автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Прогнозирование течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого с использованием методов бинарной логистической регрессии и искусственных нейронны

На правах рукописи

Шевченко Юрий Владимирович

ПРОГНОЗИРОВАНИЕ ТЕЧЕНИЯ РАННЕГО ПОСЛЕОПЕРАЦИОННОГО ПЕРИОДА У БОЛЬНЫХ С РАДИКАЛЬНЫМИ ОПЕРАЦИЯМИ ПО ПОВОДУ РАКА ЛЕГКОГО С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ БИНАРНОЙ ЛОГИСТИЧЕСКОЙ РЕГРЕССИИ И ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

05.13.01 - Системный анализ, управление и обработка информации (медицинские науки)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата медицинских наук

Москва 2008

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Российский Государственный Медицинский Университет» Федерального агентства по здравоохранению и социальному развитию и Федеральном государственном учреждении «Российский Научный Центр Рентгенорадиологии» Федерального агентства по высокотехнологичной медицинской помощи.

Научный руководитель: Доктор медицинских наук, профессор, зав.

кафедрой медицинской кибернетики и информатика ГОУ ВПО РГМУ Росздрава

Зарубина Татьяна Васильевна

Официальные оппоненты: Доктор медицинских наук, профессор,

Гл. научный сотрудник отделения проблем социально значимых заболеваний ФГУ «ЦНИИОИЗ» Росздрава

Киселёв Александр Сергеевич

Доктор медицинских наук, профессор кафедры медицинской и биологической кибернетики медико-биологического факультета Сибирского государственного медицинского университета

Карась Сергей Иосифович

Ведущая организация:

Государственное образовательное учреждение высшего профессионального образования «Тульский государственный университет».

Защита состоится 7 ноября 2008 года в 10:00 часов на заседании диссертационного совета Д 208.110.01 в Федеральном государственном учреждении «Центральный научно-исследовательский институт организации и информатизации здравоохранения» Федерального агентства по здравоохранению и социальному развитию Российской Федерации по адресу: 127254, г. Москва, ул. Добролюбова, 11.

С диссертацией можно ознакомиться в библиотеке ФГУ «ЦНИИОИЗ» Росздрава по адресу: 127254, г. Москва, ул. Добролюбова, 11.

Автореферат разослан «_»_2008 г.

Ученый секретарь Диссертационного совета, кандидат медицинских наук

Сошников Евгений Иванович

гг:7'' ..........:—н

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследования

Злокачественные заболевания легких занимают первое место в структуре онкологической заболеваемости мужского населения. Рак легких — наиболее распространенная форма злокачественных новообразований во всем мире. Для России стандартизованный показатель заболеваемости раком легкого составляет 66 человек на 100 тысяч у мужчин и 6,9 человек на 100 тысяч среди женщин. 1'жегодно заболевают раком легкого свыше 63000 человек, в том числе свыше 53000 мужчин.

В структуре смертности от онкологических заболеваний рак легкого также занимает первое место. И 2006 году от злокачественных заболеваний легкого умерли 58,4 тысяч человек, что составило 21% всех смертей от злокачественных заболеваний.

Для лечения рака легкого используется большой арсенал средств: противоопухолевая химиотерапия, лучевая терапия, однако основным методом радикального лечения рака легкого является хирургическое вмешательство. Лечение заключается п удалении пораженной опухолью части легкого или всего легкого. Хирургическое лечение может сочетаться с лучевой терапией или лекарственной противоопухолевой терапией.

Операции по поводу рака легкого являются травматичными: происходит значительная резекция малого круга кровообращения, п течение операции может происходить объемная кровопотеря, значительно снижается поверхность газообмена в легких. В раннем послеоперационном периоде существует высокий риск развития осложнений, в первую очередь со стороны респираторной и сердечно-сосудистой системы. После операции по поводу рака легкого пациенты нуждаются в постоянном наблюдении и специализированном лечении в отделении реанимации и интенсивной терапии.

Важно заблаговременно выявить пациентов с высоким риском развития осложнений. Объективизированный прогноз тяжести протекания послеоперационного периода с помощью математических методов может содействовать выбору оптимальной схемы лечения в отделении реанимации и обеспечить повышенное внимание персонала к пациентам с высоким риском развития осложнений. Таким образом, актуальной задачей является разработка математических алгоритмов для прогнозирования тяжести течения раннего послеоперационного периода у данной категории пациентов.

При анализе данных литературы нами был обнаружен ряд работ по прогнозированию исхода заболевания раком легкого. Однако большинство исследований посвящено прогнозированию отдаленных результатов лечения [А.А.Рукосуев 1991, B.JI. Жарков соавт. 1990]; работы, в которых рассматривается прогноз течения послеоперационного периода, очень немногочисленны [С.11. Скорняков соавг. 1997, М.В.Гасс 2006]. Чаще всего п этих работах прогнозируется риск смерти пациентов.

Для прогнозирования исхода заболевания раком легкого разными авторами использовались различные алгоритмы. Высокие результаты получены » исследованиях, использовавших метод искусственных нейронных сетей [Santos-García G, 2004] и метод бинарной логистической регрессии [В.В. Ручкии 2003, Marchevsky АМ 1998]. Работы, посвященные сравнению эффективности тгих методов, единичны и не дают однозначного результата о превосходстве одного из методов. Подобных отечественных работ, посвященных раку легкого, нами не найдено.

Цель исследования

Прогнозирование благоприятного и неблагоприятного течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого с использованием метода бинарной логистической регрессии и метода искусственных нейронных сетей.

Для достижения поставленной цели было необходимо решить ряд задач:

1. Определить набор независимых переменных для построения моделей с использованием бинарной логистической регрессии и метода нейронных сетей на основе результатов предоперационного обследования пациентов, интраоперационных данных и данных, доступных при поступлении в отделение интенсивной терапии.

2. Определить зависимую переменную, отражающую тяжесть течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого.

3. Построить прогностические модели течения раннего послеоперационного периода на основе методов бинарной логистической регрессии, полносвязных и многослойных искусственных нейронных сетей (ИНС) и сопоставить их эффективность.

4. Сравнить качество построенных прогностических моделей на выборках данных пациентов разного объема и с разной полнотой исходной информации.

5. Разработать информационное, алгоритмическое и программное обеспечение для прогнозирования тяжести течения послеоперационного периода у больных с радикальными операциями по поводу рака легкого. Разместить программное средство п общедоступных ресурсах и в виде модуля информационной системы отделения реанимации и интенсивной терапии.

Научная новизна работы

Впервые для решения задачи прогнозирования тяжести течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого использовались методы построения моделей на основе регрессионного анализа и искусственных нейронных сетей, проведено сопоставление эффективности применения этих методов.

Показано, что качество прогностических моделей, как на основе бинарной лог истической регрессии, так и на основе искусственных нейронных сетей зависит и большей степени от полноты исходной информации и в меньшей степени от объема выборки. х

Впервые для оценки тяжести течеиия раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого использовалась комплексная переменная, основанная на экспертной оценке, определяемой с учетом длительности пребывания пациента в отделении реанимации, наличия послеоперационных осложнений и необходимости протезирования жизненно-важных функций организма.

Практическая значимость работы

Разработанное программное средство прогнозирования тяжести течеиия раннего послеоперационного периода после радикальных операций по поводу рака легкого позволяет врачам анестезиологам-реаниматологам в момент поступления пациента в отделение реанимации и интенсивной терапии определить риск развития у него осложнений. Это дает возможность выбрать оптимальную схему лечения, исхода из индивидуального прогноза пациента. Разработанное программное средство может использоваться как автономно, так и в составе медицинской информационной системы отделения реанимации и интенсивной терапии «ИНТЕРИС».

Внедрение в практику

Разработанные модели встроены в прогностический модуль информационной системы отделения реанимации и интенсивной терапии

«ИНТЕРИС» и используются в повседневной практике отделения анестезиологии и реанимации Российского научного центра Рентгенорадиологии.

Апробация работы

Результаты диссертационного исследования доложены па XI ежегодной сессии Научного Центра сердечно-сосудистой хирургии им. А.Н.Бакулева РАМН с всероссийской конференцией молодых ученых (Москва 13-15мая 2007г.), и на научных семинарах кафедры медицинской кибернетики и информатики и ПНИЛ разработки медицинских информационных систем РГМУ 23 апреля и 25 июня 2008 года.

Публикации

По материалам диссертации опубликовано 5 печатных работ, в том числе 1 статья в журнале, входящем в перечень ВАК.

Структура и объем диссертации

Диссертационная работа состоит из введения, глав обзора литературы, описания материалов и методов исследования, результатов исследования и их обсуждения, заключения, выводов и практических рекомендаций. Список литературы включает 121 источник, из них 60 работ отечественных и 61 иностранных авторов. Диссертация изложена на 150 страницах машинописного текста, иллюстрирована 20 рисунками и 42 таблицами.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и задачи исследования, научная новизна и практическая значимость работы.

В первой главе представлен обзор данных литературы. Глава содержит обзор классификаций рака легкого, методов исследования, используемых в клинической практике для установления и уточнения диагноза у больных раком легкого, методов и программ лечения пациентов с раком легкого. Большая часть литературного обзора посвящена исследованиям по прогнозированию исхода и течения заболевания у пациентов с раком легкого с помощью различных математических моделей. Проанализированы различные параметры, характеризующие течение и исход рака легкого. Рассмотрены клинические данные и разнообразие математических методов, используемых для построения прогностических моделей. Отдельно рассмотрены модели на основе регрессионного анализа и модели с использованием метода искусственных

нейронных сетей. Особое внимание посвящено работам, в которых производилось сравнение моделей, построенных на основе регрессионного анализа, с моделями на основе нейронных сетей для прогнозирования течения рака легкого и других заболеваний.

