УДК 616.831 – 001
: 681.3(075.5)Резюме
Длительный клинико-эпидемиологический мониторинг неотложных состояний и прогноз их развития на примере острой черепно-мозговой травмы
С.Я.Семисалов, Л.А.Зуев, О.И.Федяев, Ж.В.Черкасова, В.Оейипо
Проведено исследование возможности прогнозирования развития неотложных состояний на примере острой черепно-мозговой травмы (ЧМТ). Изучено 9267 случая оказания неотложной помощи больным с ЧМТ в Донецком областном нейрохирургическом центре за 1996-1999 г.г.
С помощью специально разработанной математической модели проведен анализ эффективности прогнозирования развития острой ЧМТ. Результаты прогнозирования верифицировались поквартально с реальными данными. Точность прогноза составила 91% (итоговая за год).
Дальнейшая работа по набору большего числа наблюдений за более длительный период позволит достичь более стабильных результатов математического прогноза. Модель прогнозирования развития черепно-мозгового травматизма может служить основой для изучения прогноза развития других неотложных состояний, что позволить более эффективно планировать оказание медицинской помощи этой категории больных.
Ключевые слова: информационная медицинская система, черепно-мозговая травма, программно-вычислительное прогнозирование
Донецкий государственный медицинский университет им. М. Горького
Институт прикладной математики и механики НАН Украины
Донецкий государственный политехнический университет
УДК 616.831 – 001
: 681.3(075.5)С.Я.Семисалов, Л.А.Зуев, О.И.Федяев, Ж.В.Черкасова, В.Оейипо
Длительный клинико-эпидемиологический мониторинг неотложных состояний и прогноз их развития на примере острой черепно-мозговой травмы
Донецкий государственный медицинский университет им.
М. ГорькогоИнститут прикладной математики и механики НАН Украины
Донецкий государственный политехнический университет
Ключевые слова: информационная медицинская система, черепно-мозговая травма, программно-вычислительное прогнозирование
Развитие общества на рубеже тысячелетий неуклонно ведет к росту заболеваемости и травматизма, обусловленному как социально-экономическими трудностями, так и особенностями техногенного влияния на человека[1].
В Украине, как и во всем мире, наблюдается неуклонный рост травматизма вообще и черепно-мозгового, в частности [2,7]. Это определяет не только медико-эпидемиологическую, но и социальную значимость данной проблемы.
Решение многих вопросов своевременной медицинской помощи больным с неотложными состояниями может быть более успешным, если знать заранее характер их развития, распределение интенсивности травматизма и острых заболеваний по времени в течение года. Иными словами, предвидение развития различных неотложных состояний является тем необходимым звеном, которое позволяет с минимальными затратами организовывать квалифицированную оптимальную помощь населению.
Под прогнозом понимается результат экстраполяции прошлого в будущее[3,4,5]. Предполагается, что прогнозы строятся на основе некоторых объективных правил, которые определяют совокупность вычислений и действий, необходимых для получения прогноза, тогда как под “предсказанием” понимаются некоторые субъективные оценки будущего [5,7,8]. Прогнозы, таким образом, представляют собой некоторые несмещенные оценки будущих значений. Однако если субъективные предсказания достаточно убедительно указывают на то, что несмещённые оценки будущего вряд ли возможны, прогнозы необходимо модифицировать, т. е. подправлять.
Целью работы является изучение особенностей методов среднесрочного прогнозирования на примере длительного клинико-эпидемиологического мониторинга черепно-мозгового травматизма.
Материал и методы. На базе Донецкого областного нейрохирургического центра проведено длительное выборочное клинико-эпидемиологическое исследование острой черепно-мозговой травмы (ОЧМТ) за 1996-2000 г.г. В качестве программного обеспечения для создания базы данных использована информационная система “Медик-ЧМТ”[6], использующая программу, написанную на Power Builder 6.5(среда разработки приложений баз данных). В качестве базы данных использованы SQL Anywhere 5.5.04. В программу интегрированы объекты многооконного объектного интерфейса MWOI –2 (Multi Window Object Interface). Многооконный объектный интерфейс – это взаимосвязанный набор визуальных и не визуальных объектов, разработанных и включенных в программу с целью осуществления удобного взаимодействия с этой программой. MWOI обладает большой степенью унификации. Длительный мониторинг ЧМТ позволил создать базу данных за 4 года (1996-1999 г.г.), включивший 9267 наблюдений ОЧМТ. На основе полученной информации была разработана математическая прогнозная модель поквартального развития черепно-мозгового травматизма в г. Донецке на 2000 год. В последующем результаты прогноза сопоставлялись с реальными данными и корректировались.
