Регрессия в медицине это: Что такое регрессия болезни?

Автор: | 29.07.2019

Содержание

Бинарная логистическая регрессия

16.4. Бинарная логистическая регрессия

С помощью метода бинарной логистической регрессии можно исследовать зависимость дихотомических переменных (бинарных, имеющих лишь два возможных значения) от независимых переменных, имеющих любой вид шкалы.

Как правило, в случае с дихотомическими переменными речь идёт о некотором событии, которое может произойти или не произойти; бинарная логистическая регрессия в таком случае рассчитывает вероятность наступления события в зависимости от значений независимых переменных.

Вероятность наступления события для некоторого случая рассчитывается по формуле

где z = b1 • X1 + b2 • Х2 + … + bn • Xn + a,

X1 — значения независимых переменных, b1 — коэффициенты, расчёт которых является задачей бинарной логистической регрессии, а — некоторая константа.

Если для р получится значение меньшее 0,5, то можно предположить, что событие не наступит; в противном случае предполагается наступление события.

В качестве примера рассмотрим два диагностических теста из области медицины на предмет обнаружения карциномы (злокачественной опухоли) мочевого пузыря: подсчет количества (типизация) Т-клеток и тест LAI. Результатами первого теста являются значения, принадлежащие к интервальной шкале, а тест LAI дает дихотомический результат: «положительно» или «отрицательно».

Оба теста были проведены со здоровыми людьми и заведомо больными пациентами. Результаты представлены в следующей таблице:

Коллектив Типизация t-клеток LAI Коллектив
Типизация t-клеток
LAI
болен 48. 5 положительно болен 73.5 положительно
болен 55.5 положительно здоров 61.1 положительно
болен
57.5
положительно здоров 62.5 отрицательно
болен 58.5 положительно здоров 63. 5 отрицательно
болен 61.0 положительно здоров
64.5
положительно
болен 61.5 положительно здоров 69.5 положительно
болен 61.5 положительно здоров 70.0 отрицательно
болен 62.
0
положительно здоров 70.0 отрицательно
болен 62.0 положительно здоров 71.0 положительно
болен 62,0 положительно здоров 71,5 положительно
болен
62.5 положительно здоров 71. 5 отрицательно
болен 63.0 положительно здоров 72.0 отрицательно
болен 63.5 положительно здоров 73.0
отрицательно
болен 65.0 положительно здоров 76.0 отрицательно
болен 65. 0 отрицательно здоров 72.5 отрицательно
болен 66.5
отрицательно
здоров 73.0 отрицательно
болен 66.5 отрицательно здоров 73.5 отрицательно
болен 66.5 положительно здоров 74. 0
отрицательно
болен 68.5 положительно здоров 75.0 отрицательно
болен 69.0 отрицательно здоров 77.0 отрицательно
болен 71.0 положительно здоров
77.0
отрицательно
болен 71. 0 положительно здоров 78.5 отрицательно
болен 71.0 положительно

Если сначала посмотреть на результаты типизации Т-клеток, то можно заметить, что здесь для здоровых людей значения в среднем выше, чем для больных. Следовательно, исходя из значений, получившихся при типизации Т-клеток, можно попытаться, вывести вероятность наличия карциномы мочевого пузыря.

Приведенные в таблице данные находятся в файле hkarz.sav. Больным присвоена кодировка 1, а здоровым 2; для теста LA1 кодировка 0 соответствует положительному результату, а 1 отрицательному.

  • Откройте файл hkarz. sav.

  • Выберите в меню Analyze… (Анализ) ► Regression… (Регрессия) ► Binary logistic… (Бинарная логистическая). Открывается диалоговое окно Logistic Regression (Логистическая регрессия).

  • Поместите переменную gruppe (группа), содержащую информацию о принадлежности к одному или второму коллективу (больным или здоровым), в поле для зависимых переменных, а переменную

    tzell — в поле ковариат. Результаты теста LAI сначала мы не будем использовать в расчёте.

Рис. 16.16: Диалоговое окно Logistic Regression (Логистическая регрессия).

В качестве метода использования переменных в вычислениях предварительно установлен метод Enter (Вложение), при котором в расчёт одновременно вовлекаются все переменные объявленные ковариатами. Альтернативой здесь являются прогрессивная и обратная селекции. В случае наличия лишь одной ковариаты, как в указаном примере, для расчёта подходит только предварительно установленный метод.

Кнопка Select» (Выбрать) предоставляет возможность отбора определённых случаев для дальнейшего анализа.

Используя кнопку

Categorical… (Категориальные) Вы можете подготовить для расчета категориальные переменные (то есть переменные, принадлежащие к номинальной шкале и имеющих более 2 значений). На этом мы остановимся более подробно, рассматривая второй пример.

При помощи кнопки Save… (Сохранить) Вы можете добавить в файл дополнительные переменные; активируйте к примеру в разделе Predicted Values (Спрогнозированные значения) предварительные установки Probabilities (Вероятности) и Принадлежность к группе.

Нажав на кнопку Options… (Опции), Вы сможете организовать вывод дополнительных статистических характеристик, различных диаграмм и произвести некоторые дополнительные установки. В данном расчёте мы этого делать не будем.

Наиболее важные результаты приведены в нижеследующей таблице, причём в 10 версии SPSS они уже выводятся в новой табличной форме.

Omnibus Tests of Model Coefficients (Универсальный критерий коэффициентов модели)

Chi-square (Хи-квадрат) Df Sig. (Значимость)
Step 1 (Шаг 1) Step (Шаг) 18,789 1 ,000
Block (Блок) 18,789 1 ,000
Model (Модель) 18,789 1 ,000

Model Summary (Сводная таблица модели)

Step (Шаг) -2 Log Likelihood (-2 логарифмическое правдоподобие) Сох & Snell R Square (R-квадрат Кокса и Шнела) R Square Nadelkerkes (R-квадрат Наделькеркеса)
1 43,394 ,341 ,456

Качество приближения регрессионной модели оценивается при помощи функции подобия. Мерой правдоподобия служит отрицательное удвоенное значение логарифма этой функции (-2LL). В качестве начального значения для -2LL применяется значение, которое получается для регрессионной модели, содержащей только константы. После добавления переменной влияния tzell значение -2LL равно 43,394; это значение на 18,789 меньше, чем начальное. Подобное снижение величины означает улучшение; разность обозначается как величина хи-квадрат и является очень значимой.

Это означает, что начальная модель после добавления переменной tzell претерпела значительное улучшение. Если при наличии некоторого количества независимых переменных анализ производится не при помощи метода вложения, а пошаговым образом, то получающиеся изменения отображаются в разделах «Блок» и «Шаг». При этом, если Вы производили ввод переменных в блочной форме, то показатель в разделе «Блок» приобретает особое значение.

Два других выведенных показателя, названные именами Кокса & Шела и Наделькеркеса, являются мерами определённости. Они также как и при линейной регрессии указывают на ту часть дисперсии, которую можно объяснить с помощью логистической регрессии. Мера определённости по Коксу и Шелу имеет тот недостаток, что значение равное 1 является теоретически не достижимым; этот недостаток устранен благодаря модификации данной меры по методу Наделькеркеса. Часть дисперсии, объяснимой с помощью логистической регрессии, в данном примере составляет 45,6 %.

Далее приводится классификационная таблица, в которой наблюдаемые показатели принадлежности к группе (1 = болен, 2 = здоров) противопоставляются предсказанным на основе рассчитанной модели.

Classification Table (Классификационная таблица) а

Observed (Наблюдаемый показатель) Predicted (Спрогнозировано)
GRUPPE (Группа) Percentage Correct (Процентный показатель верных показателей)
Krank (болен) Gesund (здоров)
Шаг 1 GRUPPE (Группа) Krank (болен) 18 6 75,0
Gesund (здоров) 4 17 81,0
Overall Percentage (Суммарный процентный показатель) 77,8

a. The cut value is ,500 (Разделительное значение равно ,500)

Из таблицы можно сделать вывод о том, что из общего числа больных, равного 24, тестом были признаны таковыми только 18 (в медицинской диагностике в таких случаях говорят о «строго положительных» результатах). Остальных 6 называют «ложно отрицательными»; они были признаны тестом здоровыми, хотя и являются больными. Из общего числа здоровых, равного 21, тестом были признаны таковыми только 17 («строго отрицательные»), 4 признаны больными, хотя они и являются здоровыми («ложно положительные»). В общем, правильно были распознаны 35 случаев из 45, это составляет 77,8 %.

В заключении выводятся результаты о рассчитанных коэффициентах и проверке их значимости:

Variables in the Equation (Переменные в уравнении)

В (Коэффициент регрессии В) S. E. (Стандартная ошибка) Wald (Вальд) df Sig. (Значимость) Ехр (В)
Step 1 (Шаг 1)а TZELL ,278 ,082 11,599 1 ,001 1,321
Constant (Константа) -19,005 5,587 11,571 1 ,001 ,000

a. Variable(s) entered on step 1: TZELL (Переменные, введенные на шаге 1: TZELL)

Проверка значимости отличия коэффициентов от нуля, проводится при помощи статистики Вальда, использующей распределение хи-квадрат, которая представляет собой квадрат отношения соответствующего коэффициента к его стандартной ошибке.

В приведенном примере получились сверх значимые коэффициенты а = -19,005 b1 = 0,278. При помощи этих двух значений коэффициентов мы можем для каждого значения Т-типизации рассчитать вероятность р. К примеру, для некоего обследуемого со значением Т-типизации 72 получим:

z = -19,005 + 0,278 • 72 = 1,018

и таким образом

Рассчитанная вероятность р всегда указывает на исполнение предсказании, которое соответствует большей из двух кодировок зависимых переменных, в данном случае — на исполнение предсказания «здоров». Следовательно, рассматриваемый человек является здоровым с вероятностью 0,735.

Рассчитанная вероятность для всех случаев и связанная с ней принадлежность к группе кодировка 1 для болен и 2 для здоров) добавлены к файлу под именами рrе_1 и pgr_l.

Теперь подключим к нашему анализу тест LAI. Дополнительно к переменной tzell теперь в поле ковариат поместите и переменную lai.

Расчёт выдаст сначала заметно снизившееся значение -2LL (хи-квадрат = 25,668) и следующую классификационную таблицу. Доля правильно спрогнозированных диагнозов незначительно выросла (с 77,8 % до 80,0 %).

Classification Table (Классификационная таблица)а

Observed (Наблюдаемый показатель) Predicted (Спрогнозировано)
GRUPPE (Группа) Percentage Correct (Процентный показатель верных показателей)
Krank (болен) Gesund (здоров)
Шаг 1 GRUPPE (Группа) Krank (болен) 20 4 83,3
Gesund (здоров) 5 16 76,2
Overall Percentage (Суммарный процентный показатель) 80,0

а. The cut value is ,500 (Разделительное значение равно ,500)

Количество ложно отрицательных диагнозов снизилось на 2, а количество ложно положительных повысилось на 1. Для коэффициентов получим:

Variables in the Equation (Переменные в уравнении)

В (Коэффициент регрессии В) S.E. (Стандартная ошибка) Wald (Вальд) df Sig. (Значимость) Ехр (В)
Step 1 (Шаг 1) TZELL ,201 ,094 4,574 1 0,32 1,222
LAI 2,205 ,877 6,324 1 ,012 9,074
Constant (Константа) -14,645 6,328 5,356 1 ,021 ,000

a. Variable(s) entered on step 1: TZELL, LAI. (Переменные, вводимые на шаге 1: TZELL, LAI)

Для обследуемого с типизированным числом Т-клеток равным 72 получилась вероятность оказаться здоровым р = 0,735. Если в дополнении к этому и тест LAI отрицателен (кодировка 1), то эта же вероятность рассчитывается следующим образом:

Вероятность оказаться здоровым, при наличии данных уже двух диагностических методов значительно возросла.

Ещё один пример из области медицины, теперь уже с большим количеством независимых переменных, должен помочь нам разобраться в пошаговом методе анализа. Кроме того, в состав независимых переменных будет включена категориальная переменная.

Для данного примера в некоторой клинике со специальными автоматизированными методиками лечения были накоплены данные о пациентах с тяжёлыми (или даже смертельными) повреждениями лёгких. Из большого количества переменных были выбраны следующие:

Имя переменной Расшифровка
out Исход (0 = скончался, 1 = выздоровел)
alter Возраст
bzeit Время проведения искусственного дыхания в часах
kob Концентрация кислорода в воздушной массе для искусственного дыхания
agg Интенсивность искусственного дыхания
geschl Пол (1 = мужской, 2 = женский)
gr Рост
ursache (причина) Причина повреждения лёгких (1 = несчастный случай, 2 = воспаление лёгких, 3 = прочее)

Наряду с переменной out (исход), имеются переменные, при первом же взгляде на которые можно понять, что они с ней связаны. Причина повреждения лёгких является категориальной переменной, которая перед проведением анализа должна быть преобразована в несколько дихотомических переменных (к примеру, несчастный случай: да — нет).

Вопрос, на который нам предстоит найти ответ, звучит так: какое влияние на вероятность выздоровления оказывают отобранные переменные.

  • Откройте файл lunge.sav.

  • После выбора соответствующего меню в диалоговом окне Logistic Regression (Логистическая регрессия) переменной out присвойте статус независимой переменной, а всем остальным (кроме nr) присвойте статус ковариат. Здесь, как и при множественной линейной регрессии, ввод ковариат Вы можете производить по блокам.

Из-за вовлечения в анализ большого количества переменных компьютер должен решить, какие из них в конечном случае будут отобраны для использовании в уравнении вероятности. Поэтому здесь должен быть выбран не метод вложения, который включает в расчёт все переменные, а один из пошаговых методов.

Метод прямой селекции начинается с использования одних лишь констант на стартовом этапе, а затем последовательно подключаются переменные, которые демонстрируют сильную корреляцию с зависимыми переменными. Далее опять следует проверка того, какие переменные должны быть исключены, причём в качестве критерия проверки выбирается либо статистика Вальдовского (Wald), либо функция правдоподобия, либо один из вариантов, называемых «условной статистикой» (которые, однако, не рекомендуются). Метод обратной селекции сначала берёт в расчёт все переменные, а затем в обратном порядке происходит исключение малозначимых переменных.

  • Выберите в качестве метода Forward: LR (Прямой:LR) и щёлкните на кнопке Categorical… (Категориальные), чтобы поместить переменную ursache в поле, предусмотренное для категориальных ковариат.

