Scientific journal
Modern high technologies
ISSN 1812-7320
"Перечень" ВАК
ИФ РИНЦ = 0,940

CLASSIFICATION ANALYSIS OF COAGULOPATHY IN THE DECISION SUPPORT SYSTEM WHEN HAPPENED THE LEPTOSPIROSIS DISEASES

Shkirya T.V. 1, 2 Moysova D.L. 2 Usatikov S.V. 1, 3 Gorodin V.N. 2
1 Kuban State Technological University
2 Kuban State Medical University
3 Kuban State University
Differential diagnosis of coagulopathy is regarded as a classification problem using the multidimensional methods of mathematical statistics. The target is the creation of the classification analysis block of coagulopathy in the medical decision support system (DSS) when happened leptospirosis diseases. Classification algorithms were obtained by discriminant analysis and neural network methods of package Statistica v.10. With certain embodiments of coagulopathy the degree of change parameters correlates: the number of platelets in peripheral blood, fibrinogen level, activated partial thromboplastin time, prothrombin index, the area of platelet aggregation, ristomycin cofactor activity of Willebrand factor, the minimum amplitude and the lifetime of a clot electrocoagulogram, the level of soluble complexes of fibrin-monomer, the level of plasma free hemoglobin, the level of activity of glucose-6-phosphate dehydrogenase. The algorithms are implemented in C# as a programming unit with user friendly interface that allows by predictor sets (laboratory parameters) determine the type of coagulopathy with leptospirosis with an error probability of 3–5?% of the number of observations.
medical decision support systems
differential diagnosis of hemostatic disorders in leptospirosis

Принятие медицинских решений часто затрудняют ограниченность временных ресурсов, неполнота информации о состоянии больного, недостаточный уровень знаний в какой-либо специфической медицинской области, отсутствие возможности привлечения компетентных экспертов, сложность одновременной интерпретации огромного комплекса лабораторных исследований, отсутствие объективизированных и единообразных (унифицированных) диагностических подходов. Всё большее распространение получают системный анализ и современные информационные технологии в медицинских системах поддержки принятия решений (СППР). На применении технологий статистического анализа для выявления новых скрытых знаний, интеграции современных технологий статистического моделирования, хранения и представления данных основана разработанная в [9–11] СППР для идентификации степени тяжести состояния больных, в частности лептоспирозом. Разработанное на основе макросов Statistica v.10 (модуля дискриминантный анализ) ПО позволяет по рутинным лабораторным показателям оценить вероятность принадлежности больного к той или иной форме тяжести течения заболевания. При этом процент правильной оценки тяжести течения лептоспироза с использованием дискриминантного анализа составил 99,5 % от числа всех наблюдений.

Лептоспироз – тяжелая инфекция, актуальная для Краснодарского края. Главная причина смерти больных лептоспирозом на современном этапе – геморрагический синдром, возникающий в результате нарушений гемостаза [1, 2].

Для оценки гемостазиологических расстройств мы определяли количество тромбоцитов в периферической крови (Тр), уровень фибриногена, активированное частичное тромбопластиновое время (АЧТВ), протромбиновый индекс (ПТИ), площадь агрегации тромбоцитов (Sаг), ристомицин-кофакторную активность фактора Виллебранда (ФВ), минимальную амплитуду (А0) и время существования сгустка (Тсс) электрокоагулограммы (ЭКоГ), уровни растворимых комплексов фибрин-мономера (РКФМ), свободного гемоглобина плазмы крови (Св. Hb), активность глюкозо-6-фосфатдегидрогеназы (Г-6-ФДГ).

