при Совете Министров Республики Беларусь; под ред. В. Е. Шевчука, В. Л. Гуравского. - 2006. - 112 с.

8. Vozianov, A. Health erects of Chornobyl accident, Eds / А Vozianov, V. Bebeshko, D. Bayka. - Kyiv.: «DIA», 2003. - 508 с.

9. Кузин, А. М. Структурно-метаболическая гипотеза в радиобиологии / А. М. Кузин. - М.: Наука, 1970. - 170 с.

10. Кузин, А. М. Структурно-метаболическая теория в радиобиологии / А. М. Кузин. - М.: Наука, 1986. - 20 с.

11. Князева, Е. Н. Основания синергетики / Е. Н. Князева, С. П. Курдимов. - СПб.: Изд-во Алетейя, 2002. - 31 с.

12. Степанова, С. И. Биоритмологические аспекты проблемы адаптации / С. И. Степанова. - М.: Наука,1986. - 244 с.

13. Немонотонность метаболического ответа клеток и тканей млекопитающих на воздействие ионизирующей радиации / И. К. Коломийцев [и др.] // Биофизика. - 2002. - Т. 47, Вып. 6. - С. 1106-1115.

14. Kolomiytseva, I. K. Nonmonotonous changes in metabolic parameters of tissues and cells under action ionizing radiation on animals / I. K. Kolomiytseva, Т. Р. Markevich, L. N. Potekhina // J. Biol. Physics. - 1999. - № 25. - С. 325-338.

15. Бурлакова, Е. Б. Новые аспекты закономерностей действия низкоинтенсивного облучения в малых дозах/ Е. Б. Бурлакова, А. Н. Голощапов, Г. П. Жижина, А. А. Конрадов // Радиац. биология. Радиоэкология. - 1999. - Т. 39. - С. 26-34.

Поступила 18.04.2008

ИСПОЛЬЗОВАНИЕ ДАННЫХ ДОКАЗАТЕЛЬНОЙ МЕДИЦИНЫ В КЛИНИЧЕСКОЙ ПРАКТИКЕ (обзор литературы)

А. Л. Калинин1, А. А. Литвин2, Н. М. Тризна1

1Гомельский государственный медицинский университет 2Гомельская областная клиническая больница

Приведен краткий обзор принципов доказательной медицины и мета-анализа. Важным аспектом доказательной медицины является определение степени достоверности информации.

Количественное объединение данных различных клинических исследований с помощью мета-анализа позволяет получить результаты, которые невозможно получить из отдельных клинических исследований. Чтение и изучение систематических обзоров и результатов мета-анализа позволяет более эффективно ориентироваться в большом количестве публикуемых статей.

Ключевые слова: доказательная медицина, мета-анализ.

Проблемы здоровья и экологии

USE OF DATA OF EVIDENCE BASED MEDICINE IN CLINICAL PRACTICE

(literature review)

A. L. Kalinin1, A. A. Litvin2, N. M. Trizna1

1Gomel State Medical University 2Gomel Regional Clinical Hospital

The purpose of article is the review of principles of evidence based medicine and the meta-analysis. A prominent aspect of evidence based medicine is definition of degree of reliability of the information.

Quantitative association of the given various clinical researches by means of the meta-analysis allows to receive results which cannot be received from separate clinical researches. Reading and studying of systematic reviews and results of the meta-analysis allows to be guided more effectively in a considerable quantity of published articles.

Key words: evidence based medicine, meta-analysis.

Ни один практический врач не обладает достаточным опытом, позволяющим свободно ориентироваться во всем многообразии клинических ситуаций. Можно полагаться на мнения экспертов, авторитетные руководства и справочники, однако это не всегда надежно из-за так называемого эффекта запаздывания: перспективные медицинские методы внедряются в практику спустя значительное время после получения доказательств их эффективности . С другой стороны, информация в учебниках, руководствах и справочниках зачастую устаревает еще до их публикации, а возраст проводящего лечение опытного врача отрицательно коррелирует с эффективностью лечения .

Время полужизни литературы отражает интенсивность прогресса. Для медицинской литературы этот период равен 3,5 лет . Только 1015% информации, публикуемой сегодня в медицинской печати, в дальнейшем будут иметь научную ценность. Ведь если предположить, что хотя бы 1% из публикуемых ежегодно 4 миллионов статей имеют какое-то отношение к лечебной практике врача, ему пришлось бы прочитывать каждый день около 100 статей. Известно, что только 10-20% всех медицинских вмешательств, использующихся в настоящее время, были основаны на надежных научных доказательствах .

Возникает вопрос: почему хорошие доказательные данные врачи не применяют на практике? Оказывается, что 75% врачей не понимают статистики, 70% не умеет критически оценивать опубликованные статьи и исследования . В настоящее время, чтобы практиковать доказательными данными, врач должен обладать знаниями, необходимыми для оценки достоверности результатов клинических испытаний, иметь оперативный доступ к различным источникам информации (прежде всего международным журналам), иметь доступ к электронным базам данных (Medline), владеть английским языком .

Целью этой статьи является краткий обзор принципов доказательной медицины и ее составляющей - мета-анализа, позволяющего более быстро ориентироваться в потоке медицинской информации.

Термин «Evidence Based Medicine» впервые был предложен в 1990 г. группой канадских ученых из Университета Мак Мастера в Торонто. Термин быстро прижился в англоязычной научной литературе, однако тогда еще не существовало четкого его определения. В настоящее время наиболее распространенным является следующее определение: «Доказательная медицина (evidence based medicine) - это раздел медицины, основанный на доказательствах, предполагающий поиск, сравнение, обобщение и широкое распространение полученных доказательств для использования в интересах больных» .

На сегодняшний день доказательная медицина (ДМ) - это новый подход, направление или технология сбора, анализа, обобщения и интерпретации научной информации. Доказательная медицина предусматривает добросовестное, объяснимое и основанное на здравом смысле использование наилучших современных достижений для лечения каждого пациента . Основная цель внедрения принципов доказательной медицины в практику здравоохранения - оптимизация качества оказания медицинской помощи с точки зрения безопасности, эффективности, стоимости и других значимых факторов.

Важным аспектом доказательной медицины является определение степени достоверности информации: результатов исследований, которые берут за основу при составлении систематических обзоров. Центр доказательной медицины в Оксфорде разработал следующие определения степени достоверности представляемой информации :

A. Высокая достоверность - информация основана на результатах нескольких независимых клинических испытаний (КИ) с совпадением результатов, обобщенных в систематических обзорах.

Проблемы здоровья и экологии

B. Умеренная достоверность - информация основана на результатах, по меньшей мере, нескольких независимых, близких по целям КИ.

C. Ограниченная достоверность - информация основана на результатах одного КИ.

D. Строгие научные доказательства отсутствуют (КИ не проводились) - некое утверждение основано на мнении экспертов.

Согласно современным оценкам, достоверность доказательств из разных источников не одинакова и убывает в следующем порядке :

1) рандомизированное контролируемое КИ;

2) нерандомизированное КИ с одновременным контролем;

3) нерандомизированное КИ с историческим контролем;

4) когортное исследование;

5) исследование типа «случай - контроль»;

6) перекрестное КИ;

7) результаты наблюдений;

8) описание отдельных случаев.

Тремя «китами» достоверности в клинической медицине являются: случайная слепая выборка испытуемых в группы сравнения (слепая рандомизация); достаточная величина выборки; слепой контроль (в идеале - тройной). Нужно специально подчеркнуть, что неправильный, но повсеместно употребляемый термин «статистическая достоверность» с его пресловутым р <... не имеет к вышеизложенному определению достоверности никакого отношения . Достоверные исследования свободны от так называемых систематических ошибок (возникающих от неправильной организации исследования), тогда как статистика (р <...) позволяет учесть лишь случайные ошибки .

В клинической медицине «золотым стандартом» процедуры проверки эффективности вмешательств и процедур стали рандомизированные контролируемые испытания (РКИ). Процесс «ослепления» участников испытания призван устранить систематическую ошибку субъективной оценки результата, ибо человеку свойственно видеть то, что он хочет, и не видеть того, чего он видеть не желает. Рандомизация должна решать проблему разнообразия испытуемых, обеспечивая генетическую полноту «абстрактного представителя генеральной совокупности», на которого потом можно переносить полученный результат. Специально проведенные исследования показали, что отсутствие рандомизации или ее неверное проведение приводят к переоценке эффекта до 150%, либо к его недооценке на 90% .

Чрезвычайно важно подчеркнуть, что технология РКИ позволяет получить четыре варианта ответов о действии вмешательства вообще без

знания его механизма. Оно позволяет обоснованно с позиций доказательной медицины утверждать, что вмешательство 1) действенно; 2) бесполезно; 3) вредно; или, в худшем случае, что 4) на сегодняшний день ничего об эффективности данного вида вмешательства сказать нельзя. Последнее происходит тогда, когда интересующее нас вмешательство, в силу малочисленности участников эксперимента, не позволило получить в РКИ статистически значимый результат .

Таким образом, ДМ отвечает на уже упомянутые вопросы: действует (вредно или полезно) / не действует (бесполезно) / неизвестно; но не отвечает на вопросы «каким образом и почему действует». На них может ответить только фундаментальное исследование. Иными словами, ДМ для своих целей может обойтись без фундаментальных исследований, тогда как фундаментальные исследования для внедрения своих результатов в повседневную медицинскую практику не могут обойтись без процедуры проверки эффекта по стандартам ДМ.

Для оптимизации анализа доказательной информации используют такие специальные методы работы с информацией, как систематический обзор и мета-анализ . Мета-анализ (metaanalysis) - применение статистических методов при создании систематического обзора в целях обобщения результатов, включенных в обзор исследований. Систематические обзоры иногда называют мета-анализом, если этот метод применялся в обзоре . Мета-анализ проводят для того, чтобы обобщить имеющуюся информацию и распространить ее в понятном для читателей виде. Он включает определение основной цели анализа, выбор способов оценки результатов, систематизированный поиск информации, обобщение количественной информации, анализ ее с помощью статистических методов, интерпретацию результатов .