Количество образовываемых «фиктивных» дихотомических переменных должно быть всегда на 1 меньше, чем число количество заданных категорий. Категория, оказавшаяся лишней, называется эталонной категорией и, в соответствии с предварительными установками, является последней категорией. При помощи поля контрастов (Contrast) Вы можете управлять особенностями вовлечения в анализ образованных Фиктивных переменных; при контрасте равном Deviation (Отклонение) все категории кроме эталонной будут проверяются относительно суммарного эффекта.

  • Установите контраст Deviation (Отклонение) и при помощи щелчка на Continue (Далее) вернитесь в исходное диалоговое окно.

  • Начните расчёт нажатием ОК.

Вы можете проследить, какие переменные вовлекаются в анализ и как улучшается вероятность прогноза после вовлечения каждой новой переменной. На завершающей стати анализа присутствуют четыре переменные, а именно: возраст, время проведения искусственного дыхания, рост и концентрация кислорода в воздушной массе для искусственного дыхания.

Точность исполнения прогноза, которая достигается при использовании этих четыpex переменных, составляет 71,0%; её можно увидеть в нижеследующей классификанионной таблице.

Classification Table (Классификационная таблица)а

Observed (Наблюдаемый показатель) Predicted (Спрогнозировано)
Outcome (Исход) Percentage Correct (Процентный показатель верных прогнозов)
gestorben (скончался) ueberlebt (выздоровел)
Step 1 (Шаг 1) Outcome (Исход) gestorben (скончался) 29 34 46,0
ueberlebt (выздоровел) 14 54 79,4
Overall Percentage (Суммарный процентный показатель) 63,4
Step 2 (Шаг 2) Outcome (Исход) gestorben (скончался) 32 31 50,8
ueberlebt (выздоровел) 16 52 76,5
Overall Percentage (Суммарный процентный показатель) 64,1
StepS (Шаг 3) Outcome (Исход) gestorben (скончался) 33 30 52,4
ueberlebt (выздоровел) 19 49 72,1
Overall Percentage (Суммарный процентный показатель) 62,6
Step 4 (Шаг 4) Outcome (Исход) gestorben (скончался) 37 26 58,7
ueberlebt (выздоровел) 12 56 82,4
Overall Percentage (Суммарный процентный показатель) 71,0

a. The cut value is ,500 (Разделительное значение равно ,500)

Прогноз оправдался для 58,7% умерших пациентов и для 82,4% выздоровевших. Значения коэффициента b. и константы а для расчёта вероятности (выздоровления) находятся в следующей таблице:

Variables in the Equation (Переменные в уравнении)

В (Коэффициент регрессии В) S.E. (Стандартная ошибка) Wald
(Вальд)
df Sig. (Значимость) Ехр(В)
Шаг 1а BZEIT -,081 ,028 8,482 1 ,004 ,922
Константа 1,104 ,385 8,205 1 ,004 3,017
Шаг 2b GR ,038 ,017 5,109 1 ,024 1,039
BZEIT -,073 ,028 6,688 1 ,010 ,930
Константа -5,460 2,924 3,487 1 ,062 ,004
Шаг 3c KОВ -2,678 1,264 4,489 1 ,034 ,069
GR ,037 ,017 4,622 1 ,032 1,038
BZEIT -,077 ,029 6,866 1 ,009 ,926
Константа -2,995 3,192 ,880 1 ,348 ,050
Шаг 4d ALTER -,037 ,017 4,653 1 ,031 ,963
КОВ -3,028 1,302 5,410 1 ,020 ,048
GR ,044 ,017 6,650 1 ,010 1,045
BZEIT -,062 ,029 4,639 1 ,031 ,940
Константа -2,884 3,079 ,877 1 ,349 ,056

a. Variable(s) entered on step 1: BZEIT. (Переменные, вводимые на шаге 1: BZEIT.)
b. Variable(s) entered on step 2: GR. (Переменные, вводимые на шаге 2: GR.)
с. Variable(s) entered on step 3: КОВ. (Переменные, вводимые на шаге 3: КОВ.)
d. Variable(s) entered on step 4: ALTER. (Переменные, вводимые на шаге 4: ALTER.)

Если мы рассмотрим случай с 30-тилешим пациентом, с ростом 180 см, которому делали искусственное дыхание в течении 10 часов при концентрации кислорода в смеси равной 0,7, то исходя из соотношения

z = -2,884 — 0,037 • 30 — 0,062 • 10 + 0,044 • 180 -3,028 • 0,7 = 1,126 получим вероятность выздоровления

следовательно, вероятность выздоровления пациента равна 0,755 или 75,5%.


Многофакторный регрессионный анализ в прогнозе развития цервикальных поражений инфекционного генеза Текст научной статьи по специальности «Клиническая медицина»

Al

SSM

УДК: 618. 146-022-037-003 Код специальности ВАК: 14.01.01. 14.03.10

МНОГОФАКТОРНЫЙ РЕГРЕССИОННЫЙ АНАЛИЗ В ПРОГНОЗЕ РАЗВИТИЯ ЦЕРВИКАЛЬНЫХ ПОРАЖЕНИЙ ИНФЕКЦИОННОГО ГЕНЕЗА

Л.Д. Андосова, К.Н. Конторшикова, К.А. Шахова,

ФГБОУ ВО «Нижегородская государственная медицинская академия»

Андосова Лариса Дмитриевна — e-mail: [email protected]

Цель. Выделить при помощи бинарной логистической регрессии молекулярно-биологические и иммунологические лабораторные показатели, позволяющие определить риск прогрессии ВПЧ-ассоциированных цервикальных поражений. Методы. Согласно задаче исследования, был применен статистический метод бинарной логистической регрессии. Для исследования под наблюдение были взяты женщины с патологическими, невоспалительными процессами шейки матки, обусловленными папилломавирусной инфекцией. Результаты. Было установлено, что высокой прогностической значимостью развития плоскоклеточных интраэпителиальных поражений низкой и высокой степени обладают лабораторные показатели протеинов р16, Е7 и трансформирующий фактор роста b, дающие возможность прогнозировать плоскоклеточные интраэпителиальные цервикальные поражения, что свидетельствует об актуальности лабораторных тестов в оценке ВПЧ-ассоциированных заболеваний шейки матки.

Ключевые слова: шейка матки, папилломавирусная инфекция, регрессионный анализ.

Goal. To allocate using a binary logistic regression molecular biological and immunological laboratory parameters to determine the risk of progression of HPV-associated cervical lesions. Methods. According to the aim of the study was used the statistical method binary logistic regression. For the study under observation was taken of a woman with pathological, non-inflammatory processes of the cervix caused by HPV infection. Results. It was found that a high prognostic significance for the development of squamous intraepithelial lesions of low and high degrees have laboratory indicators of protein P16, E7 and transforming growth factor b, which gives the possibility to predict cervical squamous intraepithelial lesions, which indicates the relevance of laboratory tests in the assessment of HPV-associated cervical disease.

Key words: cervix, HPV infection, regression analysis.

В результате проведенных эпидемиологических и клинических исследований установлено, что вирус папилломы человека (ВПЧ) является важнейшим фактором в канцерогенезе шейки матки, однако, механизмы, определяющие характер и течение патологического процесса, риск развития злокачественной трансформации цервикального эпителия, критерии прогрессии, полностью не изучены [1, 2]. Плоскоклеточные интраэпителиальные ВПЧ обусловленные поражения высокой степени, рак шейки матки возникают на фоне взаимосвязанных процессов, в большинстве случаев протекающих в течение многих лет [3]. БЮ, затем высокой (HSIL) степени и, наконец, рак шейки матки (РШМ) [4]. Данные об особенностях этиопатогенеза заболеваний шейки матки при папилломавирусной инфекции (ПВИ) свидетельствуют о возможности предотвращения прогрессирования заболевания при условии своевременного обнаружения предраковых заболеваний [5].

Целью исследования было выделить при помощи бинарной логистической регрессии молекулярно-биологические и иммунологические лабораторные показатели, позволяющие определить риск прогрессии ВПЧ-ассоциированных цервикальных поражений.

Материал и методы

Согласно задаче исследования, был применен статистический метод бинарной логистической регрессии. Бинарная логистическая регрессия — это разновидность множественной регрессии, общее назначение которой состоит в анализе связи между несколькими независимыми переменными (называемыми также регрессорами или предикторами) и зависимой переменной [6]. С помощью логистической регрессии можно оценить вероятность того, что событие наступит для конкретного испытуемого (больной /здоровый, риск /отсутствие риска и др.) [7]. Для исследования в результате целенаправленного отбора под наблюдение были взяты женщины с патологическими, невоспалительными процессами шейки матки, обусловленными ПВИ, средний возраст которых составил 35,1±1,5 года. По результатам цитоморфологического исследования выборочная совокупность составила 290 женщин, которые представили основную группу обследуемых: латентная форма ПВИ — 32 пациентки, группа 1; факультативные заболевания шейки матки — 64 пациента (эктопии), группа 2; плоскоклеточные интраэпителиальные поражения низкой степени (1_Б!1_) — 62 чел., группа 3; плоскоклеточные интраэпителиальные поражения высокой степени (ИБП) — 94 женщины, группа 4; рак шейки матки — 38 пациенток, группа 5. Всем женщинам были выполнены лабораторные анализы, включающие исследования на ВПЧ ВКР с определением вирусной нагрузки,

МЕДИЦИНСКИЙ

АЛЬМАНАХ

генотипа и статуса вируса (эписомальная или интегратив-ная формы ПВИ), изучение состояния микробиоценоза урогенитального тракта, показателей локального иммунитета (интерфероны, цитокины). Материалом для исследования были соскобы эпителиальных клеток из влагалища, цервикального канала шейки матки. Для выявления и количественного определения ДНК ВПЧ использовали наборы фирм «ДНК-технология», «Интерлабсервис» (Москва, Россия) (тест-система «Ампли Сенс ВПЧ ВКР генотип-Fl», «Ампли Сенс ВПЧ ВКР скринтитр-Fl»). Наборы данных реагентов предназначены для выявления, дифференциации и количественного определения ДНК ВПЧ ВКР 16, 18, 31, 33, 35, 39, 45, 51, 52, 56, 58, 59 типов в клиническом материале методом ПЦР-РВ. Для проведения ПЦР-анализа использовали следующие амплификаторы: детектирующий ДТ-96 ООО «НПО ДНК-Технология» (Россия), iQ5 Bio-RAD (США). Определение онкобелка Е7 ВПЧ 16 и 18 типов проводилось с применением набора реагентов для иммуноферментного выявления «Е7-ВПЧ-16/18-Диагност» производства ОАО «Биомед» им. И.И. Мечникова (Россия). Иммуноцитохимическое исследование на протеин р16 выполнено при помощи наборов Cintec «Цитология» компании «Биолайн» эксклюзивного дистрибьютора компании MTM laboratories AG (Германия). Для оценки локальных иммунологических нарушений у женщин исследовалась цервикальная слизь, выполнено определение цито-кинов: ИНФа, ИНФу, ИЛ18, ИЛ10, ТФРр. Количественное исследование цитокинов ИЛ18 и ИЛ10 проводилось имму-ноферментным методом с использованием тест-систем ЗАО «Вектор-Бест» (Россия), определение трансформирующего фактора роста бета-1 (ТФРр) — c использованием набора компании DRG, DRGELISA-TGFP1 (Германия). Количественное определение интерферонов проводилось с использованием иммуноферментных наборов Bender Med Systems (США). В наборах для измерения уровня цитокинов и интерферонов применялся твердофазный иммуноферментный метод и аппарат «Expert+» (Австрия). Исследование биоценоза влагалища проводили методом ПЦР с детекцией результатов в режиме реального времени (ПЦР-РВ) с использованием реагентов «Фемофлор» производства ООО «НПО ДНК-Технология» (Россия). При помощи специализированного программного обеспечения рассчитывали количество (в геном-эквивалентах/мл (гэ/мл)) общей бактериальной массы (ОБМ), лактоба-цилл и различных групп условно-патогенных микроорганизмов (факультативно- и облигатно-анаэробных, мико-плазм и дрожжеподобных грибов). Полученные результаты были обработаны общепринятыми методами вариационной статистики с использованием пакета статистических программ Statistica 6.0. Соблюдение этических принципов исследования с участием человека отмечено в Протоколе № 8 от 23 сентября 2009 года заседания Этического комитета по проведению научных исследований Нижегородской государственной медицинской академии.

Результаты и их обсуждение

С помощью применения статистического метода бинарной логистической регрессии было показано, что высокой прогностической значимостью развития плоскоклеточных интраэпителиальных поражений низкой (LSIL) и высокой

степени (HSIL) обладают лабораторные показатели р16 и Е7. Набор этих тестов позволяет правильно предсказать 91,0% заключений плоскоклеточных интраэпителиальных поражений высокой степени (HSIL), РШМ, в среднем по плоскоклеточным интраэпителиальным поражениям 84,0% правильных предсказаний. Для данных показателей характерна высокая значимость влияния на зависимую переменную (p<0,0001). При исключении из оценки признаков р16 и Е7 высокую значимость приобретают следующие тесты: генотип вируса 16-го типа, состояние вагинального микробиоценоза с учетом сохранности нормофлоры (лактобактерии). Набор из этих переменных позволяет правильно предсказать 89,4% заключений плоскоклеточных интраэпителиальных поражений высокой степени (HSIL), РШМ, в среднем по плоскоклеточным интраэпите-лиальным поражениям 78,4% правильных предсказаний. Для признака генотип ВПЧ 16 типа характерна высокая значимость влияния на зависимую переменную (p<0,0001). Необходимо отметить высокую прогностическую значимость ТФР-р. Данный иммунологический признак позволяет правильно прогнозировать 91,4% заключений по плоскоклеточным интраэпителиальным поражениям низкой степени (LSIL) и 85,4% диагнозов плоскоклеточных интраэпителиальных поражений высокой степени (HSIL) и РШМ, в среднем 87,9% правильных предсказаний. При прогнозировании ВПЧ-обусловленных плоскоклеточных интраэпителиальных поражений значение имеют ИЛ-10, генотип вируса 51, вирусная нагрузка, условно-патогенные микроорганизмы (УПМ) (Atopobium vaginae), в среднем 78,0% правильных предсказаний. Значимое влияние на независимую переменную имеют ИЛ-10 (р<0,001) и вирусная нагрузка (р<0,05). Для остальных переменных влияние не значимо, они увеличивают процент правильных предсказаний.

