Методы определения балльной оценки факторов риска

Прогнозирование вероятности наступления патологических состояний – одна из областей медицинской кибернетики. Факторы риска определяются как факторы внешней и внутренней среды, влияющие на распространенность болезней. Для отнесения обследуемых к группе повышенного риска применяют скрининг, обеспечивающий гипердиагностику при выявлении контингентов с высокой степенью угрозы заболевания. Факторы риска можно трактовать и как факторы‑условия, способствующие проявлению или формированию патологического состояния, борьба с которыми, направленная на снижение их выраженности или ликвидацию, может привести к уменьшению инцидента.

Один из широко распространенных подходов к определению угрозы возникновения осложнений основан на концепции относительного риска, которая рассматривает отношение между больными с определенным заболеванием и лицами, не болеющими им, в связи с определенными факторами риска формирования соответствующей патологии. Исходя из этого, эмпирическую оценку относительного риска возникновения заболевания можно представить следующей формулой:

где

r – эмпирическая оценка относительного риска; a1, a2 – количество случаев болезни в расчете на 10 в 3 степени – 10 в 5 степени; p1, p2 – вероятностные характеристики, оценивающие относительную частоту риска в основной и контрольных группах соответственно.

Существуют две концептуально различные модели, основанные на способе первичного разделения изучаемого контингента. В первой изучаемую группу подразделяют на две подгруппы: подверженных и не подверженных влиянию факторов риска. В каждой из подгрупп проверяют объективные действительные показатели изучаемой болезни, чтобы оценить, дает ли угрожаемая подгруппа более высокий показатель заболеваемости. Вторая модель предполагает разделение общей группы на подгруппы заболевших и не заболевших, каждая из которых проверяется на подверженность риску. На практике в основном используется вторая модель или их комбинация. Это позволяет получать хорошие статистические оценки, которые дают полезную информацию об относительном риске заболевания. Первая модель требует большого количества данных, поскольку иначе сложно найти различие между действительными коэффициентами частоты встречаемости патологии в группах. Кроме того, при использовании второй модели можно более точно определять подверженность предполагаемому риску, выделяя подгруппы с различными факторами риска. Формирование групп, основанное на учете относительного риска, широко применяется в отечественных и зарубежных исследованиях. Среди методов, направленных в первую очередь на выявление сочетаний факторов риска, следует назвать регрессионный анализ качественных признаков и множественную логистическую регрессию. Нужно отметить, что подобные процедуры, дающие возможность использовать геометрический подход (как и в методе главных компонент), позволяют повысить эффективность интерпретации сформированных групп риска специалистами за счет визуализации результатов обработки.

Среди методов распознавания образов, применявшихся для анализа и формирования групп риска, встречаются как детерминистские, так и стохастические. При выборе алгоритма необходимо учитывать характер анализируемых признаков (количественные, ранговые, классификационные или номинальные), гомогенность классов, характер распределения, объем выборок и др. Недостаточный учет или игнорирование этих моментов может исказить результаты и привести к ложным выводам. Вместе с тем необходимо помнить о важности выявления именно совокупных влияний наиболее существенных факторов. С этой целью В. И. Сердобольский и соавт. предложили метод оценки вклада каждого из признаков в прирост вероятности правильности классификации при условии отбора заданного числа наилучших признаков. Использование современных математических методов позволяет объективизировать оценки факторов риска, а в ряде случаев решать одновременно задачи выявления «симптомокомплексов риска» и прогнозирования заболеваний. Использование классического регрессионного, дискриминантного, кластер‑анализа и метода главных компонент возможно в случае предварительного применения процедуры оцифровки неколичественных переменных, т. е. в присвоении им «разумных» в рамках конкретной задачи числовых меток. Проверка с их помощью эффективности различных мероприятий позволяет выбирать оптимальный характер и время проведения профилактических и лечебных мер.