Дипломная (вкр): Исследование геморгамм больных сепсисом

Углекислый газ (CO2), или как его еще называют, двуокись углерода, является конечным продуктом обменно-окислительных процессов в клетках и тканях организма человека. Кровь транспортирует двуокись углерода к легким, где происходит выделение его во внешнюю среду в количестве 99,5 %. Остальная часть углекислого газа удаляется почками.

В крови углекислый газ находится в следующих состояниях:

в плазме крови в растворенном виде - 5 %;

связанным с аминогруппами гемоглобина - 15 %;

в форме угольной кислоты (H2CO3) - в незначительном количестве;

в форме бикарбонатионов (HCO3) - более 80 %.

В норме в артериальной крови напряжение двуокиси углерода (PaCO2) колеблется в пределах от 35 до 45 мм рт. ст. Причем если этот показатель увеличивается, то говорят об артериальной гиперкапнии, если же наоборот снижается - об артериальной гипокапнии.

2.2 Анализ газов крови. Данные пациента

Анализ газов крови - лабораторный метод исследования, позволяющий определить соотношение газов, растворенных в крови человека. Самыми важными показателями являются содержание кислорода и содержание окиси углерода, которые являются показателями дыхательной функции. Этот анализ в списке самых необходимых для правильного диагностирования и лечения сепсиса.

В диагностике сепсиса и выборе метода лечения важную роль играет гемограмма крови, которая может дать полнейшее представление о состоянии больного, о стадии протекания процесса и формы его запущенности, что в дальнейшем, при правильном лечении может спасти жизнь больному. Своевременное и точное диагностирование на основании анализов крови и ее газов дает широкое представление о динамике жизненно важных показателей, а так же позволяет производить мониторинг показателей крови, которые играют решающую роль в постановке диагноза.

К сожалению, вопрос поведения газов крови при заболевании сепсис малоизучен, что является очевидным упущением, требующим разрешения, а сам вопрос нуждается в тщательном изучении и проведении разнообразных исследовательских анализов, с целью расширения области знаний в данном аспекте.

Известно, что при сепсисе понижается уровень О2 крови и СО2, что приводит к недостаточной перфузии тканей и органов, также наблюдается ацидоз (уменьшение pH). Изменение сатурации кислорода, затруднение продукции лактата и изменение других показателей - все это можно описать гемодинамической картиной. Сложность патофизиологии сепсиса привела к некоторым затруднениям и большому числу противоречий. Тем не менее, можно сформулировать базисный подход к гемодинамической поддержке сепсиса, и очевидно, что эффективность лечения следует оценивать по комбинации параметров.

Все данные, приведенные ниже, обрабатывались программой SPSS (Statistical Package for the Social Sciences), версия 16.0. является самой распространённой программой для обработки статистической информации, имеет широкий охват существующих статистических методов, и большое количество удобных средств визуализации результатов обработки.

На основании взятых проб крови пациента и полученных данных, мы проведем ряд анализов, которые позволят выявить зависимости между показателями, или же наоборот, покажут их отсутствие.

Ниже будут приведены табулированные данные газов крови пациента больного сепсисом в таблице 2, которые будут подвергнуты анализам, с забором крови в течение 13 дней лечения, с 27.10.2009 по 09.11.2009 г. Тип пробы был венозный.

Таблица 2 - Табулированные результаты анализов газов крови больного

Эти данные будут подвергнуты корреляционному, факторному, кластерному и ROC анализам.

Корреляция или корреляционная зависимость - статистическая взаимосвязь двух или нескольких случайных величин (либо величин, которые можно с некоторой допустимой степенью точности считать таковыми). При этом изменения значений одной или нескольких из этих величин сопутствуют систематическому изменению значений другой или других величин. Математической мерой корреляции двух случайных величин служит корреляционное отношение, либо коэффициент корреляции. В случае, если изменение одной случайной величины не ведёт к закономерному изменению другой случайной величины, но приводит к изменению другой статистической характеристики данной случайной величины, то подобная связь не считается корреляционной, хотя и является статистической.

Некоторые виды коэффициентов корреляции могут быть положительными или отрицательными. В первом случае предполагается, что мы можем определить только наличие или отсутствие связи, а во втором - также и её направление. Если предполагается, что на значениях переменных задано отношение строгого порядка, то отрицательная корреляция - корреляция, при которой увеличение одной переменной связано с уменьшением другой. При этом коэффициент корреляции будет отрицательным. Положительная корреляция в таких условиях - это такая связь, при которой увеличение одной переменной связано с увеличением другой переменной. Возможна также ситуация отсутствия статистической взаимосвязи - например, для независимых случайных величин.