Существует несколько разновидностей мета-анализа . Кумулятивный мета-анализ позволяет построить кумулятивную кривую накопления оценок при появлении новых данных. Проспективный мета-анализ - попытка разработки метаанализа планируемых испытаний. Такой подход может оказаться приемлемым в областях медицины, где уже существует сложившаяся сеть обмена информацией и совместных программ, например, разработанная ВОЗ электронная информационная система мониторинга качества стоматологической помощи населению «Oratel». На практике вместо проспективного мета-анализа часто применяют проспективно-ретроспективный мета-анализ, объединяя новые результаты с ранее опубликованными. Мета-анализ индивидуальных данных основан на изучении результатов лечения отдельных больных,

Проблемы здоровья и экологии

для его проведения необходимо сотрудничество многих исследователей и жесткое соблюдение протокола. В ближайшем будущем мета-анализ индивидуальных данных, вероятнее всего, будет ограничиваться изучением основных заболеваний, лечение которых требует крупномасштабных централизованных капиталовложений .

Главным требованием к информативному мета-анализу является наличие адекватного систематического обзора, в котором в котором изучаются результаты многочисленных исследований по определенной проблеме по алгоритму:

Выбор критериев для включения оригинальных исследований в мета-анализ;

Оценка гетерогенности (статистической неоднородности) оригинальных исследований;

Собственно мета-анализ (обобщенная оценка величины эффекта);

Анализ чувствительности выводов.

Результаты мета-анализа обычно представляют как график в виде точечных оценок с указанием доверительного интервала и отношения шансов ^dds ratio), суммарного показателя, отражающего выраженность эффекта (рисунок 1). Это позволяет показать вклад результатов отдельных исследований, степень неоднородности этих результатов и обобщенную оценку величины эффекта. Результаты мета-регрессионного анализа можно представить в виде графика, по оси абсцисс которого отложены значения анализируемого показателя, а по оси ординат - величина лечебного эффекта . Кроме того, следует указать результаты анализа чувствительности по ключевым параметрам (в том числе сравнение результатов применения моделей постоянных и случайных эффектов, если эти результаты не совпадают).

Рисунок 1 - Воронкообразный график, позволяющий выявить систематическую ошибку, связанную с преимущественным опубликованием положительных результатов исследования

На графике представлены данные метаанализа, посвященного оценке эффективности одного из методов лечения . Относительный риск (ОР) в каждом исследовании сопоставлен с размером выборки (весом исследования). Точки на графике группируются вокруг средневзвешенного значения ОР (показано стрелкой) в виде симметричного треугольника (воронки), внутри которого размещаются данные большинства исследований. В опубликованных материалах небольших исследований эффект лечения оказывается завышенным по сравнению с более крупными исследованиями. Асимметричное распределение точек означает, что некоторые небольшие исследования с отрицательными результатами и значи-

тельной дисперсией не были опубликованы, т. е. возможна систематическая ошибка, связанная с преимущественным опубликованием положительных результатов. График показывает, что небольших (10-100 участников) исследований, в которых ОР превышал 0,8, значительно меньше, чем аналогичных исследований, в которых этот показатель был ниже 0,8, а данные средних и крупных исследований расположены практически симметрично. Таким образом, некоторые небольшие исследования с отрицательными результатами, вероятно, не были опубликованы. Кроме того, график позволяет легко выявить исследования, результаты которых существенно отличаются от общей тенденции .

Проблемы здоровья и экологии

В большинстве случаев при проведении мета-анализа используют обобщенные данные о сравниваемых группах больных в том виде, в каком они приводятся в статьях. Но иногда исследователи стремятся более детально оценить исходы и факторы риска у отдельных больных. Эти данные могут быть полезны при анализе

выживаемости и многофакторном анализе. Мета-анализ данных о конкретных больных стоит дороже и требует больше времени, чем мета-анализ групповых данных; для его проведения необходимо сотрудничество многих исследователей и жесткое соблюдение протокола (рисунок 2).

А. Графическое представление результатов стандартного мета-анализа. Относительный риск прогрессирования в каждом исследовании и его обобщенная оценка представлены в виде точек, а доверительные интервалы (ДИ; обычно 95% ДИ) изображены горизонтальными линиями. Исследования представлены в соответствии с датой публикации. Относительный риск <1 означает снижение числа исходов в группе лечения по сравнению с группой контроля. Тонкие линии представляют совокупные индивидуальные результаты, нижняя линия - объединенные результаты.

Б. Результаты кумулятивного мета-анализа данных, полученных в тех же исследованиях. Точки и линии обозначают, соответственно, значения относительного риска и 95% ДИ обобщенных данных после включения в анализ каждого дополнительного исследования. Если доверительный интервал пересекает линию OR = 1, то наблюдаемый эффект статистически недостоверен при выбранном уровне значимости 0,05 (95%). Если нет существенной неоднородности данных, при добавлении последующего исследования ДИ сужается.

N - число больных в исследовании; N - суммарное число больных.

Рисунок 2 - Результаты стандартного и кумулятивного мета-анализа данных, полученных в одних и тех же исследованиях

В большинстве сводных таблиц мета-анализа обобщенные данные по всем испытаниям приводятся в виде ромба (нижняя горизонтальная линия с точкой). Расположение ромба по отношению к вертикальной линии отсутствия эффекта является основным в понимании эффективности испытаний. Если ромб перекрывает линию отсутствия эффекта, можно сказать, что между двумя видами лечения нет разницы в воздействии на частоту первичного исхода.

Важным понятием для правильной трактовки результатов мета-анализа является определение гомогенности испытаний. На языке мета-анализа гомогенность означает, что результаты каждого отдельного испытания сочетаются с результатами других. Гомогенность можно

оценить одним взглядом по расположению горизонтальных линий (рисунок 2). Если горизонтальные линии перекрывают друг друга можно сказать, что эти исследования гомогенны.

Для оценки гетерогенности испытаний используется числовое значение критерия %2 (в большинстве форматов мета-анализа обозначается как «Chi-squared for homogeneity»). Статистика %2 для гетерогенности групп объясняется следующим практическим правилом: критерий х2 в среднем имеет значение, равное числу степеней свободы (число испытаний в мета-анализе минус один). Поэтому значение X2, равное 9,0, для набора из 10 испытаний показывает отсутствие доказательств статистической гетерогенности .

Проблемы здоровья и экологии

При существенной гетерогенности результатов исследований целесообразно использовать регрессионный мета-анализ, который позволяет учитывать несколько характеристик, влияющих на результаты изучаемых исследований. Например, детальная оценка исходов и факторов риска у отдельных больных необходима при анализе выживаемости и многофакторном анализе. Результаты регрессионного мета-анализа представляются в виде коэффициента наклона с указанием доверительного интервала.

Для проведения компьютерного мета-анализа в Интернете представлено программное обеспечение.

Бесплатные программы:

RevMan (Review Manager) находится по адресу: http://www.cc-ims.net/RevMan;

Meta-Analysis version 5.3: http://www.statistics. com/content/freesoft/mno/metaana53.htm/;

EPIMETA: http://ftp.cdc.gov/pub/Software/ epimeta/.

Платные программы:

Comprehensive Meta-Analysis: http://www. meta-analysis.com/;

MetaWin: http://www.metawinsoft.com/;

WEasyma: http://www.weasyma.com/.

Статистические пакеты программ, в которых предоставлена возможность проведения мета-анализа:

SAS: http://www.sas.com/;

STATA: http://www.stata. com/;

SPSS: http://www.spss.com/ .

Таким образом, количественное объединение данных различных клинических исследований с помощью мета-анализа позволяет получить результаты, которые невозможно извлечь из отдельных клинических исследований. Чтение и изучение систематических обзоров и результатов мета-анализа позволяет более быстро ориентироваться в лавине публикуемых статей и с точки зрения доказательной медицины выбирать из них те немногие, которые действительно заслуживают нашего времени и внимания. Вместе с тем необходимо осознавать, что метаанализ - не «палочка-выручалочка», решающая проблему научной доказательности, и не стоит заменять им клинические рассуждения.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Systematic reviews and meta-analysis for the surgeon scientist / S. S.Mahidl // Br. J. Surg. - 2006. - Vol. 93. - P. 1315-1324.

2. A comparison of results of meta-analyses of randomized control trials and recommendations of clinical experts / E. T.Antman // JAMA. - 1992. - Vol. 268, N 2. - P. 240-248.

3. Evidence based medicine: what it is and what it isn’t / D. L. Sack-ett // BMJ. - 1996. - Vol. 312. - P. 71-72.

4. Egger, M. Meta-analysis: potentials and promise / M. Egger,

S. G. Davey // BMJ. - 1997. - Vol. 315. - P. 1371-1374.

5. Юрьев, К. Л. Доказательная медицина. Кокрановское сотрудничество / К. Л. Юрьев, К. Н. Логановский // Укр. мед. ча-сопис. - 2000. - № 6. - С. 20-25.

6. The Cochrane database of systematic reviews. - London: BMJ Publishing Group and Update Software, 1995. - 260 p.

7. Davies, H. Что такое мета-анализ? / H. Davies, I. Crombie // Клиническая фармакология и фармакотерапия. - 1999. - № 8. - C. 10-16.

8. Egger, M. Meta-analysis: principles and procedures / M. Egger, S. G. Davey, A. N. Phillips // BMJ. - 1997. - Vol. 315. - P. 1533-1537.

9. Lewis, S. Forest plots: trying to see the wood and the trees / S. Lewis, M. Clarke // BMJ. - 2001. - Vol. 322. - P. 1479-1480.

10. Bero, L. The Cochrane Collaboration. Preparing, maintaining, and disseminating systematic reviews of the effects of health care / L. Bero, D. Rennie // JAMA. - 1995. - Vol. 274. - P. 1935-1938.

11. Does the inclusion of grey literature influence estimates of intervention effectiveness reported in meta-analyses? / L. Mc. Auley // Lancet. - 2000. - Vol. 356. - P. 1228-1231.

12. Fleiss, J. L. The statistical basis of meta-analysis / J. L. Fleiss // Stat. Methods Med. Res. - 1993. - Vol. 2. - P. 121-145.

13. Greenland, S. Invited commentary: a critical look at some popular meta-analytic methods / S. Greenland // Am. J. Epidemiol. -

1994. - Vol. 140. - P. 290-296.

14. Guidelines for meta-analyses evaluating diagnostic tests / L. Irwig // Ann. Intern. Med. - 1994. - Vol. 120. - P. 667-676.