Во второй главе содержится характеристика клинического материала и описание использованных в работе математических методов.

Исследование проводилось с сентября 2005 по март 2008 года на базе отделения анестезиологии и реанимации Российского Научного Центра Рентгепорадиологии (директор академик РАМН В.П.Харченко, руководитель лаборатории анестезиологии и реанимации д.м.н. М.В.Петрова).

В исследовании были рассмотрены данные историй болезни 500 пациентов, находившихся в отделении анестезиологии и реанимации после операции по поводу рака легкого в период с 1992 по 2007 год, Данные пациентов, находившихся в отделении анестезиологии и реанимации (ОАиР) в период с 1992 по 2003 год, составили ретроспективный массив. Этот массив содержал данные историй болезни 375 пациентов. С мая 2003 года по октябрь 2007 набирался проспективный массив, включавший расширенный набор параметров. За это время проанализированы данные 125 пациентов после операций по поводу рака легкого.

Необходимая информация была получена из историй болезни пациентов (дооперационные лабораторные исследования), из общебольничной медицинской информационной системы Российского Научного Центра Рентгепорадиологии «МЕДИС» (результаты дооперационных инструментальных исследований) и информационной системы отделения реанимации и интенсивной терапии «ИНТЕРИС» (иитраоперационные данные).

В ретроспективном массиве описание каждого пациента состояло из значений 124 переменных, содержащих паспортную информацию, характеристику опухоли, тип операции, результаты лабораторных и инструментальных методов исследования до и во время операции, величину кровопотери. С целью построения более качественной модели в проспективном массиве был значительно расширен набор переменных. Для описания опухолевого процесса были использованы данные компьютерной томографии, данные рентгенологического исследования, а также результаты гистологического и цитологического исследований материала биопсии. В проспективный массив добавлены результаты общего и биохимического анализа крови, исследования свертывающей системы крови. Значительно расширен набор переменных, описывающих сопутствующие заболевания пациентов. Использовались данные анамнеза, инструментальных исследований, информация о проведенных курсах химиотерапии и лучевой

терапии. Кроме исхода и длительности пребывания в ОАиР, в проспективном массиве содержится детальное описание послеоперационных осложнений.

Для того, чтобы учесть все особенности течения раннего послеоперационного периода, в качестве зависимой переменной нами была использована экспертная оценка тяжести течения послеоперационного периода. Эту оценку проводил опытный врач анестезиолог-реаниматолог с учетом длительности пребывания пациента в ОАиР, наличия послеоперационных осложнений и необходимости протезирования жизненно-важных функций (кровообращение, дыхание). В ретроспективном массиве пациенты с гладким течением послеоперационного периода составили 61% (217 пациентов), пациенты с осложненным течением послеоперационного периода - 39% (138 пациентов). В проспективный массив вошли 64 пациента (55%) с гладким и 53 пациента (45%) с осложненным течением послеоперационного периода.

Построение прогностических моделей осуществлялось с использованием метода бинарной логистической регрессии и метода искусственных нейронных сетей. При построении нейросетевых моделей использовались две принципиально разные архитектуры: полносвязные нейронные сети и многослойные нейронные сети. В многослойных сетях различают входной слой, на который подаются значения независимых переменных, выходной слой, а также скрытые слои, находящиеся между ними. В полносвязных нейронных сетях каждый нейрон связан с каждым, в том числе с собой (Рис, 1),

Многослойные ИНС Полносвязные ИНС

Рис. 1. Многослойные и полносвязные нейронные сети. В многослойной нейронной сети сигнал поступает на нейроны входного слоя, передается на нейроны скрытого слоя, а затем поступает на выходные нейроны. В полносвязных сетях часть нейронов является входными(1,2), результаты части нейронов являются выходами сети(2,3).

Построение моделей на основе бинарной логистической регрессии и многослойных нейронных сетей производилось с использованием статистического пакета SPSS For Windows (модули SPSS Regression Models и SPSS Neural Networks), для построения моделей полносвязных нейронных сетей использовалась программа Panalyzer 5.0 [Д.Л. Россиев, 1995].

При построении всех моделей использовался единый алгоритм. На первом тгане производился отбор переменных для включения в модели. Для логистической регрессии отбор переменных осуществлялся с помощью оценки значимости различий между группами с гладким течением послеоперационного периода и осложненным течением послеоперационного периода по каждому признаку. Значимость различий определялась с помощью Т-критерия Стыодента для нормально распределенных переменных и с помощью критерия Манна-Уитни для остальных переменных. Для построения моделей использовались переменные с р<(),1. Для моделей на основе искусственных нейронных сетей отбор переменных для включения в модели заключался в оценке вклада каждой входной переменной в результат модели. В итоговые списки включали переменные, имеющие максимальный вклад в результат модели.

На втором этапе построения моделей варьировались их параметры. Для моделей бинарной логистической регрессии определялось включение или исключение регрессионной константы. Для моделей на основе искусственных нейронных сетей определялось количество нейронов, функция активации, алгоритм обучения сети.

11а третьем ')тапе оценивалось качество моделей. Для этого использовались: производительность (процент правильных отнесений), чувствительность, специфичность и площадь под ROC-кривой. Для моделей бинарной логистической регрессии и многослойных нейронных сетей нами был разработан специальный программный модуль для проведения процедуры скользящего экзамена.

В третьей главе представлены результаты исследования и их обсуждение.

На начальном этапе исследования был разработан алгоритм набора проспективных данных и их использования в процессе построения моделей. Набор информации основывался на сохранении всех доступных данных, которые поступали из историй болезни пациентов и из общебольничной медицинской информационной системы Российского Научного Центра Рентгенорадиологии «МЕДИС», в информационной системе отделения реанимации и интенсивной терапии «ИНТЕРИС». Данные из историй болезни вводились в «ИНТЕРИС» вручную. Данные из информационной системы «МЕДИС» импортировались в виде текстовых файлов. Все текстовые файлы были распределены на 5 групп:

1. Данные общеклинического анализа крови и лейкоцитарной формулы, данные биохимического анализа крови, данные анализа свертывающей системы крови.

2. Заключения по результатам инструментальных методов исследования (компьютерной томографии, рентгенограммы легких, ультразвуковых и эндоскопических исследований гистологического исследования материалов биопсии) и консультаций врачей-специалистов.

3. Предоперационный осмотр анестезиологом, протокол операции, протокол анестезии.

4. Анамнез, состояние больного по данным осмотра и предоперационный эпикриз.

5. Данные спирографии и сцинтиграфии.

Количественная информация извлекалась из текстовых файлов с помощью процедур обработки текста и запросов MS Access.

После ввода всех доступных данных в «ИПТЕРИС» осуществлялся их импорт в общую таблицу MS Excel. Затем таблица была преобразована в формат данных SPSS и в формат виртуальных таблиц Panalyzer для дальнейшего исследования переменных и построения моделей.

Для ретроспективного массива, который имел большое количество пропусков, использовались процедуры автоматического заполнения пропущенных значений. Процедуры различались в зависимости от типа переменных (Таблица 1). Большая часть переменных относилась к непрерывным. Непрерывными считались переменные, принимающие множественные значения (более 5), в том числе целочисленные. Другим рассматриваемым типом были дискретные переменные, принимающие ограниченное количество значений. Для непрерывных переменных использовалась процедура заполнения пропусков с помощью линейной интерполяции. Последнее непустое значение до и первое непустое значение после пропущенного используются для построения интерполяционной прямой в зависимости от порядкового номера записи.

Для дискретных переменных использовалось заполнение пропусков наиболее часто встречающимся значением. Часть переменных описывала наличие или отсутствие признака. Для таких переменных использовалось заполнение пропусков значением «нет признака».

Таблица 1.

Процедуры заполнения пропущенных значений в зависимости от типа переменной.

Тип переменных Метод заполнения пропущенных значений

Непрерывные С помощью линейной интерполяции

Дискретные Наиболее часто встречающееся значение

Бинарные дискретные (наличие/отсутствие признака) Значение «нет признака»

Па следующем этапе работы был произведен отбор переменных для включения в процесс построения моделей.

При отборе переменных с помощью оценки значимости различий в группах с гладким и осложненным течением послеоперационного периода для ретроспективного массива были отобраны 34 переменные, для которых р-значемие не превышало 0,1. Для проспективного массива были отобраны 32 переменные.

Для выбора переменных с помощью многослойных нейронных сетей строились и обучались модели нейронных сетей на основе всего массива. Для каждого параметра рассчитывалась его значимость в модели (Importance). В связи с тем, что начальная карта весов в SPSS Neural Networks создается случайным образом, значимости параметров могут различаться в разных экспериментах. Для более точной оценки значимости параметров нейронная сеть на основе каждого набора параметров строилась многократно (от 2 до 10 раз) с целью установить параметры, для которых высокая значимость стабильна. Для ретроспективного массива были отобраны 10 переменных, для проспективного - 11 переменных.

Оценка переменных для использования в модели полносвязных нейронных сетей производилась с помощью сетей, построенных на обучающей выборке, включавшей весь массив данных. Модели состояли из разного количества нейронов - от 3 до 20. Для каждой переменной в обученной сети рассчитывались значимость в каждой сети, а также усредненная значимость для нескольких сетей. После обучения сетей и оценки значимости переменные ранжировались. Для ретроспективного массива были отобраны 23 переменные, для проспективного - 13 переменных.