Для предположительной оценки варианта нарушения гемостаза при лептоспирозе мы использовали алгоритм дифференциальной диагностики приобретенных коагулопатий у больных с абдоминальной хирургической патологией [8]. На первом этапе по анализу скрининговых гемостазиологических данных (АЧТВ, ПТИ, Sаг, Тр, РКФМ) предлагалось отделить изолированную тромбоцитопению от других расстройств. При наличии двух и более нарушений, исключали наиболее частую и грозную коагулопатию – ДВС-синдром. При нормальных РКФМ (ПДФ, D-димере), снижении ПТИ и уровня тромбоцитов на фоне печеночной дисфункции предполагали печеночную коагулопатию; снижении количества и агрегационной активности тромбоцитов на фоне почечной недостаточности – уремическую и т.д. Однако значимость и информативность изменений перечисленных лабораторных (и более широкого спектра) параметров при лептоспирозе не определена.

Многолетний опыт изучения нарушений гемостаза при лептоспирозе показал, что отсутствует один универсальный механизм гемостазиологических нарушений. В [5] впервые предложена концепция поливариантной коагулопатии при лептоспирозе. У больных лептоспирозом чаще наблюдаются следующие виды коагулопатий [3–6]: ДВС-синдром различных вариантов инициации (коагуляционный, фибринолитический), изолированная тромбоцитопения (ИТ), печеночная коагулопатия, уремическая (с вариантом – гемолитико-уремический синдром), а также ДВС-синдром с коагулопатией потребления (КП) при крайне тяжелом течении лептоспироза с неблагоприятным прогнозом. Каждый из исследованных лабораторных параметров (Тр, фибриноген, АЧТВ, ПТИ, Sаг, ФВ, А0, Тсс, РКФМ, Св.Hb, Г-6-ФДГ) специфически изменяется только при определенном варианте коагулопатии у больных лептоспирозом, поэтому комплексная оценка значений этих показателей может использоваться для объективизации вероятности развития конкретного вида нарушения гемостаза и позволит применить индивидуализированную упреждающую терапию. Возможности методов статистической классификации нарушений гемостаза при лептоспирозе рассмотрены в [7, 12].

В данной работе дифференциальная диагностика коагулопатии при лептоспирозе рассматривается как задача классификации с применением методов многомерной математической статистики. Целью является блок классификационного анализа коагулопатии в СППР при заболеваниях лептоспирозом. Методами дискриминантного анализа и нейросетевым пакета Statistica v.10, получены алгоритмы классификации, которые реализованы на C# в виде программного блока с удобным интерфейсом, позволяющим по любому из нескольких наборов предикторов – лабораторных показателей, определить вид коагулопатии при лептоспирозе с вероятностью ошибки 3–5 % от числа наблюдений.

Выявление значимых для вероятностной классификации лабораторных параметров-предикторов и нейросетевая классификация

На первом этапе, для выявления значимых для вероятностной классификации лабораторных параметров, проведён анализ сенситивности к входным переменным нейронной классифицирующей сети, на выборках разного объёма, с разным набором параметров. Для набора из семи параметров (Тр, Фибриноген, АЧТВ, Sаг, ФВ, РКФМ, ПТИ) имелась репрезентативная выборка из N = 386 наблюдений вариантов коагулопатии (212 случаев – ДВС с различными вариантами инициации, 33 – ДВС-синдром с КП при крайне тяжелом течении лептоспироза с неблагоприятным прогнозом, 71 – ИТ, 31 – нет коагулопатии, 17 – печеночная коагулопатия, 22 – уремическая коагулопатия).

Остальные имевшиеся выборки не являлись репрезентативными, т.к. в них не был представлен вариант «нет коагулопатии». Для набора из 11 лабораторных параметров (Тр, Г-6-ФДГ, Св.Hb, А0, Тсс, Фибриноген, АЧТВ, Sаг, ФВ, РКФМ, ПТИ) имелась выборка из n = 50 наблюдений вариантов коагулопатии (23 случая ДВС, 10 – КП, 7 – ИТ, 2 – печеночная, 8 – уремическая). Для набора из девяти лабораторных параметров (Tр, A0, Tсс, ПТИ, Фибриноген, АЧТВ, Sаг, ФВ, РКФМ) имелась выборка из k = 129 наблюдений вариантов коагулопатии (81 случай ДВС, 10 – КП, 17 – ИТ, 8 – печеночная, 13 – уремическая).