Заключение

Определены молекулярно-биологические и иммунологические лабораторные показатели: онкопротеины Е7, р16, ВПЧ 16-го типа, вирусная нагрузка, дисбиоз вагинального биотопа, трансформирующий фактор роста р, интерлей-кин 10, дающие возможность прогнозировать плоскоклеточные интраэпителиальные цервикальные поражения, что свидетельствует об актуальности лабораторных тестов в оценке ВПЧ-ассоциированных заболеваний шейки матки и получении новых знаний о патогенетических аспектах папилломавирусной инфекции.

ЛИТЕРАТУРА

1. Ашрафян Л.А., Киселев В.И. Опухоли репродуктивных органов (этиология и патогенез). М.: Издательство «Димитрейд График Групп», 2008. С. 48-68.

Ashrafyan L.A., Kiselev V.I. Opuholi reproduktivnyh organov (ehtiologiya i patogenez). M.: Izdatel’stvo «Dimitrejd Grafik Grupp», 2008. S. 48-68.

2. Вакцины для профилактики рака шейки матки /под ред. П.Л. Стерна, Г.С. Китченера. Пер. с англ. под общ. ред. акад. РАМН Г.Т. Сухих, проф., В.Н. Прилепской. М.: МЕДпресс-информ, 2009. С. 49-58.

Vakciny dlya profilaktiki raka shejki matki / рod red. P.L. Sterna, G.S. Kitchenera. Perevodsangl. podobshch. red. akad. RAMN G.T. Suhih, prof., V.N. Prilepskoj. M.: MEDpress-inform, 2009. S. 49-58.

3. Клиническая онкогинекология: в 3 тт. / под ред. Ф. Дж. Дисаи, У.Т. Крисмана. Пер. с англ. под ред. Новиковой. М.: ООО «Рид Элсивер», 2011. Т. 1. С. 73-97.

▲1

SSM

Klinicheskaya onkoginekologiya: v 3 tt. /pod red. F. Dzh. Disai, U.T. Krismana. Per. s angl. pod red. Novikovoj. M.: OOO «Rid EHIsiver», 2011. T. 1. S. 73-97.

4. Короленкова Л.И. Ассоциированные с инфекцией вируса папилломы человека маркеры возникновения и прогрессии цервикальных интраэпители-альных неоплазий: от научных разработок к клинической практике. Опухоли женской репродуктивной системы. 2010. № 4. С. 64-70.

Korolenkova L.I. Associirovannye s infekciej virusa papillomy cheloveka markery vozniknoveniya i progressii cervikal’nyh intraehpitelial’nyh neoplazij: ot nauchnyh razrabotok k klinicheskoj praktike. Opuholi zhenskoj reproduktivnoj sistemy. 2010. № 4. S. 64-70.

5. Прилепская В.Н., Роговская С.И. Новые технологии профилактики рака шейки матки // В кн.: Патология шейки матки и генитальной инфекции. М.: МЕДпресс-информ, 2008. С. 8-14.

Prilepskaya V.N., Rogovskaya S.I. Novye tekhnologii profilaktiki raka shejki matki // V kn.: Patologiya shejki matki i genital’noj infekcii. M.: MEDpress-inform, 2008. S. 8-14.

6. Ланг Т.А., Сесик М. Как описывать статистику в медицине. Аннотированное руководство для авторов, редакторов и рецензентов; пер. с англ. / под ред. В.П. Леонова. М.: Практическая медицина, 2011. 480 с.

Lang TA, Sesik М. Kak opisyvat’ statistiku v medicine. Annotirovannoe rukovodstvo dlya avtorov, redaktorov i recenzentov; per. s angl. /pod red. V.P. Leonova. M.: Prakticheskaya medicina, 2011. 480 s.

7. Левина Д.А., Левин Г.Я., АхмедовМ.Г. Основы статистической обработки количественных данных в медико-биологических исследованиях. Алгоритм выбора оптимальных статистических критериев: методическое пособие. Н. Новгород, Махачкала. 2011. 38 с.

Levina D.A, Levin G.YA, Ahmedov M.G. Osnovy statisticheskoj obrabotki kolichestvennyh dannyh v mediko-biologicheskih issledovaniyah. Algoritm vybora optimal’nyh statisticheskih kriteriev: Metodicheskoe posobie. N. Novgorod, Mahachkala. 2011. 38 s. IT*

УДК: 616.248-078:616.24-008.4-002.2 Код специальности ВАК: 14.03.10

ОСОБЕННОСТИ БАКТЕРИОЛОГИЧЕСКОЙ ДИАГНОСТИКИ ТУБЕРКУЛЕЗА У ПАЦИЕНТОВ, КОМОРБИДНЫХ ПО ХРОНИЧЕСКОЙ ОБСТРУКТИВНОЙ БОЛЕЗНИ ЛЕГКИХ

С.А. Руденко1, Л.В. Пузырева1-2, А. В. Мордык2, Н.В. Багишева2, Ю.А. Емельянова2,

1КУЗОО «Клинический противотуберкулезный диспансер № 4», г. Омск, 2ФГБОУ ВО «Омский государственный медицинский университет»

Руденко Сергей Александрович — e-mail: [email protected]

Анализ результатов бактериологической диагностики микобактерий туберкулеза (МБТ) пациентов с впервые выявленным туберкулезом (ТБС) в сочетании с хронической обструктивной болезнью легких (ХОБЛ) показал, что бактериовыделение и лекарственная устойчивость, выявленные различными способами (бактериоскопия, люминесцентная бактериоскопия, посев на жидкие и плотные питательные среды) встречались чаше у больных с сочетанной патологией. У больных ХОБЛ и ТБС МБТ обнаружены при микроскопии (48,5% — ТБС+ХОБЛ, 30% — ТБС), росте на жидких (20,0% — ТБС+ХОБЛ, 5,3% — ТБС) и плотных (54,1% — ТБС+ХОБЛ, 29,6% — ТБС) питательных средах. Результаты лечения туберкулеза были лучшими у пациентов с одним заболеванием (закрытие полостей распада: ТБС — 48%, ТБС+ХОБЛ — 42%, абациллирование: ТБС — 49,9%, ТБС+ХОБЛ — 39,4%), в отличие от коморбидных больных.

Ключевые слова: впервые выявленный туберкулез, хроническая обструктивная

болезнь легких, коморбидность, бактериологическая диагностика микобактерий туберкулеза.

Analysis of the results of bacteriological diagnosis of mycobacteria tuberculosis (MBT) in patients with newly diagnosed tuberculosis (TBC) in combination with chronic obstructive pulmonary disease (COPD) showed that bacterial release and drug resistance detected by various methods (bacterioscopy, luminescent bacterioscopy, liquid and dense nutrient seeding) environment were more common in patients with comorbid pathology. In patients with COPD and TBS at microscopy MBT (48,5% TBS + COPD, 30% TBS), growth in liquid (20,0% TBS + COPD, 5,3% TBS) and dense (54, 1% — TBC + COPD, 29,6% — TBS) nutrient media. The results of treatment of tuberculosis were the best in patients with one disease (closure of the decay cavities: TBS — 48%, TBS + COPD — 42%, abacillia: TBS — 49,9%, TBS + COPD — 39,4%), in contrast from comorbid patients.

Key words: first detected tuberculosis, chronic obstructive pulmonary disease, comorbidity, bacteriological diagnosis of mycobacterium tuberculosis.

Особенностью последних десятилетий является рассмотрение не отдельных заболеваний с позиции специфики течения и результатов терапии, а взгляд на пациента с позиции коморбидности, сочетания различных заболеваний и состояний, инфекционной и неинфекционной природы, которые могут определять прогноз [1, 2, 3]. Исключением не являются больные туберкулезом, несмо-

тря на то, что туберкулезом чаще поражаются лица молодого и среднего возраста [4, 5, 6, 7, 8]. Наличие зависимости от табака способствует формированию как инфекционной, так и неинфекционной бронхо-легочной патологии, делая частым сочетание туберкулеза и хронической обструктивной болезни легких (ХОБЛ) [4, 7, 9]. В связи с этим представляется актуальным изучить особенности

Linear Regression of Blood Pressure to Determine the Risk of Secondary Hypotension

Статья опубликована на с. 38-42

 

Введение

В кровеносной системе живого организма циркуляция крови осуществляется согласованными действиями сердца и сосудов, что обеспечивает адаптацию к постоянно изменяющимся условиям жизнедеятельности в пределах гомеостатических границ. Среди интегральных характеристик сердечно-сосудистой системы наиболее доступной и важной характеристикой является величина артериального давления (АД), которая зависит от объема циркулирующей крови, работы сердца и сосудов (периферического сосудистого сопротивления, эластичности сосудов, участия мышц), а также реологических свойств крови. Величина АД выражается несколькими показателями: систолическим давлением S (максимальное давление при сокращении сердечной мышцы), диастолическим давлением D (минимальное давление между ударами сердца в момент расслабления сердечной мышцы, отражающее сопротивление периферических сосудов и частоту сердечных сокращений), а также пульсовым давлением W (по определению: W = S – D). Несмотря на большие колебания внутрисосудистого давления во время систолы и диастолы, кровоток осуществляется при устойчивом режиме давления, которое называется средним гемодинамическим давлением. Таким образом, величина АД содержит два компонента — постоянный, характеризующийся величиной среднего гемодинамического давления М, и пульсирующий, характеризующийся величиной W. Считается, что М отражает энергию непрерывного движения крови, зависит от сократительной функции сердца и общего периферического сосудистого сопротивления, поэтому эта величина может использоваться для оценки компенсаторных возможностей кровообращения [1]. Среднее давление М, как искусственно выделяемая величина, вычисляется обычно по наиболее популярной формуле Хикэма: М = D + (S – D)/3 [2]. 

Пульсовое давление W заключает в себе результат взаимодействия сократительной функции сердца, растяжимости артерий и величины волны отражения [2]. Считается, что повышение W связано с увеличением жесткости артерий (что сопровождается ростом амплитуды волны отражения). Показано, что повышение W является информативным предиктором смертности от сердечно-сосудистых заболеваний [3, 4]. 

Временные ряды измерений S и D могут быть подвергнуты анализу в прогностических целях [5], при этом каждое конкретное значение АД можно рассматривать как систему, где между «входом» (систолическое давление S) и «выходом» (диастолическое давление D) находится «состояние», называемое пульсовым давлением W, являющимся системообразующим элементом этой системы. Тогда нахождение связей между параметрами АД в интервале времени наблюдения может быть использовано для построения индивидуальной регрессионной модели кровообращения, характеризующей функционирование сердечно-сосудистой системы в интервале времени наблюдения [6, 7].

Основным результатом исследований [6] является нахождение в параметрическом пространстве величин АД линейных уравнений S = f1(W) и D = f2(W), которые описывают гемодинамическое состояние сердечно-сосудистой системы патентованной методикой количественного анализа связей параметров артериального давления [7]. Найденные связи между параметрами АД пациентов используются авторами для диагностики конкретного пациента, исходя из предложенной авторами классификации типов гемодинамики: гармонического (с подтипом миокардиально-недостаточным), дисфункциональных диастолического и систолического, а также пограничных типов.

В настоящее время показано, что линейная регрессионная модель может служить косвенным методом определения ригидности кровеносных сосудов по так называемому амбулаторному индексу жесткости артерий (AASI), который определяется через коэффициенты линейной регрессии D по S [8]. На большой популяции пациентов (более 11 тыс. человек) доказано, что коэффициенты линейной регрессии D по S при суточном мониторировании АД зависят от соотношений между пульсовой и постоянной компонентами АД и коррелируют со скоростью распространения пульсовой волны. Поэтому значения этих коэффициентов могут служить предиктором инсульта и сердечно-сосудистой смертности как у гипертензивных, так и у нормотензивных пациентов [9, 10]. Кроме того, авторами показано, что случайное исключение отдельных показаний из временного ряда измерений АД, сделанного через 30-минутные интервалы времени, существенно не влияет на коэффициенты линейной регрессии (среднее значение индекса жесткости) до тех пор, пока число измерений АД больше 7 [9, 10]. 

Таким образом, построение простейших линейных моделей дает ценную клиническую информацию о гемодинамике пациента и позволяет оценить риски развития опасных инцидентов. Наиболее актуальна такая информация прежде всего при ряде тяжелых заболеваний и состояний, которые сопровождаются опасным падением АД (сепсис, кровотечение, перитонит, инфаркт миокарда, тромбоэмболия легочной артерии и др.). Гипотензия может также провоцироваться вторично под воздействием сосудорасширяющих средств. Острая гипотензия, когда среднее гемодинамическое давление М опускается до 60 мм рт.ст. и ниже, увеличивает смертность пациентов в 2 раза [12]. Поэтому для отделений интенсивной терапии, где находятся такие пациенты, актуально выделение пациентов с высоким риском опасного снижения АД.  

Целью настоящего исследования является развитие метода линейной регрессии параметров АД для классификации пациентов отделений интенсивной терапии по степени риска развития острых эпизодов вторичной гипотензии. 

Материалы и методы исследования

Изучались временные ряды АД пациентов отделения интенсивной терапии, подверженных риску угрожающей гипотензии на фоне тяжелой формы основного заболевания. Использована база данных MIMIC II Clinical Database [12, 13], которая включает в себя временные ряды клинических измерений АД (S и D) в лучевой артерии с интервалом измерений 1 мин и длительностью не менее 10 часов у пациентов отделения интенсивной терапии. Часть пациентов (43 чел., группы h2, h3, C2 [12]) за это время пережили по крайней мере один острый гипотензивный эпизод (они образовали группу с высоким риском вторичной гипотонии), 15 пациентов (группа С1 [13]) не имели таковых эпизодов (группа низкого риска). Нами для удобства изменялась частота дискретизации до 1 измерения в 15 мин (подобная частота измерений характерна для аппаратного автоматического измерения АД при суточном мониторировании АД). Кроме того, сигналы АД подвергались усреднению посредством сглаживания при скользящем среднем.

Построение линейной регрессионной модели

Очевидно, что при рассмотрении взаимосвязей между S и W (или D и W) переменная S представляется независимой, а W — зависимой, но такая зависимость является неоднозначной в том смысле, что каждому конкретному значению S может соответствовать некоторое вероятностное распределение зависимой переменной W. Математическое ожидание переменной и определяет функцию регрессии S на W (рис. 1).

