Інформація призначена тільки для фахівців сфери охорони здоров'я, осіб,
які мають вищу або середню спеціальну медичну освіту.

Підтвердіть, що Ви є фахівцем у сфері охорони здоров'я.



UkrainePediatricGlobal

UkrainePediatricGlobal

Журнал «Здоровье ребенка» 6 (27) 2010

Вернуться к номеру

Прогнозування розвитку хронічного бронхіту в дітей та підлітків методом логістичної регресії

Авторы: Ільченко С.І., Дніпропетровська державна медична академія, кафедра пропедевтики дитячих хвороб

Рубрики: Педиатрия/Неонатология

Версия для печати


Резюме

Методом логістичної регресії визначені найбільш значущі предиктори розвитку хронічного бронхіту у дітей та підлітків. Запропоновано адаптовану до практики прогностичну модель з бальною шкалою, що дозволяє практичним лікарям прогнозувати розвиток хронічного бронхіального запалення у дітей з повторними інфекційними бронхітами. Впровадження результатів роботи покращить ранню діагностику та первинну профілактику цього захворювання в дитячому віці.


Ключевые слова

Діти, підлітки, хронічний бронхіт, прогнозування, логістична регресія.

Проблема хронічного бронхіту (ХБ) у дітей та значення цієї патології в дитячій пульмонології — предмет багатолітніх дискусій. Насамперед це стосується питань існування первинного бронхіту у дітей, можливості його виникнення на тлі повторних інфекційних бронхітів. Останніми роками з’явились праці, що свідчать про можливість формування ХБ у дітей як окремої нозологічної форми [1–3]. Однією з сучасних й маловивченою є проблема прогнозування ризику розвитку ХБ у дитячому віці.

На сьогодні в медичних дослідженнях існує декілька підходів до вирішення питань щодо будування прогностичної моделі. Серед методик значної поширеності набуває метод логістичної регресії, використання якого протягом останнього десятиліття було характерним для зарубіжних авторів, і тільки тепер логістична регресія все частіше зустрічається в працях вітчизняних вчених. Використання цього методу у наукових дослідженнях обгрунтовано, але є дуже незручним у практичній медицині, оскільки потребує виконання розрахунків за складною формулою [4]. Інший підхід полягає у використанні автоматизованих систем прогнозування, побудованих, наприклад, на основі нейромережного аналізу [5]. Сучасні комп’ютерні програмні пакети, такі, наприклад, як Statisticа Neural Networks, дозволяють побудувати, «навчити» та використовувати нейронну мережу як засіб прогнозування. Недоліком цього методу у практиці є необхідність відповідного рівня знань основ нейромережного аналізу серед практичних лікарів.

Отже, метою даної роботи була побудова адекватної, зручної для застосування у практичній медицині прогностичної моделі щодо ймовірності формування хронічного запального процесу в бронхах на тлі повторних інфекційних бронхітів у дітей та підлітків.

Матеріали та методи дослідження

Дослідження проводилось на 68 диспансерних хворих віком від 10 до 18 років (із них у 27 дітей був діагноз рецидивуючого бронхіту, у 41 — первинного ХБ). Аналізували клініко-анамнестичні та лабораторно-інструментальні дані (у тому числі показники спірометрії, рентгенограми органів грудної клітки, діагностичної бронхоскопії та брашбіопсії, електроміографії дихальних м’язів, імуноцитологічних досліджень біоматеріалу) — усього 66 ознак, у тому числі описаних авторами в працях [7, 8]. Завданням було створення шкали, що дозволяла б прогнозувати трансформацію рецидивуючого бронхіту в хронічний із заданою ймовірністю. Досліджувана залежна змінна була бінарною і мала два значення: «так» (є деформація бронхосудинного рисунку за даними рентгенографії органів грудної клітки, що є специфічним для ХБ) та «ні» (коли даний симптом відсутній). Для статистичної обробки отриманих результатів використовувався пакет програм статистичного аналізу Statisticа v6.1®. Загальний алгоритм створення шкали був таким: 1) визначення на підставі кореляційного аналізу переліку потенціальних пре­дикторів; 2) множинний регресійний аналіз із розрахунком парціальних (часткових) коефіцієнтів кореляції і коефіцієнтів важливості (importance) Пратта [6], тобто «зважування» предикторів; 3) визначення бала для кожного предиктора на підставі його коефіцієнта важливості; 4) визначення сумарного бала для кожного спостереження (пацієнта) з вибірки; 5) обчислення теоретичної ймовірності залежної змінної від сумарного бала методом логістичної регресії; 6) визначення діапазону теоретичних імовірностей і відповідних до них сумарних балів, при якому залежна змінна фактично набувала значення «ні»; 7) вибір значення порогового (граничного) бала; 8) перевірка адекватності значення порогового бала шляхом обчислення фактичної частоти розвитку хронічного бронхіту в групах пацієнтів із сумарним балом менше або більше порогового.