Для достижения лучших результатов часть переменных была преобразована из непрерывных в дискретные. Для преобразования использовался анализ с помощью ROC-кривых. Сначала строилась ROC - кривая для определения влияния исследуемой переменной на значение выходной переменной (Рис. 2).

1 - Специфичность

Рис. 2. ROC - кривые для непрерывной и днскретщнрованной переменной «резервный объем вдоха». (Кривая для днскретщнрованной переменной отмечена насыщенным цветом)

Затем визуально определялись точки перегиба ROC-кривой. Эти точки максимально отдалены от прямой у=х. По значениям чувствительности и специфичности определялись значения параметра в точке перегиба. Эти значения становились граничными для дискретизации.

Преобразование производилось в том случае, когда площадь под ROC-кривой увеличивалась более чем на 5% (Таблица 2).

Таблица 2.

Значения площади под ROC-кривой (auROC) и р-значения для непрерывных переменных и переменных, полученных с помощью ROC-аналмза.

Переменная auROC р-значение

до преобразования после преобразования до преобразования после преобразования

Резервный объем вдоха,л 0,645 0,682 0,012 0,001

Минутная объемная скорость на 75% выдоха, л/с 0,642 0,676 0,011 0,001

РН 0,604 0,647 0,049 0,003

Кальций плазмы, мэкв/л 0,611 0,647 0,073 0,002

После отбора переменных строились модели на основе бинарной логистической регрессии и на основе искусственных нейронных сетей.

При построении моделей на основе бинарной логистической регрессии из отобранных переменных выбирались наборы, при которых модель имеет максимальный процент верных отнесений. Для этого использовались прямой и обратный пошаговые методы выбора. Прямой метод заключается в построении модели на основе наиболее значимой переменной и пошаговом добавлении других переменных. При обратном методе модель строится на основе всех переменных, а затем, исключая по одной переменной, определяется оптимальный набор.

В результате построения модели на основе ретроспективного массива была получена модель, которая имела процент верных отнесений 75%, наибольшее значение специфичности составило 0,88. Значение чувствительности не превышало 0,70. При проверке результатов с помощью скользящего экзамена лучшие результаты снижались до уровня 65%—70% верных отнесений. Недостаточно хорошие результаты, по нашему мнению, могли быть связаны с зашумленностью данных, возникшей в результате использования процедур автоматического заполнения пропусков.

При построении моделей на основе проспективного массива наиболее высокие результаты продемонстрировала модель, основанная на 8 параметрах:

1. Интраоперационпая кровопотеря.

2. Резервный объем вдоха.

3. Аспартатаминотрансфераза (ACT).

4. Мгновенная объемная скорость на 75% выдоха.

5. Кальций плазмы при поступлении в ОАиР.

6. Процент палочкоядерных лейкоцитов в лейкоцитарной формуле.

7. Значение pi I при поступлении в ОАиР.

8. Наличие в анамнезе операций, требующих проведения общей анестезии.

Эта модель верно определяла тяжесть течения послеоперационного периода в 87,2% случаев, чувствительность для этой модели составила 0,85; специфичность - 0,89. Площадь под ROC-кривой для этой модели составила 0,912 (Рис. 3). При оценке модели с помощью скользящего экзамена верно были распознаны 83,8% случаев при чувствительности 0,81 и специфичности 0,86 (Таблица 3.).

Таблица 3.

Процент правильных отнесений (РсгГ), чувствительность (во) и специфичность (Бр) моделей, полученных с помощью бинарной логистической регрессии. Проспективный массив.

Метод проверки качества модели Ре1^ Эе Эр

Тест на обучающей выборке (весь массив) 87,2% 0,85 0,89

Скользящий экзамен 83,3% 0,81 0,86

1ШС - Кривая

1 - Спещ1ф1гшость

Рис. 3. КОС'-кривая для лучшей модели на основе бинарной логистической регрессии. Площадь под кривой равна 0,912.

Лучшая из моделей, построенных на основе многослойных нейронных сетей для ретроспективного массива, включала 10 переменных.

Модель содержала один скрытый слой из 7 нейронов. При обучении нейронной сети на всем массиве модель смогла верно распознать 86,5% случаев (чувствительность сети составила 0,79; специфичность - 0,91). Для проверки устойчивости результата для ретроспективного массива использовались разделения массива на две выборки. В связи со случайным характером обучения нейронной сети для каждого разбиения обучение производилось несколько раз, после чего выбиралась модель с наибольшим процентом верных отнесений в тестовой выборке.

Результаты проверки на тестовой выборке оказались значительно ниже, чем при проверке на обучающей выборке. Лучший результат получился при разбиении 70%-обучающая выборка/30%-тестовая выборка. Эта модель правильно определила тяжесть течения послеоперационного периода для 75% пациентов из тестовой выборки (чувствительность и специфичность были равны 0,75). Для остальных разбиений результаты оказались ниже (Таблица 4).

Таблица 4.

Процент правильных отнесении (РсгГ), чувствительность (вс) н специфичность (8р) моделей при проверке разбиением массива па обучающую и тестовую выборки. Ретроспективный массив.

Размер обучающей выборки Pert Se Sp

Весь массив 86,5% 0,79 0,91

50% массива 71% 0,56 0,81

60% массива 63% 0,42 0,82

70% массива 75% 0,75 0,75

80% массива 70% 0,58 0,77

Для проспективного массива лучшие результаты продемонстрировала многослойная нейронная сеть, основанная на списке параметров, содержащем 8 переменных:

1. Интраоперационная кровопотеря.

2. Резервный объем вдоха.

3. ACT.

4. Мгновенная объемная скорость на 75% выдоха.

5. Кальций плазмы при поступлении в ОАиР.

6. Процент палочкоядерных лейкоцитов в лейкоцитарной формуле.

7. Значение рН при поступлении в ОАиР.

8. Цветовой показатель крови.

Этот набор переменных отличается от набора, использованного в лучшей модели бинарной логистической регрессии, на одну переменную (Цветовой показатель крови вместо параметра наличия/отсутствия операций в анамнезе).

Модель представляет собой нейронную сеть с тремя слоями, скрытый слой содержит 5 нейронов (Рис. 4).

Рис. 4. Схема многослойной искусственной нейронной сети. Входной слой имеет 8 нейронов соответственно 8 входным параметрам, скрытый слой содержит 5 нейронов (нейроны Н) и выходной - 2 нейрона. Входной и скрытый слой нмеюг также но одному дополнительному нейрону - Bias (дополнительная константа). Насыщенными линиями отменены связи с отрицательным значением весовых коэффициентов.

Lf_04 - Процент пялочкоядерных лейкоцитов в лейкоцитарной формуле; AST-Аспяртатаминотрансфераза; mef75 - Мгновенная объемная скорость на 75% выдоха; РШ - Значение рН при поступлении в ОАиР; Са_- Кальций плазмы при поступлении в ОАиР; Blood - Интраоперационная кровопотеря; IRV - Резервный объем вдоха; Color - Цветовой показатель крови; ГТ - гладкое течение; ОТ -осложненное течение послеоперационного периода.

Функция активации нейронов скрытого слоя - гиперболический тангенс. При обучении на всем массиве нейронная сеть правильно распознает все случаи. При проверке модели на тестовых выборках параметр чувствительности превышает 0,90 во всех случаях, кроме одного (Таблица 5).

Таблица 5.

Процент правильных отнесений (РегГ), чувствительность (Бе) и специфичность (Эр) моделей при проверке разбиением массива на обучающую и тестовую выборки. Проспективный массив.

Размер обучающей выборки РегГ ве Эр

Весь массив 100% 1 1

50% массива 90% 0,93 0,88

60% массива 87% 0,88 0,87

70% массива 86% 0,94 0,83

80% массива 89% 0,93 0,86

Чувствительность моделей, построенных на основе полносвязных нейронных сетей для ретроспективного массива, не превышала 0,70. Для проспективного массива лучшие результаты были у модели, построенной на основе 8 переменных:

1. Перенесенные операции в анамнезе.

2. Процент палочкоядерных лейкоцитов в лейкоцитарной формуле.

3. Процент сегмеитоядерных лейкоцитов в лейкоцитарной формуле.

4. Резервный объем вдоха.

5. Мгновенная объемная скорость на 75% выдоха.

6. Давление на плато и дыхательном контуре аппарата ИВЛ в начале операции.

7. Интраоперационная кровопотеря.

8. Кальций плазмы при поступлении в ОАиР.

Из 8 переменных 6 содержались в списке переменных, использованных при построении моделей на основе бинарной логистической регрессии.

Модель, использующая эти параметры при проверке на различных тестовых выборках, имела процент верных отнесений выше 80%. Наиболее устойчивые результаты получились для модели, построенной на основе обучающей тестовой выборки, составившей 70% проспективного массива. Процент верных отнесений для модели составил 86%, чувствительность и специфичность 0,80 и 0,90 соответственно. Площадь под КОС-кривой при проверке на тестовой выборке составила 0,86 (Рис. 5).

БЮС' - Кривая

1 - Специфичность

Рис. 5. ИОС-кривая для модели прогнозирования тяжести раннего послеоперационного периода на основе полносвязных нейронных сетей. Проспективный массив. Площадь под кривой равна 0,860.

На следующим этапе работы результаты оценки качества моделей были сопоставлены между собой.

Оценивались параметры чувствительности, специфичности, процента верных отнесений и площади под ЮС-кривой при проверке на всей выборке и при проверке на тестовой выборке, составившей 30% массива. (Таблица 6).