Применяемая здесь линейная регрессия является одним из методов восстановления зависимости между переменными. Ниже приведен пример построения линейной модели зависимости параметров S и D от W по заданной выборке и показан результат на графике (рис. 1). Для заданного множества из N пар измерений (Si,Wi), а также (Di,Wi), (i = 1, …, N) строится линейная модель: Si = f(Wi) + εi, Di = f(Wi) + εi c аддитивной случайной величиной ε. Предполагается, что случайная величина распределена нормально с нулевым математическим ожиданием и фиксированной дисперсией, которая не зависит от переменных S и D. При таких предположениях найдем линейную теоретическую функцию регрессии: S = Q + a1W — и коэффициенты регрессии Q и a1, используя метод наименьших квадратов. Поскольку пульсовое давление определяется как W = S – D, то D = Q + (a1 – 1)W. Параметры регрессии Q и a1 определяются методом наименьших квадратов с целью минимизации величины ошибки. Аналогично строится следующее уравнение: S = B + AD, где параметры А и В являются вторым набором коэффициентов линейной регрессии. Следует отметить, что проведенное нами предварительное преобразование W (возведение в степень, извлечение корней и т.д.) не позволило улучшить возможности регрессии. 

Значение коэффициентов состоит в следующем. Считается, что Q характеризует давление потока крови в области затухающей пульсовой волны (в конечной части артериол), параметр а определяет соотношение вклада сердца и сосудов в кровообращение. Для нормального (гармонического) типа кровообращения пациента значение коэффициента Q практически совпадает со средним гемодинамическим давлением, которое является интегрированным средним значением АД за время сердечного цикла. Значение коэффициентов A и B, определяющих линейную регрессию систолического S на диастолическое давление D, может быть также определено в терминах индекса жесткости сосудов AASI [9, 10]. Кроме того, было сделано наблюдение связи выброса депонированного объема крови пациента и, как следствие, возникновения гипертонического криза со значениями параметров А и В [7].

Таким образом, использование вектора характерных особенностей гемодинамической системы x = {Q, a1, A, B} с полным набором коэффициентов регрессии параметров АД позволит классифицировать гемодинамику пациентов в диагностических и прогностических целях.

Вектор признаков гемодинамики и понижение размерности пространства признаков

Сокращение числа значимых входных признаков или уменьшение размерности модели является важной задачей классификации, поскольку, во-первых, удаляются менее значащие признаки, во-вторых, модель упрощается и улучшается ее качество. Существенного сокращения размерности пространства признаков можно достичь с помощью нелинейных преобразований переменных или применения пошаговой процедуры отбора переменных. Ранжирование наиболее значимых признаков вектора x в настоящей работе осуществляется по ROC-критерию (Receiver Operating Characteristics) [11], который широко применяется в медицине. ROC-кривая показывает зависимость количества верно классифицированных образцов от числа неверно классифицированных, поэтому для каждого признака вычислялась ROC-кривая и выбирались признаки с максимальной площадью под ROC-кривой. Применение ROC-критерия к компонентам вектора x позволило в итоге понизить размерность вектора признаков до 2, после чего рассчитанные данные x = {Q, a1} передавались для обучения классификатора на основе опорных векторов. 

Обучение опорных векторов классификатора и классификация образцов АД

Задача классификации АД по степени риска развития острого гипотензивного эпизода заключается в построении линейной регрессионной модели, вычислении вектора характерных признаков (атрибутов), создании модели бинарного классификатора по методу опорных векторов (МОВ) [14], его обучения на тренировочном наборе образцов и, наконец, классификации тестовых образцов АД.  

В настоящей работе для построения модели классификатора МОВ используется разбиение набора данных АД двух групп пациентов (группы высокого и низкого риска приступа гипотензии) на обучающее и тестовое множество случайным образом в пропорции 75 % : 25 %.

Особым свойством МОВ является непрерывное уменьшение эмпирической ошибки классификации объектов и поиск разделяющей гиперплоскости между классами с максимальным зазором в двухмерном пространстве признаков. Поскольку каждый сигнал представляется как вектор в пространстве признаков и принадлежит только одному из двух классов, максимизация зазора между классами означает более достоверную классификацию по степени риска возникновения эпизодов гипотонии (высокий/низкий). Обучение классификатора МОВ по степени риска считается завершенным при достижении максимального значения показателя качества. Таким образом, для образцов с низким и высоким риском гипотонии вектора x будут находиться по разные стороны разделяющей гиперплоскости, которая определяется путем максимизации расстояния до векторов x.

Зададим значения вектора атрибутов как x = {Q, a1} в двухмерном пространстве признаков. Задача построения разделяющей гиперплоскости эквивалентна нахождению единственного минимума квадратичного функционала, когда суммирование осуществляется только по опорным векторам (т.е. по приграничным векторам x0). При решении задачи классификации рассматриваемым методом требуется добавление так называемого оператора ядра. На рис. 2 показана основная идея МОВ с радиальной базисной функцией в качестве ядра при использовании двухмерного вектора атрибутов. На рис. 2 крестиками отмечены образцы АД с высоким риском, звездочками — образцы с низким риском гипотонии из обучающего и тестового набора, опорные вектора отмечены дополнительно кружком. Данный пример показывает, что классификация на основе всего 2 атрибутов (Q и a1) дает высокий показатель качества разделения сигналов (в нашем случае это значение составило 93 %).

Представим теперь результаты ROC-анализа, позволяющие оценить качество бинарной классификации и определить зависимость доли верных классификаций от доли ложных классификаций: 1 ложноотрицательный диагноз (FN = 1) для 43 образцов АД с высоким риском гипотензии (TP = 42) и 2 ложноположительных диагноза (FP = 2) для 15 образцов АД с низким риском гипотензии (TN = 13).

Заключение

В данной работе мы представили метод классификации медицинских сигналов АД по степени риска развития гипотензии, основанный на построении линейной регрессионной модели для параметров АД с последующим применением классификатора по методу опорных векторов. Обучаемый по прецедентам машинный алгоритм дифференциации сигналов дает высокий показатель качества (93 %). Для обучения классификатора был рассчитан 4-размерный вектор характерных особенностей АД: x = {Q, a1, A, B}, координатами которого являются коэффициенты линейной регрессии систолического, диастолического и пульсового давления. При этом наилучшими качествами для классификации медицинских сигналов АД по степени риска развития гипотензии обладали модели, в которых использовались параметры регрессии систолического давления по пульсовому давлению (или диастолического — по пульсовому), чем параметры регрессии систолического давления по диастолическому давлению. Применение ROC-критерия к компонентам вектора x позволило в итоге понизить размерность вектора признаков до 2, после чего рассчитанные данные x = {Q, a1} передавались для обучения классификатора на основе МОВ, где координаты вектора признаков представляют собой беспульсовое давление и соотношение вклада сердца и сосудов в кровообращение.

Следует отметить, что повышение качества классификации МОВ в основном происходит при удалении из обучающего множества образцов с ложным диагнозом, кроме того, качество классификации является высоким даже при относительно небольшом размере обучающего набора АД. Достоинство данного метода классификации состоит в высокой эффективности (93 %) и достаточности ограниченного набора данных, что отличает его от большинства других методов. 

Результаты исследования могут быть полезными для фундаментальных исследований в области гемодинамики сердечно-сосудистой системы, в отделениях интенсивной терапии для раннего выявления пациентов с риском развития острых гипотензивных эпизодов, в кардиологической функциональной диагностике, а также для разработки и оценки диагностических и прогностических алгоритмов в медицине.

Bibliography

1. Кушаковский М.С. Гипертоническая болезнь. — СПб.: Сотис, 1995. — 4-е изд. — 311 с.

 

2. Рашмер Р. Динамика сердечно-сосудистой системы: Пер. с англ. М.А. Безносовой, Т.Е. Кузнецовой; под ред. Г.И. Косицкого. — М.: Медицина, 1981. — 600 с.

 

3. Weiss A., Boaz M., Beloosesky Y. et al. // J. Gen. Intern. Med. — 2009. — V. 24(8). — P. 893-896. 

 

4. Frederique T., Jacques B., Athanase B. et al. // J. Hypertens. — 2008. — V. 26(6). — P. 1072-1077.

 

5. Баевский Р.М. Прогнозирование состояний на грани нормы и патологии. — М.: Медицина, 1979. — 298 с.

 

6. Хурса Р.В., Чеботарев В.М. Гемодинамические детерминанты гомеостаза сердечно-сосудистой системы // Клиническая физиология кровообращения. — 2007. — № 4. — С. 71-77. 

 

7. Хурса Р.В., Чеботарев В.М., Балышева В.М. Способ перманентного контроля индивидуального функционального состояния кровообращения: Патент BY № 4876.

 

8. Benetos A., Lacolley P. From 24-Hour Blood Pressure Measurements to Arterial Stiffness: A Valid Short Cut? // Hypertension. — 2006. — V. 47. — P. 327-328.

 

9. Li Y, Wang J.G., Dolan E. et al. // Hypertension. — 2006. — V. 47. — P. 359-364. 

 

10. Dolan E., Thijs L., Li Y. et al. // Hypertension. — 2006. — V. 47. — P. 365-370.

 

11. Цыплаков А.А. Некоторые эконометрические методы. Метод максимального правдоподобия в эконометрии: Учебное пособие. — Новосибирск: ЭФ НГУ, 1997. — 126 с.

 

12. Moody G.B., Lehman L.H. // Computers in Cardiology. — 2009. — V. 36. — P. 541-544.

 

13. The MIMIC II Project database: http://physionet.org/physio-bank/database/mimic2db

 

14. Vapnik V. Statistical learning theory. — Berlin: Springer, 1998.

 

Впервые опубликовано в журнале «Известия академии наук Беларуси», № 1, 2013, серия физико-математических наук, с. 117-122  

Регрессия Кокса, модель пропорциональных рисков

Где используется регрессия Кокса

Чем дольше срок эксплуатации техники, тем выше риск её поломки или отказа.

Если компания реализует долгосрочный строительный проект, то существует риск не завершить проект вовремя, и на это влияет масса факторов: проволочки со стороны инстанций, выдающих разрешительные документы, задержки поставок стройматериалов, погодный фактор, человеческий фактор, вероятность ухудшения макроэкономической ситуации, дефолта, кризиса и так далее.

В туристической отрасли горизонт планирования меньше и равен среднестатистической продолжительности отпуска плюс период раннего бронирования. Тут макроэкономические показатели более прогнозируемы, зато сильнее влияют погодные факторы, катаклизмы, чрезвычайные ситуации, вероятность обострения политической обстановки, если речь идет о регионе с давней политической нестабильностью.

В страховой медицине приходится оценивать возраст и состояние здоровья пациента, доступность медицинских услуг по месту его проживания, наличие совместно проживающих родственников, способных осуществлять уход и вовремя вызвать «Скорую помощь» при необходимости.

Любая компания, предоставляющая услуги населению — телефонная связь, Интернет, охранная сигнализация, прочее — также должна оценить массу факторов, влияющих на риск отказа от их услуг. Это вероятность переезда в другой город или район, вероятность смерти или гибели абонента, ухудшения его материального положения до невозможности оплачивать услуги и так далее.

При всей разности ситуаций и факторов, подлежащих оценки, их можно свести в относительно простую и понятную формулу, то есть формализовать, что и происходит в рамках метода Кокса. Именно поэтому данный метод используется в самых разных областях: медицина, страхование, инвестиции, строительство, туризм и так далее.

Регрессия Кокса была использована как метод анализа влияния необработанных продуктов на риск развития диабета 2 типа.

Регрессия – что такое регрессия в психологии, медицине, экономике? Регрессия поведения.

О том, что такое регрессия, знают и программисты, и врачи разных направлений, а особенно хорошо ориентируются в этом понятии психологи. Впрочем, математики и эзотерики тоже могут рассказать, что понимать под этим термином. Самое удивительное — тот факт, что представители каждой из перечисленных областей видят в слове свое значение! Действительно, регрессия — понятие многогранное и сложное. Попробуем разобраться с некоторыми его сторонами.

Общее понимание

Разобраться с тем, что такое регрессия, проще всего, если обратиться к психологической стороне вопроса. Термином принято обозначать такой защитный механизм, который позволяет на некоторое время сбежать от реальных сложностей, беспокоящих личность, к более простым вопросам. То есть фактически регрессия — упрощение решаемых задач. Регрессия применительно к развитию вида будет означать упрощение с поколениями, деградацию.

А вот в математике, программировании и других точных науках термин применяется в том же значении, но по отношению к исследуемой области. Если прогрессия предполагает развитие и увеличение, то регрессия — полная противоположность этого термина.

Когда и зачем?

Психологи считают, что регрессия — это отличительная особенность любой человеческой личности, столкнувшейся с новой, сложной, непонятной задачей. Реакция на новую обстановку, психическое или физическое состояние могут спровоцировать такой эффект. Узнать, что такое регрессия, на своем примере можно, если человек сильно устает или заболевает.

Теория и практика

В поведении регрессия — переход к прежней стадии. Особенное внимание этому явлению уделялось в работах Фрейда — известнейшего австрийского психоаналитика прошлого столетия. Он разработал онтогенетическую теорию, в рамках которой и рассматривается, что такое регрессия.

В соответствии с психотерапией, термином следует обозначать возвращение личности к такому времени, когда ощущалась удовлетворенность от обстановки. В настоящее время психоаналитика предпочитает понимать под регрессией такой неэффективный защитный механизм, который активируется при возникновении дискомфортной ситуации. Наибольшую практическую пользу принес бы поиск выхода из ситуации, но в реальности многие люди лишь стремятся упростить комплексную задачу, тем самым загоняя себя в еще более безнадежный тупик.

Где это наблюдается?

Лучше всего знают, что такое регрессия, психотерапевты, вынужденные работать с индивидуумами, страдающими невротическими расстройствами либо инфантилизмом. Регрессия — это одна из форм, помогающая человеку справиться с эмоциональным перенапряжением. Специалисты отмечают, что она довольно сильно отличается от альтернативных способов борьбы с проблемой. Замещение, генерализация помогают сохранить структуру деятельности, а вот рассматриваемое явление меняет потребности, мотивацию. Все это приводит к деградации качеств личности. Процесс протекает очень быстро, особенно в условиях отсутствия сторонней помощи.

В то же время известны случаи, когда явление приносило индивидуумам пользу. Так, в рамках когнитивного теоретического подхода принято говорить о значимости регрессии как методики обращения к упрощенным схемам, помогающим познать себя, проблему, пути ее решения. Отталкиваясь от простого понимания, можно со временем добиться прогресса личности.

