Содержание
Перейти к:
Прогнозирование хронического лимфолейкоза с использованием методов интеллектуального анализа данных
https://doi.org/10.37489/2588-0519-2022-3-31-34
Аннотация
Актуальность. Хронический лимфолейкоз (ХЛЛ) — одно из наиболее часто встречающихся лимфопролиферативных заболеваний европейской популяции с увеличением частоты в пожилом и старческом возрасте. Стандартные подходы к прогнозированию общей выживаемости у этой категории пациентов не учитывают наличие коморбидной патологии и имеют невысокую точность. Ввиду этого поиск параметров, влияющих на показатель общей выживаемости пациентов с ХЛЛ, представляет особую актуальность.
Цель исследования — на этапе постановки диагноза ХЛЛ выделить факторы, влияющие на общую выживаемость больных ХЛЛ.
Материалы и методы. Ретро- спективно проанализированы данные 132 пациентов с ХЛЛ стадии A-C по Binet c известной общей выживаемостью. Задача решалась методами интеллектуального анализа данных, а именно с использованием логических алгоритмов классификации.
Результаты. Скорость клубочковой фильтрации определена в качестве параметра, который объективно обосновывает отклонение реальных сроков общей выживаемости пациентов от расчётных по стандартной системе стадирования Binet. Для этого параметра сформировано if…then-правило, которое даёт возможность прогнозировать выживаемость пациента. При значении СКФ на момент постановки диагноза ХЛЛ более 76 мл/мин/1,73м2 можно говорить о том, что пациент преодолеет расчётные данные медианы выживаемости для соответствующей стадии ХЛЛ по Binet. В противном случае — общая выживаемость пациента ХЛЛ будет меньше расчётной медианы выживаемости по Binet.
Заключение. Анализ проведённого исследования позволяет сделать вывод о целесообразности применения методов интеллектуального анализа данных в прогнозировании общей выживаемости пациентов с ХЛЛ. Приведённые в статье клинические примеры показывают их эффективность. По результатам проведённого исследования оформлена заявка на изобретение № 2022104419.
Для цитирования:
Марковцева М.В., Згуральская Е.Н. Прогнозирование хронического лимфолейкоза с использованием методов интеллектуального анализа данных. Качественная клиническая практика. 2022;(3):31-34. https://doi.org/10.37489/2588-0519-2022-3-31-34
For citation:
Markovtseva M.V., Zguralskaya E.N. Chronic lymphocytic leukemia prediction using data mining methods. Kachestvennaya Klinicheskaya Praktika = Good Clinical Practice. 2022;(3):31-34. (In Russ.) https://doi.org/10.37489/2588-0519-2022-3-31-34
Введение / Introduction
Хронический лимфолейкоз (ХЛЛ) — одно из наиболее распространённых лимфопролиферативных заболеваний европейской популяции с дебютом в среднем возрасте (44–60 лет) и увеличением частоты встречаемости в пожилом (60–75 лет) и старческом (более 75 лет) возрасте [1]. В настоящее время общепризнанными являются системы стадирования ХЛЛ Rai КR и соавт. (1975 г.) [2], Binet JL и соавт. (1981 г.) [3], которые позволяют рассчитать медиану выживаемости пациента в зависимости от величины опухолевой массы. Однако предлагаемые системы не берут во внимание коморбидную патологию, которая, как правило, наблюдается у пациентов пожилого возраста, в котором и диагностируется ХЛЛ. В результате в реальной клинической практике параметр общей выживаемости (ОВ) пациента может значимо отличаться от расчётной медианы выживаемости. По этой причине достоверность результатов прогнозирования ОВ по объёму опухолевой массы остаётся недостаточно высокой.
В последние годы разработаны современные способы прогнозирования ХЛЛ, однако они связаны с необходимостью проведения сложных исследований, которые не являются рутинными: мутационный статус генов вариабельного региона иммуноглобулинов (IGHV), хромосомные аберрации, мутация TP53 и др. [4–9]. До последнего времени приходится констатировать факт высокой стоимости, трудоёмкости и недоступности этих методик для большинства пациентов в реальной клинической практике. Таким образом, достоверное прогнозирование ХЛЛ доступными способами сохраняет свою актуальность.
Цель исследования: на этапе постановки диагноза ХЛЛ выделить факторы, влияющие на ОВ пациентов.
Материалы и методы / Materials and methods
Ретроспективно исследованы данные 132 пациентов (60 мужчин и 72 женщины) в возрасте от 45 до 80 лет с ХЛЛ A-C по Binet и известной ОВ, наблюдавшихся в гематологическом отделении ГУЗ «Ульяновская областная клиническая больница» в период с 01.2010 по 02.2020 года. Из исследования исключались пациенты с ВИЧ-инфекцией, туберкулёзом и иными паранеопластическими процессами. На момент постановки диагноза ХЛЛ учитывался возраст пациента, а также измерялись стандартные биохимические показатели: аланинаминотрансфераза (АЛТ), аспартатаминотрансфераза (АСТ), общий билирубин, непрямой билирубин, глюкоза, креатинин, мочевина, мочевая кислота, лактатдегидрогеназа (ЛДГ). Дополнительно рассчитывали скорость клубочковой фильтрации (СКФ) пациента по формуле CKD-EPI [10].