Для всего проспективного массива лучшие результаты продемонстрировала модель многослойной нейронной сети, однако при проверке на тестовой выборке модель на основе бинарной логистической регрессии имела более высокие результаты.

Таблица б.

Площадь под 1ЮС-крнвой (аиЯОС), процент верных отнесений (РсгГ), чувствительность (8е) и специфичность (5р) лучших моделей, построенных с помощью различных методов. Проспективный массив. Представлены результаты для моделей, построенных мн всем массиве и на основе обучающей выборки, составившей 70% массив».

Наименование модели аиЖЭС Рег? ве Эр

Бинарная логистическая регрессия 0,912 87,2% 0,85 0,89

Бинарная логистическая регрессия (70%) 0,946 89% 1 0,82

Многослойная нейронная сеть 1 100% 1 1

Многослойная нейронная сеть (70%) 0,92 86% 0,94 0,82

Полносвязная нейронная сеть 0,96 96% 0,94 0,97

Полносвязная нейронная сеть (70%) 0,86 86% 0,8 0,9

Для более объективного сравнения моделей, полученных на проспективном массиве, была проведена проверка их точности на вновь поступивших пациентах. За время, прошедшее с окончания набора данных для построения моделей, в отделении анестезиологии и реанимации РНЦРР находились 17 пациентов после радикальных операций по поводу рака легкого. Эксперт анестезиолог-реаниматолог оценил течение послеоперационного периода у 7 из зтих пациентов как осложненное и у 10 как гладкое.

Все три модели верно распознали все 7 случаев осложненного течения послеоперационного периода. Для пациентов с гладким течением послеоперационного периода модели на основе бинарной логистической регрессии и многослойных нейронных сетей совершили по одной ошибке. Ошибка была совершена моделями для одного и того же случая. Модель на основе полносвязных нейронных сетей неправильно классифицировала 3 из 10 случаев, в том числе случай, ошибочно классифицированный другими моделями. Площади под 1ЮС-кривыми составили по 0,986 для моделей бинарной логистической регрессии и многослойных нейронных сетей и 0,786 для модели на основе полносвязиых нейронных сетей (Таблица 7, Рис. 6).

Таблица 7.

Площадь под ROC-крнвой (auROC), процент верных отнесений (Perf), чувствительность (Se) и специфичность (Sp) моделей, прогнозирующих тяжесть течении послеоперационного периода, построенных с помощью различных методов. Вновь поступившие пациенты.

Модель auROC Perf Se Sp

Бинарная логистическая регрессия 0,986 94% 1 0,9

Многослойная нейронная сеть 0,986 94% 1 0,9

Полносвязные нейронные сети 0,786 82% 1 0,7

Результаты проверки моделей на проспективных данных показывают, что все три модели могут точно прогнозировать осложненное течение послеоперационного периода. Модель на основе полносвязных нейронных сетей совершает больше ошибок классификации для пациентов с гладким течением послеоперационного периода.

ROC - Кривая

1,о- —.......

0,0-

о

а

4

2 о,б-

Ь

И

Е

о.;-

о,о-Ч--1-1-1-1-1—

о,о о,С 0,4 0,6 0,0 1,0

1 - СП«Ц1ф1Р1НОГТЬ

Рис. 6. КОС-кривые для результатов использования моделей па проспективных данных. Более насыщенная линия отражает результат модели на основе полносвязных нейронных сетей (АиКОС = 0,786). Кривые для бинарной логистической регрессии и многослойных нейронных сетей совпадают (ЛиКОС = 0,986).

Модели па основе бинарной логистической регрессии и многослойных нейронных сетей обеспечили правильный прогноз для 93% (16 из 17) вновь поступивш их пациентов.

Для практического использования модели разработано программное средство прогнозирования тяжести течения послеоперационного периода на языке программирования Microsoft Visual Basic (Рис. 7). Основное окно программы позволяет вводить данные, необходимые для осуществления прогноза. Вводятся фактические значения каждого параметра, необходимые преобразования производятся с помощью специальной процедуры перед расчетом результата.

После ввода всех параметров и нажатия клавиши «Прогноз» производится расчет вероятности отнесения в группу с осложненным течением послеоперационного периода, и результат выводится па экран.

Прогнозирование тяжести раннею послеопорацнонною периода

Прс^номфсваже Help Прогнозирование тяжости раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого

Цветовой показатель крови [%) 0 86 Резервный обьем вдоха 1,4

% пал-яд лейкоцитов (%) 2 Мгновенная объемная скорость (л/с) на 76% выдоха 38

%сегм-яд лейкоцитов (%) 12 рн 7 14

ACT (Е/л) 20 Ca (ммоль/л) 1.10

Давление на плато в контуре аппарата ИВЛ в начале операции (см. H 20) |2<( Операции анамнезе в

Интраоперационная кровопотеря (мл) |4Б0

Прогноз Очистить 1 Выход

Рис. 7. Интерфейс программного модули дли прогноза тяжести протекания раннего послеоперационного периода.

Программное средство рассчитывает прогноз тяжести течения раннего послеоперационного периода с помощью трех моделей. Результат определяется голосованием. Существует три варианта прогноза: Осложненное течение послеоперационного периода (две или три модели прогнозируют осложненное течение), гладкое течение (все три модели прогнозируют гладкое течение) и гладкое течение - неуверенный прогноз (две модели прогнозируют гладкое

течение и одна модель - осложненное течение). Окно результата имеет три цвета, соответственно трем вариантам прогноза (Рис. 8). Возможен вывод на экран прогнозов отдельных моделей и рассчитанных вероятностей.

ПРОГНОЗ: ГЛАДКОЕ ТЕЧЕНИЕ ПОСЛЕОПЕРАЦИОННОГО ПЕРИОДА ПРОГНОЗ: ГЛАДКОЕ ТЕЧЕНИЕ ПОСЛЕОПЕРАЦИОННОГО ПЕРИОДА

Уверенный прогноз Подробнее » | Новый прагна» | Уверенный прогноз

Прагнаэи моделей БИНАРНАЯ ЛОГИСТИЧЕСКАЯ РЕГРЕССИЯ. ГЛАДКОЕ ТЕЧЕНИЕ ПОСЛЕОПЕРАЦИОННОГО ПЕРИОДА МНОГОСЛОЙНАЯ НЕЙРОННАЯ СЕТЬ ГЛАДКОЕ ТЕЧЕНИЕ ПОСЛЕОПЕРАЦИОННОГО ПЕРИОДА ПОЛНОСВЯЭНЫЕ НЕЙРОННЫЕ СЕТИ ГЛАДКОЕ ТЕЧЕНИЕ ПОСЛЕОПЕРАЦИОННОГО ПЕРИОДА

Pejyiibini I

ПРОГНОЗ: ГЛАДКОЕ ТЕЧЕНИЕ ПОСЛЕОПЕРАЦИОННОГО ПЕРИОДА

Неуверенный прогноз ПоПробНбе>> 1 Новый прогноз |

ПРОГНОЗ ОСЛОЖНЕННОЕ ТЕЧЕНИЕ 1 ПОСЛЕОПЕРАЦИОННОГО ПЕРИОДА Вероятности || Свврнугьдвюпн"" | МэеиА прогноз |

Подробнее ' НэомП прогноз

[-—222-:-:-=1

Рис. 8. Окно результата прогнозирования тяжести поел сон ера ни они ого периода у больных после радикальных операций по поводу рака легкого. Примеры интерфейса.

В настоящее время программа для прогнозирования течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого используется в рамках информационной системы «ИНТЕРИС» в повседневной клинической практике отделения ОАиР Российского Научного Центра Рентгенорадиологии.

Выводы.

1. В результате использования математических методов были отобраны переменные, имеющие высокую прогностическую значимость для определения тяжести течения послеоперационного периода. Для построения моделей с помощью методов бинарной логистической регрессии, полносвязных и многослойных искусственных нейронных сетей использовались по 8 переменных. Пять переменных вошли во все модели: процент палочкоядерных лейкоцитов, резервный объем вдоха, мгновенная объемная скорость на 75% выдоха, кальций плазмы при поступлении в ОАиР, интраоперационная кровопотеря. Три переменные использовались в двух из трех моделей: ACT, рН при поступлении в ОАиР, наличие в анамнезе операций.

2. В качестве зависимой переменой, характеризующей тяжесть течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого, была выбрана экспертная оценка, учитывающая длительность пребывания в отделении реанимации, исход заболевания, развившиеся осложнения, необходимость протезирования жизненно-важных функций организма.

3. Построены модели прогнозирования тяжести послеоперационного периода с помощью методов бинарной логистической регрессии и искусственных нейронных сетей двух типов: полносвязных искусственных нейронных сетей и многослойных искусственных нейронных сетей. При оценке качества моделей на обучающей выборке процент верных отнесений для всех моделей превысил 80%, с чувствительностью и специфичностью выше 0,8. При проверке качества моделей с использованием данных вновь поступивших пациентов модель на основе многослойных нейронных сетей и модель на основе бинарной логистической регрессии продемонстрировали более высокую прогностическую способность (процент верных отнесений 94%, специфичность 0,9), чем модели на основе полносвязных нейронных сетей (процент верных отнесений 82%, специфичность 0,7).

4. Использование различных исходных массивов данных для построения моделей показало, что более качественные модели получались на основе массива с меньшим количеством случаев (117 пациентов, 241 переменная), по более качественным заполнением массива.

5. Разработано информационное, алгоритмическое и программное обеспечение для прогнозирования тяжести течения раннего послеоперационного периода у больных, оперированных по поводу рака легкого и модуль информационной системы отделения реанимации и интенсивной терапии «ИНТЕРИС». Модуль внедрен в повседневную практику работы отделения анестезиологии и реанимации. Программное средство выложено в Интернет на сайте кафедры медицинской кибернетики и информатики РГМУ для широкого использования.