Противоречия и общий подход

Как было упомянуто выше, значение слова «регрессия» психологами, психотерапевтами определено еще с прошлого столетия. Современные методологи, однако, отмечают, что экспериментальных исследований было организовано всего несколько, поэтому каких-то реальных подтверждений теоретических выкладкок нет и по сей день, а механизмы, через которые реализуется личностная регрессия, вовсе не изучены. Еще только предстоит ознакомиться с проявлениями этого явления, сформулировать, насколько оно значимо. Позиции, которых придерживаются ведущие психоаналитики современности, во многом противоречат друг другу.

Можно сказать точно, что все виды регрессии предполагают возвращение к прошлому, в детство, к усвоенным ранее моделям поведения. То есть фактически человек с текущей ступени развития возвращается на уже пройденную им ранее. В психологии о таком явлении говорят как о понижении организационного уровня. Фактически наблюдается примитивизация.

Регрессия в онкологии

Этот термин как для врачей, работающих с онкологическими больными, так и для самих людей, столкнувшихся со злокачественными новообразованиями, исключительно важен. Чаще всего о возможности регрессии говорят, если опухоль развилась на веке либо поблизости от этой области человеческого организма. Медицина знает несколько случав, когда злокачественность была установлена и подтверждена, тем не менее, спустя некоторое время наблюдалось самостоятельное излечение больного — регрессия. Значение слова в медицине действительно важно, так как дает надежду многим больным.

Такое явление применительно к раковым заболеваниям наблюдается, если опухоль не трогать, не беспокоить. Возможность самостоятельного излечения есть только у развивающихся медленно новообразований. Процесс протекает следующим образом: сперва наблюдается медленный рост, затем его прекращение и начало обратного процесса. Происходит это обычно неожиданно и непредсказуемо. Что это такое простыми словами? Регрессия — ситуация, когда опухоль рассасывается без малейшего следа. Ни на коже, ни поблизости не будет даже намека на злокачественный процесс. В официальной литературе есть упоминания о нескольких подобных случаях, наблюдаемых квалифицированными врачами.

Официальная позиция

О том, что это такое — регрессия простыми словами — можно узнать, обратившись к работам Закса, Лиша. Именно они особенно детально рассматривали явление применительно к онкологическим больным. Как удалось выяснить в ходе экспериментального исследования, здоровый организм имеет возможности, ресурсы, позволяющие активизировать обратный рост новообразования. Это характерно не только для ранних стадий. В медицинской практике Лиша был такой случай, когда рецидив, спровоцированный слабой эксцизией, останавливался в развитии, а затем самостоятельно развивался обратно.

Как видно из опубликованных работ, метод регрессии применительно к онкологическим больным может сработать совершенно непредсказуемо. Если некоторая часть опухоли не была удалена при операции, преобразованные клетки самопроизвольно могут погибнуть. Такое наблюдалось и у больных, у которых рак проявил себя видимым участком, и на этапе лишь появления ракового комплекса в структурах ткани.

Как это работает?

Многие исследователи, обратив внимание на указанное уникальное явление, предложили объяснять его с точки зрения учения Павлова, рассматривавшего значимость головного мозга, в частности, коры этого органа как центра, регулирующего весь живой организм. Как следует из известной в настоящее время информации, это может быть фактором регрессии в силу возможности применения нервных механизмов для обеспечения различных участков тела защитой. На мозг возлагается еще и компенсаторная функция.

Как видно из онкологии, важные параметры регрессии еще только предстоит открыть, чтобы найти механизмы, активизирующие природный защитный процесс. Уже сейчас известно, что влияние нервной системы провоцирует некроз больных тканей, появление язв, рубцов. Альтернативный вариант — инкапсулирование клеток, потенциально не имеющих более возможности роста. В таком состоянии они со временем гибнут. Каким образом можно стимулировать этот механизм, пока неизвестно.

Значений множество!

Но не только в психологии, регрессия рассматривается еще и в эзотерических учениях. Характерно это в первую очередь для тех, что посвящены погружению в прошлые жизни. Как рассказывают специалисты этого направления, под термином принято понимать трансвизуализацию.

В некоторой степени явление это сходно с осознанным сновидением, в то же время имеет специфические отличия. Человек, переходя в такое состояние, полностью сохраняет под контролем собственное сознание, но может выйти из него без особенных усилий. Погружение для такого состояния характерно относительно слабое. С одной стороны, нет ощущений, деталей, присущих классическому полноценному сну, в то же время общее представление человек получает. Можно сравнить это с подсматривающим через щелку. Многие считают, что степень восприятия определяется количеством, качеством тренировок.

Можно пройти регрессию как самостоятельно, в одиночестве, так и в группе заинтересованных лиц, собравшихся в одном месте и с одной целью. В крупных городах регулярно организуют такие мероприятия для желающих. Используются специальные звуки. Принято деление на уровни, каждый из которых подбирается к конкретной ситуации на усмотрение самого ответственного и опытного участника группы или тренера.

Что это такое?

Пытаясь объяснить суть регрессии, некоторые сравнивают ее с информационным потоком, в который появляется возможность включать свое сознание. В то же время неясно, откуда берет начало этот поток. Одни считают, что из воображения, другие убеждены в его в связи с прошлыми жизнями. Кто-то готов отстаивать мнение о том, что все сведения поступают из параллельных миров, а иные убеждены, что дело лишь в памяти.

Одна из теорий гласит, что наш мир — это всего лишь симуляция. Такой подход делает наиболее вероятной правильность идеи реинкарнации, а также дает неплохое объяснение устройству вселенной. Фактически разумные сущности могут словно блуждать меж мирами, и регрессия помогает включиться в этот процесс, осознать его, стать элементом информационного потока, в рамках которого и происходят все передвижения.

Регрессия и воспитание детей

Это явление знакомо не только врачам, известным ученым, эзотерикам и стремящимся к духовным практикам, просветлению и познанию мира людям. Самые простые родители, активно воспитывающие маленьких детей, также нередко сталкиваются с регрессией. Этим термином принято обозначать такое поведение ребенка, когда уже обучившийся чему-либо малыш внезапно словно бы возвращается на ступеньку назад. К примеру, еще недавно умевший самостоятельно пользоваться горшком ребенок вдруг писает в штанишки.

Психологи объясняют это следующим образом: никаких отклонений в развитии нет, чадо вполне может пользоваться туалетом так, как его учат родители. Дело в том, что малыш, когда обучается чему-то новому, одновременно испытывает испуг от своей самостоятельности. Стремясь вернуться в тепло и безопасность родительской опеки, он пытается отринуть новое знание, умение. Со временем, если родители ведут себя правильно, малыш осознает, что страшного и опасного в пользовании новыми навыками ничего нет, и применяет их на практике. Поэтому родители, столкнувшиеся с такой проблемой, должны максимально внимательно относиться к своему чаду, поддерживать его и доказывать свою любовь и заботу.

Подводя итоги

Не зря филологи гордятся богатством русского языка. Действительно, можно встретить такие уникальные термины, значение которых исключительно богато и разнообразно. Рассмотренный пример регрессии — хорошее доказательство постулата о многообразии и многозначительности русского языка. Само слово пришло к нам из латыни, но было применено к разным областям жизни и в современности обширно используется и специалистами разных сфер, и обывателями. Сохранилось значение «обратное движение», в то же время расширилась область применения.

Психологический ликбез. Психологические защиты. Регрессия.

Пора вернуться к моим психологическим запискам и психологическом ликбезу.Времени стало немного больше, череда тренингов и семинаров прошла, я отдохнул и воспрял духом.Видимо я соскучился по этому занятию, потому, что неожиданно получилось много буковок с отклонениями и лирическими научными отступлениями.

С Регрессией знакомы все.

Родители замечают, когда их ребенок плохо себя чувствует, расстроен, голоден или обижен он «скатывается» к поведению и привычкам, присущим ему на более ранних ступенях развития.
Когда ваша девушка обижается, «надувает губы» и начинает вести себя, в лучшем случае, как 13-летний тинэйджер, а то и как капризная 5-летняя девочка — это регрессия.
Когда ваш молодой человек заболел и с легким насморком улегся в постель, заявив, что он, наверное, умирает, но при этом требует, чтобы вы суетились вокруг, готовили ему вкусности, гладили по голове и говорили, что он хороший мальчик — это тоже она, Регрессия.

РЕГРЕССИЯ — форма психологической защиты. Она характеризуется тем, что при ее реализации происходит возврат к более примитивным формам поведения и мышления, которые были свойственны для более ранней стадии развития. Развиваясь, ребенок переходит с одной ступеньки своего развития на другую. Во время регрессии он делает шаг-другой назад, на предыдущие ступеньки. Например, когда человек в экстремальной ситуации начинает вести себя как ребенок — можно говорить, что он регрессировал. По мнению психоаналитиков, регрессия присуща практически каждому человеку. Например, находясь в состоянии сильной усталости, многие из нас начинают хныкать, читай, слегка регрессируют.

Эта тенденция берет свое начало в Подфазе воссоединения (“репрошман”) в процессе сепарации-индивидуации,

Маргарет Малер описывала развитие ребенка как проходящее три последовательные фазы —фазу нормального аутизма, фазу симбиоза и фазу сепарации-индивидуации . В последней она выделяла четыре подфазы.

Аутистическая фаза (1-й месяц жизни ребенка).
Новорожденный описывается как, в основном, как биологическое существо обладающее рефлекторными реакциями на стимулы. Его Эго (Я) примитивно и неинтегрированно. Защитные механизмы не сформированы и функционируют на соматическом уровне (типа переполнение — разрядка). Поведение направлено на поддержание гомеостаза (равновесия во внутренней среде организма). Выживание ребенка целиком зависит от матери (или того, кто ее заменяет), т.е. от внешнего окружения. Ребенок помещен во «внешнюю матрицу материнской заботы», и его главная задача — войти в состояние некоего «социального симбиоза» с матерью.
На этой стадии ребенок не может различать внутренние и внешние стимулы. Нет разницы между тем, что происходи внутри и снаружи, младенец не выделяет себя из своего окружения.

Симбиотическая фаза (2-ой — 5-ый месяцы жизни).
Неспособный провести четкое различие между собой и матерью, ребенок переживает (видимо в виде галлюцинация) соматическое и психическое слияние с матерью. Мать «симбиотически» организует личность младенца.
Примерно на третьем месяце жизни первичный нарциссизм ребенка начинает уступать место идентификации с матерью. Возникает смутное осознание, что потребности удовлетворяются не потому, что мир таков, а удовлетворяются «внешним» объектом.
Термин «симбиоз» Малер употребляет скорее метафорически (не в биологическом смысле), описывая его как состояние всемогущего слияния с образом матери.

Фаза сепарации-индивидуации

Подфаза дифференциации (5 — 9 мес.).
Иногда называется стадией «вылупления». Ребенок как-бы «вылупляется» из скорлупы своего аутизма. Он начинает, пока физически, (еще не эмоционально) отделять себя от внешних объектов. Малыш становится более активным, его внимание направлено «вовне», он учится использовать собственное тело. Ребенок начинает ползать, делает первые попытки ходить, учится контролировать свои сфинктеры.
Ребенок покидает границы «двойного единства» с матерью, «прорываясь» в телесное чувство. В это время он вовлекается в процессы сравнивания и узнавания (характерный для 8-и месяцев «страх незнакомцев» и радостная улыбка, видя знакомое лицо).

Подфаза практики (10 — 15-16 мес.). Ребенок радостно исследует мир. Он тренирует свою «отдельность» и растущие моторные навыки. Нередко он удаляется от матери, вовлекается в самостоятельную деятельность, но всегда возвращается для очередной «эмоциональной подзарядки».
На этой стадии, как считает Малер, ребенок переживает пик своего нарциссизма. Он «очарован собственными способностями и тем, как влечет его окружающий мир». В обычном состоянии у него практически отсутствует страх потери объекта (например, матери). В негативных случаях, скажем, при случайном ударе или падении, возникает сепарационная тревога и ребенок ищет помощи у матери.

Подфаза воссоединения («репрошман») (16 — 24 мес.).
Ребенок все лучше понимает и оценивает реальность. Он научается дифференцировать (отделять) представления о себе (в психоанализе их называют «Я-репрезентации») от представлений о других людях — объектах («объектные репрезентации»).
Одновременно с этим ребенок перестает ощущать себя «хозяином мира», а чувствует себя маленьким, практически беспомощным существом. От этого растет сепарационная тревога и он, естественно, обращается за помощью и поддержкой к матери. Бывает, что делает это довольно навязчиво. Некоторые неопытные и неразумные мамочки не способны принять возросшую в этот период требовательность ребенка к их вниманию (у ребенка возникают «капризные приступы»). Некоторым матерям это сложно понять особенно после относительной самостоятельности и автономности их малыша в подфазе практики . С другой стороны, некоторые матери неспособны смириться с растущей самостоятельностью и отделением ребенка. Все это может стать источником проблем в процессе развития ребенка.
Внешне это выглядит так, что ребенок, который уже научился прилично ходить, убегает от матери, провозглашая этим свою отдельность и независимость, а затем бегом возвращается к ней и «прячется под юбкой».
Процесс развенчания собственного всемогущества и одновременного обретения самостоятельности непростой и болезненный. В это период ребенку нужна поддержка матери, а не драматическая борьба с ее непониманием.
Успешное преодоление этих сложностей — залог будущего нормального развития. Поддержка матери в этот период — неоценимый ресурс.

Подфаза консолидации объектов(24 — 36 мес.).

Постепенно психика ребенка развивается, он достигает «постоянства объектов» — его представления о себе самом и собственном Я (Я-репрезентация) и представление об окружающих (объект-репрезентации) структурируются, обретают четкую постоянную форму.
Ребенок все более независим от матери и активно интересуется другими людьми. Его Эго, личность, психический аппарат становятся цельными, более интегрированным. Ребенок уже умеет нейтрализовывать свои агрессивные импульсы, а не их на окружающих.
Если раньше образы родителей были и состояли из «хороших» и «плохих» образов, теперь они становятся едиными и цельными.

Которую описывала Маргарет Малер, как универсальную особенность ребенка, проявляющуюся в конце второго года жизни — малыш, провозгласивший свою самостоятельность и начинающий ходить, отбегает от матери и вскоре возвращается обратно и прячется под ее юбкой, тем самым возвращаясь к предыдущему уровню. По мнению психоаналитиков такой образ действий становится одной из тенденций, присущих каждому человеку — возвращение к знакомому способу действия после того, как был достигнут новый уровень компетентности.

