Scientific journal
Modern problems of science and education
ISSN 2070-7428
"Перечень" ВАК
ИФ РИНЦ = 0,940

PREDICTING THE SEVERITY OF THE CONDITION OF PREMATURE NEWBORNS WITH A GESTATION PERIOD OF LESS THAN 30 WEEKS

Tyrsin A.N. 1, 2 Ulezko E.A. 3 Ostroushko D.V. 3 Svirskaya O.Y. 3 Sankovets D.N. 3
1 Federal State Autonomous Educational Institution of Higher Education Ural Federal University named after the first President of Russia B.N. Yeltsin
2 Federal State Autonomous Educational Institution of Higher Education South-Ural State University (National Research University)
3 Mother and Child National Research Center
The aim of the study is to develop a statistically reliable method for assessing the severity of the condition of premature newborns with a gestation period of less than 30 weeks at birth using multivariate statistical data analysis. The model of binary logistic regression was used as a basis. As an assessment of the severity of the newborn, the probability of its assignment to the corresponding group of patients was used. To solve this problem, anamnestic data and results of medical and diagnostic procedures were evaluated in 29 premature newborns. Informative signs were the child's weight at birth in grams, delivery method, pH, and blood lactate level KOS at birth, the minimum level of blood oxygen saturation during respiratory support, fixed for the first 24 hours of life, hemodynamic status, minimum and maximum value of the total oxygen content of blood KOS first 24 hours of life, the minimum value of partial pressure of blood oxygen KOS first 24 hours of life. Based on the available sample of precedents, a statistically reliable decision rule has been developed, on the basis of which a method for recognizing the severity of the condition of new patients can be developed. A comparative entropy analysis of two groups of patients was performed.
preterm infants
forecast
model
logistic regression
discriminant analysis
entropy

В результате внедрения современных технологий интенсивной терапии и реанимации в неонатологии ежегодно увеличивается число выживших недоношенных детей со сроком гестации менее 30 недель [1, 2]. Разработка новых подходов выхаживания и терапевтического ведения таких пациентов является весьма актуальной задачей, поскольку для недоношенных новорожденных характерен рост заболеваемости в неонатальном периоде. Для повышения эффективности выхаживания важно своевременно распознать тяжесть нарушений, происходящих в организме ребенка. Это позволит выбрать правильный режим лечения, снижающий риск возможных осложнений пациентов. Перинатальная патология у недоношенных детей характеризуется большей тяжестью и сочетанностью нарушений вследствие незрелости всех систем организма, развившейся на фоне отсутствия внутриутробного благополучия плода во время беременности [3, 4]. Это приводит к необходимости совершенствования методов оценивания состояния здоровья у таких детей.

В настоящее время накоплен огромный опыт в области моделирования биологических систем, в том числе в медицине. Такое моделирование основано на использовании различных направлений цифровых технологий, которые позволяют врачам независимо от уровня профессиональной подготовки принять правильное решение.

Многие модели успешно зарекомендовали себя и внедрены в лечебный процесс больниц, они являются дополнительным подспорьем для специалиста при принятии решения о выборе той или иной тактики лечения, а также позволяют оценивать имеющийся потенциал здоровья пациента [5]. Другие модели позволяют достоверно распознать возможность развития заболевания в будущем и привлечь дополнительное внимание лечащего врача к конкретному пациенту [6]. Поэтому для выбора оптимального метода выхаживания и реабилитации недоношенных детей важно дать объективный прогноз состояния их здоровья.

Целью исследования явилась разработка прогностического правила для методики прогнозирования в целях оценки степени тяжести состояния здоровья недоношенных новорожденных со сроком гестации менее 30 недель. В качестве инструментария для разработки методики были использованы методы многомерного статистического анализа.