В прогнозировании можно идти двумя путями. Первый – попытаться вскрыть причинно-следственный механизм, т. е. найти факторы, определяющие поведение прогнозируемого показателя, прогноз по которым либо известен, либо найти нетрудно. Этот путь приводит собственно к экономико-математическому моделированию, построению модели поведения объекта (статистические модели такого типа иногда называют эконометрическими). Второй путь, – не вдаваясь в механику движения, попытаться предсказать будущее положение, анализируя временной ряд показателя изолированно. В данной работе рассмотрены именно такие методы, так как определить общие закономерности прогнозируемого объекта представляется весьма сложным.
Методы прогнозирования существенно различаются в зависимости от того, является ли прогнозирование краткосрочным или среднесрочным. В первом случае прогноз строится на один-два момента времени (квартал, месяц, неделю и т. п.) вперёд и, как правило, оперативен и непрерывен. В большинстве случаев краткосрочного прогнозирования данные берутся либо за месяц, либо за неделю; соответственно прогноз необходимо построить на один-два месяца или на неделю вперёд. При среднесрочном прогнозировании данные, как правило, ежегодные, а прогноз необходимо построить на 5-10 лет вперёд.
Указанные различия между задачами кратко- и среднесрочного прогнозирования приводят к необходимости решать их разными методами. В первом случае это основанные на идее экспоненциального сглаживания методы, впервые предложенные Р. Брауном, а во втором – методы выравнивания и экстраполяции тренда
.В большинстве приложений применяются два типа прогностических моделей: экспоненциальное сглаживание и регрессия (в том числе криволинейное выравнивание). Причины несомненной популярности соответствующих методов следующие:
Задача прогнозирования динамики ЧМТ заключается в следующем: по исходной выборке, содержащей данные о количестве ЧМТ, отвечающих заданным критериям (например - определённому возрасту, полу, виду травмы) за период упреждения прогноза (в данном случае 1996-1999гг.) необходимо спрогнозировать число ЧМТ в заданном периоде от 1 до 10 лет. Выборка может содержать данные за разные моменты времени (дни недели, дни месяца, недели, месяцы, кварталы, годы), это даёт возможность разностороннего анализа и достигается за счет хранения общей выборки в электронном виде в файле базы данных (БД). Имеющаяся БД содержит большой набор признаков, по которым возможен анализ данных, например: дата травмы; день недели, в который произошла травма; пол, возраст, социальное положение пострадавшего; вид травмы; ее характер, исход травмы и т. п.
Полученный прогноз должен быть верифицирован (проверен) по 2000 и 2001 гг., ошибка прогнозирования не должна превышать 5 - 10%.
Данная задача относится к задачам среднесрочного прогнозирования, так как среднесрочное прогнозирование, как правило, целесообразно в случаях, когда:
имеются ежегодные данные, и их можно взять из официальных источников (карты истории больных);
прогнозы являются одноразовыми, т.е. не повторяются и не подправляются (адаптируются) с поступлением новых данных;
прогнозы осуществляются для временных рядов относительно малой длинны;
прогнозируется динамика не отдельного объекта, а процесса, имеющего более общую природу (динамика травматизма);
прогноз необходимо построить на 5-10 лет.
Для её решения существуют такие методы:
линейная регрессия;
криволинейное выравнивание (подбор кривых, сводящихся к линейному тренду);
выравнивание по кривым, сводящимся к модифицированной экспоненте;
метод кумулятивных сумм.