Результати та їх обговорення

До переліку змінних, відібраних як потенційні предиктори за даними кореляційного аналізу, увійшло 17 ознак: стаж хвороби (рецидивуючі бронхіти) понад 5 років, спадковість щодо хронічних бронхолегеневих захворювань, перебування на ШВЛ або довга киснева терапія в неонатальному періоді, понад 3 бронхіти на рік, пневмонія з затяжним перебігом або тяжке гостре респіраторне захворювання в ранньому віці, активне паління, м’язова гіпотонія, деформація грудної клітки або сколіоз, наявність задишки, зниження рухливості стінок трахеї та бронхів при візуальному дослідженні під час бронхоскопії, двосторонній або гнійний ендобронхіт, незворотне зниження FEV1 < 80 % від норми, рівень альфа-1-антитрипсину крові £ 0,8 г/л, рівень сироваткового трансформуючого фактора росту TGF-b у крові > 100 нг/мл, зниження потенціалу проліферації епітелію бронхів за даними імуноцитохімічного аналізу [8], наявність енергодефіциту за даними рівня СДГ у лімфоцитах крові £ 16 опт.од.

Результати множинного регресійного аналізу наведено в табл. 1. При рівні значущості р < 0,05–0,001 вірогідно були пов’язані з залежною змінною такі показники: стаж хвороби (коефіцієнт парціальної кореляції r = 0,27), кількість бронхітів на рік — понад 3 (r = 0,53), пневмонія з затяжним перебігом або тяжке гостре респіраторне захворювання в ранньому віці (r = 0,39), активне паління (r = 0,45), наявність задишки (r = 0,36), двосторонній ендобронхіт (r = –0,44), зниження потенціалу проліферації епітелію бронхів за даними імуноцитохімічного аналізу (r = 0,28), рівень альфа-1-антитрипсину крові £ 0,8 г/л (r = 0,44). Предиктори, що мали статистичний зв’язок із залежною змінною з рівнем р < 0,30, були також використані у моделі на підставі емпіричного досвіду дослідників. Із двох предикторів, що мали відомі високі рівні парціальної кореляції (наявність кашлю понад 3 місяці та понад три бронхіти на рік), до регресійної моделі відібрали той, що мав менший рівень значущості. Адекватність моделі множинної регресії оцінювалась за критерієм Фішера — F = 19,46 (p < 0,001) і коефіцієнтом детермінації — R2 = 0,87.

 

Були обчислені коефіцієнти важливості (importance), абсолютні значення яких пропорційні стандартизованим коефіцієнтам регресії b і, отже, пропорційні ступеню внеску кожного предиктора в пояснення значення залежної змінної (табл. 1). Найбільш високі коефіцієнти важливості мали таки пре­диктори, як наявність затяжних бронхітів понад 3 на рік (0,22), обтяжений анамнез через тяжке респіраторне захворювання в ранньому віці (0,13), активне паління (0,09), зниження активності проліферації бронхіального епітелію (0,12), низький рівень альфа-1-антитрипсину крові (0,10). Коефіцієнти важливості надалі були обрані як вагомі значення для створення шкали. Для кожного предиктора визначили кількість балів шляхом множення коефіцієнта важливості на 100 та округлення до цілих (останній стовпчик табл. 1).

