Библиографическое описание:

Келина Н. Ю., Елизаров В. Н., Мамелина Т. Ю. Программный комплекс контроля биохимических показателей с учетом экологического фона [Текст] // Новые задачи современной медицины: материалы III междунар. науч. конф. (г. Санкт-Петербург, декабрь 2014 г.). — СПб.: Заневская площадь, 2014. — С. 13-18.

В ХХI веке продолжает увеличиваться список факторов риска для здоровья населения ведущих к росту числа пациентов с сердечно-сосудистыми заболеваниями. Основная опасность подобных болезней — преждевременная смерть. По данным статистики в России каждый третий житель болен гипертонической болезнью. Возраст больных совершенно разный, риску заболевания подвержены даже подростки из числа мужчин и женщин [1,4].

Помимо основных факторов, влияющих на развитие гипертонической болезни, таких как возраст, содержание холестерина, курение, ожирение и т. д., не надо забывать и о таком факторе, как неблагоприятная экологическая обстановка, которая благоприятствует развитию заболевания [3].

Таким образом, ранняя диагностика заболевания, в том числе и с учетом экологической обстановки является проблемой актуальной, требующей новых, современных подходов и технологий при мониторинге и контроле состояния организма. Однако, вопросы контроля биохимических показателей крови и анализ экологических параметров чистоты атмосферного воздуха в регионе проживания пациентов является активно разрабатываемой врачами, программистами, экологами биотехнологической проблемой.

Для автоматизации работы клинико-диагностических лабораторий создаются лабораторные информационные системы (ЛИС). Подобные системы позволяют повысить качество обслуживания пациентов за счет сокращения числа ошибок и уменьшения сроков выполнения исследований, создавать инструменты контроля и управления лабораторией, увеличивать производительности работы персонала лечебно-профилактических учреждений (ЛПУ), создавать единое информационное пространство. Также ЛИС должны помочь в обеспечении раннего выявления изменений в организме человека, которые могут повлечь за собой болезнь. Решение этой задачи можно добиться как развитием методов диагностики заболеваний, так и совершенствованием инструментов и систем для обработки медицинских данных [2,8].

Современный подход к выбору лабораторной оценки состояния нарушений гомеостаза определяет актуальность иммуно-биохимического мониторинга. При этом важно учитывать влияния окружающей среды на иммунную систему человека. Для мониторинга клинико-лабораторных показателей пациентов, помимо традиционных тестов, могут использоваться разработки интенсивно развивающегося в последнее десятилетие нового научного направления биохимии, связанного с изучением функционирования гуморальной системы иммунитета, например, синтеза естественных антител (е-АТ) к нейромедиаторам [1,3,4]. В частности, для мониторинга гипертонической болезни используются измерения таких показателей как е — АТ к β-эндорфину, е — АТ к гистамину, е — АТ к брадикинину, е — АТ к дофамину, е — АТ к серотонину.

Целью данной работы (и одним из направлений развития ЛИС) является расширение состава пользовательских функций для обеспечения информационной поддержки процессов специальных исследований, в частности, иммуно-биохимических, связанных с изучением функционирования гуморальной системы иммунитета.

Материал и методы. Проанализированы результаты клинико-лабораторного контроля у 45 пациентов с диагнозом гипертоническая болезнь и 41 человек, у которых при обследовании не были выявлены клинические и лабораторные нарушения состояния здоровья. Лабораторный анализ проводился с использованием иммуно-ферментного анализа (ИФА) и традиционно применяемых в практике методов лабораторного контроля.

Ранее была установлена взаимосвязь общепринятых лабораторных показателей и иммунологических параметров, отражающих нарушение систем функции регуляции на уровне образования естественных антител (е-АТ) к биорегуляторам в сыворотке крови пациентов с гипертонической болезнью [1,3,4].

На рисунках 1–5 изображены графики усредненных уровней е-АТ к нейромедиаторам контрольной группы пациентов, у которых не выявлена гипертоническая болезнь, и больных с диагнозом «гипертоническая болезнь».