Понятие регрессии тесно связано с фрейдовской идеей о том, что «примитивные» «ранне-детские» состояния могут проявиться в любой момент, что примитивная психика никогда и никуда не исчезает. Попятное движение, то есть регрессия происходит не абы куда назад, она стремится к.
Красивую метафору, описывающую фиксацию предложил З. Фрейд: Можно лучше понять эти взаимосвязи, воспользовавшись такой аналогией: армия пытается продвинуться на территорию врага. Наибольшее число групп оккупантов будет в тех местах, где они испытывают наименьшие трудности, или в наиболее безопасных местах, там, где им приятнее всего. Однако, поступая так, наступающая армия ослабляется и, стоит ей встретить трудности на своем пути, как она возвращается на те позиции, где она оставила самые сильные оккупационные группы.

У человека фиксации возникают в тех точках-периодах развития, когда он испытывал чрезмерное удовлетворение или фрустрацию.
1. От сильных удовлетворений мало кто отказывается, особенно если они дают ощущение безопасности. Например, если мамочка очень внимательна к своему малышу, ловит каждый его жест, буквально читает его мысли, угадывает каждый жест, нет смысла учиться говорить. Или ребенок, которого анально-эротически стимулирует мать своей чрезмерной заботой о его анальной деятельности, не только получает большое чувственное удовлетворение, но также и уверенность в расположении матери к нему.
Естественно, при стрессе, проблемах, фрустрации человек будет регрессировать к способам мышления и поведения, которые были присущи ему в периоды изысканного благополучия.

2. Другой точкой фиксации могут быть периоды стресса и чрезвычайной фрустрации. Все мы знаем в себе или в близких тенденцию, во время стрессовых ситуаций, сваливаться к привычным регрессивным способам поведения. И задаем риторический вопрос: Почему это случается со мной!? Или, отпускаем реплику: «Ну вот, как всегда!».

Данная тенденция очень ярко проявляется во время долгосрочной психотерапии и психоанализа. Например, пациент, который в процессе терапии, собрал все свои силы и мужество, чтобы вести себя по-другому (особенно, если это включает в себя новое поведение в отношениях с психотерапевтом — выражение страха, ненависти или критики, просьба изменить оплату или расписание с большим самоутверждением, чем допускалось в детстве), будет часто возвращаться к старым привычным способам принимать решения, к прежнему образу мыслей и поведению.

Психотерапевт должен быть готов к таким приливам и отливам в работе и в своем контрпереносе не превращаться в привычного для клиента разъяренного родителя. Надо знать, что несмотря на регрессивные тенденции в сопротивлении пациента, общее направление изменений — вперед.

Надо понимать, что просьба о помощи и поддержке или утешении — это не регрессия. Все это сознательные процессы и сознательное поведение человека. Для того, чтобы назвать этот процесс регрессией — защитным механизмом, он должен быть бессознательным. Так женщина, которая неосознанно впадает в заискивающий тон маленькой девочки, когда она просит кого-то об одолжении или услуге; или мужчина, который удивленно хлопает глазами, глядя на свою жену после того, как только что была достигнута новая степень близости с ней, демонстрируют регрессию в психоаналитическом смысле данного термина, если только эти действия не выбираются и осуществляются сознательно.

Некоторые люди «любят» использовать регрессию как защиту больше, чем другие. Например, некоторые реагируют на стресс тем, что заболевают и ложатся в постель. В психологии такое превращение психологических проблем в соматические называется соматизацией .
Некоторые ипохондричные люди, отвлекающие врачей монотонными неясными причитаниями и периодическими меняющимися жалобами на проблемы со здоровьем, причем, эти проблемы не поддаются лечению. Эти люди используют регрессию для того, чтобы находиться в роли слабого и беспомощного, а это самый ранний способ преодоления сложных жизненных аспектов, стоит заболеть — требования родителей снижаются, они получают ласку и заботу. Такой способ поведения длится годами и к тому времени, когда такие люди решают получить психологическую консультацию у психолога или психотерапевта, они уже выстроили дополнительную и фактически непроницаемую стену защит. Свое начало она берет в обращении с ними как с избалованными детьми или своенравными людьми, ищущими постоянного внимания (что характеризует их невроз). Помимо этого такое положение веще дает массу вторичных выгод. Например, вечно хандрящую и жалующуюся на здоровье женщину родственники везде возят на машине, а окружающие уступают места или пропускают без очереди. Естественно, от подобных выгод не так просто отказаться. Следовательно, психотерапевт, чей пациент использует регрессию в позиции слабого в качестве своей любимой защиты, должен обладать сверхчеловеческими резервами такта и терпения.
Вывод, что человек, жалующийся на физическую боль или сильную усталость, пользуется регрессией как главной защитной реакцией на эмоциональный стресс, не должен быть поспешным или неотрефлексированным. Стресс, наступивший в результате заболевания как такового, может обусловить регрессивную реакцию у страдающей личности. Люди нередко заболевают потому, что бессознательно испытывают депрессию. Но они могут также впасть в депрессию и потому, что больны в медицинском смысле этого слова. Однако широко известно, что соматизация и ипохондрия, как и другие виды регрессии, являющие собой беспомощность и детские модели поведения, могут служить краеугольным камнем в характере личности.

Спасибо за ответ. Да, я посещала частного психотерапевта, я не сразу распознала что у меня депрессия, но когда у меня появились суицидальные мысли-я незамедлительно обратилась к специалисту. Всё началось в ноябре. Но знаете, я не могу сказать, что он оказал мне какую-то помощь. Я пришла к нему с депрессией и суицидальными мыслями, а он, вместо того, чтобы помогать мне справляться с этими состояниям, от которых я мучилась, сразу взялся за мою личность, за детские травмы, то есть загрузил меня ещё больше проблемами, о которых я и не подозревала, из-за чего мне стало ещё хуже, после первого сеанса по крайней мере, ну что-то там я осознавала конечно, что менялось внутри меня, но депрессия то оставалась, и он будто игнорировала этот факт, никакого медикаментозного лечения также не было, да и он всегда делал акцент на что-то другое, а не на то, что я испытывала в данный момент, меня это смущало,но терапию продолжала. Сама я тоже конечно не сидела сложа руки, и пыталась вылазить из этого сама, читала литературу, смотрела видео, многое узнала и стала использовать. Через недели 3-4 стали происходить изменения, стала прекрасно себя чувствовать, какая-то эйфория даже постоянная, хотя вспоминая это состояние сейчас, мне не кажется оно таким прекрасным. Это продержалось неделю где-то и потом началась тревога постоянная, я не могла расслабиться, ни сидеть, ни лежать, потом начали появляться страхи какие-то, и навязчивые мысли, я стала боятся того, что у меня может быть шизофрения, я ничего не могла делать, только постоянно проверяла себя на симптомы, читала про это, сама себя накручивала, в одну ночь случилась паническая атака, думала все, точно шиза, дереал/деперс, все было, потом я стала разубеждать себя сама, что никакой шизы у меня нет, и в общем получилось, я успокоилась, терапевту сказала про это все, он мне сказал прочитать одну книгу, дал какие-то методики как справляться, ну тут была польза, после этого всего стала снова восстанавливаться, занималась йогой от тревожности, не лезла в интернете лишний раз, избегала триггеров, сконцентрировалась на здоровье, все нормально, иногда находили ещё какие-то приступы тревоги, но получалось быстро устранять. Потом произошёл срыв из-за ссоры, и я снова вышла из себя, наступила апатия, несколько дней не выходила из дома, наплевала на себя, потом становилось хуже, дереал, мне это надоело, я начала опять, взялась за питание, за спорт, все снова восстанавливалось, и за все это время, не могу сказать, чтобы врач как-то мне помогал, я все делала сама. Дальше снова срыв на маму, очень сильный приступ ярости был, меня вывели,я всегда пыталась держать себя в руках, быть спокойной, медитировать, но атмосфера в семье нездоровая и поэтому постоянно случаются срывы, я всегда на нервах, потому что ни поддержки, ни заботы, хотя все знают через что я прохожу. И уже после этого всего все стало совсем плохо, у меня очень затяжной невроз на фоне этих ссор, и вообще из-за всей семьи. Мне 18 лет, кстати. Новый год я встретила в ужасном состоянии, испытывая только злость, обиду, ненависть, агрессию ко всей семье, хотя с мамой помирилась, но все же это я чувствовала. Дальше у меня снова стали появляться суицидальные мысли, иногда мне становилось лучше, я могла даже испытывать искренне хорошие эмоции, но все равно проблемы всегда висели надо мной и к вечеру начинали давить. Лучше себя чувствовать начинала когда была одна, вне дома, с кем-то, когда подрабатывала, но ближе к вечеру состояние всегда портилось. Я больше не могла уже оплачивать терапевта, но он предложил мне проводить бесплатные встречи по скайп, я согласилась, мне казалось все это бесполезным, все, что он говорил. С начала года все стало только ухудшаться с каждым днём и я уже стала неспособна справляться со всем, что меня беспокоило и началось что-то совсем странное, я думала, что начала выздоравливать и чувствовать себя лучше, хотя на самом деле, мне было крайне тяжело даже следить за своим здоровьем, но я заставляла себя заниматься, кушать, медитировать. Но проблемы со сном серьёзные были, я стала очень долго спать, позитивное мышление угасало, и тем не менее, я была уверена, что иду на поправку, я стала странно себя ощущать, чувствовала себя вроде как раньше себя, когда у меня все было хорошо, но у меня по утрам была сильная тревога, каждый день, мысли иногда появлялись суицидальные, и я не понимала почему, стала ощущать одиночество и безысходность, я сказала как-то маме, что мне становится лучше, она снова отреагировала отрешенно и наплевательски и мне было обидно после этого, и я стала ощущать ещё и это. Потом мои друзья уехали, и я осталась совсем одна, когда я проводила время с ними, я прекрасно себя чувстовала, забывала обо всём. И ко всему прочему появились ещё и чувства брошенности, покинутости. Меня стала съедать обида, злость, ненависть, одиночество и те самые мысли совсем мною овладели и я оказалась в тупике, помощи ждать не откуда и это ощущение регрессии было очень мучительно, я оказалась в какой-то ловушке, это именно уже не просто чувства и эмоции, а что-то большее, у меня стало очень суженное сознание и это мучительно больно, на следующий день меня трясло от тревоги, я не могла есть, у меня было удушье, болело сердце, моё тело будто содрогалось от каждого вздоха и я оказалась на грани самоубийства, потому что я думала только о том, что я вообще никому не нужна, я вообще по жизни нигде, у меня нет ничего, и что я не могу больше даже получать никакой помощи и это состояние было настолько мучительным, что мне хотелось только умереть и я понимала, что всем будет плевать, если я умру, но на самом деле умирать мне не хотелось, я просто не видела выхода, я не могла больше справляться, у меня кончились силы и это так больно и ощущалось все как помутнение сильное в сознании. Я не знаю, как я это пережила, перетерпела это было всегда несколько дней назад. Я вела себя очень неадекватно, я снова накручивала мыслями о шизе, из-за этого тоже хотелось покончить с собой, я в этом состоянии рассказала маме, она нифига не поняла, начала на меня орать, читать лекции, от чего моя тревога ещё сильнее усилилась, хотя я уже думала хуже не могло быть, и то, что она говорила, заставляла меня ещё сильней это сделать, я просто сидела в ужасе, хватало за голову, безысходность полнейшая, потом лихорадочно ходила, меня трясло, пыталась ещё что-то объяснить маме, что это серьёзно, что я не знаю, что мне делать, я думала либо убьюсь, либо окажусь в психушке, она сама нервничала, орала и у меня просто паника и ужас, я дала ей читать как предотвратить суицид, она читала и только после этого успокоилась и поняла что это серьёзно и потом уже успокоилась и я. Это был не просто нервный, а какой-то психически срыв, если такое есть конечно. Я потом была в странном состоянии, когда успокоилась, не могла понять, что только что было, как я докатилась до такого. В эту ночь я легла спать с мамой, я была опустошена, но никакого облегчения я не почувствовала. В следующие дни после этого приступа или как это назвать, я пребывала опять таки в ненормально состоянии, сознание было также сужено, хоть и не так как во время этого приступа, я чувствовал себя будто в другой какой реальности, другом измерении, одной ногой на том свете, действия мои были автоматические, в голове ничего, я ни о чем не думала, реагировала на что-то извне очень отрешенно, но критичность оставалась, я понимала, что надо делать что-то с этим, я не могу так, очень мучительное ощущение, я позвонила своему терапевту сказала про это все, ему вообще плевать было видимо, не воспринял это всерьёз даже и более того, когда я ему позвонила, она даже не узнал меня, хотя я ему сказала, кто я, он меня переспросил потом, это был шок, я разозлилась, и думала вот до чего довели меня, а теперь сама справлялся. Мама более внимательно ко мне стала относится, но я вообще ничего не чувствовала от неё, все равно, ни обеспокоенности, ни заботы, ни любви, все было у неё как на автоматизме, не чувствовал что её это как беспокоит, а я вообще уже в другой реальности какой-то нахожусь, было ещё что она срывалась и начинала орать на меня снова и я уже просто не знала как реагировать. Короче, вчера только мы нашли, что это называется психогения, типо затяжного невроза у меня или депрессивный эпизод, и мне стало спокойно от этого, потому что легче знать, что с тобой, и я успокоилась, когда поняла что это лечится, если не затягивать. Всё, сейчас мне уже лучше, я более мене ощущаю себя ЗДЕСЬ, и реагирую хоть на что-то, а оглядываясь на то, что мои мной происходило в те дни, я странно себя чувствую, будто я реально не в себе была, и все как-то размыто, но даже тогда я понимала, что что-то со мной не так, и хотела помощи, и время как-то сильно растянулось, будто это уже годы длится. Наверное, лучше идти к психиатру, да? Думаете, тут без медикаментов не обойтись?

Описание

В основе этой защиты лежит объективный факт, что маленького ребёнка люди обычно склонны защищать в большей степени, чем взрослого человека. Сохраняя воспоминания о чувстве безопасности, которое было у большинства из нас в детстве, мы, порой, бессознательно используем, на первый взгляд, парадоксальный способ защиты от неприятностей — начинаем проявлять детские, не адаптивные черты характера и модели поведения. Зачастую это действительно приводит к тому, что окружающие начинают защищать «беззащитного ребёнка», но не всегда: регрессия может срабатывать даже тогда, когда рядом попросту никого нет.

Демонстрация болезненности, ущербности и др. также относится к регрессии, так как содержит то же послание: «Я больной, я не способен о себе позаботиться, защитите меня». Как следствие, у некоторых людей, злоупотребляющих регрессией, это может действительно приводить к хроническим болезням и хронической неуспешности, перерастать в ипохондрию и сопровождаться соматизацией . Когда регрессия становится краеугольным камнем личности, жизненной стратегией преодоления проблем, такая личность называется инфантильной личностью.