Практические рекомендации

1. Разработанное программное средство предназначено для поддержки принятия решения врачом анестезиологом реаниматологом при оценке тяжести течения раннего послеоперационного периода у больных после радикальных операций по поводу рака легкого. Перед практическим

применением программного средства необходимо ознакомиться с руководством пользователя, встроенным в него.

2. Программное средство для прогнозирования тяжести течения раннего послеоперационного периода у больных после радикальных операций по поводу рака легкого расположено на общедоступном ресурсе http:Wcmci.rsmu.ru. Разработанное решающее правило реализовано также в виде модуля информационной системы отделения реанимации и интенсивной терапии «ИНТЕРИС» и может использоваться в отделении реанимации при внедрении системы.

3. Для расчета индивидуального прогноза тяжести течения раннего послеоперационного периода используются 11 переменных: цветовой показатель крови, проценты палочкоядерных и сегмептоядерных лейкоцитов в лейкоцитарной формуле, аспартатаминотрансфераза, резервный объем вдоха, мгновенная объемная скорость на 75% выдоха, давление па плато в дыхательном контуре аппарата ИВЛ в начале операции, значения рП и кальция плазмы при поступлении в отделение реанимации,

.Иинтраоперационная кровопо'геря и наличие в анамнезе операций, трЬбующих проведения общей анестезии.

Список работ, опубликованных по теме диссертации

1. Шевченко 10.В., Швырев СЛ. Использование метода нейронных сетей и метода бинарной логистической регрессии для прогнозирования тяжести протекания раннего послеоперационного периода у больных раком легкого // Международный форум «Информационные технологии и общество - 2007» (24 апреля- 1 мая 2007г., Телль-Авив, Израиль). Сборник статей. - ООО «Форсикон»,2007. - С. 96-97

2. Ю.В.Шевченко, Швырев С.Л. Прогнозирование течения раннего послеоперационного периода у больных раком легкого с помощью регрессионного анализа и метода искусственных нейронных сетей // Бюллетень НЦССХ им. А.Н.Бакулева РАМП том 8. май - июнь 2007г. Одиннадцатая ежегодная сессия Научного Центра сердечно-сосудистой хирургии им. А.Н.Бакулева РАМН с всероссийской конференцией молодых ученых. Москва 13-15мая 2007года. - 2007. - Т 8, №3. - С. 146.

3. Шевченко Ю.В., Швырев С.Л. Усовершенствование регрессионной модели для прогнозирования тяжести протекания послеоперационного периода у больных раком легкого // Международный форум

«Информационные технологии и общество - 2007» (15-22 сентября 2007г., Анталия, Турция). Сборник статей. ООО «Форсикон», 2007. - С. 109 - 110.

4. Шевченко 10.В., Швырев С.Л. Построение моделей, прогнозирующих тяжесть протекания послеоперационного периода у больных раком легкого. Сборник «Информационные и телемедицинскис технологии в охране здоровья» Россия, Москва 24-25 октября 2007г. - М.,2007. - С. 74.

5. Шевченко Ю.В., Швырев С.Л., Зарубина Т.В. Прогнозирование раннего послеоперационного периода у больных раком легкого с помощью регрессионного анализа и метода искусственных нейронных сетей // Вестник новых медицинских технологий. - 2008. - Том XV, №2. - С. 145-148.

Список сокращений

ACT - Аспартатамииотрапсфераза

И11С - искусственные нейронные сети

ОАиР - отделение анестезиологии и реанимации

РНЦРР - Российский Научный Центр Рептгенорадиологии

ROC - receiver operating characteristic curvc

Для чаметок

Заказ № 253/09/08 Подписано в печать 26.09.2008 Тираж 150 экз. Усл. п.л. 1,5

ООО "Цифровичок", тел. (495) 797-75-76; (495) 778-22-20 www.cfr.ru; e-mail:info@cfr.ru

Введение.

Глава 1. Рак легкого. Классификация, диагностика, лечение и прогнозирование исхода. (Обзор литературы).

1.1 Рак легкого: клиническая картина.

1.1.1 Классификации рака легкого.

1.1.2.Диагностика рака легкого.

1.1.3 Лечение рака легкого.

1.2 Использование различных математических методов при прогнозировании течения и исхода рака легкого.

1.2.1 Прогнозирования исхода заболевания раком легкого с помощью математических моделей.

1.2.2 Опыт прогнозирования на основе регрессионного анализа.

1.2.3 Использование в клинической практике метода искусственных нейронных сетей для решения задач прогнозирования.

1.2.4 Опыт совместного использования методов бинарной логистической регрессии и искусственных нейронных сетей.

Глава 2. Материалы и методы.

2.1 Характеристика групп пациентов.

2.2 Использованные математические методы.

Глава 3. Результаты и их обсуждение.

3.1 Этап подготовки данных.

3.2 Анализ данных и отбор переменных для построения моделей.

3.3 Построение моделей на основе бинарной логистической регрессии

3.3.1 Построение моделей на основе бинарной логистической регрессии с использованием данных ретроспективного массива.

3.3.2 Построение моделей на основе бинарной логистической регрессии с использованием данных проспективного массива.

3.4 Построение моделей на основе многослойных нейронных сетей.

3.4.1 Построение моделей многослойных нейронных сетей с использованием данных ретроспективного массива.

3.4.2 Построение моделей многослойных нейронных сетей с использованием данных проспективного массива.

3.5 Построение моделей на основе полносвязных нейронных сетей.

3.5.1 Построение моделей на основе полносвязных нейронных сетей с использованием данных ретроспективного массива.

3.5.2 Построение моделей на основе полносвязных нейронных сетей с использованием данных проспективного массива.

3.6 Сравнение полученных моделей.

3.7 Программное средство для прогнозирования тяжести течения раннего послеоперационного периода у больных после радикальных операций по поводу рака легкого.

Злокачественные заболевания легких занимают первое место в структуре онкологической заболеваемости мужского населения в мире. Рак легких — наиболее распространенная форма злокачественных новообразований во всем мире. Несмотря на все усилия по профилактике этого заболевания, уровень заболеваемости с начала XX века вырос в несколько десятков раз. Наиболее высокие показатели заболеваемости раком легкого - 80-99 на 100 тысяч - характерны для черных мужчин США, маори Новой Зеландии, жителей Триеста (Италия). Несколько ниже этих уровней (60-79 на 100 тысяч) заболеваемость мужчин раком легкого во многих странах (Бразилия, Канада, Беларусь, Эстония, Франция, Германия, Нидерланды, Польша, Чехия, Испания, Великобритания). Для России стандартизованный показатель заболеваемости раком легкого составляет 66 человек на ЮОтысяч у мужчин и 6,9 человек на ЮОтысяч среди женщин [16, 34]. Минимальные уровни показателей заболеваемости мужчин раком легкого отмечены в Мали (5,3 на 100 тысяч), Пуэрто-Рико (19,1 на 100 тысяч), Индии (14,5 на 100 тысяч).

Практически во всех странах заболеваемость раком легкого женщин в 3-10 раз ниже, чем у мужчин, кроме женщин маори (Новая Зеландия), у которых самый высокий в мире стандартизованный показатель заболеваемости (72,9 на 100 тысяч).

В России ежегодно заболевают раком легкого свыше 63000 человек, в том числе свыше 53000 мужчин. Более 34,2%, выявляются в IV стадии заболевания. Самые высокие показатели заболеваемости раком легкого у мужчин среди административных территорий России выявлены в Саратовской области (96,3 на 100 тысяч), Калмыкии (92,7 на 100 тысяч), Омской области (92,6 на 100 тысяч). На уровне 80-89 на 100 тысяч эти показатели находятся в Мурманской области, Карелии, Новгородской, Ивановской, Костромской, Астраханской, Курганской, Оренбургской,

Челябинской, Новосибирской, Магаданской и Сахалинской областях, Алтайском и Хабаровском краях.

Показатель заболеваемости раком легкого мужчин России практически не изменился за последние 20 лет и составил в 1999 году 66,0 на 100 тысяч. В конце 70-х и начале 80-х годов наблюдался рост заболеваемости раком легкого. У женщин те же тенденции, но на значительно более низком уровне (6,9 на 100 тысяч).

В структуре онкологической заболеваемости мужчин России рак легкого занимает 1-е место и составляет 25%, доля рака легкого среди женского населения - 4,3%. В 2006 году от злокачественных заболеваний легкого умерли 58,9 тысяч человек, что составило 21% всех смертей от злокачественных заболеваний [16]. В 2005 этот показатель составил 59,5 тысяч человек(21%). Смертность от рака легкого несколько снизилась относительно 90-х годов (В 1990 году она составила 70,4 тысяч человек или 25% всех случаев смертей от злокачественных заболеваний).

Однолетняя выживаемость во всем мире составляет 20-30%. В первую очередь, это связано с тем, что, как правило, пациенты, с раком легких, обращаются за специализированной онкологической помощью уже на IV стадии онкологического процесса. А это в свою очередь, объясняется тем, что, как правило, начальные стадии рака легкого протекают почти бессимптомно.

Основным методом лечения рака легкого является хирургический метод. Лечение заключается в удалении части легкого пораженной опухолью или всего легкого. Хирургическое лечение может сочетаться с лучевой терапией или лекарственной терапией. Без хирургического лечения эти методы употребляются для неоперабельных больных. Это позволяет замедлить рост опухоли, но не дает возможности полной элиминации опухоли.