Рис. 1. Усредненное соотношение синтеза е-АТ к β-эндорфину

 

Рис. 2. Усредненное соотношение синтеза е-АТ к гистамину

 

Рис. 3. Усредненное соотношение синтеза е-АТ к брадикинину

 

Рис. 4. Усредненное соотношение синтеза е-АТ к дофамину

 

Рис. 5. Усредненное соотношение синтеза е-АТ к серотонину

 

Из графиков видно явное превышение показателей у больных гипертонической болезнью по сравнению с контрольной группой. Разница составляет 30–50 %.

Дополнительными критериями оценки состояния пациентов с гипертонической болезнью могут служить показатели экологического фона места проживания пациентов, в частности превышение ПДК вредных веществ в атмосферном воздухе [1,3](таблица 1).

Таблица 1

Концентрация вредных примесей в атмосферном воздухе в местах проживания больных с кардиологической патологией.

Вредные примеси

Содержание в атмосферном воздухе (мг/м3)

Пост № 1

Пост № 3

Пост № 7

Пост № 8

Сероводород

 

0,01

 

0,01

формальдегиды

 

0,012

 

 

Бенз(а)пирен

 

0,046

 

 

Фенол

 

0,006

0,0063

 

Хлорид водорода

 

 

2,08

 

Диоксид серы

0,065

 

 

0,065

Диоксид и оксид азота

0,08

 

 

0,08

 

Наблюдения за загрязнением атмосферного воздуха в городе Пенза проводятся на четырех стационарных постах государственной службы наблюдений (ГСН). Посты условно подразделяются на «городские фоновые» в жилых районах (посты 1 и 8), «промышленные» — вблизи предприятий (пост 7) и «авто», вблизи автомагистралей или в районах с интенсивным движением автотранспорта (пост 3).

Выявлена средняя степень корреляционной зависимости между синтезом е-АТ к нейромедиаторам в сыворотке крови и приоритетными загрязнителями окружающей среды (таблицы 2–5).

Взаимосвязи между исследуемым спектром естественных антител и клинико-биохимическими параметрами у больных, проживающих на территории поста № 1 проявились достоверными значениями положительно, средней степени корреляции (r=0,5; p<0,05), между уровнем е — АТ к β-эндорфину и е-АТ к дофамину, е-АТ к гистамину и е-АТ к брадикинину е-АТ к дофамину и е-АТ к серотонину.

На посту № 3 корреляция проявилась между уровнем е-АТ к β –эндорфину и е-АТ к серотонину, е-АТ к брадикинину (r=0,5; p<0,05), между е-АТ к дофамину и е-АТ к серотонину (r=0,6; p<0,05) и к е-АТ к брадикинину (r=0,7; p<0,05), между е-АТ к серотонину и е-АТ к брадикинину (r=0,6; p<0,05), между е-АТ к гистамину и е-АТ к брадикинину (r=0,5; p<0,05).

На посту № 7 выявлена достоверная, положительная корреляционная зависимость средней степени, которая проявилась между уровнем е-АТ к β –эндорфину и е-АТ к дофамину, е-АТ к брадикинину, между е-АТ к дофамину и е-АТ к серотонину, между е-АТ к гистамину и е-АТ к брадикинину.

На посту № 8 корреляция проявилась между уровнем е-АТ к β –эндорфину и е-АТ к гистамину (r= -0,5; p<0,05), е-АТ к дофамину (r= -0,4; p<0,05).

Этапы разработки программного комплекса контроля биохимических показателей с учетом экологического фона и схема выполнения исследований подробно рассмотрена в [2,6,8]. Целесообразно выделить блоки подготовки и обработки данных для анализа (рис. 6).