Обработку полученных данных проводили с использованием методов интеллектуального анализа данных (ИАД), способных не только эффективно выявлять то или иное состояние, но и прогнозировать исследуемые эффекты [11]. Одним из пяти типов закономерностей, которые позволяют выявлять методы ИАД, является классификация. В основе логических алгоритмов классификации лежит принцип индуктивного вывода логических закономерностей или индукции правил. Создание и использование логических алгоритмов классификации основывается на выявлении в исходных данных закономерностей, из набора которых формируется решающая функция [12].
Объекты выборки были разделены на два непересекающихся класса: K1 (фактическая выживаемость меньше прогнозируемой ОВ — 6 пациентов) и K2 (фактическая выживаемость больше или равна прогнозируемой ОВ — 46 пациентов). Поиск логических закономерностей осуществлялся с использованием интервальных методов.
Упорядоченная последовательность по 132 значениям по каждому количественному признаку разбивалась на два непересекающихся интервала [c1; c2], (c2; c3], по значению критерия [13–15]
Результаты / Results
Значения критерия (1) и границы интервалов признаков представлены в табл. 1.
Таблица 1
Границы интервалов признаков при максимальном значении критерия 1
Table 1
The feature intervals boundaries at the maximum criterion 1 value
Наиболее значимая разделимость между классами была получена по показателю СКФ CKD-EPI при значении критерия (1), равном 0,8298. В качестве границы (порога) между классами использовалось значение G=(c2+b)/2, где b(b<c2) — ближайшее к c2 значение признака из (c2; c3].
Для обоснования выбора порога между классами вычислялась устойчивость разбиения признака на непересекающиеся интервалы. При вычислении использовались значения функции принадлежности к интервалу t(t=1,2) по классу Ki, i=1,2, определяемые как
Множество допустимых значений устойчивости (3) принадлежат [ 0,5; 1]. Значения функции принадлежности (3) к интервалам по СКФ CKD-EPI приводятся в табл. 2.
Таблица 2
Значения функции принадлежности (2) по признаку СКФ CKD-EPI
Table 2
Values of the membership function (2) based on the GFR CKD-EPI
Устойчивость разбиения по (3) для СКФ CKD-EPI составляла 0,911667.
Обсуждение / Discussion
Полученные результаты показывают, что при значении СКФ CKD-EPI на момент постановки диагноза более 76 мл/мин/1,73м2 можно говорить о том, что пациент преодолеет расчётные параметры медианы выживаемости для соответствующей стадии ХЛЛ по Binet. В противном случае — общая выживаемость пациента будет меньше расчётной медианы выживаемости по Binet.
Для иллюстрации приводим клинические примеры.
Клинический пример 1. Больной З., 69 лет. Установлен диагноз: хронический лимфолейкоз, стадия В по Binet. Расчётная медиана выживаемости составляет 60 месяцев. При постановке диагноза определена СКФ по формуле CKD-EPI, которая составила 77 мл/мин/1,73м2. Общая выживаемость пациента составила 71 месяц, что превышает расчётную.
Клинический пример 2. Больной Т., 55 лет. При текущем медицинском осмотре был поставлен диагноз хронического лимфолейкоза, стадия А по Binet. Расчётная медиана выживаемости составляет 120 месяцев. При постановке диагноза определена СКФ по формуле CKD-EPI, которая составила 94 мл/мин/1,73м2. Пациент остаётся под наблюдением, в течение уже 227 месяцев, т. е. расчётная медиана выживаемости преодолена.
Клинический пример 3. Больной Н., 80 лет. Установлен диагноз: хронический лимфолейкоз, стадия С по Binet. Расчётная выживаемость составляет 24 месяца. При постановке диагноза СКФ по формуле CKD-EPI определена на уровне 47 мл/мин/1,73м2. Общая выживаемость пациента составила 11 месяцев, что менее расчётной.
Основные выводы / Conclusion
Таким образом, значение параметра СКФ CKD-EPI на момент постановки диагноза ХЛЛ отражает сокращение либо увеличение срока ОВ пациента относительно расчётного показателя медианы выживаемости по системе стадирования Binet. Приведённые клинические примеры показывают эффективность анализа полученных результатов с использованием ИАД в прогнозировании общей выживаемости пациентов с ХЛЛ на практике. По результатам проведённого исследования оформлена заявка на изобретение № 2022104419.
ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ
ADDITIONAL INFORMATION
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Conflict of interest. The authors declare that there is no conflict of interest.
Финансирование. Исследование не имело спонсорской поддержки.
Funding. The study had no sponsorship.
Участие авторов. Марковцева М. В. — концепция исследования, литературный поиск, сбор и анализ материала, написание статьи, финальное утверждение рукописи; Згуральская Е. Н. — математическое моделирование, анализ результатов, написание текста.
Participation of authors. Markovtseva MV — research concept, literary search, collection and analysis of material, writing the article, final approval of a manuscript; Zguralskaya EN — mathematical modeling, analysis the results, writing the text.