Обученная по выборке N нейронная сеть (НС) MLP 7-30-6, имеющая 30 нейронов внутреннего слоя с идентичной функцией активации и Softmax выходной функцией активации, с 100 % верными ответами при обучении, тестировании и валидации, показала следующие коэффициенты увеличения % ошибок при исключении соответствующего параметра (табл. 1).

Таблица 1

Анализ чувствительности MLP 7-30-6

РКФМ

Sаг

ФВ

Фибриноген

Тр

АЧТВ

ПТИ

2267,446

1388,273

1087,830

493,1020

418,7719

120,0653

35,08219

Из табл. 1 видно, что все 7 параметров существенны для вероятностной классификации, причём для данной НС MLP 7-30-6 процент правильных ответов составил 100 % от числа всех N имеющихся наблюдений.

Из данного набора предикторов следующая подгруппа из пяти предикторов входит в настоящее время в стандартный перечень анализов, относительно доступно, просто и быстро выполняемых: Тр, Фибриноген, АЧТВ, ПТИ, РКФМ (D-Димер). Обученная по выборке N нейронная сеть MLP 5-8-6, имеющая 8 нейронов внутреннего слоя с логистической функцией активации и Identity выходной функцией активации, с 98 % верными ответами при обучении, тестировании и валидации, показала следующие коэффициенты увеличения % ошибок при исключении соответствующего параметра (табл. 2).

Таблица 2

Анализ чувствительности MLP 5-8-6

РКФМ

Тр

АЧТВ

Фибриноген

ПТИ

10,17788

3,313162

2,618360

2,106932

1,687351

Из табл. 2 видно, что наиболее существенен для вероятностной классификации предиктор РКФМ, причём для данной НС MLP 5-8-6 процент правильных ответов составил 98 % от числа всех N имеющихся наблюдений.

Имеющиеся в литературе данные [3–6] дают основание предполагать улучшение качества дифференциальной диагностики коагулопатии при учёте лабораторных параметров А0, Св.Hb, Г-6-ФДГ, Tсс. Анализ данных выборок n и k укрепляет это предположение.

Так, при замене прежних предикторов Фибриноген, АЧТВ, ПТИ на предикторы А0, Св.Hb и Г-6-ФДГ, для набора из семи предикторов (Тр., Г-6-ФДГ, Св.Hb, А0, Sаг, ФВ, РКФМ), обученная по выборке n нейронная сеть MLP 7-11-5, имеющая 11 нейронов внутреннего слоя с синусоидальной функцией активации и Softmax выходной функцией активации, с 100 % верными ответами при обучении, тестировании и валидации, показала следующие коэффициенты увеличения % ошибок при исключении соответствующего параметра (табл. 3).

Таблица 3

Анализ чувствительности MLP 7-11-5

A0

Св. Hb

Тр

ФВ

Г-6-ФДГ

РКФМ

Sаг

1007715

195246,3

124154,3

18360,47

12005,19

557,5817

18,79858

Из табл. 3 видно, что предикторы А0, Св.Hb, Тр являются максимально значимыми.

Более того, для набора из пяти предикторов (Тр, Г-6-ФДГ, Св.Hb, А0, РКФМ), обученная по выборке n нейронная сеть MLP 5-11-5, имеющая 11 нейронов внутреннего слоя с функцией активации гиперболический тангенс и Softmax выходной функцией активации, также показала 100 % верных ответов при обучении, тестировании и валидации. Коэффициенты увеличения % ошибок при исключении соответствующего параметра составили (табл. 4).

Таблица 4

Анализ чувствительности MLP 5-11-5

A0

Св. Hb

Тр

РКФМ

Г-6-ФДГ

415,0069

129,0881

41,60416

20,48682

4,799248

Таблица 5

Анализ чувствительности MLP 4-9-5

РКФМ

Тр

A0

Tсс

3,590925

2,015664

1,626482

1,384646

Из табл. 4 видно, что все 5 предикторов значимы для вероятностной классификации, хотя сложно выполняемый анализ Г-6-ФДГ менее значим по сравнению с остальными.