Операции по поводу рака легкого являются травматичными, происходит значительная резекция малого круга кровообращения, в течение операции может происходить значительная кровопотеря, значительно снижается поверхность газообмена в легких. В связи с этим в раннем послеоперационном периоде существует высокий риск осложнений, как со стороны респираторной, так и сердечно-сосудистой системы. Таким образом, после операции по поводу рака легкого пациенты нуждаются в постоянном наблюдении, им может потребоваться интенсивная терапия. Для этого в раннем послеоперационном периоде пациенты поступают в отделение реанимации и интенсивной терапии.

Ранний послеоперационный период после операции по поводу рака легкого может протекать гладко, однако возможно развитие осложнений. Прогноз тяжести протекания послеоперационного периода позволит выбрать оптимальное лечение в отделении реанимации. Для прогнозирования течения и исхода рака легкого использовались различные математические методы, однако однозначного решения не получено. Таким образом, разработка математических алгоритмов для прогнозирования тяжести течения послеоперационного периода остается актуальной задачей.

Цель работы: Прогнозирование благоприятного и неблагоприятного течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого с использованием метода бинарной логистической регрессии и метода искусственных нейронных сетей на основе данных дооперационного обследования пациента, типа хирургического вмешательства и интраоперационных данных.

Для достижения поставленной цели были поставлены следующие задачи:

1. Определить набор независимых переменных для построения моделей с использованием бинарной логистической регрессии и метода нейронных сетей на основе результатов предоперационного обследования пациентов, интраоперационных данных и данных, доступных при поступлении в отделение интенсивной терапии.

2. Определить зависимую переменную, отражающую тяжесть течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого.

3. Построить прогностические модели течения раннего послеоперационного периода на основе методов бинарной логистической регрессии, полносвязных и многослойных искусственных нейронных сетей (ИНС) и сопоставить их эффективность.

4. Сравнить качество построенных прогностических моделей на выборках данных пациентов разного объема и с разной полнотой исходной информации.

5. Разработать информационное, алгоритмическое и программное обеспечение для прогнозирования тяжести течения послеоперационного периода у больных с радикальными операциями по поводу рака легкого. Разместить программное средство в общедоступных ресурсах и в виде модуля информационной системы отделения реанимации и интенсивной терапии.

Научная новизна. Впервые для решения задачи прогнозирования тяжести течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого использовались методы построения моделей на основе регрессионного анализа и искусственных нейронных сетей, проведено сопоставление эффективности применения этих методов. Показано, что качество прогностических моделей, как на основе бинарной логистической регрессии, так и на основе искусственных нейронных сетей зависит в большей степени от полноты исходной информации и в меньшей степени от объема выборки. Впервые для оценки тяжести течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого использовалась комплексная переменная, основанная на экспертной оценке, определяемой с учетом длительности пребывания пациента в отделении реанимации, наличия послеоперационных осложнений и необходимости протезирования жизненно-важных функций организма.

Практическая значимость работы

Разработанное программное средство прогнозирования тяжести течения раннего послеоперационного периода после радикальных операций по поводу рака легкого позволяет врачам анестезиологам-реаниматологам в момент поступления пациента в отделение реанимации и интенсивной терапии определить риск развития у него осложнений. Это дает возможность выбрать оптимальную схему лечения, исходя из индивидуального прогноза пациента. Разработанное программное средство может использоваться как автономно, так и в составе медицинской информационной системы отделения реанимации и интенсивной терапии «ИНТЕРИС».

Структура и объем диссертации

Диссертационная работа состоит из введения, глав обзора литературы, описания материалов и методов исследования, результатов исследования и их обсуждения, заключения, выводов и практических рекомендаций. Список литературы включает 121 источник, из них 60 работ отечественных и 61 иностранных авторов. Диссертация изложена на 150 страницах машинописного текста, иллюстрирована 20 рисунками и 42 таблицами.

Выводы

1. В результате использования математических методов были отобраны переменные, имеющие высокую прогностическую значимость для определения тяжести течения послеоперационного периода. Для построения моделей с помощью методов бинарной логистической регрессии, полносвязных и многослойных искусственных нейронных сетей использовались по 8 переменных. Пять переменных вошли во все модели: процент палочкоядерных лейкоцитов, резервный объем вдоха, мгновенная объемная скорость на 75% выдоха, кальций плазмы при поступлении в ОАиР, интраоперационная кровопотеря. Три переменные использовались в двух из трех моделей: ACT, рН при поступлении в ОАиР, наличие в анамнезе операций.

2. В качестве зависимой переменой, характеризующей тяжесть течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого, была выбрана экспертная оценка, учитывающая длительность пребывания в отделении реанимации, исход заболевания, развившиеся осложнения, необходимость протезирования жизненно-важных функций организма.

3. Построены модели прогнозирования тяжести послеоперационного периода с помощью методов бинарной логистической регрессии и искусственных нейронных сетей двух типов: полносвязных искусственных нейронных сетей и многослойных искусственных нейронных сетей. При оценке качества моделей на обучающей выборке процент верных отнесений для всех моделей превысил 80%, с чувствительностью и специфичностью выше 0,8. При проверке качества моделей с использованием данных вновь поступивших пациентов модель на основе многослойных нейронных сетей и модель на основе бинарной логистической регрессии продемонстрировали более высокую прогностическую способность (процент верных отнесений 94%, специфичность 0,9), чем модели на основе полносвязных нейронных сетей (процент верных отнесений 82%, специфичность 0,7).

4. Использование различных исходных массивов данных для построения моделей показало, что более качественные модели получались на основе массива с меньшим количеством случаев (117 пациентов, 241 переменная), но более качественным заполнением массива.

5. Разработано информационное, алгоритмическое и программное обеспечение для прогнозирования тяжести течения раннего послеоперационного периода у больных, оперированных по поводу рака легкого и модуль информационной системы отделения реанимации и интенсивной терапии «ИНТЕРИС». Модуль внедрен в повседневную практику работы отделения анестезиологии и реанимации. Программное средство выложено в Интернет на сайте кафедры медицинской кибернетики и информатики РГМУ для широкого использования.

Практические рекомендации

1. Разработанное программное средство предназначено для поддержки принятия решения врачом анестезиологом реаниматологом при оценке тяжести течения раннего послеоперационного периода у больных после радикальных операций по поводу рака легкого. Перед практическим применением программного средства необходимо ознакомиться с руководством пользователя, встроенным в него.

2. Программное средство для прогнозирования тяжести течения раннего послеоперационного периода у больных после радикальных операций по поводу рака легкого расположено на общедоступном ресурсе Ьйр:\\сшс1.г8ши.ги. Разработанное решающее правило реализовано также в виде модуля информационной системы отделения реанимации и интенсивной терапии «ИНТЕРИС» и может использоваться в отделении реанимации при внедрении системы.

3. Для расчета индивидуального прогноза тяжести течения раннего послеоперационного периода используются 11 переменных: цветовой показатель крови, проценты палочкоядерных и сегментоядерных лейкоцитов в лейкоцитарной формуле, аспартатаминотрансфераза, резервный объем вдоха, мгновенная объемная скорость на 75% выдоха, давление на плато в дыхательном контуре аппарата ИВЛ в начале операции, значения рН и кальция плазмы при поступлении в отделение реанимации, интраоперационная кровопотеря и наличие в анамнезе операций, требующих проведения общей анестезии.

1. Адамян A.A. Дифференциальная диагностика рака легкого с помощью комплекса лабораторных методов // Грудная хирургия. 1981. — №1. — С. 13

2. Бадыков Р.Г. Рак легкогоюбоснование тактики хирургического лечения: автореф. дис. .докт. мед. наук. Уфа,2000г. - 47с.

3. Баргесян B.C. Планирование лечения больных раком легкого на основе индивидуального прогноза: автореф. дис. . докт. мед. наук. — Ереван, 1997.-40 с.

4. Блинов Н.И. Бронхоскопическая картина рака легкого различного морфологического строения// Вопросы онкологии. 1983. - №10. - С. 13.

5. Вахрушев С.Г., Мызников A.B., Россиев Д.А. Нейросетевое определение оптимальных методов лечения хронического тонзиллита// Новости оториноларингологии и логопатологии. 2001. - №1. - С. 12-18.

6. Вилков В.Г., Невзоров В.П. Статистическое испытание устойчивости результатов применения множественной логистической регрессии для диагностики в клинических условиях// Юж.-Рос. мед. Журн. 1998. — №4. -С. 37-41.

7. Гаспарян С.А. Функциональное развитие больничных информационных систем// Врач и информационные технологии. 2005. - №5. - С. 18-27.

8. Гаспарян CA., Зарубина Т.В., Опыт использования мониторно-компьютерных систем в гастроэнтерологической клинике // Компьютерная хроника. — 1994. №3. — С 4.

9. Гасс М.В., Соколова Е.Ю., Климов А.Б. и др. Прогнозирование развития респираторных осложнений после радикальных операций по поводу немелкоклеточного рака легкого // Хирургия. Журнал имени Н. И. Пирогова. 2006. - № 12. - С. 9-12.

10. Ю.Гвасалия Б.Р., Гринев A.B. Нейросетевое прогнозирование послеоперационной летальности при доброкачественной гиперплазии предстательной железы // Андрология и генитал. хирургия. 2001. - №1. -С. 60-63.

11. Голдберг Е.В., Дыгай A.M., Новицкий В.В. Рак легкого и система крови. -Томск: Издательство Томского Университета, 1992. 221 с.

