Прогнозиро- вание эффективности терапии СНМП/ДГПЖ экстрактом Serenoa repens

Введение. Для лечения симптомов нарушения функций нижних мочевыводящих путей, связанных с ДГПЖ (СНМП/ДГПЖ), используют широкий спектр лекарственных средств, которые пациенты вынуждены принимать в течение длительного времени. В связи с этим важна разработка методов прогнозирования отдаленных результатов проводимой терапии.
Цель настоящей работы: оценить возможность прогнозирования отдаленных результатов лекарственной терапии СНМП/ДГПЖ с использованием математического моделирования на примере лечения экстрактом Serenoa repens (ESR – Пермиксон).
Материалы и методы. Для прогнозирования с применением методов предиктивной аналитики лечебного эффекта препарата Пермиксон в отдаленные сроки использовали материалы открытого клинического исследования «Длительная клиническая и биологическая переностимость липидостеролового экстракта Serenoa repens (Permixon) пациентами с симптоматической доброкачественной гипертрофией предстательной железы» (№ P0048 95 GP 401), проведенного в 1995–1999 гг. в трех медицинских центрах Москвы: НИИ урологии МЗ РФ, урологической клинике ММА им. И. М. Сеченова и урологическом отделении ГКБ № 60. В исследование, согласно критериям, были включены 155 пациентов в возрасте от 52 до 87 лет (средний возраст – 65,3 года), которые получали препарат в капсулах по 320 мг в день на протяжении двух лет.
Целевыми показателями прогноза были определены ключевые клинические параметры: уменьшение СНМП по шкале IPSS>25%, или>3 баллов, и увеличение Qmax>25% через 12 и 24 мес. лечения. При оценке результатов использовали бинарный подход: улучшение достигнуто (1), не достигнуто (0).
Результаты. С использованием методов предиктивной аналитики построены математические модели для предсказания отдаленных результатов лечения по наиболее значимым 7 исходным критериям (предикторам): IPSS, Qmax, средняя скорость потока мочи, объем мочеиспускания, время мочеиспускания, объем остаточной мочи, объем предстательной железы. Для каждого целевого поля и временного интервала были построены математические модели с использованием ансамблей из отобранных 7 алгоритмов машинного обучения, обладающих лучшими прогностическими качествами: BNet; C5.0; SVM; KNN; NNet; CHAID; C&RT.
Проверка моделей на внутренних рандомизированных выборках продемонстрировала их высокие прогностические свойства: чувствительность – 82,4–99,0%; специфичность – 75,0–96,1%; AUC (показатель «площадь под кривой») – 0,864–0,965.
Заключение. Продемонстрирована потенциальная возможность эффективного прогнозирования методами предиктивной аналитики и Data mining отделенных результатов лекарственной терапии СНМП/ДГПЖ по основным клиническим критериям. Необходимо продолжить обучение и проверку модели с включением в набор данных новых клинических наблюдений. Данный подход применим к созданию аналогичных моделей для прогнозирования эффекта других лекарственных средств.

Введение. Доброкачественная гиперплазия предстательной железы (ДГПЖ) – одно из наиболее распространенных заболеваний у мужчин старше 50 лет. Для лечения симптомов нарушения функции нижних мочевых путей (СНМП), связанных с ДГПЖ (СНМП/ДГПЖ), используют широкий спектр лекарственных средств: α1-адреноблокаторы; ингибиторы 5α-редуктазы; антагонисты мускариновых рецепторов; ингибиторы фосфодиэстеразы 5-го типа; β3-агонисты; растительные экстракты; различные варианты комбинированной терапии и др. При этом, несмотря на массу проведенных исследований, в том числе двойных слепых и рандомизированных, вопросы о четких показаниях к назначению того или иного препарата и о прогнозировании отдаленных результатов лечения остаются открытыми [1].