Для визначення порогового (граничного) бала використано метод логістичної регресії, де сумарний бал кожного хворого, розрахований за 17 вищепереліченими ознаками, виступав як предиктор, а залежна змінна залишалась тією самою. Було отримано рівняння для залежної змінної:

де B0 = 7,186; B1 = 0,111;

x — сума балів у конкретного пацієнта;

Р — теоретична ймовірність розвитку хронічного бронхіту.

Адекватність моделі логістичної регресії оцінювалась за критерієм хі-квадрат — c2 = 63,4 (p < 0,001), значущість коефіцієнтів регресії (В0, В1) — за критеріями Стьюдента і Вальда (p < 0,001). За допомогою даного рівняння були обчислені теоретичні значення ймовірності деформації бронхосудинного рисунку для кожного пацієнта (рис. 1) і діапазони (95% довірчі інтервали) прогнозованого ризику розвитку хронічного бронхіту в групі хворих зі значенням залежної змінної «ні» та в групі хворих зі значенням «так» (рис. 2). Виявилось, що деформація судинного рисунку практично не реалізовувалась, якщо теоретична ймовірність її розвитку знаходилась в інтервалі від 0,027 до 0,25, що відповідає 60 балам за рис. 1. Ця сума була прийнята як порогова.

 

Під час практичної перевірки ефективності прогнозування ймовірності розвитку хронічного бронхіту за сумарним балом 60 і вище доведена висока специфічність (88,9 %) і чутливість (100 %) запропонованого методу (табл. 2). Деяку тенденцію до гіпердіагностики в даній ситуації, з урахуванням профілактичного напрямку щодо хронізації бронхолегеневого процесу у дітей, можна вважати допустимою.

 

Таким чином, на основі клініко-анамнестичних та лабораторно-інструментальних даних із використанням методів регресійного аналізу була створена зручна, клінічно адаптована шкала, що дозволяє з точністю 95,6 % прогнозувати розвиток хронічного бронхіту у дітей та підлітків та діагностувати його. Впровадження результатів роботи у практичну педіатрію сприятиме покращенню діагностики та первинної профілактики цієї патології.


Список литературы

1. Смирнова М.О., Розинова Н.Н., Костюченко М.В. и др. Клинические и патогенетические особенности разных вариантов хронического бронхита у детей // Рос. вестник перинатологии и педиатрии. — 2007. — № 3. — С. 22-27.
2. Рачинский С.В., Волков И.К. Хронические бронхиты у детей // Пульмонология . — 2004 . — № 2. — С. 36-39.
3. Антипкін Ю.Г., Арабська Л.П., Смирнова О.А та ін. Сучасні підходи до діагностики, профілактики рецидивуючих і хронічних бронхітів у дітей. — Київ, 2003. — 121 с.
4. Боровиков В. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов. — 2-е изд. — СПб., 2003. — 688 с.
5. Нейронные сети. STATISTICA Neural Networks: Пер. с англ. — М., 2001. — 182 с.
6. Pratt J.W. Dividing the indivisible: using simple symmetry to partition variance explained / Ed. by T. Pukkila, S. Puntanen // Proceedings of the Second International Tampere Conference in Statistics. — Tampere, Finland: University of Tampere. — Р. 245-260.
7. Дука Е.Д., Ильченко С.И. Диагностическая значимость уровня трансформирующего фактора роста у детей с рецидивирующими и хроническими бронхитами // Здоровье ребенка. — 2008. — № 6. — С. 23-25
8. Ільченко С.І., Бондарева В.О. Результати імуноцитохімічних досліджень слизової оболонки бронхів у дітей з рецидивними та хронічними бронхітами // Медичні перспективи. — 2008. — № 2. — С. 74-77


Вернуться к номеру