Возможен также набор из четырех предикторов (Tр, A0, Tсс, РКФМ), также позволяющий НС давать 100 % правильных ответов от числа всех k имеющихся наблюдений. Обученная по выборке k нейронная сеть MLP 4-9-5, имеющая 9 нейронов внутреннего слоя с функцией активации гиперболический тангенс и Softmax выходной функцией активации, также показала 100 % верных ответов при обучении, тестировании и валидации. Коэффициенты увеличения % ошибок при исключении соответствующего параметра составили (табл. 5).

Из табл. 5 видно, что все 4 предиктора значимы для вероятностной классификации, хотя Tсс – менее всех.

Следует оговориться, что из-за нерепрезентативности выборок n и k, результаты выше не могут доказывать предположение об улучшении качества дифференциальной коагулопатии при учёте лабораторных параметров А0, Св. Hb, Г-6-ФДГ, Tсс.

Таким образом, одним из возможных путей диагностики варианта G коагулопатии (вариант G1 – ДВС, G2 – КП, G3 – ИТ, G4 – Нет коагулопатии, G5 – Печеночная, G6 – Уремическая) по набору лабораторных параметров, является двух этапный. На 1-м этапе по набору семи предикторов (Тр, Фибриноген, АЧТВ, Sаг, ФВ, РКФМ, ПТИ) делается первоначальный MLP 7-30-6 НС-прогноз G, показавший 100 % верных ответов при обучении, тестировании и валидации на выборке N. Возможна экспресс-диагностика MLP 5-8-6 по набору пяти предикторов: Тр, Фибриноген, АЧТВ, ПТИ, РКФМ (D-Димер); доля верных ответов ухудшается до 98 %. Затем на 2-м этапе, если исключён вариант «Нет коагулопатии», возможно уточнение диагностики по двум наборам предикторов. НС-классификация показала 100 % верных ответов при обучении, тестировании и валидации на выборках n и k: по набору пяти предикторов (Тр, Г-6-ФДГ, Св.Hb, А0, РКФМ) MLP 5-11-5 на n-выборке, по набору 4 предикторов (Tр, A0, Tсс, РКФМ) MLP 4-9-5 на k-выборке.

Дискриминантный анализ для классификации варианта коагулопатии

Нейросетевая классификация обладает существенным недостатком – «непрозрачностью» принимаемых решений, т.е. отсутствием явно заданных правил классификации. Для получения явно заданных правил классификации проведены линейный и обобщённый дискриминантный анализ для классификации варианта коагулопатии, на тех же выборках с теми же наборами параметров.

Предположения классического дискриминантного анализа (DA) в данном случае выполняются: наблюдаемые величины непрерывные, измерены как минимум в интервальной шкале и имеют нормальное распределение; однородность дисперсий и ковариаций наблюдаемых переменных в разных классах. Умеренные отклонения допустимы; но наиболее применим в данной ситуации обобщённый дискриминантный анализ (GDAM). В отличие от DA, в GDAM можно учитывать взаимодействия между предикторами; а независимые переменные могут быть как категориальными, так и непрерывными. Показателями качества модели классификации являются: статистика лямбда Уилкса (λ), значения частных λ, толерантность. Значение λ вычисляется как отношение детерминанта матрицы внутригрупповых дисперсий/ковариаций к детерминанту общей ковариационной матрицы: λ около 0 свидетельствуют о хорошей дискриминации, а значения λ около 1 – о плохой. Значения частных λ есть отношение λ Уилкса после добавления соответствующей переменной к λ до добавления этой переменной: чем меньше статистика λ, тем больше её вклад в общую дискриминацию. Толерантность определяется как Tr = 1 – R2, где R – коэффициент множественной корреляции данной переменной со всеми другими переменными в модели, и является мерой избыточности переменной в модели. Переменные с Tr меньше заданного значения – нижней границы Tr (обычно 0,01) – в модель не включаются. Чем меньше значение Tr, тем избыточнее переменная в модели, так как переменная несет малую дополнительную информацию.