15. Stewart, L. A. Practical methodology of meta-analyses (overviews) using updated individual patient data. Cochrane Working Group / L. A. Stewart, M. J. Clarke // Stat. Med. - 1995. - Vol. 14. - P. 2057-2579.

16. Гринхальх Т. Основы доказательной медицины / Т. Грин-хальх; пер. с англ. - М.: ГЭОТАР - Медиа, 2006. - 240 с.

17. Olkin, I. Statistical and theoretical considerations in meta-analysis / I. Olkin // J. Clin. Epidemiol. - 1995. - Vol. 48. - P. 133-146.

18. Villar, J. Predictive ability of meta-analyses of randomised controlled trials / J. Villar, G. Carroli, J. M. Belizan // Lancet. -

1995. - Vol. 345. - P. 772-776.

19. Deeks, J .J. Systematic reviews in health care: Systematic reviews of evaluations of diagnostic and screening tests / J. J. Deeks // BMJ. - 2001. - Vol. 323. - P.157-162.

Поступила 01.02.2008

УДК 616.12-005.8-0.53.8-08

СТРУКТУРА ОСТРОГО ИНФАРКТА МИОКАРДА, ВОЗРАСТНЫЕ И ПОЛОВЫЕ ОСОБЕННОСТИ ТЕЧЕНИЯ И СМЕРТНОСТИ НА ГОСПИТАЛЬНОМ ЭТАПЕ ЛЕЧЕНИЯ

Н. В. Василевич

Гомельский государственный медицинский университет

Прослежена структура, динамика развития острого инфаркта миокарда в зависимости от пола, возраста, сроков поступления в стационар, тяжести повреждения миокарда на госпитальном этапе лечения.

Ключевые слова: острый инфаркт миокарда, пол, возраст, летальность.

В настоящее время участие специалиста-статистика в планировании и анализе результатов клинических исследований является обычной и широко распространенной практикой. Возрастает роль анализа данных в обсуждении проекта в целом.

Применительно к проведению клинических исследований математическая статистика может помочь в формулировании цели, разработке дизайна, выборе методов рандомизации, определении необходимого числа пациентов для получения статистически значимого заключения, непосредственно при проведении анализа полученных результатов, формировании заключения.

Современные компьютерные технологии делают статистические методы доступными каждому врачу. Программа STATISTICA с удобным интерфейсом, реализованным в виде последовательно открывающихся диалоговых окон, позволит Вам провести как начальное исследование Ваших данных, так и углубленный анализ. С помощью STATISTICA Вы можете подготовить аналитический отчет, написать статью, подготовить презентацию и выступление на конференции.

STATISTICA позволяет быстро и качественно решить такие задачи как:

• Планирование медицинских исследований и подготовка данных
• Вычисление основных описательных характеристик исследуемых величин (среднее, стандартное отклонение, дисперсия, доверительные интервалы, ошибки среднего, медиана, квартили и др.)
• Наглядное представление данных: построение графиков презентационного качества (гистограммы, диаграммы рассеяния, графики ящики-усы, графики средних с ошибками, линейные графики и др.)
• Выявление статистически значимых различий между выборками
• Анализ зависимостей между факторами
• Анализ выживаемости (анализ времени жизни в одной и более группах, сравнение групп по времени жизни, оценка влияния факторов на время жизни пациентов)
• Вычисление необходимого объема выборки, анализ мощности критериев
• Прогнозирование исхода лечения
• и др.

Подробнее об основных задачах медицины

Определение необходимого объема выборки

Перед началом проведения исследования важно определить объем выборки, необходимый для выявления значимого эффекта.

Например, сколько пациентов необходимо включить в каждую из групп лечения, чтобы иметь 90%-мощность обнаружения значимого на уровне 5% различия в снижении артериального давления?

Анализ выживаемости, сравнение выживаемости в различных группах

Различалось ли время до наступления смерти, рецидива или т.п. в зависимости от типа лечения? Какие факторы влияли на выживаемость? Как оценить время исправной эксплуатации протеза?

Построить кривые Каплана-Мейера, а также протестировать гипотезу о равенстве выживаемости в группах с помощью критериев Гехана - Вилкоксона, Кокса-Ментела, F-критерия Кокса, логарифмического рангового критерия и др. можно в модуле Анализ выживаемости .

Кроме того, в рамках отраслевого решения STATISTICA может быть надстроена для получения системы, заточенной на решение задач Заказчика. Система автоматизирует и расширяет возможности STATISTICA (например, проведением мета-анализа и др.).

STATISTICA - полностью на русском языке!

STATISTICA является признанным стандартом анализа медицинских данных. Тысячи кандидатских и докторских диссертаций, множество исследований в медицине проведены с использованием программы STATISTICA .

STATISTICA — это мощная аналитическая система, предоставляющая пользователям исключительные возможности в области анализа биомедицинских данных, которая содержит огромное количество аналитических процедур, собранных в отдельные модули и представленные в виде последовательности открывающихся диалоговых окон.

Управление данными, запросы к базам данных, графика делаются в удобно открывающихся диалоговых окнах двумя щелчками мыши.
STATISTICA позволяет решать разнообразные задачи, возникающие при анализе медицинских данных, начиная от предварительного описательного анализа данных до углубленного понимания причин исследуемых явлений, проверки гипотез, оценки значимости эффектов и построения предсказательных моделей.

Статистические методы позволяют оценить степень влияния лекарств на течение болезни, сравнить различные лекарственные препараты, тестировать методики лечения, обработать результаты клинических испытаний лекарственных препаратов, понять этиологию заболевания, выявить наиболее значимые маркеры, оценить предсказательную ценность диагностических тестов, обнаружить побочные эффекты.

STATISTICA позволяет эффектно визуализировать данные, используя различные графические средства, проводить разведочный графический анализ, управлять данными и разрабатывать собственные приложения, готовить автоматические отчеты по результатам исследования.

Вы можете настроить “под себя” практически любой вид анализа STATISTICA , включая процедуры низкого уровня и пользовательского интерфейса.

Работа с базами данных, чистка, фильтрация данных, удаление выбросов, монотонные нетворческие процедуры делаются теперь одним щелчком мыши в удобном пользовательском интерфейсе.

Для решения медицинских задач наиболее часто используют следующие продукты и инструменты STATISTICA :

Благодаря усилиям StatSoft STATISTICA полностью переведена на русский язык и поддерживается курсами StatSoft, а также многочисленными книгами и учебными пособиями.

Мы проводим также регулярные бесплатные семинары и вебинары, на которых вы можете познакомиться с новейшими методиками исследования медицинских данных, нашими методами преподавания и оказания консалтинговых услуг. Вы можете познакомиться с некоторыми кейсами в разделе Примеры .

Первым шагом к консалтингу в StatSoft являются .

В рамках обучения в Академии Анализа Данных высококвалифицированные специалисты StatSoft проводят курсы лекций, как по основным принципам анализа данных, так и по углубленным статистическим методам доказательной медицины.

Пройдя обучение в StatSoft, Вы сможете перейти на новую ступень в проведении клинических испытаний, сможете критически воспринимать статьи, публикации, получите ответы на все интересующие вопросы анализа данных.

Мы приглашаем вас на курсы Академии Анализа Данных, доступные в удобное для вас время.

Курсы Академии Анализа Данных StatSoft в области медицины/фармакологии:

На наших курсах мы подробно объясним вам, как подготовить данные, ввести их в STATISTICA , импортировать из других программ, провести описательный и визуальный анализ, найти зависимости между переменными, построить объяснительные модели.

Подробно, шаг за шагом, мы учим вас работать в программе STATISTICA и объясняем, какие методы исследования нужно использовать для решения стоящей перед вами задачи.

Для понимания материала не требуется предварительного знания методов статистического анализа и математики. Все необходимые знания даются в ходе курса. Слушатели учатся вычислять и интерпретировать описательные статистики, визуализировать данные, строить таблицы сопряженности, находить зависимости и устанавливать общие закономерности.

Если вы хотите повысить свою квалификацию, провести аналитическое исследование, написать диссертацию, используя методы статистики, позвоните или напишите нам .

Обращаем Ваше внимание, что Вы можете составить индивидуальную программу обучения, выбрав интересующие Вас темы.

В рамках консалтинговых проектов , Академия Анализа Данных StatSoft оказывает помощь в проведении статистического анализа данных, решая задачи разных масштабов:

Разработка концепции и планирования статистического анализа клинических исследований

Анализ результатов клинических и доклинических исследований

Подготовка методик и аналитических отчетов об исследованиях

Индивидуальные консультации врачей в рамках подготовки научных статей и диссертационных работ

Всесторонний анализ биомедицинских данных включает исследования на биоэквивалентность, преимущество (superiority), не превосходство non-inferiority, эквивалентность, сопоставимость лекарственных препаратов, разработка и сравнение диагностических тестов, проверка методик, решение конкретных задач по анализу биомедицинских данных.

Постмаркетинговые исследования проводятся с помощью технологий Дейта Майнинг, позволяющих обнаружить побочные эффекты, нежелательные взаимодействия лекарственных препаратов на больших базах данных.

Мы осуществляем разработку SAP (Statistical Analysis Plan), планирование, мониторинг и статистический анализ исследований в соответствии с международными принципами и стандартами.

Принципы статистического исследования биомедицинских данных изложены в международных документах GCP и ICH, являются корпоративным стандартном СтатСофт (см. материалы ICH - International Conference on Harmonisation of Technical Requirements for Registration of Pharmaceuticals for Human Use http://www.ich.org/home.html - E9 (Statistical Principles for Clinical Trials), ICH E3 (Structure and Content of Clinical Study Reports), E6 (Good Clinical Practices)).

Клинические исследования должны быть тщательно спланированы, обоснованы, всесторонне проверены, предварены ретроспективным анализом, мета-анализом, подробно описаны, представлены в ясных схемах, графиках и таблицах, применение статистических методов обосновано.

Только тщательно спланированные клинические исследования дают эффект, а разрабатываемый препарат или терапия действительно будет служить благу людей, а не нести в себе сиюминутный эффект.