12. Гончаров И.М., Харченко В.П. Состояние внешнего дыхания и малого крута кровообращения у больных раком легкого // Советская медицина. — 1985. -№11.- С 13.

13. Гублер Е.В. Вычислительные методы распознавания патологических процессов. J1.: Медицина, 1970. - 319 с.

14. Гублер Е.А. Методы анализа и распознавания патологических процессов. -Л.: Медицина, 1978.-296с.

15. Давыдов М.И., Полоцкий Б.Е., Малаев С.Г. и др. Некоторые прогностические факторы в хирургическом лечении рака лекгого // Хирургия. 1996. - №1. - С. 13-16.

16. Демографический ежегодник России. 2007 / Федеральная служба государственной статистики. — М.: Росстат, 2007. 551 с.

17. Дюсембаев З.Е. Индивидуальное прогнозирование исхода рака легкого: автореф. дис. . докт. мед. наук. — СПб, 1993. 40 с.

18. Егерь Ю.В., Бирюкова И.А. и др. Прогнозирование риска смерти больных нестабильной стенокардией с использованием искусственной нейронной сети // Вестн. Смол. мед. Акад. 2001. - №2. - С. 53-55.

19. Ерюхин И. А. Комментарии к статье Г. И. Назаренко и др. «Прогнозирование характера течения острого панкреатита методом нейронных сетей» // Вестник хирургии имени И. И. Грекова. 2005. - Т. 164, № 1.-С. 55.

20. Жарков В.Л., Курчин В.П., Демидчик Ю.Е. и др. Прогнозирование послеоперационных осложений и летальности при хирургическом и комбинированном лечении рака легкого. // Клиническая онкология. — 1990.-№10.-С. 13.

21. Зарубина Т.В., Швырёв С.Л., Сидоров К.В. ИНТЕРИС информационная система отделения реанимации и интенсивной терапии // Врач и информационные технологии. - 2006. - № 3. - С.27-40.

22. Ишмухаметов И. X. Нейросетевой подход к прогнозированию течения и исходов острых хирургических заболеваний у больных в критических состояния: автореф. дис. .канд. мед. наук. Уфа,2007. - 130 с.

23. Киликовский В.В., Олимпиева С.П. Технология создания компьютерных консультативных экспертных систем для интеллектуальной поддержки принятия медицинских решений // Врач и информационные технологии. -2004.-№5.-с 64-69.

24. Киликовский В.В., Олимпиева С.П., Берсенева Е.А. Экспертная консультативно-диагностическая система по заболеваниям щитовидной железы.// Медицинская кибернетика в клинической практике М.: ГВКГ им Н.Н.Бурденко, 1999. - С. 81-82.

25. Коломиец С.А. Использование многофакторного метода анализа в прогнозе эффективности комбинированного лечения рака легкого. //Актуальные вопросы современной онкологии: Сб. статей. — Томск, 1994. -С. 80-81.

26. Косяк A.A. Прогнозирование исходов хирургического лечения рака легкого: автореф. дис. . .канд. мед. наук. Пермь, 2003. -26 с.

27. Краевский H.A. О гистологической классификации рака легкого // Вестник АМН СССР. 1976. - №3. - С. 15-16.

28. Круглов В.В., Самородская И.В. и др. Использование искусственной нейронной сети для прогнозирования нарушений ритма сердца присиндромах предвозбуждения желудочков //Вестн. новых мед. технологий. 2000. - Т.7,№2. - С. 18-20.

29. Лактионов К.К. Современные подходы к индивидуальному прогнозированию результатов хирургического лечения немелкоклеточного рака легкого. // Рос. Онкол. Журнал. 2000. — № 1. — С.20-24.

30. Лактионов К.П. Эпидермоидный рак легкого: (Клиника, лечение, прогноз): автореф. дис. . .докт. мед. наук. Москва, 1988. - 40 с.

31. Международная классификация болезней в онкологии. ВОЗ, Женева, 1976.

32. Мерабишвили В.М., Дятченко О.Т., Статистика рака легкого (заболеваемость, смертность, выживаемость) // Практическая онкология. — 2000. -№>3,- С. 26-27.

33. Муравская Г.В., Яськевич A.C., Голубович И.А. и др. Комбинированное лечение больных раком легкого // Здравоохранение Белоруссии. — 1975. — №7. С. 55-58.

34. Назаренко Г.И., Сидоренко В.И., Лебедев Д.С. Прогнозирование характера течения острого панкреатита методом нейронных сетей // Вестник хирургии имени И. И. Грекова. 2005. - Т. 164, № 1. - С. 50-54.

35. Никуличев Л. А. Хирургическое лечение низкодифференцированного немелкоклеточного и мелкоклеточного рака легко: автореф. дис. .докт. мед. наук. — Москва,2000. 49с.

36. Островский В.К. Некоторые показатели крови и лейкоцитарный индекс интоксикации при туберкулезе, пневмониях и раке легких.//Проблемы туберкулеза и болезней легких. 2005. - №3. - С. 43-46.

37. Перельман М.И., Бирюков Ю.В., Григорьева С.П., Отс О.И Отдаленные результаты лечения мелкоклеточного рака легкого // Вопросы онкологии. 1989. - Т.35,№8. - С. 184-186.

38. Родионов В.В., Куницин А.Г., Артемьев И.Г., Осложнения после лобэктомии с резекцией и пластикой бронхов при раке легкого // Грудная хирургия. 1981.-№1.-С. 13.

39. Россиев Д.А Самообучающиеся нейросетевые экспертные системы в медицине: теория, методология, инструментарий, внедрение: дис. .докт. мед. наук. Красноярск, 1995 - 200 с.

40. Рукосуев A.A., Котляров Е.В., Бородянко О.Н. Прогнозирование исходов хирургического лечения рака легкого методом распознавания образов // Всесоюзный симпозиум «Автоматизированные информационные системы в онкологии» . — JL, 1991. — С. 58.

41. Ручкин В.В. Обоснование тактики хирургического лечения и реабилитации больных раком легкого на основе изучения отдаленных результатов: автореф. дис. .канд. мед. наук. . Уфа,2003. — 26 с.

42. Саблин И.Н., Флеров Е.В., Шевченко В.В. и др. Разработка и первый опыт применения мониторно-компьютерной системы для общей хирургии // Анестезиол. и реаниматол. 1999. -№ 5. -С. 59 - 62.

43. Савицкий А.И. Рак легкого. М.:Медгиз, 1957. - 273с.

44. Скорняков С.Н., Бугаева Е.Ю. Некоторые вопросы прогнозирования осложнений в хирургии рака легкого // Анестезиология и реаниматология 1997.-№1. -С 13.

45. Тулепов A.C.,. Колычева Н.И., Нургуждаев К.С. Легочная вентиляция в зависимости от гистологического типа рака легкого // Здравоохранение Казахстана. 1986. - №5. - С. 13.

46. Усмонов X. С. Определение прогностических признаков при выборе хирургического лечения немелкоклеточного рака легкого: автореф. дис. .канд. мед. наук. -СПб., 2001. -21с.

47. Устинов А.Г., Лешуков С.В., Житарева И.В. Интерактивный и автоматический компьютерный дискриминантный анализ мониторных данных // Моделирование в клинической практике.-М: 2МОЛГМИ им. Н.И.Пирогова. 1988. - С. 90-91.

48. Харченко В.П., Кузьмин И.В. Рак легкого. Руководство для врачей. -М.:Медицина. 1994.- 480с.

49. Харченко В.П., Галил-Оглы Г.А., Чхиквадзе В.Д. и др Хирургическое и комбинированное лечение рака легкого // Вестник хирургии им. Грекова. 1989.-Т. 142,№5. - С. 3-6.

50. Шевченко Ю. Л., Чистов Л.В., Борисов И.А. и др. Прогнозирование исходов радикальных операций у больных раком легкого с тяжелыми сочетанными и конкурирующими заболеваниями // Хирургия. Журнал им. Н.И. Пирогова. 2003. - №10. - С. 6-14.

51. Швырев С.Л. Автоматизированный мониторинг миоэлектрической активности тонкой кишки у больных с разлитым перитонитом в раннем послеоперационном периоде: дис. .канд мед.наук. -М., 1996. 120с.

52. Швырев С.Л. Зарубина Т.В. Monitoring of electrical activity of small bowel in patients with generalized peritonitis // Crit.Care. 1997. - V.l,suppl.l . - P. 17.

53. Щетинин В.Г., Костюнин A.B., Соломаха A.A. Нейросетевой прогноз послеоперационных осложнений // Мед. техника. 2000. - №2. - С. 21-25.

54. Abe Н., MacMahon Н., Engelmann R. et al. Computer-aided Diagnosis in Chest Radiography: Results of Large-Scale Observer Tests at the 1996-2001 RSNA Scientific Assemblies // Radiographics. 2003. - Vol 23. - P. 255-265.

55. Alonso Rodríguez A, Pértega Díaz S, González Blanco A. et al. The utility of artificial neural networks in the prediction of prostate cancer on transrectal biopsy//Actas. Urol. Esp.- 2006 .-Vol. 30.-P. 18-24.

56. American Joint Committee of Cancer(AJCC) Lung. Manual for Staging of Cancer / Eds. Bears O.H. et al. Philadelphia: J.B. Lippincott, 1988. - 115 p.

57. Bartfay E., Mackillop W.J., Pater J.L. Comparing the predictive value of neural network models to logistic regression models on the risk of death for small-cell lung cancer patients. // Eur. J. Cancer Care (Engl) . 2006. - Vol. 15. — P. 115124.