Факторный анализ в учебной литературе трактуется как раздел много-мерного статистического анализа, объединяющий методы оценки размерности множества наблюдаемых переменных посредством исследования структуры ковариационных или корреляционных матриц. Все явления и процессы находятся во взаимосвязи и взаимообусловленности. Одни из них непосредственно связаны между собой, другие косвенно. Отсюда важным методологическим вопросом в анализе является изучение и измерение влияния факторов на величину исследуемых показателей. С помощью факторного анализа возможно выявление факторов, отвечающих за наличие линейных статистических связей корреляций между наблюдаемыми переменными.

Кластерный анализ позволяет организовать наблюдаемые данные в наглядные структуры. Это анализ является не столько обычным статистическим методом, сколько набором различных алгоритмов распределения объектов по кластерам.анализ это еще один статистический метод обработки данных. ROC-кривые впервые использованы в теории обработки сигналов в США во время Второй мировой войны для повышения качества распознавания объектов противника по радиолокационному сигналу. Впоследствии широкое применение ROC-кривые получили в медицинской диагностике. ROC-кривые используется в эпидемиологии и медицинских исследованиях и часто упоминаются в одном контексте с доказательной медициной.

3. Исследование газов крови

.1 Корреляционный анализ

Были приведены табулированные результаты анализов газов крови больного сепсисом пациента в таблице 3, упомянутой выше, которые будут подвергнуты анализам, (забор крови осуществлялся в течение 13 дней лечения, с 27.10.2009 по 09.11.2009 г.). Тип пробы был венозный.

Говоря своими словами, коэффициент корреляции это величина, показывающая, насколько близко пары значений ложатся к прямой линии. Чем ближе значение коэффициента к 1, тем более линейно они выстраиваются и это означает, что пара показателей находится в тесной взаимосвязи друг с другом. Если же значения разрозненны и представляют собой облако значений, в таком случае, можно отметить, что коэффициент непосредственно близок к 0. Если же коэффициент корреляции экстремально близок к 0, то можно сделать вывод о том, что между показателями нет зависимости.

Коэффициент корреляции был предложен как инструмент, с помощью которого можно проверить гипотезу о зависимости и измерить силу зависимости двух переменных. Нужно отметить, что коэффициент корреляции оказывается не идеальным инструментом, он пригоден лишь для измерения силы линейной зависимости. Можно интерпретировать интервал значений коэффициента в связи с его коэффициентом корреляции: 0 - 0,2 - очень слабая корреляция; 0,2 - 0,5 - слабая корреляция; 0,5 - 0,7 - средняя корреляция; 0,7 - 0,9 - высокая корреляция; 0,9 - 1- очень высокая корреляция.

Покажем таблицу 3 с коэффициентами корреляции. Мы попробуем проследить зависимости между показаниями, и наглядно, в виде графиков, проиллюстрируем самые интересные для нашего рассмотрения результаты.

Таблица 3 - Коэффициенты корреляции снятых показаний

В таблице 3 выделены ячейки, соответствующие наибольшим значениям корреляции по Пирсону. Линейный корреляционный анализ позволяет установить прямые связи между переменными величинами по их абсолютным значениям. Формула расчета коэффициента корреляции построена таким образом, что если связь между признаками имеет линейный характер, коэффициент Пирсона точно устанавливает тесноту этой связи. Поэтому он называется также коэффициентом линейной корреляции Пирсона. Расчетная формула (1) представляется в виде:

 (1)

где:

- значения, принимаемые переменной X;

- значения, принимаемые переменой Y;

- средняя по X;

- средняя по Y.

Основываясь на теоретических выкладках, приведенных ранее, мы на самых ярких и наглядных конкретных примерах можем рассмотреть корреляцию показаний и теоретически установить степени их зависимости.

Рисунок 2 - Точечная диаграмма корреляционной зависимости значений FHHb от sO2 и FHHb от FO2Hb

На рисунке 2 отчетливо видно, что зависимость показателей выстраивается в нисходящую линейную зависимость. По корреляционной таблице можно увидеть, что действительно, коэффициент корреляции равен -1, что соответствует нашим графикам.

Рисунок 3 - Точечная диаграмма корреляционной зависимости FO2Hb от sO2 и FO2Hb от pO2

На рисунке 3 значения практически выстроены по прямой восходящей лини, а это значит, что коэффициент корреляции близок к единице. Проверив данные коэффициентов по таблице, можно заметить, что он равен единице.

Рисунок 4 - Точечная диаграмма корреляционной зависимости FHHb от pH и cCl от pO2

На рисунке 4 отчетливо видно, что значения зависимости разбросаны, что соответствует значениям коэффициента, не равным ни нулю, ни единице.