Нашими клиентами являются крупнейшие медицинские центры в России и мире:

Университетская клиника КФУ
Саратовский областной кардиохирургический центр
Центр медицинских биотехнологий
ФБУН Саратовский НИИСГ Роспотребнадзора
Центр фармакоэкономических исследований
Московский НИИ психиатрии Минздравсоцразвития
Российский национальный исследовательский медицинский университет им. Н.И. Пирогова
ФГБУ «Российский кардиологический научно-производственный комплекс» МЗ и СР РФ
Российский научный центр хирургии им. Б.В. Петровского РАМН
НИИ кардиологии МЗ РФ
ФГУП «Антидопинговый центр»
Московский научно-исследовательский онкологический институт им. П.А. Герцена
НИИ неврологии РАМН
Московский НИИ диагностики и хирургии
НИИ нейрохирургии им. Бурденко
Научный центр акушерства, гинекологии и перинатологии им. В.И. Кулакова
Научный центр неврологии РАМН
Научный центр сердечно-сосудистой хирургии им. А.Н. Бакулева РАМН
НИИ глазных болезней
НИИ инфоэкологии

и многие другие.

Из отзывов пользователей:

НИИ неврологии РАМН

Применение статистики в медицинских и биологических исследованиях не ограничивается анализом данных. Статистические методы следует использовать также на этапе планирования биологического эксперимента или медицинского исследования. Для анализа данных в биологическом эксперименте необходимо применение статистики, в противном случае выводы нельзя считать научно обоснованными.

Центр медицинских биотехнологий

Вы молодцы! Спасибо за атмосферу интеллектуального комфорта!

Ляшенко Алла Анатольевна,
Генеральный директор, кандидат биологических наук
Из отзыва на курс «Углубленный курс STATISTICA для медицинских приложений »

ФГОУ ВПО МГАВМиБ имени К.И. Скрябина

Большое спасибо - шикарный стартовый капитал для работы с 10 версией и для работы со студентами, много полезного в метод. отношении.

Новиков Виктор Эммануилович,
доцент по кафедре биофизики и радиобиологии

Сердикс, группа компаний Servier

Благодарю за отличную организацию курсов, интересную и увлекательную подачу материала.

Москвин Дмитрий Николаевич,
ООО «Сердикс», производственное предприятие группы фармацевтических компаний Servier в России

Очень благодарен преподавателю за четкое, понятное, наглядное, последовательное объяснение и ответы на возникающие вопросы. Сложные темы представлены так, что их может освоить и непосвященный человек. Организация курса тоже очень достойна.

Селезнев Дмитрий Михайлович,
медицинский советник

Существует несколько определений доказательной медицины:

• Это новая технология сбора, анализа, синтеза и использования медицинской информации, позволяющей принимать оптимальные клинические решения.
• Это сознательное, четкое и беспристрастное использование лучших из имеющихся доказанных сведений для принятия решений о помощи конкретным больным.
• Это усиление традиционных навыков клинициста в диагностике, лечении, профилактике и других областях путем систематического формулирования вопросов и применения математических оценок вероятности и риска.

Следует сразу сказать, что термины "отсутствие доказательств", "не доказано" или "имеется недостаточно доказательств" не равнозначны терминам "доказано отсутствие эффекта" или "доказано отсутствие преимуществ". Формулировка "не доказано" может свидетельствовать о недостаточной изученности проблемы и целесообразности организации более крупных исследований или использования других методик сбора информации и проведения статистического анализа. В то же время нельзя забывать, что обратная формулировка "доказано" может свидетельствовать о статистических манипуляциях в интересах фирм-производителей.

Доказательная медицина основана на методах проведения исследований, использующихся в эпидемиологии.

J.М. Last, формулируя современное определение эпидемиологии, акцентирует внимание на отдельных словах в данном определении. Так, под "изучением" следует понимать проведение обсервационных (наблюдательных) и экспериментальных исследований, проверку гипотез и анализ результатов.
"Распространение болезней и факторов..." подразумевает изучение частоты случаев болезни, смерти, факторов риска, выполнения больным рекомендаций врача, организации медицинской помощи и ее эффективности.
"Целевая группа" - группа с точным числом людей и определенными возрастно-половыми, социальными и другими признаками.

В настоящее время современное понятие эпидемиологии обозначается термином "клиническая эпидемиология". Этот термин произошел от названий двух "родительских" дисциплин: клинической медицины и эпидемиологии.
"Клиническая", потому что стремится ответить на клинические вопросы и рекомендовать клинические решения, основанные на самых надежных фактах.
"Эпидемиология", поскольку многие из ее методов разработаны эпидемиологами, и помощь конкретному больному здесь рассматривается в контексте большой популяции, к которой принадлежит больной.

Клиническая эпидемиология - наука, позволяющая осуществлять прогнозирование для каждого конкретного пациента на основании изучения клинического течения болезни в аналогичных случаях с использованием строгих научных методов изучения групп больных для обеспечения точности прогнозов.

Цель клинической эпидемиологии – разработка и применение таких методов клинического наблюдения, которые дают возможность делать справедливые заключения с гарантированной оценкой влияния систематических и случайных ошибок . В этом заключается важнейший подход к получению информации, необходимой врачам для принятия правильных решений.

Основополагающий метод в эпидемиологии - сравнение. Оно проводится путем математических вычислений таких величин, как отношение шансов, отношение рисков развития изучаемых событий.

Однако, прежде чем производить сравнение, следует понять, что с чем мы будем сравнивать (апельсины с апельсинами, а не апельсины с пароходами), т.е. сформулировать задачу (проблему), предшествующую началу любого исследования. Чаще всего проблема формулируется в виде вопроса, на который необходимо найти ответ.

Например, гипотетически, нам (то есть практикующему врачу) представлено лекарственное средство, которое, по уверению химиков его синтезировавших, должно лечить пятку. Фармакологическая фирма, поставившая производство препарата на поток, также уверяет в инструкции, что заявленный эффект действительно имеет место быть.

Что может сделать практикующий врач при принятии решения о применении препарата?

Ответ "поверить химикам/фармакологам на слово" исключаем как тривиальный и чреватый последствиями. Наша задача - доступными практикующему врачу средствами проверить заявленное действие препарата на пятку (подтвредить или опровергнуть и т.п.). Разумеется, мы не будем испытывать препарат на лабораторных мышах, добровольцах, и пр. Предполагается, что перед "запуском в серию" кто-то это уже более-менее добросовестно сделал.

Сообразно задаче мы начнем формирование массива данных, служащих для ее решения:

1. Вначале произведем поиск информации.
2. Далее из полученного массива данных исключим нерелевантные статьи (нерелевантные - несоответствующие нашим интересам).
3. Оценим методологическое качество найденных исследований (насколько корректна методика сбора информации в исследовании, адекватны ли использованные методы статистического анализа и т. д.) и ранжируем в полученном массиве информацию по степени достоверности доказательств на основании существующих соглашений медицинской статистики и критериев достоверности, предложенных экспертами доказательной медицины.

   Согласно мнению Шведского совета по методологии оценки в здравоохранении, достоверность доказательств из различных источников не одинакова, и зависит от типа проведенного исследования. Тип проведенного исследования согласно международному соглашению Ванкуверской группы редакторов биомедицинских журналов (http://www.icmje.org/) обязательно должен быть тщательно описан; также должны быть указаны методы статистической обработки результатов клинических испытаний, продекларированы конфликты интересов, вклад автора в научный результат и возможность запроса у автора первичной информации по результатам исследования.

   Для обеспечения доказательности получаемых в исследованиях результатов должна быть выбрана "доказательная", т. е. адекватная задачам, методика исследования (дизайн исследования и методы статистического анализа) (табл. 1), которую мы будем учитывать при выборке информации из массива данных.

   Таблица 1. Выбор методики исследования в зависимости от цели исследования
   (описание терминов см Глоссарий методологических терминов)

   Задачи исследования	Дизайн исследования	Методы статистического анализа
   Оценка распространенности заболевания	Одномоментное исследование всей группы (популяции) с использованием строгих критериев распознавания болезни	Оценка доли, вычисление относительных показателей
   Оценка заболеваемости	Когортное исследование	Оценка доли, вычисление динамических рядов, относительных показателей
   Оценка факторов риска возникновения заболевания	Когортные исследования. Исследования "случай - контроль"	Корреляционный, регрессионный анализ, анализ выживаемости, оценка рисков, отношение шансов
   Оценка влияния на людей факторов окружающей среды, изучение причинно-следственных отношений в популяции	Экологические исследования популяции	Корреляционный, регрессионный анализ, анализ выживаемости, оценка рисков (добавочный риск, относительный риск, добавочный популяционный риск, добавочная доля популяционного риска), отношение шансов
   Привлечение внимания к необычному течению заболевания, результату лечения	Описание случая, серии случаев	Нет
   Описание результатов текущей клинической практики	Обсервационное ("до и после")	Среднее, стандартное отклонение, парный критерий Стьюдента (количественные данные). Критерий Мак-Нимара (качественные данные)
   Испытание нового метода лечения	Клиническое испытание I фазы ("до и после")	Среднее, стандартное отклонение, парный критерий Стьюдента. Критерий Мак-Нимара
   Сравнение двух методов лечения текущей клинической практики	Контролируемое проспективное. Рандомизированное (открытое, слепое, двойное слепое). Контролируемое ретроспективное. Контролируемое проспективное + ретроспективное (смешанный дизайн)	Критерий Стьюдента (количественные данные). Критерий χ 2 или z (качественные признаки). Критерий Каплана-Маерса (выживаемость)
   Сравнение нового и традиционного метода лечения	Клинические испытания II-IV фаз (контролируемое проспективное или рандомизированное)	Критерий Стьюдента. Критерий χ 2 . Критерий Каплана-Маерса

   Каждый тип исследований характеризуется определенными правилами сбора и анализа информации. Если эти правила соблюдены, любой вид исследования можно назвать качественным, независимо от того, будут ли они подтверждать или опровергать выдвинутую гипотезу. Более подробно статистические методы анализа, используемые для получения доказательств, представлены в книгах Петри А., Сэбина К. "Наглядная статистика в медицине" (М., 2003), Гланца С. "Медико-биологическая статистика" (М., 1999).

   Степень "доказательности" информации ранжируется следующим образом (по нисходящей):

   1. Рандомизированное контролируемое клиническое испытание;
   2. Нерандомизированное клиническое испытание с одновременным контролем;
   3. Нерандомизированное клиническое испытание с историческим контролем;
   4. Когортное исследование;
   5. "Случай-контроль";
   6. Перекрестное клиническое испытание;
   7. Результаты наблюдений.