Материалы и методы исследования

Для решения поставленной задачи проведена оценка анамнестических данных и результатов лечебно-диагностических процедур 29 недоношенных новорожденных со сроком гестации менее 30 недель при рождении. Наблюдение за пациентами и их обследование начинались непосредственно в родильном зале, а далее продолжались в отделении анестезиологии и реанимации (с палатами для новорожденных детей) ГУ «РНПЦ “Мать и дитя”», г. Минск. Средний гестационный возраст младенцев составил 28,25±1,03 недели. Масса тела при рождении составила 1094,48±205,63 г. Мальчиков было 15,00 (51,72%), девочек – 14 (48,27%). 20 (68,97%) новорожденных были от одноплодной беременности, 9 (31,03%) – от многоплодной. Через естественные родовые пути родился 1 (1/3,45%) ребенок, при абдоминальном родоразрешении – 28 (96,55%) младенцев (20 (68,97%) – при экстренном и 8 (27,58%) – при плановом родоразрешении). Все дети (29 (100,00%)) в родильном зале получили сурфактантзаместительную терапию в дозе 227,86±72,47 мг/кг. Среди основных клинических диагнозов отмечены следующие состояния: респираторный дистресс-синдром новорожденных, врожденная пневмония, инфекция, специфичная для перинатального периода неуточненная, врожденный сепсис, инфекция, специфичная для перинатального периода.

Проанализированы 20 показателей: анамнестические данные, кислотно-основное состояние (КОС) артериальной крови при рождении и первого дня жизни, спектроскопия в ближней инфракрасной области (Near-infrared spectroscopy, NIRS), респираторная поддержка новорожденного, гемодинамический статус и гидробаланс первых 24 часов жизни ребенка (табл. 1). Метод NIRS успешно применяется для оценки мозгового кровотока и объема крови в сосудах головного мозга как раннего предиктора перинатальных поражений центральной нервной системы у недоношенных новорожденных [7, 8]. Обследуемые пациенты нуждались в проведении респираторной поддержки. Время осмотра: для признаков P0 – P5 – в родильном зале, для признаков P6 – P19 – в первые 24 часа жизни.

Таблица 1

Анамнестические и лабораторные данные

Данные

Признак

Условное обозначение

Анамнез

Пол: ж – 0 , м – 1

P0

Масса при рождении (г.)

P1

Беременность: 0 – одноплодная, 1 – многоплодная

P2

Метод родоразрешения: 0 – через естественные родовые пути, 1 – плановое кесарево сечение, 2 – экстренное кесарево сечение

P3

КОС

pH

P4

КОС

Lac

P5

NIRS

crSO2 (среднее)

P6

∆crSO2 (макс-мин))

P7

Пульсоксиметрия

SpO2 MIN при проведении ИВЛ

P8

Клиническое наблюдение

Гемодинамический статус

P9

КОС (артериальная кровь)

pH MIN

P10

pH MAX

P11

pCO2 MIN

P12

pCO2 MAX

P13

pO2 MIN

P14

pO2 MAX

P15

ctO2 MIN

P16

ctO2 MAX

P17

p50 MIN

P18

p50 MAX

P19

 

Исследование включало в себя несколько этапов. Вначале необходимо у недоношенных детей найти число групп по степени тяжести состояния здоровья. Предварительная гипотеза состояла в том, что у недоношенных детей имеет место градация на две группы – «тяжелые» и «очень тяжелые». Необходимо было проверить справедливость предположения о двух уровнях степени тяжести. Здесь были использованы методы кластерного анализа данных [9]. На втором этапе была сформирована система информативных диагностических признаков. Эта процедура была выполнена с помощью дискриминантного анализа [10].

Важнейший этап – количественный прогноз степени тяжести состояния детей – осуществим с помощью логистической регрессии. Она удобна тем, что позволяет формировать хорошо интерпретируемый показатель степени тяжести в виде вероятности отнесения пациента к той или иной группе больных. Применительно к двум классам это выглядит следующим образом.

Дана обучающая выборка значений признаков

, , (1)

где – вектор значений i-го объекта, ; , – бинарная переменная, указывающая на принадлежность i-го объекта соответствующему классу. Например, для определенности первому классу при и второму – при ; m – число признаков у каждого объекта; n – количество наблюдений. Классификация выполняется с помощью логистической функции [11]:

, (2)

принимающей значения в интервале (0; 1). Пороговым значением является . Вектор в (2) задает разделяющую линейную границу, описываемую уравнением гиперплоскости .

