Принципы работы системы функционального компьютерного мониторинга

Проведенный анализ полученных четырех кластеров не только показал математически достоверное различие между ними, но и выявил принципиально отличные друг от друга клинические, биохи­мические и патофизиологические характеристики каждого из анали­зируемых паттернов. В настоящем исследовании мы намеренно не сопоставляли изучаемые клинико-патофизиологические аспекты те­чения травматической болезни с видом и характером повреждения. учитывались лишь степень тяжести повреждения (по критерию 1SS) и тяжесть состояния (по критерию АРАСНЕ II). Такой подход к ана­лизу данных дает возможность заключить, что в обозначенном диа­пазоне тяжести повреждений (1SS от 10 до 75) и тяжести состояния (АРАСНЕ II от 4 до 29) проявляются основные типы патологических реакций, отражающие в той или иной мере главные звенья кислород­ного бюджета в организме. На правомочность такого подхода к вы­делению узловых патогенетических звеньев в посттравматическом периоде указывает и довольно четко очерченная клиническая карти­на. соответствующая каждому отдельному кластеру.

Исходя из предложенной J.H.Siegel и соавт. [34] классификации и в соответствии с указанными выше патофизиологическими и клиническими характеристиками. определенные нами кластеры можно идентифицировать как:

КластерA — "паттерн стрессовой реакции”,

Кластер В — “паттерн метаболического дисбаланса”,

Кластер С — “паттерн легочно-сердечной недостаточности”;

Кластер D — "паттерн гиповолемических нарушений”.

В нашем исследовании мы также выявили четыре кластера, как и J.H.Siegel. но по своей сущности, по качественным признакам были схожи лишь дна из четырех — кластеры стрессового ответа и метабо­лических нарушении. Для удобства работы и проведения сравнитель­ного анализа с системой функционального компьютерного монито­ринга. разработанной в Буффало. США. мы использовали предло­женную этими авторами |34) терминологию.

Полученные четыре патологических кластера позволяют описать весь спектр многообразных сочетаний анализируемых признаков при помощи определенных числовых значений. Для этого наиболее про­стым и эффективным метолом является широко распространенный в математике прием определения евклидова расстояния от центра од­ного множества признаков до другого (11. 16).

С этой целью необходимо прежде всего привести все измеряемые величины к какому-либо одному, удобному для всех использованных показателей, виду. Таким выражением предпочтительнее всего может служить соответствующая Z-оценка каждого из показателен конт­рольной группы. Используя ее в качестве критерия, можно любой из показателей, использованных в структуре полученных патологиче­ских кластеров, выразить в виде кратного ей числа. Математически это может быть сформулировано следующим образом.

Пусть R_i — это Z-оценка i-го показателя контрольной группы. Тогда Z-оценка i-го показателя любого кластера будет рассчитывать­ся по формуле:

Z(K) _i= K_i/R_i,

где К — А, В, С, D, а К_i, — фактическая величина i-го показателя со­ответствующего кластера).

Таким образом, математически определен подход, с помощью которого можно измерить и сопоставить друг с другом любой из ана­лизируемых показателей кластеров, несмотря на различные единицы их выражения.

Для того чтобы определить, к какому из выделенных нами класте­ров относится определенный в данный конкретный момент времени патофизиологический образ обследуемого больного, необходимо про­суммировать Z-оценки но отношению ко всем четырем патологиче­ским кластерам и контрольным значениям и затем найти минимальную оценку. Она и представляет собой искомую величину. Матема­тически это можно представить как:

где Dist — искомое минимальное расстояние до кластера, вычисляе­мое как минимальное значение сумм всех i-x Z-оценок кластеров (значимыми считали только те i-e значения, величина которых пре­вышала 1.9).