   Результаты исследований, выполненных с использованием упрощенных методик или методик, несоответствующих задачам исследования, при некорректно выбранных критериях оценки могут привести к ложным выводам.

   Использование сложных методов оценки уменьшает вероятность ошибочного результата, но приводит к росту так называемых административных расходов (на сбор данных, создание баз данных, проведение методов статистического анализа).

   Так, например, в исследовании Е.Н. Фуфаева (2003) выявлено, что среди пациентов, имевших группу инвалидности до операции, сохранение инвалидности зарегистрировано у всех 100%. Среди пациентов, не имевших до кардиохирургической операции группы инвалидности, в 44% случаев после операции была определена группа инвалидности. На основании такого результата можно сделать ложные выводы о том, что кардиохирургические вмешательства ухудшают качество жизни пациентов. Однако при опросе оказалось, что удовлетворены результатами лечения 70,5% пациентов и 79,4% врачей, наблюдавших этих пациентов. Оформление же группы инвалидности обусловлено социальными причинами (льготы на получение лекарственных препаратов, оплату жилья и т. д.).

   Значимость социальной защиты в вопросах трудоспособности подтверждают результаты исследования, проведенного в США и не выявившего четкой взаимосвязи между клиническим состоянием (соматическим заболеванием) пациента и трудоспособностью.

   С целью сравнения показателей занятости после ТЛБА и АКШ было обследовано 409 пациентов (Hlatky М.А., 1998), из них перенесли ТЛБА 192 человек и 217 - АКШ. Было выявлено, что пациенты, которые перенесли ТЛБА, возвращались к работе на шесть недель быстрее пациентов, перенесших АКШ. Однако в долгосрочной перспективе влияние такого фактора, как вид операции, оказалось незначительным. В течение последующих четырех лет 157 пациентов (82%) из группы ТЛБА и 177 пациентов (82%) из группы АКШ вернулись к рабочей деятельности. Наиболее сильное влияние на показатель долгосрочной занятости оказали такие факторы, как возраст пациента к моменту начала исследования и степень покрытия медицинской страховкой оплаты медицинской помощи.

   Таким образом, медицинские факторы оказывали меньшее влияние на показатели занятости в долгосрочном плане, чем демографические и социальные. Полученные российскими и американскими исследователями результаты свидетельствуют о том, что часть традиционных и, казалось бы, простых методов оценки результатов лечения являются неприемлемыми для выбора приоритетов и принятия решений.

4. После этого произведём систематический обзор - мета-анализ , оценим уровень достоверности результатов, полученных в ходе исследований и сравним: есть ли преимущества изучаемых методов диагностики, лечения, методов оплаты услуг, целевых программ над сравниваемыми или использовавшимися ранее.

   Если мы будем включать информацию с низкой степенью достоверности, то этот момент в нашем исследовании необходимо обязательно оговаривать отдельно.

   Центр доказательной медицины в Оксфорде, предлагает следующие критерии достоверности медицинской информации:

   • Высокая достоверность – информация основана на результатах нескольких независимых клинических испытаний с совпадением результатов, обобщенных в систематических обзорах.
   • Умеренная достоверность – информация основана на результатах по меньшей мере нескольких независимых, близких по целям клинических испытаний.
   • Ограниченная достоверность – информация основана на результатах одного клинического испытания.
   • Строгие научные доказательства отсутствуют (клинические испытания не проводились) – некое утверждение основано на мнении экспертов.
5. И в заключение, оценив возможности использования результатов исследования в реальной практике, опубликуем результат:

   Это конечно шутка, но в каждой шутке есть доля правды.

   Обычно публикуются исследования, которые принесли положительные результаты, например, представляющие в выгодном свете новое лечение. Если рабочая гипотеза (задача, проблема) не подтверждается или не находит положительного решения, то исследователь, как правило, не публикует данные исследования. Это может быть опасным. Так, в 80-х годах ХХ века группа авторов исследовала антиаритмическое лекарственное средство. В группе пациентов, которые его получали, обнаружилась высокая летальность. Авторы расценили это как случайность, и, поскольку разработка этого антиаритмического лекарственного средства была прекращена, то публиковать материалы не стали. Позднее подобное антиаритмическое лекарственное средство - флекаинид - стало причиной гибели множества людей 1-2 .
   ________________________

   1. N Engl J Med. 1989 Aug 10;321(6):406-12, Preliminary report: effect of encainide and flecainide on mortality in a randomized trial of arrhythmia suppression after myocardial infarction. The Cardiac Arrhythmia Suppression Trial (CAST) Investigators.

Вышеприведенный алгоритм поиска и оценки доказательства был предложен D.L.Sackett с соавт (1997). Он может быть использован при любом исследовании, даже при оценке влияния фаз Луны на рост телеграфных столбов.

Проблемы здоровья и экологии

12. American Society of Echocardiography minimum standards for the cardiac sonographer: a position paper / S. M. Bierig // J Am Soc Echocardiogr. - 2006. - Vol. 19. - P. 471-474.

13. Antihypertensive drug therapy for mild to moderate hypertension during pregnancy / E. Abalos // The Cochrane Library Syst. Rev. - 2001. - Issue 4.

14. Antihypertensive drugs in pregnancy and fetal growth: evidence for «pharmacological programming» in the first trimester? / H. Bayliss // Hypertens Pregnancy. - 2002. - Vol. 21. - P. 161-174.

15. Antihypertensive therapy in the management of hypertension in pregnancy - a clinical double-blind study of pindolot / G. Bott-Kanner G. // Clin Exp Hypertension Pregnancy. - 1992. - Vol. 11. - P. 207-220.

16. Atenolol and fetal growth in pregnancies complicated by hypertension / C. Lydakis // Am. J. Hypertens. - 1999. - № 12. - P. 541-547.

17. Australasian Society for the Study of Hypertension in Pregnancy: The detection, investigation and management of hypertension in pregnancy: full consensus statement / M. A. Brown // Am. J. Gynecol. - 2000. - Vol. 40. - P. 139-155.

18. Butters, L. Atenolol in essential hypertension during pregnancy / L. Butters, S. Kennedy, P. C. Rubin // Br. Med. J. - 1990. - Vol. 301. - P. 587-589.

19. Collins, R. Pharmacological prevention and treatment of hypertensive disorders in pregnancy / R. Collins, H.C. S. Wallenburg // Effective Care in Pregnancy and Childbirth / eds. I. Chalmers, M Enkin, M.J.N.C. Keirse. - Oxford: Oxford University Press, 1989. - P. 512-533.

20. Effect of atenolol on birthweight / G. Y. Lip // Am. J. Cardiol. - 1997. - Vol. 79. - P. 1436-1438.

21. Effects of methyldopa on uteroplacental and fetal hemodynamics in pregnancy-induced hypertension / S. Montan // Am. J. Obstet. Gynecol. - 1993. - Vol. 168. - P. 152-156.

22. Fall in mean arterial pressure and fetal growth restriction in pregnancy hypertension: a meta-analysis / P. von Dadelszen // Lancet. - 2000. - Vol. 355. - P. 87-92.

23. Gallery, E.D.M. Antihypertensive treatment in pregnancy: analysis of different responses to oxprenolol and methyldopa /

E.D.M. Gallery, M. Ross, A. Z. Gyory // Br. Med. J. - 1985. - Vol. 291. - P. 563-566.

24. Gluckman, P. D. Maternal constraint of fetal growth and its consequences / P. D. Gluckman, M. A. Hanson // Semin Fetal Neonatal Med. - 2004. - Vol. 9, № 5. - P. 419-425.

25. Guidelines Committee. 2003 European Society of Hypertension - European Society of Cardiology guidelines for the management of arterial hypertension // J. Hypertens. - 2003. - Vol. 21, № 6. - P. 1011-1053.

26. Magee, L. A. Fortnightly review: management of hypertension in pregnancy / L. A. Magee, M. P. Ornstein, P. von Dadelszen // BMJ. - 1999. - Vol. 318, Issue 7194. - P. 1332-1336.

27. Magee, L. A. Oral beta-blockers for mild to moderate hypertension during pregnancy (Cochrane Review) / L. A. Magee, L. Duley // Cochrane Database Syst. Rev. - 2002. - Issue 1.

28. Preeclampsia - a state of sympathetic overactivity / H. P. Schobel // N. Engl. J. Med. - 1996. - Vol. 335. - P. 1480-1485.

29. Prevention of preeclampsia: a randomized trial of atenolol in hyperdynamic patients before onset of hypertension / T. R. Easterling // Obstet. Gynecol. - 1999. - Vol. 93. - P. 725-733.

30. Report of the National High Blood Pressure Education Program Working Group on High Blood Pressure in Pregnancy / R. W. Gifford // Am. J. Obstet. Gynecol. - 2000. - Vol. 183, № 1. - P. 1-22.

31. The Task Force for the Management of Arterial Hypertension of the European Society of Hypertension and of the European Society of Cardiology / G. Mancia // Eur. Heart J. - 2007. - Vol. 28. - P. 1462-1536.

32. The Task Force on the Management of Cardiovascular Diseases During Pregnancy on the European Society of Cardiology. Expert consensus document on management of cardiovascular diseases during pregnancy // Eur. Heart. J. - 2003. - Vol. 24. - P. 761-781.

33. Use of antihypertensive medications in pregnancy and the risk of adverse perinatal outcomes: McMaster outcome study of hypertension in pregnancy 2 (MOS HIP 2) / J.G. Ray // BMC Pregnancy Childbirth. - 2001. - № 1. - P.6.

34. World Health Organization - International Society of Hypertension 1999 Guidelines for the Management of Hypertension // High Blood Press. - 1999. - Vol. 8. - P. 1^3.

Поступила 29.10.2008

ИСПОЛЬЗОВАНИЕ ДАННЫХ ДОКАЗАТЕЛЬНОЙ МЕДИЦИНЫ В КЛИНИЧЕСКОЙ ПРАКТИКЕ (сообщение 3 - ДИАГНОСТИЧЕСКИЕ ИССЛЕДОВАНИЯ)

А. А. Литвин2, А. Л. Калинин1, Н. М. Тризна3

1Гомельский государственный медицинский университет 2Гомельская областная клиническая больница 3Белорусский государственный медицинский университет, г. Минск

Важным аспектом доказательной медицины является полнота и точность представления данных. Целью статьи является краткий обзор принципов доказательной медицины в исследованиях, посвященных точности диагностических тестов.