Перед статистической обработкой данные были нормированы следующим образом: каждое измерение лабораторных параметров поделено на величину, равную середине интервала значений соответствующего параметра в норме.

Для 1-го этапа диагностики, по выборке N, для 7 предикторов: х1 = ФВ/(100 %), х2 = Sаг/(18,1 см2), х3 = Тр/(300•109/л), х4 = РКФМ/(3,4 мг %), х5 = ПТИ/(110 %), х6 = Фибриноген/(3 г/л), х7 = АЧТВ/(35 сек), получены функции классификации (с 97 % верных ответов) при λ = 0,002:

G1 = – 164,757 + 121,727х1 +

+ 38,425х2 + 21,366х3 + 3,788х4 +

+ 61,182х5 + 1,615х6 + 52,351х7;

G2 = – 117,765 + 47,538х1 +

+ 17,703х2 + 7,957х3 + 8,639х4 +

+ 64,576х5 – 0,437х6 + 74,378х7;

G3 = – 165,085 + 105,692х1 +

+ 53,008х2 + 10,751х3 + 0,728х4 +

+ 65,915х5 – 1,212х6 + 51,486х7; (1)

G4 = – 139,836 + 96,97х1 +

+ 27,875х2 + 56,347х3 + 0,669х4 +

+ 77,306х5-0,959х6 + 47,539х7;

G5 = – 123,808 + 95,247х1 +

+ 29,901х2 + 50,17х3 + 1,845х4 +

+ 49,304х5 – 1,889х6 + 52,638х7;

G6 = – 186,544 + 146,688х1 +

+ 25,02х2 + 35,336х3 + 1,605х4 +

+ 68,731х5 – 1,355х6 + 48,172х7.

Показатели качества и точность модели классификации (1) отражены в табл. 6 и 7.

Таблица 6

Показатели качества модели классификации (1)

Предикторы

Лямбда

Уилкса

Частные λ

F-исключения

Уровень

значимости

Толерантность

1-Толерантность (R-кв.)

ФВ

0,010279

0,230199

250,1366

0,000000

0,970041

0,029959

Sаг

0,007293

0,324435

155,7550

0,000000

0,937937

0,062063

Тр

0,004882

0,484642

79,5409

0,000000

0,991167

0,008833

РКФМ

0,004531

0,522196

68,4413

0,000000

0,966889

0,033111

ПТИ

0,002958

0,800071

18,6917

0,000000

0,883974

0,116026

Фибриноген

0,002969

0,797019

19,0497

0,000000

0,889945

0,110055

АЧТВ

0,002702

0,875876

10,6003

0,000000

0,960147

0,039853

Таблица 7

Точность модели классификации (1)

Предикторы

% правильных

ДВС – p = ,54922

КП – p = ,08549

ИТ – p = ,18394

Нет коагулопатии – p = ,08031

Печеночная – p = ,04404

Уремическая – p = ,05699

ДВС

99,0566

210

0

2

0

0

0

КП

96,9697

1

32

0

0

0

0

ИТ

90,1409

7

0

64

0

0

0

Нет коагулопатии

96,7742

0

0

0

30

1

0

Печеночная

100,0000

0

0

0

0

17

0

Уремическая

100,0000

0

0

0

0

0

22

Всего

97,1503

218

32

66

30

18

22

Из табл. 7 видно, что общая точность 97 %, и хуже всего распознаётся вариант «ИТ» – 90 %.

Алгоритм прогноза варианта коагулопатии по (1):

1) Значения х1, …, х7 подставляются в функции классификации G1, …, G6 из (1).

2) Среди чисел G1, …, G6 выбирается наибольшее значение функции.

3) Если наибольшее значение G1, то прогнозируется ДВС; если G2 – КП, если G3 – ИТ, если G4 – Нет коагулопатии, если G5 – Печеночная, если G6 – Уремическая.