Каждый из перечисленных методов имеет свои достоинства и недостатки, в данной работе все методы рассмотрены более подробно. Из них выбран метод, наиболее отвечающий своими характеристиками (точностью прогнозирования, простотой реализации, ясностью и др.) и реализован для решения поставленной задачи.
Техника регрессионного анализа заключается в подборе криволинейной или прямолинейной зависимости к реальным данным так, чтобы она наилучшим образом аппроксимировала наблюдаемые значения. Методы регрессионного анализа, в отличие от других методов, дают, помимо самого прогноза и другую важнейшую характеристику качества прогноза, выражаемую в виде стандартной ошибки прогноза и его доверительного интервала. При использовании регрессионных методов. При использовании регрессионных методов в анализе временных рядов предполагается, что каждому моменту времени t соответствует одно наблюдение, а всего имеется n наблюдений независимой переменной y; первое наблюдение обозначим - y
1, а последнее - yn . Эта система обозначений хорошо видна на рис.1.
Рисунок 1. Пример выделения среднего значения
Значение для 1996г. t=0, всего наблюдений n=4.
Период упреждения прогноза обозначим через
t - это соответствует числу точек (шагов), на которое строится прогноз.Таким образом, используя различные математические модели прогнозирования
, на основе длительного исследования ЧМТ была опробована прогностическая модель развития черепно-мозгового травматизма в г. Донецке. Ежеквартальная оценка прогноза производилась в виду того, что ежемесячные колебания были достаточно выражены и плохо поддавались математической обработке.В качестве основы изучения развития ЧМТ было положено исследование характера травм, так как особенности динамики этой стороны травматизма во многом предопределяют его развитие в будущем. И особенно это относится к росту так называемого бытового травматизма, который и определяет, по существу, изменения этой патологии в последние годы.
При более детальной оценке полученной информации, также было выделено взаимоотношение бытового травматизма среди мужчин и женщин, так как соотношение ЧМТ среди них с каждым годом меняется - за последние годы на фоне общего роста бытового травматизма, отмечается значительный рост травматизма у женщин по отношению к мужчинам. Эффективность разработанной прогностической системы представлена в таблице 1.
Таблица 1. Хронодинамика и поквартальный прогноз развития острой черепно-мозговой травмы в г. Донецке в зависимости от ее характера на 2000 г. (с помощью математических моделей)
|
ЧМТ Квар- Тал |
Бытовая м ж о.п. |
Д Т П м ж о..п. |
Производственная м ж о.п. |
Прочие м ж о.п. |
Суммарная м ж о.п. |
|
1 квартал |
367 190 557 |
23 39 43 |
17 7 24 |
53 10 63 |
460 227 687 |
|
Прогноз на 1 квартал |
367 188 553 |
23 40 43 |
17 7 24 |
54 10 63 |
461 227 688 |
|
Ошибка: абс.ч. % |
0 2 4 0 1,55 0,97 |
0 1 0 0 2,6 0 |
0 0 0 0 0 0 |
1 0 0 1,16 0 0 |
1 0 1 0,42 0 0,09 |
|
11 квартал |
457 182 639 |
53 39 92 |
10 12 22 |
43 5 48 |
563 238 801 |
|
Прогноз на 2-ой квартал |
358 204 588 |
35 33 55 |
13 6 18 |
76 27 94 |
466 278 735 |
|
Ошибка: абс.ч. % |
99 22 51 21,6 12 7,97 |
18 6 37 35 16 40 |
3 6 4 49 20 30 |
33 22 46 76 454 97 |
97 40 66 17,2 17 8,3 |
|
111 квартал |
438 175 613 |
55 30 85 |
24 6 30 |
46 3 49 |
563 214 777 |
|
Прогноз на 3-ий квартал |
377 193 567 |
30 22 47 |
26 6 31 |
53 5 53 |
472 207 677 |
|
Ошибка: абс.ч. % |
61 18 46 13,9 10 7,6 |
25 8 38 46 26 45 |
2 0 1 7,5 0 3,7 |
7 2 4 13 8 8,2 |
91 7 100 15,8 3 12,6 |
|