Диагностические тесты используются в медицине, чтобы установить диагноз, степень тяжести и особенности течения заболевания. Диагностическая информация получается из множества источников, включая субъективные, объективные, специальные методы исследования. Эта статья основывается на описании данных об измерении качества исследований, преимуществ различных способов итоговой статистики c помощью метода логистической регрессии и ROC-анализа.

Ключевые слова: доказательная медицина, диагностические тесты, логистическая регрессия, ROC-анализ.

USE OF DATA OF EVIDENCE BASED MEDICINE IN CLINICAL PRACTICE (report 3 - DIAGNOSTIC TESTS)

A. A. Litvin2, A. L. Kalinin1, N. M. Trizna3

1Gomel State Medical University 2Gomel Regional Clinical Hospital 3Belarus State Medical University, Minsk

A prominent aspect of evidence based medicine is completeness and accuracy of data presentation. Article purpose is the short review of principles of evidence based medicine in the researches devoted to accuracy of diagnostic tests.

Проблемы здоровья и экологии

Diagnostic tests are used in medicine to screen for diagnose, grade, and monitor the progression of disease. Diagnostic information is obtained from a multitude of sources, including sings, symptoms and special investigations. This article concentrates on the dimensions of study quality and the advantages of different summary statistics with logistic regression and ROC-analysis.

Key words: evidence based medicine, diagnostic tests, logistic regression, ROC-analysis.

Когда врач на основании данных анамнеза и обследования пациента выносит суждение о диагнозе, он редко бывает в нем полностью уверен. В связи с этим более целесообразно говорить о диагнозе с точки зрения его вероятности. Все еще очень часто эта вероятность выражается не в форме процентов, а с помощью таких выражений, как «почти всегда», «обычно», «иногда», «редко». Поскольку разные люди вкладывают различную степень вероятности в одни и те же термины, это ведет к возникновению недопонимания между врачами или между врачом и пациентом . Врачам следует как можно более точно давать свои заключения и, если это осуществимо, использовать для выражения вероятности количественные методы .

Хотя наличие таких количественных показателей было бы очень желательно, они обычно отсутствуют в клинической практике. Даже опытные клиницисты часто не в состоянии точно определить вероятность развития тех или иных изменений. Имеется тенденция к гипердиагностике относительно редких заболеваний. Особенно трудно бывает количественно оценить вероятность, которая может быть очень высокой или очень низкой .

Поскольку установление достоверных диагностических критериев является краеугольным камнем клинического мышления, для разработки статистических подходов к улучшению диагностического предвидения используется накопленный клинический опыт, который в идеале должен быть представлен в форме компьютерных банков данных . В подобных исследованиях обычно идентифицируют фак-

торы, находящиеся в корреляции с тем или иным диагнозом. Затем эти данные могут быть включены в многофакторный анализ, что позволяет определить, какие из них являются достоверными независимыми предикторами диагноза. Некоторые виды анализа позволяют идентифицировать важные факторы предсказания диагноза и затем определить их «вес», который может быть при дальнейшем математическом расчете трансформирован в вероятность. С другой стороны, анализ позволяет выделить ограниченное число категорий пациентов, каждая из которых имеет собственную вероятность наличия того или иного диагноза .

Эти количественные подходы к постановке диагноза, которые часто называют «правилами предсказания», особенно полезны, если они представлены в удобном для использования виде и если их ценность была широко изучена на достаточном числе и спектре пациентов. Чтобы такие правила предсказания могли оказать реальную помощь клиницистам, они должны быть разработаны на представительных группах больных с использованием доступных воспроизводимых тестов для того, чтобы полученные результаты могли быть применены в медицинской практике повсеместно .

В связи с этим чрезвычайно важно знать несколько наиболее часто используемых при анализе результатов исследований и в эпидемиологии терминов, включая распространенность, чувствительность, специфичность, положительную предсказательную ценность и отрицательную предсказательную ценность (таблица 1) .

Таблица 1 - Систематические термины, наиболее часто используемые в диагностических исследованиях

имеется отсутствует

Положительные а (истинноположительные) б (ложноположительные)

Отрицательные в (ложноотрицательные) г (истинноотрицательные)

Распространение (априорная вероятность) = (а+в) / (а+б+в+г) = число больных / общее число обследованных

Чувствительность (sensitivity) = а / (а+в) = число истинноположительных результатов / общее число больных

Специфичность (specificity) = г / (б+г) = число истинноотрицательных результатов / число пациентов без данного заболевания

Частота ложноотрицательных результатов = в / (а+в) = число ложноотрицательных результатов / общее число больных

Частота ложноположительных результатов = б / (б+г) = число ложноположительных результатов / число пациентов без данного заболевания

Проблемы здоровья и экологии

Окончание таблицы 1

Результаты теста Патологическое состояние

имеется отсутствует

Положительная предсказательная ценность (positive predictive value) = а / (а+б) = число истинноположительных результатов / число всех положительных результатов

Отрицательная предсказательная ценность (negative predictive value) = г / (в+г) = число истинноотрицательных результатов / число всех отрицательных результатов

Общая точность (accuracy) = (а+г) / (а+б+в+г) = число истинноположительных и истинноотрицательных результатов / число всех результатов

Отношение правдоподобия положительного результата (likelihood ratio of a positive test) - = чувствительность / (1 - специфичность)

Отношение правдоподобия отрицательного результата теста (likelihood ratio of a negative test) - = 1 - чувствительность / специфичность

Вопросы, на которые отвечают данные характеристики диагностического теста :

1) чувствительность - насколько хорош тест для выявления пациентов, имеющих данное состояние?

2) специфичность - насколько хорош тест для правильного исключения пациентов, не имеющих данного состояния?

3) прогностическая ценность положительного результата теста - если у человека тест положительный, какова вероятность того, что у него действительно есть данное заболевание?

4) прогностическая ценность отрицательного результата теста - если у человека тест отрицательный, какова вероятность того, что у него действительно нет данного заболевания?

5) индекс точности - какая часть всех тестов дала правильные результаты (т. е. истинноположительные и истинноотрицательные результаты по отношению ко всем)?

6) отношение правдоподобия положительного результата (likelihood ratio of a positive test) - насколько более вероятно то, что тест будет положительным у человека с заболеванием по сравнению со здоровым?

Поскольку только меньшая часть из правил предсказания соответствует строгим критериям, таким как число и спектр обследованных, а также проспективное подтверждение результатов, большинство из них непригодно для повседневного клинического использования. Более того, многие правила предсказания не могут оценить вероятность каждого диагноза или исхода, с которыми сталкивается клиницист. Тест, обладающий определенной чувствительностью и специфичностью, имеет различную положительную и отрицательную предсказательную ценность, если применяется в группах с различной распространенностью заболевания. Чувствительность и специфичность какого-либо теста не зависят от распростра-

ненности заболевания (или процента больных, у которых имеется заболевание, от всех обследованных пациентов), они зависят от состава группы пациентов, среди которых этот тест был использован .

В некоторых ситуациях неточное знание чувствительности и специфичности теста в изучаемой группе пациентов может ограничить его клиническую ценность. Поскольку врач редко знает (или может знать) популяцию пациентов, на которой назначаемый им тест был стандартизован, получаемые результаты обладают информацией намного менее достоверной, чем принято думать. Более того, для любого диагностического теста увеличение чувствительности будет сопровождаться снижением специфичности .

Модель с высокой чувствительностью часто дает истинный результат при наличии положительного исхода (обнаруживает положительные примеры). Наоборот, модель с высокой специфичностью чаще дает истинный результат при наличии отрицательного исхода (обнаруживает отрицательные примеры). Если рассуждать в терминах медицины - задачи диагностики заболевания, где модель классификации пациентов на больных и здоровых называется диагностическим тестом, то получится следующее: 1) чувствительный диагностический тест проявляется в гипердиагностике - максимальном предотвращении пропуска больных; 2) специфичный диагностический тест диагностирует только доподлинно больных . Поскольку нельзя ожидать, что какая-либо величина или производный показатель в отдельности могли бы обладать одновременно превосходной чувствительностью и специфичностью, часто бывает необходимо определить, какой показатель является наиболее ценным и необходимым для принятия решения. Графическое изображение, получившее название ROC-кривой

Проблемы здоровья и экологии

(рисунок 1), связывающей обсуждаемые характеристики теста, показывает неизбежность выбора между стремлением к высокой чувствительности и специфичности. Подобное графическое изображение свидетельствует о том, что результаты тестов могут быть определены как нормальные или патологические в зависимости от того, учитыва-

ется заболевание, если тест обладает высокой специфичностью, или исключается, если тест обладает высокой чувствительностью. Разные тесты могут обладать различной чувствительностью и специфичностью. Чувствительность и специфичность более достоверных тестов выше, чем недостоверных тестов .

Рисунок 1 - Графическое изображение внутреннего несоответствия чувствительности и специфичности

ROC-кривая (Receiver Operator Characteristic) - кривая, которая наиболее часто используется для представления результатов бинарной классификации в машинном обучении . Название пришло из систем обработки сигналов. Поскольку классов два, один из них называется классом с положительными исходами, второй - с отрицательными исходами. ROC-кривая показывает зависимость количества верно классифицированных положительных примеров от количества неверно классифицированных отрицательных примеров. В терминологии ROC-анализа первые называются истинноположительным, вторые - ложноотрицательным множеством. При этом предполагается, что у классификатора имеется некоторый параметр, варьируя который мы будем получать ту или иную разбивку на два класса. Этот параметр часто называют порогом, или точкой отсечения (cut-off value) .

ROC-кривая получается следующим образом. Для каждого значения порога отсечения, которое меняется от 0 до 1 с шагом, например, 0,01, рассчитываются значения чувствительности Se и специфичности Sp. В качестве альтернативы порогом может являться каждое последующее значение примера в выборке. Строится график зависимости: по оси Y откладывается чувствительность Se, по оси X - 100% - Sp (сто процентов минус специфичность) . В результате вырисовывается некая кривая (рисунок 1). График часто дополняют прямой y = х.