Для использования этого алгоритма в практике была создана программа “Rescard” ver 1.1. написанная на языке программирова­ния Turbo Pascal ver 6.0 и реализованная для IBM-совместимых пер­сональных компьютеров. В ходе создания этой программы перед на­ми встал вопрос о форме, наиболее подходящей для графической ин­терпретации полученных кластеров. После довольно длительного анализа была выбрана восьмиконечная звезда, лучами которой явля­ются выбранные нами патофизиологические показатели, а окружно­сти, ее пересекающие. — это соответствующие Z-оценки. На рис. 4.13 представлена компьютерная реализация указанного алгоритма в избранной нами форме. Наиболее интенсивно выделена ок­ружность. соответствующая данным контрольной группы. Каждая из окружностей, расположенная по направлению от центра круга, уда­лена на одно стандартное отклонение со знаком плюс. а окружности. расположенные по направлению к центру круга — со знаком минус. Вычисляемые в конкретный момент времени Z-значения откладыва­ются по восьми осям. Для наглядного представления о характере средних значений сформированных нами кластеров, их графические представления находятся в углах экрана, а при выведении результа­тов на печатающее устройство (принтер) — в углах листа.

93,33

Рис. 4.13. Графическое представление восьмимерного образа.

AV_Diff – артерио-венозный градиент по кислороду;

SWLV(I) - индекс систолической работы левого желудочка;

MBP – среднее артериальное давление;

HR – частота сердечных сокращений;

CI — сердечный индекс;

PHv — уровень кислотности венозной крови;

РvO₂, —парциальное давление кислорода в венозной крови;

РvNO₂, —парциальное давление углекислого газа в венозной крови.

—

Графическое отображение патофизиологического профиля орга­низма (на момент обследования) в виде восьмиконечной звезды, лу­чи которой фиксируют изменения избранных, наиболее репрезента­тивных. показателей, позволяют перекинуть логический “мост” к объемному восприятию клинического образа пациента в четырехмер­ном пространстве. Предыдущая, третья, глава как раз и была посвя­щена главным образом формированию и обоснованию такого вос­приятия с использованием понятий и терминологии синергетики.

Вернемся вновь к рис. 3.7, где в условной форме сопоставляется пространственная структура двух аттракторов. Первая схема (а) соот­ветствует состоянию эффективного стресса, когда пространственные траектории хронологически сопряженных функциональных алгорит­мов сходятся в одной точке, и это обеспечивает реализацию задан­ной поведенческой реакции организма на чрезвычайную ситуацию. Как видно на рисунке, фронтальный плоскостной срез (“компьютер­ная томография”) пространственной структуры такого аттрактора отображает типовой функциональный профиль (паттерн, кластер) стресса. Вторая схема (б) условно выражает какую-либо из клиниче­ских форм экстремального состояния организма. Здесь иная ситуа­ция: в сложной неравновесной системе возникает неупорядочен­ность. разбалансировка. Функциональные алгоритмы отклоняются от запрограммированных траекторий. Их конечные звенья не могут быть сведены к единой точке. Формируется “странный” аттрактор. Он принадлежит к сфере патологии, но вместе с тем сохраняет признаки индивидуального клинического образа пациента. Фрон­тальный плоскостной срез пространственной структуры такого ат­трактора. проведенный после отклонения от заданной программы траекторий нескольких (в данном случае — восьми) выбранных для анализа алгоритмов, позволяет зафиксировать индивидуальный па­тофизиологический профиль и распознать его сходство с одним из кластеров, ориентированных на конкретный прогноз развития кли­нической ситуации. Следует лишь еще раз подчеркнуть необходи­мость одномоментной фиксации всех заданных показателей. поскольку они призваны охарактеризовать единый плоскостной срез.

Таким образом, предоставляется возможность визуальной и фор­мализованной оценок состояния больного в конкретный момент вре­мени, а также сравнения со средними значениями типичных патоло­гических профилей — “гипердинамической стрессовой реакции”. “метаболического дисбаланса”, “легочно-сердечной недостаточно­сти”, “гиповолемических нарушении” и профиля значений “конт­рольной группы”.

В ходе реализации алгоритма по расчету минимального расстоя­ния и определения, к какому кластеру относится пострадавший в соответствующий момент времени, после определения дистанций от конкретного профиля больного до фиксированных значений класте­ров полученные результаты представляются на экране компьютера в виде рис. 4.14.