Введем функцию . Зададим область D 1 возможных значений x для первого класса как , а для второго класса – как . Тогда и . Если x принадлежит гиперплоскости Õ, то . Следовательно, для произвольного наблюдения x* вероятность его отнесения к первому классу равна , а ко второму – .

Для оценивания вектора коэффициентов b был использован алгоритм Ньютона–Рафсона [12]. Представляет интерес также исследование системных свойств каждой из групп пациентов с помощью энтропийного моделирования [6, 13].

Методы многомерного статистического анализа реализованы с помощью статистического пакета программ Statistica. Энтропийное моделирование выполнялось с помощью программы вычисления энтропии случайного вектора [14].

Результаты исследования и их обсуждение

Для уточнения числа групп недоношенных детей по степени тяжести состояния здоровья был использован традиционный в таких задачах кластерный анализ данных. Дендрограмма (рис.) наглядно показывает наличие двух выраженных кластеров.

 

Дендрограмма

Слева на рисунке приводится расстояние между объединяемыми на данном этапе кластерами (объектами), внизу указаны признаки. С учетом результатов кластерного анализа все пациенты (n=29) были разделены на две группы: к группе «тяжелые» (D1) отнесены 17 пациентов, к группе «очень тяжелые» (D2) отнесены 12 пациентов.

Решение задачи состоит в попытке различить между собой группы пациентов D1 и D2 и в случае успеха построить решающее правило классификации. Для этого нужно было решить задачу многомерной классификации (распознавания) двух групп (кластеров) по показателям анамнестических данных и результатов лечебно-диагностических процедур. Суть решения состояла в нахождении такой совокупности показателей из исходного множества, которая позволила бы (если это в принципе возможно) статистически достоверно распознать различия в этих группах. Данная задача решалась в два этапа. На первом этапе с помощью дискриминантного анализа формировалась система информативных признаков, а на втором с помощью логистической регрессии строилось решающее правило классификации. Строилась дискриминантная функция с минимальным p-уровнем, который составил 0,0004. Информативными признаками явились следующие качественные и количественные показатели: X1 – масса тела ребенка при рождении в граммах; X2 – метод родоразрешения (0 – через естественные родовые пути, 1 – плановое кесарево сечение, 2 – экстренное кесарево сечение); X3 – pH КОС при рождении, X4 – уровень лактата крови КОС при рождении, X5 – минимальная SpO2 при проведении искусственной вентиляции легких, зафиксированная за первые 24 часа жизни, X6 – гемодинамический статус (0 – нет терапии; 1 – допамин ≤ 5 мкг/кг мин; 2 – допамин > 5 и ≤ 10 мкг/кг мин; 3 – допамин > 10 мкг/кг мин или допамин+добутамин ≤ 10 мкг/кг мин; 4 – допамин+добутамин > 10 мкг/кг мин; 5 – эпинефрин или норэпинефрин и/или глюкокортикостероиды; X7 – минимальное значение общего содержания кислорода (ctO2) крови КОС первых 24 часов жизни; X8 – максимальное значение ctO2 крови КОС первых 24 часов жизни; X9 – минимальное значение парциального давления кислорода (p50) крови КОС первых 24 часов жизни.

Распознавание двух групп (D1) и (D2) выполнено формально недостаточно достоверно, поскольку признаки pH крови КОС при рождении и p50 крови КОС первых 24 часов жизни имеют недостаточную статистическую надежность (менее 95%). Однако расчетное значение F-статистики статистически значимо со статистической надежностью 0,9996 (выше требуемой величины 0,95). Данные спектроскопии в ближней инфракрасной области (NIRS) оказались неинформативными показателями для решения поставленной задачи. Средняя вероятность правильного распознавания составила 96,552%, что выше требуемой величины 95%. Это означает, что сформированная система признаков в достаточной степени различает «тяжелых» и «очень тяжелых» пациентов.

Решающее правило построено по обучающему множеству признаков X0 и Y0, которое образуют пациенты с известными диагнозами. Решающее правило предназначено для классификации состояний новых пациентов.