Для экспресс-диагностики, по выборке N, для пяти предикторов: х1 = Тр/(300•109/л), х2 = ПТИ/(110 %), х3 = Фибриноген/(3 г/л), х4 = АЧТВ/(35 сек), х5 = РКФМ/(3,4 мг %), получены функции классификации (с 93 % верных ответов) при λ = 0,03:

G1 = – 55,9339 + 18,1216х1 + 59,6053х2 + 4,2479х3 + 49,504х4 + 3,881х5;

G2 = – 99,5366 + 6,8747х1 + 64,2484х2 + 0,745х3 + 73,0441х4 + 8,712х5;

G3 = – 50,1837 + 9,2784х1 + 66,6483х2 + 2,1913х3 + 47,3943х4 + 1,0771х5; (2)

G4 = – 73,6082 + 53,5751х1 + 75,7568х2 + 0,982х3 + 45,4962х4 + 0,7053х5;

G5 = – 57,3582 + 47,6203х1 + 48,0528х2 + 0,1614х3 + 50,4234х4 + 1,9158х5;

G6 = – 53,0532 + 29,9689х1 + 64,5534х2 + 0,6064х3 + 46,4967х4 + 1,4266х5.

Показатели качества и точность модели классификации (2) отражены в табл. 8 и 9.

Таблица 8

Показатели качества модели классификации (2)

Предикторы

Лямбда

Уилкса

Частные λ

F-исключения

Уровень

значимости

Толерантность

1-Толерантность (R-кв.)

Тр

0,089486

0,364105

131,3337

0,000000

0,994395

0,005605

ПТИ

0,042153

0,772951

22,0895

0,000000

0,887176

0,112824

Фибриноген

0,048691

0,669160

37,1797

0,000000

0,907844

0,092156

АЧТВ

0,047171

0,690730

33,6704

0,000000

0,963386

0,036614

РКФМ

0,083326

0,391024

117,1156

0,000000

0,969463

0,030537

Таблица 9

Точность модели классификации (2)

Предикторы

% правильных

ДВС – p = ,54922

КП – p = ,08549

ИТ – p = ,18394

Нет коагулопатии – p = ,08031

Печеночная – p = ,04404

Уремическая – p = ,05699

ДВС

98,58491

209

3

0

0

0

0

КП

90,90909

3

30

0

0

0

0

ИТ

91,54929

6

0

65

0

0

0

Нет коагулопатии

70,96774

0

0

1

22

0

8

Печеночная

82,35294

1

0

0

0

14

2

Уремическая

90,90909

1

0

1

0

0

20

Всего

93,26425

220

33

67

22

14

30

Из табл. 9 видно, что общая точность 93 %, и хуже всего распознаётся вариант «Нет коагулопатии» – 70 %.

Алгоритм прогноза варианта коагулопатии по (2):

1) Значения х1, …, х5 подставляются в функции классификации G1, …, G6 из (2).

2) Среди чисел G1, …, G6 выбирается наибольшее значение функции.

3) Если наибольшее значение G1, то прогнозируется ДВС; если G2 – КП, если G3 – ИТ, если G4 – Нет коагулопатии, если G5 – Печеночная, если G6 – Уремическая.

Для 2-го этапа диагностики, по выборке n, для пяти предикторов: х1 = Тр/(300•109/л), х2 = Г-6-ФДГ/(27,5 усл.ед.), х3 = Св.Hb/(0,83 г/л), х4 = А0/(0,3 усл.ед.), х5 = РКФМ/(3,4 мг %), получены функции классификации (с 100 % верных ответов) при λ = 0,0006:

G1 = – 19,379 + 99,424х1 + 25,345х2 – – 0,2157х3 + 6,7388х4 + 5,9171х5;

G2 = – 70,6358 + 49,2232х1 + 25,1646х2 + + 1,9274х3 + 19,0676х4 + 10,6787х5;

G3 = – 11,1393 + 64,4131х1 + 23,0366х2 – – 0,0647х3 + 9,1988х4 + 2,1214х5; (3)

G4 = – 120,642 + 307,708х1 + 64,162х2 + + 0,118х3 + 13,973х4 + 2,524х5;

G5 = – 112,338 + 220,985х1 + 110,772х2 + + 2,254х3 + 19,837х4 + 0,982х5.