58. Becker R.B., Zimmerman J.E., Knaus W.A. et al. The use of APACHE III to evaluate ICU length of stay, resource use, and mortality after coronary artery by-pass surgery // J Cardiovasc. Surg. (Torino). 1995. - Vol. 36. - P 1-11.

59. Biganzoli E., Boracchi P., Mariani L. et al. Feed forward neural networks for the analysis of censored survival data: a partial logistic regression approach. // Stat. Med. 1998.-Vol. 17.-P. 1169-1186.

60. Bishop C.M. Neural Networks for Pattern Recognition, 3rd ed. Oxford: Oxford University Press, 1995.

61. Bourdes V.S., Bonnevay S., Lisboa P.J. et al. Breast cancer predictions by neural networks analysis: a comparison with logistic regression.// Conf. Proc. IEEE Eng. Med. Biol. Soc. 2007. - P. 5424-5427.

62. CHEN H., WANG X., MA D. et al. Neural network-based computer-aided diagnosis in distinguishing malignant from benign solitary pulmonary nodules by computed tomography // Chinese Medical Journal. 2007. - Vol. 120,No. 14. — P. 1211-1215.

63. Chu C.M., Wetter T., Artificial neural network may perform good to predict the survivability of cervical cancer // AMIA Annu. Symp. Proc. 2006. - P. 889.

64. College of American Pathologists: Systematized nomenclature of medicine. -Chicago, IL., 1976.

65. Cook DJ., Grifith LE., Walter SD et al. The attributable mortality and length of intensive care unit stay of clinically important gastrointestinal bleeding in critically ill patients // Critical Care. 2001. - Vol. 5,No. 6. - P.368-375.

66. Engoren M., Moreno R., Reis M.D. A genetic algorithm to predict hospital mortality in an ICU population // Crit. Care Med. 1999. - Vol. 27. - A52.

67. Farid E Ahmed Artificial neural networks for diagnosis and survival prediction in colon cancer // Mol. Cancer. 2005. - Vol. 4. - P. 29.

68. Fine T.L. Feedforward Neural Network Methodology, 3rd ed. New York: Springer-Verlag, 1999.

69. Groeger J.S., Lemeshow S., Price K. et al. Multicenter outcome study of cancer patients admitted to the intensive care unit: a probability of mortality model // Journal of clinical oncology. 1998. - Vol.16. - P. 761-770.

70. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. -New York: Springer, 2001.

71. Haykin S. Neural Networks A Comprehensive Foundation, 2nd ed. -: Macmillan College Publishing, 1998.

72. Hosmer D.W., Lemeshow S. Applied Logistic regression. 2-nd ed. New York: Wiley, 2000.

73. Hopfield J., Neural Networks and physical systems with emergent collective computational abilities // Proc.National Academy of Science USA. 1982. -Vol. 79.-P. 2554-2558.

74. International Union Against Cancer (UICC): TNM Claccification of Malignant Tumors 4th ed./Eds. Hermanec P., Sobin L.H.- Berlin:Springen-Verlag, 1987. -69 p.

75. International Union Against Cancer (UICC): TNM Claccification of Malignant Tumors / Eds. Sobin L.H. Wittekind Ch. -N.Y.:Willey-Liss, 1997. 98 p.

76. Jaimes F., Farbiarz J., Alvares D. et al. Comparison between logistic regression and neural networks to predict death in patients with suspected sepsis in the emergency room // Critical Care. 2005. - Vol. 9. -R150-R156.

77. Jefferson M.F., Neil Ch.B. et al. Comparison of a Genetic Algorithm Neural Network with Logistic Regression for Predicting Outcome after Surgery for Patients with Nonsmall Cell Lung Carcinoma //CANCER. 1997. - Vol. 79/7. -P.1338-1342.

78. Jennings D.E. Outliers and residual distributions in logistic regression // Journal of the American Statistical Association, 1986. Vol. 81. - P. 987-999.

79. Kleinbaum D.G. Logistic Regression: A Self-Learning Text. New York: Springer-Verlag, 1994.

80. Knaus W.A., Draper E.A., Wagner D.P., Zimmerman J.E. APACHE II: a severity of disease classification system // Crit. Care Med. 1985. - Vol. 13. -P. 818-829.

81. Knaus W.A., Wagner D.P., Draper E.A. et al. The APACHE III prognostic system. Risk prediction of hospital mortality for critically ill hospitalized adults. //Chest.-1991.-Vol. 100.-P. 1619-1636.

82. Kohonen T. The self organizing map // Proc of IEEE. 1990. - Vol 78. - P. 1464-1479.

83. Le Gall J.R., Lemeshow S., Saulnier F. A new Simplified Acute Physiology Score (SAPS II) based on a European/North American multicenter study // JAMA. 1993. - Vol. 270. - P. 2957-2963.

84. Lemeshow S., Teres D., Klar J.et al. Mortality Probability Models (MPM II) based on an international cohort of intensive care unit patients //JAMA. — 1993. -Vol. 270.-P. 2478-2486.

85. Lemeshow S., Hosmer D.W. A review of goodness of fit statistics for use in the development of logistic regression models // Am. J. Epidemiol. 1982. -Vol. 115.-P. 92-106.

86. Marchevsky A.M., Patel S., Wiley K.J. et al. Artificial neural networks and logistic regression as tools for prediction of survival in patients with Stages I and II non-small cell lung cancer // Mod. Pathol. 1998. - Vol. 11. -P. 618625.

87. Metnitz P.G., Valentin A., Vesely H. et al. Prognostic performance and customization of the SAPS II: results of a multicenter Austrian study. // Intensive Care Med. 1999. - Vol. 25. - P. 192-197.

88. Moreno R., Apolone G., Reis M.D. Evaluation of the uniformity of fit of general outcome prediction models // Intensive Care Med. 1998. — Vol. 24. — P. 40^7.

89. Mountain C.F., Libshitz H.I., Hermes K.E. Lung cancer: A Handbook for Staging and Imaging. Houston: Mountain and Libshitz, 1993.

90. Nakamura K., Yoshida H., Engelmann R. et al. Computerized Analysis of the Likelihood of Malignancy in Solitary Pulmonary Nodules with Use of Artificial Neural Networks // Radiology. 2000. - Vol. 214. - P. 823-830.

91. Nimgaonkar A, Karnad D.R., Sudarshan S. et al. Prediction of mortality in an indian intensive care medicine. Comparison between APACHE II and artificial neural networks // Intensive Care Med. 2004. - Vol. 30. - P. 248253.

92. Norusis M. SPSS 13.0 Statistical Procedures Companion. Upper Saddle-River, N.J.: Prentice Hall, Inc. 2004.

93. Ripley, B.D. Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press, 1996.

94. Sato F., Yutaka S., Florin M.S. et al. Prediction of survival in patients with esophageal carcinoma using artificial neural networks // Cancer. 2005. -Volume 103/8.-P. 1596- 1605.

95. Santos-García G., Varela G., Novoa N. et al. Prediction of postoperative morbidity after lung resection using an artificial neural network ensemble // Artif. Intell. Med. 2004. - Vol 30. - P. 61-69.

96. Sarym D.J. Comparison of Artificial Neural Networks with other statistical approaches. Result from medical data sets // Cancer. 2001. - Vol. 91/8 — P.1636-1642.

97. Suistomaa M., Kari A., Ruokonen E. et al. Sampling rate causes bias in APACHE II and SAPS II scores // Intensive Care Med. 2000. - Vol.26. - P. 1773-1778.

98. Schweiger C.R., Soeregi G., Spitzauer S. et al. Evaluation of Laboratory Data by Conventional Statistics and by Three Types of Neural Networks // Clin. Chem. -1993. Vol. 39/9. - P. 1966-1971.

99. Teres D., Lemeshow S. Using severity measures to describe high performance intensive care units //Crit. Care Clin. 1993. - Vol. 9. - P. 543554.

100. Van Hodenhoven M., Nguen D.T., Eijkenmans M.J. et al. Optimizing intensive care capacity using individual length-of-stay prediction models. // Critical Care. 2007. - Vol. 11.- R42-R51.

101. Varela G., Jiménez M.F., Novoa N. A model to predict death after lung cancer resection: applicability to individual cases // Arch Bronconeumol. — 2003. Vol. 39. - P. 249-252.

102. Varela G., Novoa N., Jiménez M.F. et al. Applicability of logistic regression (LR) risk modelling to decision making in lung cancer resection // Interactive Cardiovascular and Thoracic Surgery. -2003. Vol. 2. - P. 12-15.

103. Vesselle H.,Turcotte E., WiensLind, B.S. et al. Application of a Neural Network to Improve Nodal Staging Accuracy with 18F-FDG PET in Non-Small Cell Lung Cancer // Journal of Nuclear Medicine. 2003. - Vol. 44,No. 12. -P. 1918-1926.

104. Virgo K.S., Naunheim K.S., Coplin M.A. et al. Lung Cancer Patient Follow-Up: Motivation of Thoracic Surgeons // Chest. 1998. - Vol. 114. - P. 15191534.

105. Wolfe P., Murphy J., McGinley J. et al. Using nuclear morphometry to discriminate the tumorigenic potential of cells: a comparison of statistical methods // Cancer Epidemiol. Biomarkers Prev. 2004. - Vol. 13(6) . - P. 97688.

106. Zimmerman J.E., Wagner D.P., Draper E.A. et al. Evaluation of acute physiology and chronic health evaluation III predictions of hospital mortality in an independent database // Crit. Care Med. 1998. - Vol. 26. - P. 1317-1326.

107. Zweig M.H., Campbell G Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine // Clin. Chem. 1993. - Vol. 39.-P. 561-577.