1V квартал |
429 194 623 |
74 26 100 |
17 6 23 |
33 7 40 |
553 233 786 |
|
Прогноз на 4-ый квартал |
396 192 526 |
65 40 105 |
22 13 33 |
38 21 47 |
503 180 680 |
|
Ошибка: абс.ч. % |
33 2 97 7,7 0,85 15,5 |
9 14 5 13 56 5,2 |
5 7 10 30 120 43,6 |
5 14 7 14,5 203 17,8 |
50 53 106 9 22,5 13,5 |
|
Итого За 2000 г |
1691 741 2432 |
205 115 320 |
68 31 99 |
175 25 200 |
2139 912 3051 |
|
Прогноз на 2000г. |
1471 777 2234 |
153 135 250 |
78 32 106 |
220 63 257 |
1902 892 2780 |
|
Ошибка: абс.ч. % |
220 36 198 13 4,9 8,14 |
52 20 70 25 2,2 21,9 |
10 1 7 14,7 3,2 7 |
45 38 57 25,7 152 28,5 |
237 20 271 11,4 2,3 9 |
Примечание: абс.ч. – абсолютное число
Как видно из представленной таблицы, точность прогноза существенно меняется в зависимости от количества наблюдений и достигает наибольшего значения в суммарных показателях за год (до 9% ошибки). В то же время наибольшее количество ошибок наблюдается в графе прочих причин травм, куда отнесены такие травмы как спортивная, “школьная”, все случаи, когда невозможно уточнить характер травмы (больные находились в бессознательном состоянии или состоянии выраженного алкогольного опьянения и не было и т.д.). Этот факт объясняется, по-видимому, различием прочих причин получения травмы (и бытовая, и ДТП) и, небольшим числом отдельных видом травм (спортивных, “школьных”).
Таким образом, если брать во внимание положение, что прогноз считается эффективным, когда количество ошибок не превышает половину реальных данных, то в целом, проведенное исследование показало значительную эффективность применения прогнозирования развития неотложных состояний в медицинской практике. Дальнейшее накопление реальных данных (за 5-10 лет) и коррекция математической модели позволит улучшить качество прогноза, что в значительной степени облегчит задачу планирования работы как отделов здравоохранения различных уровней, так и “скорой помощи” и профильных больниц.
Учитывая, что разработанная система сбора, обработки данных и прогнозирования является универсальной, то в дальнейшем возможен прогноз и других неотложных состояний, требующих значительных затрат сил и средств, а прогнозирование динамики развития этих состояний даст возможность заблаговременно быть готовым к оказанию необходимой медицинской помощи в достаточном объеме.
Литература
1. Лебедев В.В., Крылов В.В. Неотложная нейрохирургия: Руководство для врачей. - М.: Медицина, 2000.- 568 с. : ил.
2. Морозов А.Н. Исторические предпосылки и некоторые современные аспекты нейрохирургической помощи в Украине при острой черепно-мозговой травме// Бюл. УАН.-1998.-Вип.7.-С.90-93.
3. Льюис К.Д. Методы прогнозирования экономических показателей. – М.: Финансы и статистика, 1986. – 130 с.
4. Смирнов Л. П., Ершов Ю. В. Прогнозирование и управление в науке - К.: Институт кибернетики, 1973. - 107 с.
5. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования- М.: Статистика, 1979. – 253 с.
6.Семисалов С.Я., Семенова Т.В. Краткосрочный прогноз развития острой черепно-мозговой травмы у взрослого населения г. Донецка//Украинский медицинский альманах.-2000.-Том 3, №4.-С.184-187.
7.Четыркин Е.М. Статистические методы прогнозирования. Изд. 2-е, перераб. и доп. М., “Статистика”, 1977.-200 с.
8.Лях Ю.Е. Роль и место имитационного моделирования в системном анализе медико-биологических объектов//Вестник гигиены и эпидемиологии.-1997.-Том 1.-№1.- С.8-17.
7.Клиническое руководство по черепно-мозговой травме. / Под ред.А.Н.Коновалова, Л. Б. Лихтермана, А. А. Потапова. Том 1.-Москва: “Антидор”.-1998.-550 с.