Принимая во внимание, что лекарственную терапию, как правило, проводят в течение длительного времени, иногда пожизненно, понятен интерес исследователей к поиску методов прогнозирования ее отдаленных результатов. Однако работ, посвященных этой проблеме, известно немного, что, по-видимому, связано с отсутствием доступных инструментов и низким качеством прогноза, не удовлетворяющим требованиям клинической практики.

В последние годы активно развиваются особые методы анализа данных, так называемый Data mining (добыча данных, интеллектуальный анализ данных), использующий широкий потенциал современных методов классификации, моделирования и прогнозирования для выявления в изучаемом наборе данных новых сведений, которые не могут быть получены путем простого статистического анализа. Другими словами, методы Data mining служат средством извлечения из набора данных ранее не известных скрытых взаимосвязей между переменными, характеризующих объект, предоставляя исследователю новые, в практическом смысле полезные и доступные для интерпретации знания, необходимые для принятия решений в различных сферах человеческой деятельности, в том числе и в медицине [2–5].

Одним из перспективных направлений Data mining является предиктивная, или прогностическая, аналитика (Predictive analytics), которую используют для прогнозирования неизвестных событий в будущем. В ее основе – математическое моделирование, т.е. создание модели как набора правил, формул или уравнений, извлеченных из исходных данных и позволяющих генерировать предсказания на этой основе.

Распространенным методом прогностического моделирования является метод классификации, реализованный во многих компьютерных системах клинического прогнозирования для оценки вероятности и риска возникновения события. Модели классификации используют значения одного или нескольких входных полей (независимых переменных или предикторов), чтобы предсказать значения одного или нескольких выходных целевых полей или полей назначения (зависимых переменных, спрогнозированных моделью на основе анализа входных предикторов). Во многих областях медицины используют различные способы моделирования и алгоритмы машинного обучения: деревья решений (алгоритмы дерева C&R, QUEST, CHAID, C5.0), регресса (линейный, логистический, обобщенный линейный и Кокса), нейронные сети, модели опорных векторов, Байесовские сети и др. [6–8].

В то же время имеются лишь единичные работы по применению алгоритмов машинного обучения и методов Data Mining в построении предиктивных моделей при лечении пациентов с СНМП/ДГПЖ [9, 10].

Порядок решения задач методами Data mining включает следующие этапы:

1. Постановку задачи анализа.
2. Сбор данных.
3. Подготовку данных (фильтрация, дополнение, кодирование).
4. Выбор модели (алгоритма анализа данных).
5. Подбор параметров модели и алгоритма обучения.
6. Обучение модели (автоматический поиск и оценка остальных параметров модели).
7. Анализ качества обучения (если неудовлетворительный, то переход к п.п. 4 или 5).
8. Анализ выявленных закономерностей (если неудовлетворительный – возврат к п.п. 1, 4 или 5).

Цель прогнозирования – получение данных о важных событиях в будущем в состоянии больного под влиянием проводимой терапии. При лечении СНМП/ДГПЖ с учетом его длительности такими событиями служат достижение значимого улучшения ключевых параметров или отсутствие такового. К основным общепризнанным клиническим параметрам при ДГПЖ относятся выраженность СНМП, представленная баллами по шкале IPSS и максимальная скорость потока мочи (Qmax).

Целью настоящей работы стало прогнозирование отдаленных результатов лекарственной терапии СНМП/ДГПЖ с использованием методов прогностического моделирования на примере лечения экстрактом Serenoa repens (Пермиксон).

Материалы и методы. Для прогнозирования лечебного эффекта препарата Пермиксон в отдаленные сроки с применением методов предиктивной аналитики использовали материалы клинического исследования «Длительная клиническая и биологическая переностимость липидостеролового экстракта Serenoa repens (Permixon) пациентами с симптоматической доброкачественной гипертрофией предстательной железы»1 (№ P0048 95 GP 401), проведенного...

А.В. Сивков, С.А. Голованов, Л.В. Жукова