Рис. 6. Схема подготовки и обработки данных для анализа

 

Блок интеллектуального анализа показателей должен выполнять статистическую обработку персональных результатов диагностики по заданным методам, включая выявление тенденций в изменениях значений оцениваемых показателей и учитываемых факторов, и интеллектуальную обработку на основе алгоритмов машинного обучения, например, дерево решений [5, 6, 7], которое будет использоваться для классификации объектов. Это один из простейших алгоритмов машинного обучения. Для примера реализуем алгоритм построения дерева решений CART (Classification And Regression Trees, деревья классификации и регрессии) на языке Python с небольшим изменением, связанным с тем, что нам нужно классифицировать входной вектор (массив) данных в рамках двух классов — «контрольная группа (здоровый)» и «пациент с гипертонической болезнью 1 стадии» с учетом не одного признака, а совокупности показателей. Примерная схема работы алгоритма представлена на рис.7.

Рис. 7. Примерная схема дерева решений

 

Применение в схеме дерева решений исследуемых тестов лабораторного контроля оценки гуморального иммунного ответа — синтеза естественных антител к нейромедиаторам в сыворотке крови, показателей клинико-лабораторного контроля и учета степени загрязнения атмосферного воздуха места проживания пациентов позволит более полно оценить степень тяжести состояния организма и предложить оптимальный перечень тестов мониторинга конкретного пациента.

Реализация программного комплекса предлагается выполнить на базе клиент-серверной архитектуры, с «тонким» веб-клиентом, преимуществом которого являются:

-          использование для работы только веб-браузера;

-          исключение зависимости от установленной операционной системы (сокращение стоимости необходимого общесистемного программного обеспечения);

-          возможность построения комплекса, на основе свободно распространяемого программного обеспечения.

Разрабатываемый программный комплекс позволит:

-          развить и усовершенствовать лабораторный контроль состояния иммуно-биохимического гомеостаза пациентов с гипертонической болезнью;

-          исследовать возможность использования формальных моделей для обеспечения достоверности оценок функционального состояния органов и систем;

-          сократить продолжительности процесса анализа;

-          обеспечить раннее выявление патологических изменений иммуно-биохимического статуса на основе мониторинга накапливаемых данных.

 

Литература:

 

1.         Келина Н. Ю., Мамелина Т. Ю. Проведение клинико-биохимического анализа у больных гипертонической болезнью с учетом экологического мониторинга фона региона // Модели, системы, сети в экономике, технике, природе и обществе. Пенза: ПГУ — 2014. — No2 (10). — С. 228–234.

2.         Келина Н. Ю., Пикулин В. В., С. Н. Чичкин, П. В. Некрасов Разработка специализированной информационной системы для иммуно-биохимических исследований / Информационные ресурсы и системы в экономике, науке и образовании: сборник статей II международной научно-практической конференции.- Пенза: Приволжский Дом знаний, 2012. — с. 47–50.

3.         Келина Н. Ю., Пикулин В. В., Мамелина Т. Ю., Куликова О. А. Методика оценивания состояния пациентов с кардиологической патологией на основе иммуно — биохимического анализа крови с учетом экологического фона региона // Технологии живых систем // ЗАО «Радиотехника». — М. — Т.9 — No7. — 2012. — С. 65–69.

4.         Келина Н. Ю., Мамелина Т. Ю., Чичкин С. Н. Методика проведения клинико-биохимического анализа у больных гипертонической болезнью с учетом экологического фона региона // XXI век: итоги прошлого и проблемы настоящего. Пенза: ПензГТУ. — 2014. — No01(17). — С. 143–147.

5.         Сегаран Т. (Segaran Toby). Программируем коллективный разум. — пер. с англ. — СПб: Символ-Плюс, 2008. — 368 с.

6.         Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям: учебное пособие. 2-е изд., испр. — СПб.: Питер, 2013. — 704 с.: ил.

7.         Ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных — www.machinelearning.ru.

8.         Открытые инновации — вклад молодежи в развитие региона: сборник материалов регионального молодежного форума: в 2 т. — Пенза: Изд-во ПГУ, 2013. — Т.1. с.93–96.

Обсуждение

Социальные комментарии Cackle