Также регрессия характерна для истероидных личностей.

Виды нормальной детской регрессии

Выделяют следующие виды нормальной регрессии, проявляющейся у детей:

Литература

  • Мак-Вильямс, Нэнси . Психоаналитическая диагностика: Понимание структуры личности в клиническом процессе = Psychoanalytic diagnosis: Understanding personality structure in the clinical process. — Москва: Класс, 1998. — 480 с. — ISBN 5-86375-098-7

Примечания

Защитные механизмы психики
Человек :психика
Первичные
Вторичные
Смежные понятия
Наука :Психология /Психиатрия

Wikimedia Foundation . 2010 .

Смотреть что такое «Регрессия (психология)» в других словарях:

    В Викисловаре есть статья «регрессия» Регрессия (лат. regressio «обратное движение, возвращение») многознач … Википедия

    регрессия — 1. Процесс и результат некоего регресса. 2. В общем плане возвращение либидо к уже пройденным стадиям психосексуального развития. Согласно З. Фрейду, выделяются два типа регрессии: 1) возвращение к объектам инцестуального характера, кои были… … Большая психологическая энциклопедия

    психология я — ПСИХОЛОГИЯ Я (эго психология) одно из направлений психоаналитической психологии, возникшее в середине 20 в. , нашедшее свое отражение в работах А. Фрейд, X. Хартманна и ориентированное на изучение защитных механизмов Я, а также их связей и … Энциклопедия эпистемологии и философии науки

    ПСИХОЛОГИЯ Я (ЭГОПСИХОЛОГИЯ) — – одно из направлений психоаналитической психологии, ориентированное на изучение защитных механизмов Я, а также их связей и отношений с другими процессами, имеющими место в психике человека. Психология Я характеризуется смещением акцента… … Энциклопедический словарь по психологии и педагогике

    У этого термина существуют и другие значения, см. Регрессия. Статистическая регрессия частный случай ошибки селекции, когда группы отбираются на основе крайних показателей. «Эффекты статистической регрессии означают дрейф крайних,… … Википедия

    Это статья о неакадемическом направлении исследований. Пожалуйста, отредактируйте статью так, чтобы это было ясно как из её первых предложений, так и из последующего текста. Подробности в статье и на странице обсуждения … Википедия

    У этого термина существуют и другие значения, см. Проекция. Проекция (лат. projectio бросание вперед) психологический процесс, относимый к механизмам психологической защиты, в результате которого внутреннее ошибочно воспринимается как… … Википедия

    — (нем. Tiefenpsychologie), обозначение ряда направлений совр. зарубежной психологии, сделавших предметом своего исследования т. н. глубинные силы личности, её влечения и тенденции, которые противопоставляются процессам, происходящим на… … Философская энциклопедия

    Статьи на тему Психоанализ Концепции Метапсихология Психосексуальное развитие Психосоциальное развитие Сознание Предсознание Бессознательное Психический аппарат Оно Я Сверх Я Либидо Вытеснение Анализ сновидений Защитный механизм Перенос … Википедия

    — (нем. Tiefenpsychologie) обозначение ряда направлений современной зарубежной психологии, сделавших предметом своего исследования т. н. глубинные силы личности, её влечения и тенденции, которые противопоставляются процессам, происходящим… … Большая советская энциклопедия

Регрессия является относительно простым защитным механизмом, знакомым каждому родителю, который наблюдал, как его ребенок соскальзывает к прежним привычкам (присущими более ранним стадиям развития), когда он устал или голоден. Социальное и эмоциональное развитие никогда не идет строго прямым путем; в процессе роста личности наблюдаются колебания, которые с возрастом становятся менее драматичными, но никогда полностью не проходят. Практически каждый человек, находясь в состоянии сильной усталости, начинает хныкать. Подфаза воссоединения (“репрошман”) в процессе сепарации-индивидуации, которую Малер описала как универсальную особенность, проявляющуюся в конце второго года жизни каждого ребенка (когда ребенок, начинающий ходить и только что провозгласивший свою независимость от матери, возвращается обратно и прячется под ее юбкой), становится одной из тенденций, присущих каждому человеку. Это возвращение к знакомому способу действия после того, как был достигнут новый уровень компетентности.

Данную тенденцию можно легко различить, проводя долгосрочную психотерапию и психоанализ. Пациент, который наконец собрал все свое мужество для того, чтобы попытаться вести себя по-другому (особенно, если это включает в себя новое поведение в отношениях с терапевтом – выражение ненависти или критики, признание мастурбационных фантазий, просьба изменить оплату или расписание с большим самоутверждением, чем допускалось в детстве), будет часто возвращаться к прежнему образу мыслей, чувств и поведения в последующих за этим сессиях. Психотерапевт, который не принимает приливов и отливов, присущих переменам в развитии, может быть разозлен подобным явлением. Контрперенос в этом случае походит на состояние доведенного до белого каления родителя, наконец-то преуспевшего в укладывании своего маленького ребенка спать самостоятельно и затем в течение недели получающего его визиты в спальню в три часа ночи. Это может продолжаться до тех пор, пока не станет ясно, что, несмотря на регрессивные тенденции в сопротивлении пациента, общее направление изменений прогрессивно.

Строго говоря, регрессией не является ни просьба о поддержке и утешении человеком, который обеспокоен достижением столь необходимого ему внутреннего комфорта, ни намеренное выискивание способов разрядки драйва на начальных уровнях. Для классификации данного процесса как защитного механизма он должен быть бессознательным. Так, поведение женщины, которая, рассказывая о чем-то, допускает нечаянные ляпсусы и впадает в угодливый тон маленькой девочки сразу после демонстрации своих амбиций; или реакция мужчины, который удивленно хлопает глазами, глядя на свою жену после того, как только что была достигнута новая степень близости с ней, демонстрируют регрессию в психоаналитическом смысле данного термина, если только эти действия не выбираются и осуществляются сознательно.

Некоторые люди используют регрессию как защиту чаще, чем другие. Например, некоторые из нас реагируют на стресс, вызванный ростом и возрастными изменениями тем, что заболевают. Многие, у кого не диагностируется та или иная болезнь, порой физически чувствуют себя очень плохо и укладываются в постель. Этот процесс никогда не осознается (а если осознается, это называется просто симуляцией) и может причинять страдание как регрессировавшему, так и связанному с ним другому человеку. Этот вариант регрессии, известный как соматизация, обычно оказывается резистентным к изменениям и трудным для терапевтического вмешательства.

Некоторые ипохондричные люди, отвлекающие врачей монотонными неясными причитаниями и периодическими меняющимися жалобами, которые никогда не поддаются лечению, используют регрессию для того, чтобы находиться в роли слабого – самый ранний способ преодоления сложных жизненных аспектов. К тому времени, когда они должны проконсультироваться у терапевта, пациенты уже выстроили дополнительную и фактически непроницаемую стену защит, берущую начало в обращении с ними как с избалованными детьми или своенравными людьми, ищущими постоянного внимания. Они ждут, что клиницист попытается их разоблачить как симулянтов. Следовательно, терапевт, чей пациент использует регрессию в позиции слабого в качестве своей любимой защиты, должен обладать сверхчеловеческими резервами такта и терпения, – тем более, если привычка пациента постоянно занимать постель больного обрела силу благодаря и другим выгодам этого положения (“вторичная выгода”).

Вывод, что человек, жалующийся на физическую боль или сильную усталость, пользуется регрессией как главной защитной реакцией на эмоциональный стресс, не должен быть поспешным или неотрефлексированным. Стресс, наступивший в результате заболевания как такового, может обусловить регрессивную реакцию у страдающей личности. Люди нередко заболевают потому, что бессознательно депрессивны. Но они могут также впасть в депрессию и потому, что больны в медицинском смысле этого слова. Однако широко известно, что соматизация и ипохондрия, как и другие виды регрессии, являющие собой беспомощность и детские модели поведения, могут служить краеугольным камнем в характере личности. Когда регрессия определяет чью-то стратегическую линию преодоления жизненных трудностей, этот человек вполне может быть охарактеризован как инфантильная личность.

Иллюстрированный самоучитель по SPSS 10/11 › Регрессионный анализ [страница — 210] | Самоучители по математическим пакетам

  • Если расчет корреляции характеризует силу связи между двумя переменными, то регрессионный анализ служит для определения вида этой связи и дает возможность для прогнозирования значения одной (зависимой) переменной отталкиваясь от значения другой (независимой) переменной.

  • Этот вид регрессии лучше всего подходит для того, чтобы продемонстрировать основополагающие принципы регрессионного анализа. Рассмотрим для этого диаграмму рассеяния из главы 15.1, которая иллюстрирует зависимость показателя холестерина спустя один месяц после начала лечения от исходного показателя, полученную при исследовании гипертонии.

  • Откройте файл hyper.sav. | Выберите в меню Analyze… (Анализ) › Regression… (Регрессия) › Linear… (Линейная) Появится диалоговое окно Linear Regression (Линейная регрессия). | Перенесите переменную chol1 в поле для зависимых переменных и присвойте переменной chol0 статус независимой переменной.

  • Многочисленные вспомогательные значения, рассчитываемые в ходе построения уравнения регрессии, можно сохранить как переменные и использовать в дальнейших расчетах. | Для этого в диалоговом окне Linear Regression (Линейная регрессия) щелкните на кнопке Save (Сохранить).

  • Чтобы на диаграмме рассеяния изобразить регрессионную прямую, поступите следующим образом: | Выберите в меню следующие опции Graphs… (Графики) › Scatter plots… Диаграммы рассеяния | Откроется диалоговое окно Scatter plots… (Диаграмма рассеяния) как изображено на рисунке 16.4.

  • Для диаграмм рассеяния часто оказывается необходимой дополнительная корректировка осей. Продемонстрируем такую коррекцию при помощи одного примера. В файле raucher.sav находятся десять фиктивных наборов данных.

  • В общем случае в регрессионный анализ вовлекаются несколько независимых переменных. Это, конечно же, наносит ущерб наглядности получаемых результатов, так как подобные множественные связи в конце концов становится невозможно представить графически.

  • Многие связи по своей природе, то есть в реальной жизни, либо являются строго линейными, либо их можно привести к линейному виду. Один пример линейной связи из области медицины был приведен в главе 16.1; еще одним, уже знакомым нам примером является линейная связь между весом и ростом.

  • С помощью метода бинарной логистической регрессии можно исследовать зависимость дихотомических переменных от независимых переменных, имеющих любой вид шкалы. | Как правило, в случае с дихотомическими переменными речь идет о некотором событии, которое может произойти или не произойти;

  • Этот метод является вариантом логистической регрессии, при которой зависимая переменная не является дихотомической, как при бинарной логистической регрессии, а имеет больше двух категорий.

  • В то время как, мультиномиальная регрессия, представленная в разделе 16. 5, предназначена для зависимой переменной, относящейся к номинальной шкале, то порядковая регрессия предназначена для целевой переменной, принадлежащей к порядковой шкале.

  • Этот метод известен также под именем «Дозаторный анализ кривых воздействия» и находит применение преимущественно в области токсикологии. В большинстве случаев речь идет о том, как на заданное количество индивидуумов воздействуют различные дозировки некоторого вещества (к примеру, некоторого токсичного вещества).

  • При помощи этого пункта меню можно строить графики реального течения наблюдаемых процессов и приближать их при помощи аппроксимационных кривых. Для этого в ваше распоряжение предоставляется, в общей сложности, одиннадцать различных типов кривых.

  • В линейном регрессионном анализе, рассмотренном до настоящего времени, все наблюдения входят в модель равнозначно. При этом, исходной предпосылкой является тот факт, что все наблюдения должны иметь одинаковую дисперсию.

  • При помощи этого метода, используемого в эконометрии, производится анализ переменных, представленных в виде временных рядов.

  • Регрессия к среднему

    На рубеже веков я работал в издательстве. Планирование в рекламном отделе строилось «от достигнутого»:

    • устанавливали план продаж на отдел,
    • рассчитывали коэффициент, равный плану на 2001 г., деленному на факт 2000 г.,
    • каждому менеджеру устанавливали план на год, равный его продажам за прошлый год, умноженным на коэффициент.

    На 2001 г. запланировали продать на 30% больше, чем в 2000 г. Реально продали на 28% больше. При этом по менеджерам картина выглядела разнонаправленной. Точка на диаграмме – продажи одного менеджера: по оси Х – в 2000 г., по оси Y – в 2001 г. Сплошная прямая соответствует динамике продаж всего отдела – рост с коэффициентом 1,28. Пунктирная прямая – линия тренда всех точек, иначе называемая регрессионной прямой. Она растет существенно медленнее, с коэффициентом 0,9.

    Рис. 1. Продажи рекламы отдельными менеджерами

    Предыдущая глава     Оглавление      Следующая глава

    Скачать заметку в формате Word или pdf, примеры в формате Excel

    Корреляция и регрессия к среднему

    Такие диаграммы строят редко, потому что феномен регрессии чужд человеческому разуму. Зато мы любим вычислять корреляцию. Ниже я ранжировал менеджеров по объему продаж в 2000 г., а затем отдельной кривой показал их продажи в 2001 г. Коэффициент корреляции довольно высокий – 86%.

    Рис. 2. Менеджеры ранжированы по продажам в 2000 г.

    Т.е., на 86% продажи 2001 г. могут быть объяснены результатами прошлого года. Отлично! Хорошая предсказательная сила! Наш мозг автоматически выстраивает причинные связи: успешные менеджеры делают больше звонков, лучше рассказывают о преимуществах рекламы в газете, качественнее обслуживают клиентов. Но… если сделать обратное, и ранжировать менеджеров по продажам 2001 г., картина будет похожей:

    Рис. 3. Те же данные, то менеджеры ранжированы по продажам 2001 г.

    Теперь мы видим, что лучшие продавцы 2001 г. были не столь успешны в 2000 г. Но объяснить неудачи прошлого года несколько сложнее. Каузальные связи от следствий к причинам легко демонстрировать разве что в кино, включая движение ленты в обратном направлении))

    Впервые явление регрессии к среднему описал сэр Фрэнсис Гальтон, троюродный брат Чарльза Дарвина. В статье 1886 г. он сообщил об измерениях нескольких последовательных поколений семян: «Эксперименты показали, что потомство не походило на родителей размером, но всегда оказывалось более заурядным, то есть меньше крупных родителей или больше мелких».

