Разработка алгоритма диагностики эндотелиальной дисфункции у больных с хроническим риносинуситом

Цель исследования. Проблематика загруженности врачей при увеличении объема информатизации в медицине может быть решена посредством реализации диагностических алгоритмов. Интегральный подход в работе врача включает не только осмотр больного, сбор анамнеза, но и результаты клинико-лабораторных и лучевых методов исследования. Цель исследования  –  совершенствование алгоритма диагностики больного ХРС с применением математической модели. 
Методы. При составлении алгоритма обследования применялись требования ГОСТ 19.701-90. В качестве математического метода построения математической модели использовалась логистическая регрессия. Для построения математической модели также применялись корреляционный анализ, ROC- анализ. 
Результаты всего комплекса обследования больного должны вноситься в медицинскую информационную систему и интегрированы в систему поддержки принятия врачебных решений. По результатам расчета по математической модели у пациента констатируется наличие или отсутствие клинико-лабораторных проявлений эндотелиальной дисфункции. В зависимости от полученного результата строится тактика дальнейшего лечения больного.  
Заключение. Предложен алгоритм обследования больного с ХРС с применением математической модели. Такой подход сокращает время для обработки полученных данных для врача и принятия решения о дальнейшей тактики ведения больного. Разработанный алгоритм может применяться не только с диагностической целью, но и для мониторинга лечения больных с хроническим риносинуситом. Применение алгоритма можно рекомендовать использовать его врачам поликлиник и стационаров. Такая тактика обследования пациента сокращает время обработки полученных данных для врача и принятия решения о дальнейшей тактики ведения больного. Математическая модель не позволяет точно поставить диагноз, а только оценивает вероятность наличия заболевания. Для постановки диагноза необходимо проведение различных клинических данных.

1. Математика в медицине / Т. Н. Черняева, А. А. Никифорова, С. С. Маслова, Л. Д. Мазур // Столыпинский вестник. 2022. № 10. C. 1–13.

2. Разработка алгоритма работы логического решателя интеллектуальной системы поддержки принятия врачебных решений для инструментальной диагностики стенокардии / К. В. Киселев, Е. А. Ноева, О. Н. Выборов [и др.] // Медицинские технологии. Оценка и выбор. 2019. № 1(35). С. 32–42. https://doi.org/10.31556/2219-0678.2019.35.1.032-042

3. Паронджанов В. Д. Учись писать, читать и понимать алгоритмы. Алгоритмы для правильного мышления. Основы алгоритмизации. 2-е изд. М.: ДМК Пресс, 2016. 520 с.

4. Разработка алгоритма автоматизированного вейвлет-анализа данных о работе регистратуры клинического онкологического диспансера на региональном уровне / К. В. Собченко, А. В. Коваленко, А. А. Кошкаров [и др.] // Врач и информационные технологии. 2018. Октябрь. С. 66–73.

5. Михеев А. Е. Подход к внедрению систем поддержки принятия врачебных решений на принципах сервис-ориентированной архитектуры с использованием сервисов цифровой медицинской экосистемы // Менеджер здравоохранения. 2024. № S. С. 101–118. https://doi.org/10.21045/1811-0185-2024-S-101-118

6. Котонский И. Н., Малина Ю. В. Метод частных алгоритмов действий врача как способ адаптации клинических рекомендаций в медицинской практике // Медицинские технологии. Оценка и выбор. 2022. № 44 (1). С. 9–14. https://doi.org/10.17116/medtech2022440119

7. Фонг Н. Алгоритмы дифференциальной диагностики. Общие жалобы у взрослых пациентов / под ред. А. А. Скоромца. М.: ГЭОТАР-Медиа, 2022. 680 с.

8. Меры информативности диагностических медицинских технологий в оториноларингологии: вычисление и интерпретация / А. А. Корнеенков, С. В. Рязанцев, Е. Э. Вяземская, М. А. Будковая // Российская оториноларингология. 2020. № 19 (1). С. 46–55. https://doi.org/10.18692/1810-4800-2020-1-46-55

9. Габбасов А. А. Математическое моделирование биологических процессов в медицине // Вестник науки. 2024. Т. 5, № 12 (81), ч. 1. С. 914–922.

10. Корнеенков А. А., Фанта И. В., Вяземская Е. Э. Оценка динамики симптомов болезни методами анализа выживаемости // Российская оториноларингология. 2019. № 18 (4). С. 8–14. https://doi.org/10.18692/1810-4800-2019-4-8-14

11. Использование кластерного анализа и логистической регрессии для оценки риска болезни Альцгеймера у пациентов с синдромом мягкого когнитивного снижения амнестического типа / А. Н. Симонов, Т. П. Клюшник, Л. В. Андросова, Н. М. Михайлова // Журнал неврологии и психиатрии им. С. С. Корсакова. 2018. № 118 (12). С. 40–43.

12. Heinze G., Wallish K., Dunkler D. Variable selection is an overview and recommendations for a practicing statistician // Biom J. 2018. N 60 (3). С. 431–449. https://doi.org/10.1002/bimj.201700067

13. Лучинин А. С., Лянгузов А. В. Модель логистической регрессии для прогнозирования летальности в отделении интенсивной терапии: проблемы и решения // Качественная клиническая практика. 2022. № 2. С. 13–20. https://doi.org/10.37489/2588-0519-2022-2-13-20

14. Окорокова Т. О., Крючкова О. Н. Модель логистической регрессии для прогнозирования неэффективности двойной антигипертензивной терапии: проспективное сравнительное нерандомизированное клиническое исследование // Кубанский научный медицинский вестник. 2023. № 30 (5). С. 54–63. https://doi.org/10.25207/1608-6228-2023-30-5-54-63

15. Гель А. Ю. Применение метода логистической регрессии на основе датасета факторов риска заболевания раком // Молодой учёный. 2023. № 16 (463). С. 6–8.

16. Schober P., Vetter T. R. Logistic Regression in Medical Research // Anesthesia & Analgesia. 2021. N 132 (2). P. 365–366. https://doi.org/10.1213/ANE.0000000000005247

17. Jong Hae Kim. Multicollinearity and misleading statistical results // Korean J. Anesthesiol. 2019. N 72 (6). P. 558–569. https://doi.org/10.4097/kja.19087

18. Senaviratna N. A. M. R., Cooray T. M. J. A. Diagnosing Multicollinearity of Logistic Regression Model // Asian Journal of Probability and Statistics. 2019. N 5, is. 2. P. 1–9. https://doi.org/10.9734/ajpas/2019/v5i230132

19. Григорьев С. Г., Лобзин Ю. В., Скрипченко Н. В. Роль и место логистической регрессии и ROC-анализа в решении медицинских диагностических задач // Журнал инфектологии. 2016. Т. 8, № 4. С. 36–45.

20. Мамаев А. Н., Кудлай Д. А. Статистические методы в медицине. М.: Практическая медицина, 2021. 136 с.