Методика разработки системы функционального компьютерного мониторинга

В период с 1988 по 1992 год в клинике военно-полевой хирургии были обследованы 207 пострадавших с тяжелой механической травмой, поступивших в клинику по “скорой помощи”.

В результате тщательной проверки данных были удалены наблюдения с явными техническими погрешностями, а также данные трех пострадавших, которые скончались через короткое время после травмы (в течение первых суток). Причиной смерти послужила массивная необратимая кровопотеря. Таким образом, для дальнейшего анализа было отобрано 511 блоков наблюдений.

Все они содержали базовый блок, включавший 14 прямых показателей: артериальное давление систолическое (мм рт.ст.), артериальное давление диастолическое (мм рт.ст.), частота сердечных сокращений (уд/мин) — ЧСС, частота дыхательных движений в одну минуту — ЧД. ударный объем сердца (л) — УО, парциальное давление кислорода в артериальной и венозной крови (мм рт.ст.) — Рао2 и P2O2 — соответственно, парциальное давление углекислого газа в артериальной и венозной крови (мм рт.ст.) — Рао2 и P2O2 соответственно, кислотность артериальной и венозной крови — рНа и pHv соответственно, уровень гемоглобина (НЬ) в крови (г/л), насыщение гемоглобина кислородом в артериальной и венозной крови (в процентах) — НbО2а и Hb02v соответственно.

Использование этих показателей позволяет оценить практически все звенья кислородного бюджета и, что представляется особенно важным, изучить взаимосвязь между доставкой кислорода тканям и его потреблением, которая в значительной степени изменяется при развитии эндотоксикоза [5. 8. 20]. После проведения расчетов по соответствующим формулам для создания системы функционального компьютерного мониторинга были отобраны следующие прямые и расчетные показатели: ударный индекс (УИ), сердечный индекс (СИ), частота сердечных сокращений (ЧСС), индекс систолической работы левого желудочка сердца (СРЛЖ_И), индекс минутной работы левого желудочка сердца (МРЛЖ_И), индекс общего периферического сопротивления (ОПС_И), среднее артериальное давление (АДср), градиент кислорода между артериальной и венозной кровью (A-VO^), потребление кислорода (ПО2), показатели кислотно-основного состояния артериальной и венозной крови — рНа и pHv. показатели парциального давления кислорода и углекислого газа в артериальной и венозной крови Рао2, Рvо2, Расо2, и Pvco2.

Из перечисленных выше показателей необходимо было с использованием специального математического аппарата выделить оптимальное количество признаков, достоверно описывающих данный массив. С этой целью массив данных с указанными выше показателями был исследован с помощью метода “главных компонент”. В результате проведенного анализа были выбраны восемь показателей, обладающих максимальным удельным весом в отобранных “главных компонентах”. Они приведены в табл. 4.1.

После идентификации показателей массив данных был обработан с использованием одной из разновидностей кластерного анализа — кластерного анализа наблюдений.

Таблица 4.1

Удельный вес показателей, отобранных методом главных компонент

Сущность метода заключается в выделении последовательным методом исходно заданного числа кластеров на основе определенных признаков путем выявления их наиболее устойчивых сочетаний [21]. Сформированное в соответствии с этим n-мерное кластерное пространство (в соответствии с задаваемым числом кластеров) исследуется путем проверки критерием Фишера, является ли выделение достоверным или нет. В ходе проведения кластерного анализа с выделенными нами в итоге предварительного анализа методом “главных компонент” переменными были получены следующие результаты (табл. 4.2.).

В таблице приведены сформированные устойчивые кластеры, выделенные в ходе анализа. Данные о достоверности разделения этих признаков на указанные кластеры приведены в табл. 4.3. Полученные данные показывают достоверное (р=0.000) выделение этих кластерных образований на данном массиве, что подтверждается приведенным на рис. 4.1 графиком достоверности различий, полученных при проведении кластерного анализа, в выходных данных программы.

Таблица 4.2

Результаты кластерного анализа по выделенным восьми переменным в массиве из 511 наблюдений

Видео: Разведопрос: Сергей Белоусов, основатель и генеральный директор компании Acronis

Таблица 4.3

Достоверность различий показателей, поделенных на кластеры

Видео: Гаджеты для ВЫЖИВАНИЯ

CLUSTER PROFILES - VARIABLES ARE ORDERED BY F-RATIO SIZE

Видео: Скрипт Хайп Мониторинга, Script HYIP Lister PRO 2017. Скрипт Мониторинг Хайпов.

EACH COLUMN DESCRIBES A CLUSTER .

THE CLUSTER NUMBER IS PRINTED AT THE MEAN OF EACH VARIABLE DASHES INDICATE ONE STANDARD DEVIATION ABOVE AND BELOW

Рис. 4. l.

Графическое отражение достоверности различий по группируемым признакам в сформированных кластерах

.



Представленные данные показывают высокую достоверность различий признаков, формирующих кластерный образ. Для верификации достоверности различий, полученные результаты были обработаны попарно множественным t-критерием. Их изучение полностью свидетельствует о высокодостоверном разделении признаков и включенных в массив блоков данных (соответствующих отдельным клиническим наблюдениям) на типичные патофизиологические кластеры.<< ПредыдушаяСледующая >>
Внимание, только СЕГОДНЯ!