Для идеального классификатора график ROC-кривой проходит через верхний левый

угол, где доля истинноположительных случаев составляет 100 %, или 1,0 (идеальная чувствительность), а доля ложноположительных примеров равна нулю. Поэтому чем ближе кривая к верхнему левому углу, тем выше предсказательная способность модели. Наоборот, чем меньше изгиб кривой и чем ближе она расположена к диагональной прямой, тем менее эффективна модель. Диагональная линия соответствует «бесполезному» классификатору, т. е. полной неразличимости двух классов .

При визуальной оценке ROC-кривых расположение их относительно друг друга указывает на их сравнительную эффективность. Кривая, расположенная выше и левее, свидетельствует о большей предсказательной способности модели. Так, на рисунке 2 две ROC-кривые совмещены на одном графике. Видно, что модель A лучше.

Визуальное сравнение кривых ROC не всегда позволяет выявить наиболее эффективную модель. Своеобразным методом сравнения ROC-кривых является оценка площади под кривыми. Теоретически она изменяется от 0 до 1,0, но поскольку модель всегда характеризуются кривой, расположенной выше положительной диагонали, то обычно говорят об изменениях от 0,5 («бесполезный» классификатор) до 1,0 («идеальная» модель). Эта оценка может быть получена непосредственно вычислением площади под многогранником, ограниченным справа и снизу осями координат и слева вверху - экспериментально полученными точками (рисунок 3). Численный показатель площади под кривой называется AUC (Area Under Curve).

Проблемы здоровья и экологии

Рисунок 2 - Сравнение ROC-кривых

Рисунок 3 - Площадь под ROC-кривой

С большими допущениями можно считать, что чем больше показатель AUC, тем лучшей прогностической силой обладает модель. Однако следует знать, что показатель AUC предназначен скорее для сравнительного анализа нескольких моделей; AUC не содержит ника-

кой информации о чувствительности и специфичности модели .

В литературе иногда приводится следующая экспертная шкала для значений AUC, по которой можно судить о качестве модели (таблица 2) .

Таблица 2 -Экспертная шкала значений AUC

Интервал AUC Качество модели

0,9-1,0 Отличное

0,8-0,9 Очень хорошее

0,7-0,8 Хорошее

0,6-0,7 Среднее

0,5-0,6 Неудовлетворительное

Идеальная модель обладает 100% чувствительностью и специфичностью. Однако на практике добиться этого невозможно, более того, невозможно одновременно повысить и чувствительность, и специфичность модели.

Компромисс находится с помощью порога отсечения, т.к. пороговое значение влияет на соотношение Se и Sp. Можно говорить о задаче нахождения оптимального порога отсечения (optimal cut-off value) (рисунок 4) .

Рисунок 4 - «Точка баланса» между чувствительностью и специфичностью

Проблемы здоровья и экологии

Порог отсечения нужен для того, чтобы применять модель на практике: относить новые примеры к одному из двух классов. Для определения оптимального порога нужно задать критерий его определения, т.к. в разных задачах присутствует своя оптимальная стратегия. Критериями выбора порога отсечения могут выступать: 1) требование минимальной величины чувствительности (специфичности) модели. Например, нужно обеспечить чувствительность теста не менее 80 %. В этом случае оптимальным порогом будет максимальная специфичность (чувствительность), которая достигается при 80 % (или значение, близкое к

нему «справа» из-за дискретности ряда) чувствительности (специфичности) .

Приведенные теоретические данные лучше воспринимаются на примерах из клинической практики. Первый пример, на котором мы остановимся, будет диагностика инфицированного панкреонекроза (набор данных взят из базы данных ). Обучающая выборка содержит 391 запись с выделением 12 независимых переменных в следующем формате (таблица 3). Зависимая переменная (1 - наличие заболевания, 0 - отсутствие). Распределение зависимой переменной следующее: 205 случаев - отсутствие заболевания, 186 - его наличие.

Таблица 3 - Независимые переменные для диагностики инфицированного панкреонекроза, коэффициенты логистической регрессии (пример)

Независимые переменные Формат данных Коэффициент, %

Число дней от начала заболевания > 14 < 14 2,54

Число дней, проведенных больным на лечении в ОАРИТ > 7 < 7 2,87

Частота сердечных сокращений числовое значение 1,76

Частота дыхания числовое значение 1,42

Температура тела числовое значение 1,47

Лейкоциты крови числовое значение 1,33

Лейкоцитарный индекс интоксикации числовое значение 1,76

Мочевина крови числовое значение 1,23

Общий белок плазмы крови числовое значение 1,43

Адекватная антибиотикопрофилактика при установлении диагноза тяжелого острого панкреатита да/нет -1,20

Выполнение миниинвазивных лечебно-профилактических операций да/нет -1,38

Наличие отрицательной динамики да/нет 2,37

На рисунке 4 изображена полученная ROC- можно охарактеризовать как очень хорошую, кривая. Предсказательную способность модели AUC = 0,839.

Рисунок 4 - ROC-кривая диагностической модели инфицированного панкреонекроза

Проблемы здоровья и экологии

Рассмотрим фрагмент массива точек «чув- ня внутрибрюшного давления у больных тяже-

ствительшсть-специфичшсть» на примере уров- лым острым панкреатитом .

Таблица 4 - Чувствительность и специфичность различных уровней ВБД для прогнозирования развития ИПН (пример)

ВБД, мм рт. ст. Чувствительность, % Специфичность, % Se + Sp Se - Sp

13,5 25 100 125 75

14,5 30 95 125 65

15,5 40 95 135 55

16,5 65 95 160 30

17,5 80 90 170 10

18,5 80 80 160 0

19,5 80 70 150 10

20,5 85 65 150 20

21,5 95 55 150 40

23,0 100 45 145 55

24,5 100 40 140 60

25,5 100 25 125 75

Как видно из таблицы, оптимальным пороговым уровнем ВБД у больных острым деструктивным панкреатитом, обеспечивающим максимум чувствительности и специфичности теста (или минимум ошибок I и II рода), является 17,5 ± 2,3 (M ± SD) мм рт.ст., при котором отмечается 80 % чувствительность и 90 % специфичность метода для определения вероятности развития инфекционных осложнений пан-креонекроза. Чувствительность равна 80 % - это означает, что у 80 % пациентов с инфицированным панкреонекрозом диагностический тест положителен. Специфичность равна 90 %, следовательно, у 90 % пациентов, у которых нет инфицированного панкреонекроза, результаты теста являются отрицательными. Точкой баланса, в которой чувствительность и специфичность примерно совпадают - 80 %, является 18,5. В целом положительная прогностическая ценность измерения ВБД составила 86 %, отрицательная прогностическая ценность - 88 %.

Проведение логистической регрессии и ROC-анализа возможно с использованием статистических пакетов . Однако «Statistica» 6 и 7 (http://www.statistica.com) проводят данный анализ только с использованием блока «Искусственные нейронные сети» . В SPSS (http://www. spss.com) (начиная с 13 версии) ROC-анализ дан только в графическом модуле и анализируется одна ROC-кривая. В SPSS выводится значение площади под кривой (AUC), уровень значимости и значение чувствительности и специфичности в каждой точке измерения. Оптимальную точку (optimal cut-off) необходимо находить самим из таблицы чувствительности и 1-специфичность . Программа MedCalc проведет сравнение нескольких ROC-кривых, в таблице пометит значение переменной, при

которой соотношение чувствительности и специфичности оптимально (optimal cut-off). В SAS (http://www.sas.com) также, как и R-Commander есть модуль сравнения кривых и нахождения точек, AUC. Логистическая регрессия и ROC-анализ есть в бесплатной программе WINPEPI (PEPI-for-Windows) (http://www.brixtonhealth. com/ winpepi.zip) .

Заключение

Искусство диагностики постоянно совершенствуется. Ежедневно появляются новые диагностические тесты, а технология существующих методов изменяется. Переоценка точности соответствующих исследований, в частности, в результате возникновения систематической ошибки, связанной с недобросовестной практикой исследований и публикаций, может привести к преждевременному внедрению диагностических тестов и принятию неправильных клинических решений. Тщательная оценка диагностических тестов до их широкого применения не только снижает риск развития неблагоприятных исходов, обусловленных ошибочными представлениями об информативности метода, но также может ограничить расходование ресурсов здравоохранения за счет отказа от ненужных обследований. Неотъемлемой частью оценки диагностических тестов являются исследования, посвященные точности диагностических тестов, самыми информативными из которых являются метод логистической регрессии и ROC-анализ.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Гринхальх, Т. Основы доказательной медицины / Т. Грин-хальх; пер. с англ. - М.: ГЭОТАР-Медиа, 2006. - 240 с.

Проблемы здоровья и экологии

3. Власов, В. В. Введение в доказательную медицину / В. В. Власов. - М. МедиаСфера, 2001. - 392 с.

4. Флетчер, Р. Клиническая эпидемиология. Основы доказательной медицины / Р. Флетчер, С. Флетчер, Э. Вагнер; пер. с англ. - М.: МедиаСфера, 1998. - 352 с.

5. Банержи, А. Медицинская статистика понятным языком: вводный курс / А. Бенержи; пер с англ. - М.: Практическая медицина, 2007. - 287 с.

6. Жижин, К. С. Медицинская статистика: учеб. пособие. - Ростов н/Д.: Феникс, 2007. - 160 с.

7. Deeks, J. J. Systematic reviews of evaluations of diagnostic and screening tests / J. J. Deeks // BMJ. - 2001. - Vol. 323. - P. 157-162.

8. Guidelines for meta-analyses evaluating diagnostic tests / L. Irwig // Ann. Intern. Med. - 1994. - Vol. 120. - P. 667-676.

9. Systematic reviews and meta-analysis for the surgeon scientist /

S. S. Mahid // Br. J. Surg. - 2006. - Vol. 93. - P. 1315-1324.

10. Meta-analytical methods for diagnostic test accuracy / L. Irwig // J. Clin. Epidemiol. - 1995. - Vol. 48. - P. 119-130.

11. Users" guides to the medical literature. How to use an article about a diagnostic test. A. Are the results of the study valid? / R. Jaeschke // JAMA. - 1994. - Vol. 271. - P. 389-391.