Учитывая существенные признаки, полученные ранее с помощью дискриминантного анализа, мы рассчитали интегративный прогностический индекс (ИПИ) по формуле:

, (4)

где b0 = –11,591, b1 = 9,333 b2 = 6,808, b3 = –3,056, b4 = –14,060, b5 = 13,964, b6 = –11,353, b7 = 19,082, b8 = –18,484, b9 = –5,997.

Если рассчитанный по прогностическому правилу (4) результат будет меньше нуля, то у ребенка прогнозируется «очень тяжелое» состояние с вероятностью . Если результат Z будет больше нуля, то у ребенка прогнозируется «тяжелое состояние» с вероятностью .

Все пациенты правильно классифицированы. В таблице 2 приведены результаты распознавания. Здесь обозначены: № – номер наблюдения (порядковый номер ребенка в общей выборке; IND – принадлежность наблюдений к одной из групп (IND=0 – группа «тяжелые», IND=1 – группа «очень тяжелые»); P0 – вероятность отнесения наблюдения (ребенка) к группе «очень тяжелые» (IND=1); 1 – P0 – вероятность отнесения наблюдения (ребенка) к группе «тяжелые» (IND=0).

Таблица 2

Вероятности отнесения пациентов к группам «тяжелые» и «очень тяжелые»

№№

IND

Z

P0

1 – P0

№№

IND

Z

P0

1 – P0

1

1

–37,233

1,00000

0,00000

16

1

–9,655

0,99994

0,00006

2

1

–23,257

1,00000

0,00000

17

0

36,913

0,00000

1,00000

3

0

8,145

0,00029

0,99971

18

0

17,338

0,00000

1,00000

4

0

7,214

0,00074

0,99926

19

0

5,414

0,00443

0,99557

5

1

–27,895

1,00000

0,00000

20

0

16,257

0,00000

1,00000

6

1

–7,465

0,99943

0,00057

21

0

10,433

0,00003

0,99997

7

1

–5,686

0,99662

0,00338

22

0

32,437

0,00000

1,00000

8

0

6,101

0,00224

0,99776

23

0

21,573

0,00000

1,00000

9

0

25,104

0,00000

1,00000

24

1

–36,413

1,00000

0,00000

10

0

8,310

0,00025

0,99975

25

0

5,734

0,00322

0,99678

11

0

36,550

0,00000

1,00000

26

1

–30,228

1,00000

0,00000

12

1

–5,974

0,99746

0,00254

27

0

16,309

0,00000

1,00000

13

0

10,513

0,00003

0,99997

28

0

22,199

0,00000

1,00000

14

1

–7,951

0,99965

0,00035

29

1

–47,549

1,00000

0,00000

15

1

–30,438

1,00000

0,00000

 

Результаты энтропийного анализа по статистически значимым признакам приведены в таблице 3. Видно, что в группе «очень тяжелые» по сравнению с группой «тяжелые» энтропии хаотичности и самоорганизации меньше. Это означает, что в целом у «очень тяжелых» пациентов в целом вариация показателей, их изменчивость ниже, а теснота взаимосвязи между показателями выше.

Таблица 3

Результаты энтропийного анализа групп «тяжелые» и «очень тяжелые»

IND

Энтропия хаотичности HV

Энтропия самоорганизации HR

Общая энтропия H

0

11,108

–2,732

8,376

1

10,411

–3,803

6,609

 

Заключение

Использование методов многомерного статистического анализа позволило разработать алгоритм оценки степени тяжести недоношенных детей. Достоверность классификации выборки пациентов по полученному разделяющему правилу составила 100%. Это позволяет использовать данное решающее правило для создания методики в целях прогнозирования степени тяжести состояния недоношенных новорожденных со сроком гестации менее 30 недель. Использование доступных анамнестических, а также лечебно-диагностических данных дает возможность имплементировать разработанное правило после его апробации в практическую деятельность неонатальных отделений интенсивной терапии различных уровней оказания перинатальной помощи, что явится дополнительным критерием для врача при оценке степени тяжести новорожденного пациента и дальнейшем выборе персонифицированной тактики терапевтических манипуляций и медикаментозного лечения.

Благодарности. Работа выполнена при поддержке совместного российско-белорусского проекта РФФИ (грант № 20-51-00001) и БРФФИ (грант № М20Р-008).