сотрудник
Россия
ГРНТИ 27.35 Математические модели естественных наук и технических наук. Уравнения математической физики
Цель: Выявление факторов риска, влияющих на исход лечения пациента, их ранжирование по вкладу в исход лечения, а также определение возможности их дополнительной диагностической оценки и коррекции при отклонении на этапе предоперационной подготовки с последующим построением прогностической модели. Материал и методы: В исследование включены пациенты, получавшие лечение в отделениях хирургического профиля в ФМБЦ им. А.И. Бурназяна ФМБА России с января 2009 по июль 2017 г., в т.ч. работники объектов использования атомной энергии, подвергающиеся воздействию ионизирующего излучения в профессиональных условиях. Исследование проведено на 112 пациентах, из которых 42 (37,5 %) мужчины и 70 (62,5 %) женщин в возрасте от 25 до 85 лет (59,6 ± 13,2). Среди лиц, включенных в исследование, 25 мужчин и 26 женщин подвергались длительному воздействию ионизирующего излучения от внешних источников в условиях производства в течение трудовой деятельности в пределах годовых предельно допустимых доз в среднем 124,6 ± 10,7 мЗв. Стаж работы в условиях воздействия ионизирующего излучения колебался от 5 до 35 лет, составив в среднем 24 года. Средний возраст составил 59,1 ± 13,4 лет. По исходу госпитализации после хирургического лечения 51 пациент выписан (45,5 %), а 61 (54,5 %) – умер. У всех пациентов был произведен сбор параметров функционирования различных органов и систем, в т.ч. с учетом анамнестических данных пациентов онкологического профиля, с дифференцировкой по конечному исходу хирургического лечения. Для определения ведущих факторов риска летального исхода онкохирургического больного использовался критерий χ2 Фишера. На основании ведущих факторов риска для построения математических моделей было использовано уравнение логистической регрессии. Анализ математических моделей произведен с помощью анализа площади под характеристическими ROC-кривыми. Результаты: С помощью критерия χ2 Фишера были определены факторы, по которым различаются группы выживших и умерших пациентов: возраст пациента, индекс массы тела, наличие нарушений ритма сердца в анамнезе, фракция сердечного выброса, уровень гемоглобина в крови, наличие белка в моче, показатель МНО в коагулограмме. На базе выявленных факторов путем использования метода бинарной логистической регрессии были построены двенадцать математических моделей, позволяющих разделить пациентов на группы с исходами госпитализации умер/выжил после оперативного вмешательства. Была выбрана математическая модель, обладающая наилучшей дискриминационной способностью. На основании прогностической модели было построено решающее правило, позволяющее ранжировать пациентов на три группы: зеленая (пациенты с минимальным риском летального исхода), желтая (пациенты, нуждающиеся в предоперационной коррекции), красная (пациенты с максимальным риском летального исхода, решение об оперативном вмешательстве необходимо решать на консилиуме).
прогностические шкалы, прогноз летальности онкохирургических пациентов, радиационное воздействие
С повышением продолжительности жизни населения повышается риск заболеваемости его сердечно-сосудистыми и онкологическими заболеваниями. Наряду, с этим онкологические заболевания, помимо генетической предрасположенности, связаны с профессиональной деятельностью человека, такой как судостроительная, оборонная, авиационная и атомная промышленности. При этом злокачественные новообразования, развивающихся под действием производственных канцерогенов, могут поражать практически любые органы и системы и нередко развиваются через годы и даже десятилетия после прекращения контакта с канцерогеном. В соответствии с современными представлениями, онкологический риск является одним из основных стохастических эффектов воздействия ионизирующего излучения на здоровье человека. Таким образом, в рамках мероприятий по преодолению последствий радиационного воздействия разработка методик, направленных на сохранение и восстановление здоровья лиц, подвергающихся
воздействию радиации и страдающих онкологическими заболеваниями, является актуальной задачей.
1. Профессиональная заболеваемость работников предприятий, прикрепленных на медицинское обслуживание к ФМБА России. // II научно-практическая конференция ФМБА России «Современные аспекты промышленного здравоохранения в системе федерального медико-биологического агентства», Москва, 24.11.2006. Под общ. ред. В.В. Уйбы. - М. 2006. С. 115-118.