Показатели качества и точность модели классификации (3) отражены в табл. 10 и 11.

Таблица 10

Показатели качества модели классификации (3)

Предикторы

Лямбда

Уилкса

Частные λ

F-исключения

Уровень

значимости

Толерантность

1-Толерантность (R-кв.)

Тр

0,004433

0,142820

61,51853

0,000000

0,907974

0,092026

Г-6-ФДГ

0,001299

0,487358

10,78176

0,000005

0,849938

0,150062

Св. Hb

0,001080

0,586340

7,23132

0,000167

0,851297

0,148703

A0

0,000910

0,695803

4,48118

0,004270

0,824359

0,175641

РКФМ

0,001388

0,456311

12,21276

0,000001

0,848979

0,151021

Таблица 11

Точность модели классификации (3)

Предикторы

% правильных

ДВС – p = ,46000

КП – p = ,20000

ИТ – p = ,14000

Печеночная – p = ,04000

Уремическая – p = ,16000

ДВС

100,0000

23

0

0

0

0

КП

100,0000

0

10

0

0

0

ИТ

100,0000

0

0

7

0

0

Печеночная

100,0000

0

0

0

2

0

Уремическая

100,0000

0

0

0

0

8

Всего

100,0000

23

10

7

2

8

Из табл. 11 видно, что общая точность 100 %, но обусловлено это малым объёмом выборки и её нерепрезентативностью (вариант «нет коагулопатии» отсутствует).

Алгоритм прогноза варианта коагулопатии по (3):

1) Значения х1, …, х5 подставляются в функции классификации G1, …, G5 из (3).

2) Среди чисел G1, …, G5 выбирается наибольшее значение функции.

3) Если наибольшее значение G1, то прогнозируется ДВС; если G2 – КП, если G3 – ИТ, если G4 – Печеночная, если G5 – Уремическая.

Также для 2-го этапа диагностики, по выборке k, для четырех предикторов: х1 = Тр/(300•109/л), х2 = А0/(0,3 усл.ед.), х3 = Тсс/(1,75 мин.), х4 = РКФМ/(3,4 мг %), получены функции классификации (с 97 % верных ответов) при λ = 0,002:

G1 = – 24,228 + 55,9499х1 + 0,4818х2 + + 10,1959х3 + 7,6299х4;

G2 = – 80,9815 + 25,4101х1 + 2,0076х2 + + 21,7833х3 + 15,3653х4;

G3 = – 7,86245 + 28,78496х1 + 0,7683х2 + + 6,06446х3 + 2,06396х4; (4)

G4 = – 46,2263 + 132,716х1 + 0,8923х2 + 3,0198х3 + 3,087х4;

G5 = – 28,2685 + 87,1763х1 + 2,0725х2 + + 7,2208х3 + 3,3907х4.

Показатели качества и точность модели классификации (4) отражены в табл. 12 и 13.

Таблица 12

Показатели качества модели классификации (4)

Предикторы

Лямбда

Уилкса

Частные λ

F-исключения

Уровень

значимости

Толерантность

1-Толерантность (R-кв.)

Тр

0,079890

0,298817

70,98256

0,000000

0,991535

0,008465

A0

0,034236

0,697284

13,13263

0,000000

0,998285

0,001715

Tсс

0,038832

0,614763

18,95595

0,000000

0,998100

0,001900

РКФМ

0,053408

0,446977

37,42679

0,000000

0,989439

0,010561

Таблица 13

Точность модели классификации (4)

Предикторы

% правильных

ДВС – p = ,62791

КП – p = ,07752

ИТ – p = ,13178

Печеночная – p = ,06202

Уремическая – p = ,10078

ДВС

98,7654

80

1

0

0

0

КП

90,0000

1

9

0

0

0

ИТ

100,0000

0

0

17

0

0

Печеночная

87,5000

0

0

0

7

1

Уремическая

100,0000

0

0

0

0

13

Всего

97,6744

81

10

17

7

14

Из табл. 13 видно, что общая точность 97 %, и хуже всего распознаётся вариант «Печеночная» – 87 %.