В результате анализа был установлен достаточно большой коэффициент корреляции, а в некоторых случаях, его полное отсутствие. Некоторые коэффициенты достаточно очевидны, так как показания были тесно связаны друг с другом в виду одного процессного механизма, а некоторые не столь очевидны, что труднообъяснимо, так как ярко выраженную связь установить между ними достаточно сложно.

На основании результатов корреляционного анализа можно проследить еще один интересный шаг - динамическое распределение. Динамический анализ это процесс оценки системы или компоненты, основанный на их поведении во времени. Он может помочь отобразить этапность развития событий и эволюцию клинических проявлений.

Интересно, что при рассмотрении некоторых показателей в зависимости от времени забора анализов, мы можем наблюдать проявление синусоидального характера распределения снятых величин. Рассмотрим это на примере нескольких значений.

Рисунок 5 - Точечная диаграмма зависимости pО2(T) от дня забора

Рисунок 6 - Точечная диаграмма зависимости sO2 от дня забора

Рисунок 7 - Точечная диаграмма зависимости рO2 от дня забора

Относительно приведенных выше точечных диаграмм можно выдвинуть предположение о том, что такой характер зависимости продиктован выбранным методом лечения и применением специфических препаратов. Методом визуализации взятых анализов легко проследить динамику показателей. В каких-то случаях показатели не сильно колеблются относительно нормы, в других случаях показатели сильно отходят от нормального значения.

3.2 Факторный анализ

Факторный анализ это процедура, с помощью которой большое число переменных, относящихся к имеющимся наблюдениям сводит к меньшему количеству независимых влияющих величин, называемых факторами. При этом в один фактор объединяются переменные, сильно коррелирующие между собой. Переменные из разных факторов слабо коррелируют между собой. Таким образом, целью факторного анализа является нахождение таких комплексных факторов, которые как можно более полно объясняют наблюдаемые связи между переменными, имеющимися в наличии.

Исходным элементом для расчётов является корреляционная матрица. Для построенной корреляционной матрицы определяются, так называемые, собственные значения и соответствующие им собственные векторы.

Собственные значения сортируются в порядке убывания, для чего обычно отбирается столько факторов, сколько имеется собственных значений, превосходящих по величине единицу. Собственные векторы, соответствующие этим собственным значениям, образуют факторы. Их можно понимать как коэффициенты корреляции между соответствующими переменными и факторами. Сама корреляционная матрица для расчета исследовательского факторного анализа указана в приложении ввиду своей масштабности и схожести с корреляционной матрицей корреляционного анализа, проведенного выше.

Поиск однозначного решения называют задачей вращения факторов. И здесь имеется большое количество методов, наиболее часто употребляемым из которых является ортогональное вращение по так называемому методу варимакса. Факторные нагрузки повёрнутой матрицы могут рассматриваться как результат выполнения процедуры факторного анализа.

Именно на основании значений этих нагрузок мы попытаемся дать толкование отдельным факторам. Если факторы найдены и истолкованы, то на последнем шаге факторного анализа, отдельным наблюдениям можно присвоить значения этих факторов, так называемые факторные значения. Таким образом, для каждого наблюдения значения большого количества переменных можно перевести в значения небольшого количества факторов.

После построения матрицы можно произвести первые вычисления. Их результатом будет первичная статистика объяснённой суммарной дисперсии.

Таблица 4 - Total Variance Explained (объясненная суммарная дисперсия)

По таблице Total Variance Explained в столбце Initial Eigenvalues (первичные собственные значения) можно увидеть, что шесть собственных факторов имеют значения превосходящие единицу. Следовательно, для анализа отобрано только шесть факторов. Первый фактор объясняет 38,445 % суммарной дисперсии, второй фактор 21,114 % , третий фактор 9,358 %, четвёртый 7,846%, пятый 6,887% и шестой 4,184% .

Далее приводится повёрнутая матрица в таблице 5.

Таблица 5 - Rotated Component Matrix (повёрнутая матрица компонентов)

Пояснения к таблице, которые программа выводит автоматически, говорят о том, что метод отбора был анализ главных компонентов, а метод вращения как Варимакс с нормализацией Кайзера. При этом, вращение было осуществлено за 8 итераций. Непосредственно, итерация - организация обработки данных, при которой действия повторяются многократно, не приводя при этом к вызовам самих себя.

Теперь необходимо попытаться объяснить отобранные факторы. Для этого в каждой строке повёрнутой факторной матрицы надо отметить ту факторную нагрузку, которая имеет наибольшее абсолютное значение. Переменная может относиться к двум факторам одновременно, могут быть также и переменные, которыми нельзя нагрузить ни один из отобранных факторов. Такие переменные мы не берем в расчет.