12. Use of methodological standards in diagnostic test research: getting better but still not good / M. C. Read // JAMA. - 1995. - Vol. 274. - P. 645-651.

13. StAR: a simple tool for the statistical comparison of ROC curves / I. E. Vergara // BMC Bioinformatics. - 2008. - Vol. 9. - P. 265-270.

14. A comparison of parametric and nonparametric approaches to ROC-analysis of quantitative diagnostic tests / K. O. Hajian-Tilaki // Medical Decision Making. - 1997. - Vol. 17, N. 1. - P. 94-102.

15. Receiver operator characteristic (ROC) curves and nonnormal data: An empirical study / M.J. Goddard // Statistics in Medicine. - 1989. - Vol. 9, N. 3. - P. 325-337.

16. Возможности прогнозирования инфицированного пан-креонекроза / А. А. Литвин [и др.] // Проблемы здоровья и экологии. - 2007. - Т. 12, № 2. - С. 7-14.

17. Метод мониторинга внутрибрюшного давления у больных тяжелым острым панкреатитом / А. А. Литвин [и др.] // Проблемы здоровья и экологии. - 2008. - Т. 16, № 2. - С. 80-85.

18. Comparison of eight computer programs for receiver-operating characteristic analysis / C. Stephan // Clin. Chem. - 2003. - Vol. 49, N. 3. - P. 433-439.

19. Zhu, X. A short preview of free statistical software packages for teaching statistics to industrial technology majors / X. Zxu // J. Ind. Technology. - 2005. - Vol. 21, N. 2. - P. 10-20.

20. Боровиков, В. STATISTICA: искусство анализа данных на компьютере. Для профессионалов / В. Боровиков. - СПб.: Питер, 2001. - 656 с.

21. Бююлъ, А. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей / А. Бююль. - СПб.: ДиаСофтЮП, 2002. - 608 с.

22. Abramson, J. H. WINPEPI (PEPI-for-Windows): computer programs for epidemiologists / J. H. Abramson, // Epidemiologic Perspectives & Innovations. - 2004. - Vol. 1, N. 6. - P. 1-10.

Поступила 24.10.2008

УДК 616.1:616-009.12:616-005.8:616.831-005.1

НЕКОТОРЫЕ ПОКАЗАТЕЛИ МИКРОЦИРКУЛЯЦИИ И ПОВРЕЖДЕНИЯ ЭНДОТЕЛИЯ В ОЦЕНКЕ РИСКА РАЗВИТИЯ ИНСУЛЬТОВ, ИНФАРКТОВ МИОКАРДА, ЛЕТАЛЬНЫХ ИСХОДОВ У БОЛЬНЫХ АРТЕРИАЛЬНОЙ ГИПЕРТЕНЗИЕЙ

В. И. Козловский, А. В. Акулёнок Витебский государственный медицинский университет

Цель исследования: выделение факторов, ассоциированных с повышением риска развития инфарктов миокарда, мозговых инсультов, летальных исходов у больных артериальной гипертензией (АГ) II степени.

Материал и методы: в исследование были включены 220 больных АГ II степени (средний возраст 57 ± 8,4 лет), которые госпитализировались в связи с гипертоническим кризом, и 30 человек без АГ (средний возраст

53,7 ± 9 лет).

Результаты: за 3,3 ± 1 лет наблюдения в группе больных АГ II степени зафиксировано 29 инсультов, 18 инфарктов миокарда, 26 летальных исходов. Повышение числа циркулирующих эндотелиальных клеток (ЦЭК), агрегации лейкоцитов, тромбоцитов, адгезии лейкоцитов у больных АГ было ассоциировано с повышением риска развития инфарктов миокарда, инсультов и летальных исходов.

Заключение: показатели числа ЦЭК, агрегации тромбоцитов и лейкоцитов, адгезии лейкоцитов можно использовать для выделения групп гипертензивных больных повышенного риска развития инфарктов миокарда, инсультов и летальных исходов, а также в создании комплексных моделей прогноза.

Ключевые слова: артериальная гипертензия, риск, инфаркт миокарда, инсульт, летальный исход, циркулирующие эндотелиоциты.

SOME FINDINGS OF MICROCIRCULATION AND ENDOTHELIAL DAMAGE IN ESTIMATION OF RISK FOR STROKES, MYOCARDIAL INFARCTIONS, LETHAL OUTCOMES IN HYPERTENSIVE PATIENTS

V. I. ^zlovsky, A. V. Akulionak Vitebsk Statel Medical University

Objective: to determine factors, associated with increased risk for development of strokes, myocardial infarctions, lethal outcomes in patients with arterial hypertension (AH) II degree.

Methods: 220 patients with AH II degree (mean age 57 ± 8,4 years), complicated by hypertensive crisis, and 30 persons without AH (mean age 53,7 ± 9 years) were followed-up for 3,3±1 years.

Results: elevation of number of circulating endothelial cells (CEC), aggregation of platelets and leukocytes, adhesion of leukocytes in hypertensive patients were associated with increased risk for development of strokes, myocardial infarctions, lethal outcomes.

Часто оригинальные статьи о выполненных исследованиях могут быть более реальным источником ответа на узкие вопросы чем обзорные статьи и лекции. Считается что чтение журналов и статей необходимо ограничить теми которые действительно имеют отношение к повседневной практике или текущим научным исследованиям. Значительная часть публикаций представляющих результаты исследования нового вмешательства содержит непригодную для использования информацию. Встреча со знакомой и известной фамилией и уважаемым учреждением позволяют заранее...

Поделитесь работой в социальных сетях

Если эта работа Вам не подошла внизу страницы есть список похожих работ. Так же Вы можете воспользоваться кнопкой поиск

Другие похожие работы, которые могут вас заинтересовать.вшм>
20915.		Анализ рынка медицинских услуг	3.1 MB
	Анализ теоретической информации о практике создания и применения ГЧП, характеристике и пользе данной модели для общества; анализ теоретического материала концепции бизнес-моделирования; определение экономических характеристик медицинской услуги; проведение анализа отрасли;
4601.		АНАЛИЗ ДЕЯТЕЛЬНОСТИ ПОСТОВЫХ МЕДИЦИНСКИХ СЕСТЕР ТЕРАПЕВТИЧЕСКОГО ОТДЕЛЕНИЯ	60.63 KB
	Практическая актуальность связана с тем, что дипломная работа может послужить автоматизации работы постовой сестры по ведению документации по учету медикаментов и движения больных; выдаче медицинских препаратов больному; формированию и распечатыванию направлений на исследования каждому пациенту; ведению температурного листа и т.д.
11969.		Анализ экономической эффективности использования медицинских информационных систем	16.93 KB
	Разработана модель и описаны алгоритмы анализа экономической эффективности медицинских информационных систем МИС. Разработан макет программного средства ПС анализа экономической эффективности применения МИС в лечебнопрофилактическом учреждении Программное средство анализа экономической эффективности использования медицинских информационных систем. Эксплуатационным назначением ПС является его использование экономистомэкспертом и руководителем ЛПУ при анализе экономической составляющей деятельности лечебнопрофилактического учреждения а...
18273.		Анализ правового статуса Президента Республике Казахстан с позиций общепринятых критериев правового государства и принципа разделения властей	73.64 KB
	Суть подхода Президента состояла в том что страна должна развиваться естественным образом эволюционно. Президентское правление - предусмотренное Конституцией государства это прекращение деятельности институтов самоуправления определенного регионального административного образования и осуществление управления последним посредством уполномоченных назначаемых главой государства - президентом и подотчетными ему лицами; предусмотренное Конституцией наделение главы государства - президента чрезвычайными полномочиями в масштабе всего...
13186.		Проектирование информационной системы учета научных публикаций в среде Adobe Dreamweaver	2.29 MB
	Автоматизация для любых организаций производится при помощи проектирования и последующего создания и развертывания единой корпоративной информационной системы – системы обработки информации также включающей в себя и соответствующие организационные ресурсы человеческие технические финансовые и т. Такая ситуация получила название лоскутной автоматизации и является довольно типичной для многих предприятий. Так как информационные системы предназначены для сбора хранения и обработки информации в основе любой из них лежит среда хранения и...
15989.		Применение нанотехнологий в отраслях медицины	80.04 KB
	Из истории следует что человечество всегда стремилось к прогрессу и с древних времён искало способы лечить болезни и продлевать жизнь. Можно сказать что развитие нанотехнологий в XXI веке изменит жизнь человечества больше чем освоение письменности паровой машины или электричества. Швейцарский физик Альберт Эйнштейн опубликовал работу в которой доказывал что размер молекулы сахара составляет примерно 1 нанометр. Американский футуролог Эрк Дрекслер пионер молекулярной нанотехнологии опубликовал...
6178.		ГИГИЕНА – ОСНОВНАЯ ПРОФИЛАКТИЧЕСКАЯ ДИСЦИПЛИНА МЕДИЦИНЫ	409.78 KB
	Термин «гигиена» происходит от греческого слова хигиейнос, что означает «приносящий здоровье» (Слайд №1). Согласно древнегреческой мифологии, у бога врачевания Асклепия (в древнеримских мифах – Эскулап) была дочь Гигиейя, помогавшая отцу в его делах.
5069.		Роль правовых идей Авиценны в развитии медицины	31.86 KB
	Ибн-Сина выступал за идеальное государство население которого должно состоять из правителей производителей и войска и каждый должен заниматься полезной работой. Особенно велики заслуги...
17864.		Тенденции и Проблемы развития системы и рынка страховой медицины в США	75.24 KB
	Понятие и классификация медицинского страхования: обязательное и добровольное медицинское страхование. Системы страхования здоровья в зарубежных странах. Анализ рынка медицинского страхования в США. Характеристика и особенности рынка медицинского страхования в США.
20590.		Собственный капитал коммерческого банка с позиций его формирования	326.53 KB
	Особую актуальность в проблеме управления собственным капиталом банка и вопросам его регулирования придает Базельский комитет по надзору который предпринял попытку коренного изменения системы оценки достаточности собственного капитала банка. Несмотря на незначительный удельный вес в совокупных пассивах банков собственный капитал остается основой надежности и устойчивости банка фундаментом деятельности банка и подушкой его безопасности. В последнее время вопросы банковского дела связанные с собственным капиталом банка привлекают особо...