Алгоритм прогноза варианта коагулопатии по (4):

1) Значения х1, …, х4 подставляются в функции классификации G1, …, G5 из (4).

2) Среди чисел G1, …, G5 выбирается наибольшее значение функции.

3) Если наибольшее значение G1, то прогнозируется ДВС; если G2 – КП, если G3 – ИТ, если G4 – Печеночная, если G5 – Уремическая.

Заключение

Таким образом, результаты нейросетевого и дискриминантного анализа по различным наборам предикторов могут быть использованы для дифференциальной диагностики варианта коагулопатии, обеспечивая для НС-классификации процент правильных ответов 100 % от числа всех имеющихся наблюдений, и 97 % для DA-классификации.

Одним из возможных путей диагностики варианта G коагулопатии (вариант G1 – ДВС, G2 – КП, G3 – ИТ, G4 – Нет коагулопатии, G5 – Печеночная, G6 – Уремическая) по набору лабораторных параметров, является двухэтапный. На 1-м этапе по набору 7 предикторов (Тр, Фибриноген, АЧТВ, Sаг, ФВ, РКФМ, ПТИ) делается либо первоначальный MLP 7-30-6 НС-прогноз G, показавший 100 % верных ответов при обучении, тестировании и валидации на выборке N; либо DA-прогноз по (1) с 97 % верных ответов. Возможна экспресс-диагностика либо MLP 5-8-6 по набору пяти предикторов: Тр, Фибриноген, АЧТВ, ПТИ, РКФМ (D-Димер); доля верных ответов ухудшается до 98 %; либо DA-классификация (2), до 93 % верных ответов. Затем на 2-м этапе, если исключён вариант «Нет коагулопатии», возможно уточнение диагностики по двум наборам предикторов. НС-классификация показала 100 % верных ответов при обучении, тестировании и валидации на выборках n и k: по набору пяти предикторов (Тр, Г-6-ФДГ, Св.Hb, А0, РКФМ) MLP 5-11-5 на n-выборке, по набору 4 предикторов (Tр, A0, Tсс, РКФМ) MLP 4-9-5 на k-выборке. Соответственно, DA-классификация по (3) и (4) показала 100 % и 97 % верных ответов.

За последние годы наши представления о системе гемостаза значительно изменились. Современная концепция нарушения гемостаза при лептоспирозе состоит в том, что существует множество видов коагулопатий с характерными признаками. К сожалению, врачам-инфекционистам не всегда легко ориентироваться в сложных вопросах дифференциальной диагностики коагулопатий. А ведь от этих знаний и умения решать сложные вопросы гемостазиологии во многом зависит успех лечебных мероприятий, которые, безусловно, отличаются друг от друга при разных видах гемостазиологических нарушений. Указанный алгоритм классификации реализован на C# в виде автономного программного блока медицинской системы поддержки принятия решений, с удобным интерфейсом, позволяющим по любому из нескольких наборов предикторов (лабораторных показателей) определить вид коагулопатии при лептоспирозе с вероятностью ошибки 3–5 % от числа наблюдений. Особенно важной с практической точки зрения является возможность экспресс-диагностики вида коагулопатии при лептоспирозе по набору из пяти предикторов (Тр, Фибриноген, АЧТВ, ПТИ, РКФМ (D-Димер)). Именно эти лабораторные тесты легко и быстро выполнимы в лечебной организации любого уровня даже в условиях экономии материальных ресурсов. Созданный нами блок классификационного анализа коагулопатии в СППР при лептоспирозе позволит в кратчайшие сроки интерпретировать результаты комплекса лабораторных исследований, быстро, объективно и унифицированно решить задачу дифференциальной диагностики и определения дальнейшей терапевтической тактики. А целью модернизации тактических подходов к терапии гемостазиологических нарушений является снижение летальности при тяжелых формах лептоспироза.