2. Демин С.Н., Кротов В.А. Основные задачи промышленно-санитарного надзора на современном этапе // М-лы конференции «80 лет Госсанэпидслужбе РФ и 55 лет Федеральному управлению “Медбиоэкстрем”». Под ред. В.А. Кротова. - СПб. 2002. С. 99-106.
3. UNSCEAR 2000. Report to the General Assembly, with Scientific Annex. Annex I. Epidemiological evaluation of radiation-induced cancer. United Nations. New York. 2000. P. 297-450.
4. Криворучко И.А., Тарабан И.А. Повторные операции при внутрибрюшных послеоперационных осложнениях // Хирургия (Восточная Европа). 2012. № 3. С. 66-67.
5. Давыдов М.И., Аксель Е.М. Статистика злокачественных новообразований в России и странах СНГ в 2007 г. // Вестн. Рос. онкол. науч. центра им. Н.Н. Блохина РАМН. 2009. Т. 20. № 3 (прил. 1).
6. Mohammed S., Van Buren Ii G., McElhany A., et al. Delayed gastric emptying following pancreaticoduodenectomy: Incidence, risk factors, and healthcare utilization // W. J. Gastrointest. Surg. 2017. Vol. 9. № 3. P. 73-81. DOI:https://doi.org/10.4240/wjgs.v9.i3.73.
7. Кукош М.В., Демченко В.И., Гомозов Г.И. Лечебно-диагностический алгоритм для больных с внутрибрюшными послеоперационными осложнениями // Мед. альманах. 2011. № 2. С. 96-98.
8. Бакурова Е.М., Миронова К.А., Зуйков С.А., Верхова О.А. Некоторые патохимические механизмы развития гемической гипоксии у больных раком желудка // Таврический мед.-биол. вестник. 2012. Т. 15. № 3-2. С. 31-33.
9. Бухвалов А.Г., Лебедева Ю.В., Грекова Н.М., Бордуновский В.Н. Возможности снижения числа послеоперационных осложнений и летальных исходов при гнойно-деструктивных осложнениях небилиарного острого тяжелого панкреатита // Фундаментальные исследования. 2015. № 1-1. С. 41-45.
10. Colloca G., Monfardini S. // J. Geriatr. Oncol. 2017. Vol. 27. pii: S1879-4068(17)30031-0. DOI:https://doi.org/10.1016/j.jgo.2017.02.005.
11. Власов П.А., Зубенков М.В., Мыкот Е.Н. Коррекция проявлений хирургической агрессии в раннем послеоперационном периоде // В кн.: «Актуальные вопросы медицинской науки. Сб. науч. работ студентов и молодых ученых Всероссийской конференции с международным участием. Тезисы докладов. - Ярославская гос. мед. академия. 2009. С. 233-234.
12. González-Martínez, S., Martín-Baranera M., Martí-Saurí I. et al. Comparison of the risk prediction systems POSSUM and P-POSSUM with the Surgical Risk Scale: A prospective cohort study of 721 patients // Int. J. Surg. 2016. Vol. 29. P. 19-24. DOI:https://doi.org/10.1016/j.ijsu.2016.03.005.
13. Кобринский Б.А., Зарубина Т.В. Медицинская информатика. - М.: Академия. 2009. 192 с.
14. Реброва О.Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ STATISTICA. - М.: МедиаСфера. 2000. 312 с.
15. Гланц С. Медико-биологическая статистика. - М.: Практика. 1998. 462 с.
16. Harrell F.E., Califf R.M., Pryor D.P. Regression models for prognostic prediction: advantages, problems and suggested solutions // Stat. Med. 1984. № 3. P .143.
17. Hosmer D.W., Lemeshow S. Applied Logistic Regression [электронный ресурс]. - John Wiley and Sons. New York. 2000. P. 397.
18. Васильева И.В. Оценка точности прогностических шкал в условиях специализированного стационара у детей с травмами: дис. к-та мед. наук. М., 2017. 153 с.