Список литературы
1. Алгоритмы диагностики и протоколы лечения заболеваний системы крови / под ред. В. Г. Савченко. В 2 т. Т. 2. — М.: Практика, 2018.— 1264 с.
2. Rai KR, Sawitsky A, Cronkite EP et al. Clinical staging of chronic lymphocytic leukemia. Blood. 1975;46:219–34.
3. Binet JL, Auquier A, Dighiero G et al. A new prognostic classification of chronic lymphocytic leukemia derived from a multivariate survival analysis. Cancer. 1981;48(1):198–206. doi: 10.1002/1097–0142(19810701)48:1>198:: aid-cncr2820480131<3.0.co;2-v
4. Dohner H, Stilgenbauer S, Benner A, et al. Genomic aberrations and survival in chronic lymphocytic leukemia. N Engl J Med. 2000;343(26):1910–6. doi: 10.1056/nejm200012283432602
5. Mayr C, Speicher MR, Kofler DM, et al. Chromosomal translocations are associated with poor prognosis in chronic lymphocytic leukemia. Blood. 2006;107(2):742–51. doi: 10.1182/blood-2005–05–2093
6. Haferlach C, Dicker F, Schnittger S, et al. Comprehensive genetic characterization of CLL: A study on 506 cases analysed with chromosome banding analysis, interphase FISH, IgVH status and immunophenotyping. Leukemia. 2007;21(12):2442–51. doi: 10.1038/sj.leu.2404935
7. Никитин Е. А., Луговская С. А., Варламова Е. Ю., Обухова Т. Н., Судариков А. Б., Капланская И. Б., Бидерман Б. В., Наумова Е. В., Сидорова Ю. В., Почтарь М. Е., Ксиличина Д. Г., Домрачева Е. В., Иванова В. Л., Ковалёва Л. Г., Птушкин В. В. Факторы, предсказывающие полную ремиссию и рефрактерность к терапии у первичных больных ХЛЛ, получающих режим FCR. Гематология и трансфузиология. 2012;57(3):16. Конгресс гематологов России. Москва, 2–4 июля 2012 года.
8. International CLL–IPI working group. An international prognostic index for patients with chronic lymphocytic leukaemia (CLL–IPI): a meta-analysis of individual patient data. Lancet Oncol. Lancet Publishing Group. 2016;17(6):779–90. doi: 10.1016/s1470–2045 (16) 30029–8
9. Обухова Т. Н., Кислова М. И., Никитин Е. А., Кислицына М. А., Бидерман Б. В., Тагирова М. К., Судариков А. Б., Птушкин В. В., Савченко В. Г. Структура и прогностическое значение делеции 13q14 при хроническом лимфолейкозе. Гематология и трансфузиология. 2022; 67(1):75–89. doi: 10.35754/0234–5730–2022–67–1–75–89
10. Клинические рекомендации. Хроническая болезнь почек (ХБП). Нефрология. 2021;25(5):10–82.
11. Michie D, Spiegelhalter DJ, Taylor CC. Machine learning, Neural and Statistical Classification. 1994;13.
12. Антамошкин А. Н., Масич И. С. Обнаружение закономерностей в данных для распознавания объектов как задача условной псевдобулевой оптимизации. Вестник СибГАУ. 2015;16(1):16–21.
13. Згуральская Е. Н. Устойчивость разбиения данных на интервалы в задачах распознавания и поиск скрытых закономерностей. Известия Самарского научного центра Российской академии наук. 2018;204(3):451–5.
14. Игнатьев Н. А. Вычисление обобщённых показателей и интеллектуальный анализ данных. Автоматика и телемеханика. 2011;5:183–90. doi: 10.1134/S0005117911050146
15. Ignat’ev NA, Zguralskaya EN, Markovtseva MV. Searching for Hidden Patterns That Affect the Overall Patient Survival with Data Mining. Scientific and Technical Information Processing. 2021;48(6):461–6. doi: 10.3103/S014768822106006X
Об авторах
М. В. Марковцева
ФГБО ВО «Ульяновский государственный университет»
Россия
Россия
Марковцева Мария Владимировна, к. м. н., доцент кафедры госпитальной терапии
Ульяновск
SPIN-код: 3940–1833
Е. Н. Згуральская
ФГБО ВО «Ульяновский государственный технический университет»
Россия
Россия
Згуральская Екатерина Николаевна, к. т. н., доцент кафедры информационных технологий и общенаучных дисциплин
Ульяновск
Рецензия
Для цитирования:
Марковцева М.В., Згуральская Е.Н. Прогнозирование хронического лимфолейкоза с использованием методов интеллектуального анализа данных. Качественная клиническая практика. 2022;(3):31-34. https://doi.org/10.37489/2588-0519-2022-3-31-34
For citation:
Markovtseva M.V., Zguralskaya E.N. Chronic lymphocytic leukemia prediction using data mining methods. Kachestvennaya Klinicheskaya Praktika = Good Clinical Practice. 2022;(3):31-34. (In Russ.) https://doi.org/10.37489/2588-0519-2022-3-31-34
Просмотров:
1041
Послать статью по эл. почте 