    Корреляция и регрессия – это не две разные концепции, а две точки зрения на одну. Когда коэффициент корреляции меньше единицы, наблюдается регрессия к среднему.

    Понимание регрессии

    Наверное, вы сталкивались с высказыванием, что корреляция не говорит о наличии причинно-следственных связей. Даниел Канеман считает, что наш разум склонен к каузальным объяснениям и плохо справляется с простой статистикой. Если какое-то событие привлекает наше внимание, ассоциативная память начинает искать его причину, а точнее, активируется любая причина, уже хранящаяся в памяти. При обнаружении регрессии подыскиваются каузальные объяснения, но они будут неверными, потому что на самом деле у регрессии к среднему объяснение есть, а причин нет.

    Мне относительно легко далось понимание регрессии к среднему благодаря опыту участия в бриджевых соревнованиях. Крупные турниры включают несколько сессий. Победители отдельных сессий набирают довольно много очков: 65% или даже 70% от максимально возможного. В то же время победитель турнира из четырех сессий, как правило набирает «лишь» 55–57%.

    Для понимания регрессии к среднему Канеман предложил формулу:

    • наблюдаемый успех = талант + удача
    • большой успех = такой же или чуть больший талант + очень много удачи

    Каузальный подход не учитывает второе слагаемое, которое оказывает постоянное давление в направлении среднего.

    Шутка юмора. Распространено утверждение, что умные женщины выходят замуж за менее умных мужчин. Поскольку корреляция между умом женщин и мужчин неидеальна, математически неизбежен регресс к среднему. Не сомневайтесь, верно и обратное утверждение))

    Строгий научный эксперимент

    Трехмесячное применение энергетических напитков для лечения депрессии у детей дает значительные улучшения состояния.

    Канеман выдумал этот заголовок, но описанный в нем факт – технически справедлив: если какое-то время поить энергетическими напитками детей, страдающих депрессией, наблюдается клинически значимое улучшение. Аналогичным образом дети с депрессией, которые будут ежедневно по пять минут стоять на голове или по двадцать минут гладить кошек, также покажут улучшение состояния.

    Однако считать, что улучшение наступило из-за энергетического напитка или поглаживания кошки – совершенно необоснованный вывод. Дети в депрессии – это экстремальная группа, а такие группы с течением времени регрессируют к среднему. Детям с депрессией со временем станет легче, даже если они не будут гладить кошек и пить «Ред Булл». Для вывода об эффективности способа лечения необходимо сравнить группу пациентов, получающих его, с контрольной группой, получающей плацебо. Ожидается, что контрольная группа покажет улучшение только за счет регрессии, а цель эксперимента состоит в выяснении, улучшается ли состояние пациентов, получающих лечение, больше, чем объясняется регрессией.

    В медицине для установления действенности лекарств используют двойной слепой рандомизированный плацебо-контролируемый метод:

    • слепой – означает, что испытуемые не посвящаются в детали исследования,
    • двойной заключается в том, что врачи, назначающие лечение, тоже остаются в неведении о деталях эксперимента до его окончания,
    • рандомизированный – означает, что отбор испытуемых в основную и контрольную группы проводится случайным образом,
    • если в основной группе давать лекарство, а в контрольной – нет, то сам факт отсутствия лечения может привести к ухудшению состояния, поэтому контрольной группе дают плацебо.

    Литература

    Дэниэль Канеман. Думай медленно… решай быстро. – М.: АСТ, 2013. – 656 с. Конспект: http://baguzin.ru/wp/?p=7840

    Эффект Даннинга-Крюгера и регрессия к среднему: https://medium.com/@flavorchemist/dunning-kruger-regression-7d747eecb806

    определение регрессии в Медицинском словаре

    регресс

    [re-gresh´un]

    1. возврат в прежнее или более раннее состояние.

    2. исчезновение симптомов или болезненного процесса.

    3. в биологии, тенденция последовательных поколений к среднему значению.

    4. бессознательный защитный механизм, используемый для разрешения конфликта или разочарования, возвращаясь к поведению, которое было эффективным в предыдущие годы. Некоторая степень регресса часто сопровождает соматическое заболевание.Психически больные пациенты могут демонстрировать крайнюю степень регресса, полностью возвращаясь к инфантильному поведению; это называется атавистической регрессией . прил., прил. регрессивный.

    Энциклопедия и словарь Миллера-Кина по медицине, сестринскому делу и смежному здоровью, седьмое издание. © 2003 Saunders, принадлежность Elsevier, Inc. Все права защищены.

    re · gres · sion

    (rē-gresh’ŭn),

    1. Спад симптомов.

    2. Рецидив; возвращение симптомов.

    3. Любое ретроградное движение или действие.

    4. Возврат к более примитивному образцу поведения из-за неспособности адекватно функционировать на более взрослом уровне.

    5. Бессознательный защитный механизм, с помощью которого происходит возврат к более ранним моделям адаптации.

    6. Распределение одной случайной величины при определенных значениях других релевантных ей переменных (например, формула распределения веса как функции роста и окружности груди).Этот метод был сформулирован Гальтоном в его исследовании количественной генетики.

    [Л. regredior, pp. -gressus, to return]

    Farlex Partner Medical Dictionary © Farlex 2012

    regression

    (rĭ-grĕsh′ən) n.

    1. Процесс или пример регрессии в менее совершенное или менее развитое состояние.

    2. Психология Возврат к более раннему или менее зрелому образцу чувств или поведения.

    3. Медицина Спад симптомов или процесса заболевания.

    4. Статистика Метод прогнозирования значения зависимой переменной как функции одной или нескольких независимых переменных при наличии случайной ошибки.

    Медицинский словарь American Heritage® Copyright © 2007, 2004 Houghton Mifflin Company. Опубликовано компанией Houghton Mifflin. Все права защищены.

    регресс

    Любой возврат к исходному состоянию.См. Атавистическая регрессия, Обобщенная аддитивная логистическая регрессия, Гипнотическая возрастная регрессия, Регрессия наименьших квадратов, Линейная регрессия, Регрессия прошлых жизней, Психорегрессивная медицина. Спад болезни Sx или возврат к состоянию здоровья. Онкология. , сознательное или бессознательное желание вернуться — регресс к состоянию зависимости, как в инфантильном паттерне реакции или мышления, который возникает при нормальном сне, игре, физическом заболевании и при различных психических расстройствах.

    Краткий словарь современной медицины МакГроу-Хилла. © 2002 McGraw-Hill Companies, Inc.

    республика

    (rĕ-gresh’ŭn)

    1. Спад симптомов.

    2. Рецидив; возвращение симптомов.

    3. Любое ретроградное движение или действие.

    4. Возврат к более примитивному образцу поведения из-за неспособности адекватно функционировать на более взрослом уровне.

    5. Склонность потомков исключительных родителей к характеристикам, близким к характеристикам населения в целом.

    6. Бессознательный защитный механизм, с помощью которого происходит возврат к более ранним моделям адаптации.

    7. Распределение одной случайной величины при определенных значениях других релевантных ей переменных (например, формула распределения веса как функции роста и окружности груди).

    [Л. re-gredior, pp. -gressus, to back back]

    Медицинский словарь для профессий здравоохранения и медсестер © Farlex 2012

    regression

    1. Психоаналитический термин, подразумевающий возврат к детской или более примитивной форме поведения или мышления, от генитальной к оральной стадии.

    2. Психологический термин, обозначающий временное возвращение к менее зрелой форме мышления в процессе обучения управлению новой сложностью. Когнитивные психологи рассматривают такой регресс как нормальную часть умственного развития.

    3. Статистический термин, определяющий взаимосвязь двух переменных, при которой изменение одной (независимой переменной) всегда связано с изменением среднего значения другой (зависимой переменной).

    Медицинский словарь Коллинза © Роберт М. Янгсон 2004, 2005

    Регрессия

    В психологии — возврат к более ранним, обычно детским или инфантильным образцам мышления или поведения.

    Медицинская энциклопедия Гейла. Copyright 2008 The Gale Group, Inc. Все права защищены.

    re · gres · sion

    (rĕ-gresh’ŭn)

    1. Спад симптомов.

    2. Рецидив; возвращение симптомов.

    3. Любое ретроградное движение или действие.

    [Л. re-gredior, pp. -gressus, to back back]

    Медицинский словарь для стоматологов © Farlex 2012

    определение регрессии в Медицинском словаре

    регресс

    [re-gresh´un]

    1. возврат в прежнее или более раннее состояние.

    2. исчезновение симптомов или болезненного процесса.

    3. в биологии, тенденция последовательных поколений к среднему значению.

    4. бессознательный защитный механизм, используемый для разрешения конфликта или разочарования, возвращаясь к поведению, которое было эффективным в предыдущие годы. Некоторая степень регресса часто сопровождает соматическое заболевание. Психически больные пациенты могут демонстрировать крайнюю степень регресса, полностью возвращаясь к инфантильному поведению; это называется атавистической регрессией . прил., прил. регрессивный.

    Энциклопедия и словарь Миллера-Кина по медицине, сестринскому делу и смежному здоровью, седьмое издание.© 2003 Saunders, принадлежность Elsevier, Inc. Все права защищены.

    re · gres · sion

    (rē-gresh’ŭn),

    1. Спад симптомов.

    2. Рецидив; возвращение симптомов.

    3. Любое ретроградное движение или действие.

    4. Возврат к более примитивному образцу поведения из-за неспособности адекватно функционировать на более взрослом уровне.

    5. Бессознательный защитный механизм, с помощью которого происходит возврат к более ранним моделям адаптации.

    6. Распределение одной случайной величины при определенных значениях других релевантных ей переменных (например, формула распределения веса как функции роста и окружности груди). Этот метод был сформулирован Гальтоном в его исследовании количественной генетики.

    [Л. regredior, pp. -gressus, to return]

    Farlex Partner Medical Dictionary © Farlex 2012

    regression

    (rĭ-grĕsh′ən) n.

    1. Процесс или пример регрессии в менее совершенное или менее развитое состояние.

    2. Психология Возврат к более раннему или менее зрелому образцу чувств или поведения.

    3. Медицина Спад симптомов или процесса заболевания.

    4. Статистика Метод прогнозирования значения зависимой переменной как функции одной или нескольких независимых переменных при наличии случайной ошибки.

    Медицинский словарь American Heritage® Copyright © 2007, 2004 Houghton Mifflin Company. Опубликовано компанией Houghton Mifflin. Все права защищены.

    регресс

    Любой возврат к исходному состоянию. См. Атавистическая регрессия, Обобщенная аддитивная логистическая регрессия, Гипнотическая возрастная регрессия, Регрессия наименьших квадратов, Линейная регрессия, Регрессия прошлых жизней, Психорегрессивная медицина. Спад болезни Sx или возврат к состоянию здоровья. Онкология. , сознательное или бессознательное желание вернуться — регресс к состоянию зависимости, как в инфантильном паттерне реакции или мышления, который возникает при нормальном сне, игре, физическом заболевании и при различных психических расстройствах.

    Краткий словарь современной медицины МакГроу-Хилла. © 2002 McGraw-Hill Companies, Inc.

    республика

    (rĕ-gresh’ŭn)

    1. Спад симптомов.

    2. Рецидив; возвращение симптомов.

    3. Любое ретроградное движение или действие.

    4. Возврат к более примитивному образцу поведения из-за неспособности адекватно функционировать на более взрослом уровне.

    5. Склонность потомков исключительных родителей к характеристикам, близким к характеристикам населения в целом.

    6. Бессознательный защитный механизм, с помощью которого происходит возврат к более ранним моделям адаптации.

    7. Распределение одной случайной величины при определенных значениях других релевантных ей переменных (например, формула распределения веса как функции роста и окружности груди).

    [Л. re-gredior, pp. -gressus, to back back]

    Медицинский словарь для профессий здравоохранения и медсестер © Farlex 2012

    regression

    1. Психоаналитический термин, подразумевающий возврат к детской или более примитивной форме поведения или мышления, от генитальной к оральной стадии.

    2. Психологический термин, обозначающий временное возвращение к менее зрелой форме мышления в процессе обучения управлению новой сложностью. Когнитивные психологи рассматривают такой регресс как нормальную часть умственного развития.

    3. Статистический термин, определяющий взаимосвязь двух переменных, при которой изменение одной (независимой переменной) всегда связано с изменением среднего значения другой (зависимой переменной).

    Медицинский словарь Коллинза © Роберт М. Янгсон 2004, 2005

    Регрессия

    В психологии — возврат к более ранним, обычно детским или инфантильным образцам мышления или поведения.

    Медицинская энциклопедия Гейла. Copyright 2008 The Gale Group, Inc. Все права защищены.

    re · gres · sion

    (rĕ-gresh’ŭn)

    1. Спад симптомов.

    2. Рецидив; возвращение симптомов.

    3. Любое ретроградное движение или действие.

    [Л. re-gredior, pp. -gressus, to return]

    Медицинский словарь для стоматологов © Farlex 2012

    Frontiers | Улучшение прогноза общего времени хирургической процедуры с помощью моделирования линейной регрессии

    Введение

    Операционные (операционные) — одни из самых ценных активов больниц, приносящие значительную часть доходов больниц. Доход за час операции варьируется в зависимости от процедуры, но оценивается в среднем от 1000 до 2000 долларов без вычета переменных затрат на персонал и материалы, связанные с госпитализацией (1).Это делает эффективное использование OR первостепенным. Каждая потраченная впустую минута может привести к значительной потере дохода. Для эффективного использования операционных необходимо составить точный график назначенного времени блока и последовательности случаев пациентов.

    Качество этих инструментов планирования зависит от точного прогноза общего времени процедуры (TPT; сокращения описаны в таблице 1) для каждого случая. TPT состоит из времени, контролируемого анестезией (ACT, которое состоит из фаз индукции и выхода), и времени, контролируемого хирургом (SCT, являющегося продолжительностью фактической операции, включая позиционирование пациента и драпировку).ACT включен, потому что в голландских академических больницах фазы индукции и выхода всегда проходят в операционной, что делает их актуальными для использования в операционной.

    Таблица 1 . Описания используемых сокращений.

    Прогнозируемые TPT используются для планирования до желаемого уровня использования комплекса OR. Секвенирование случаев пациентов на основе прогнозируемой TPT может помочь минимизировать вероятность недоиспользования операционной и отмены процедур. Предыдущие исследования показали, что использование фиксированного соотношения для расчета TPT из SCT, оцененного до операции [расчетное время, контролируемое хирургом (eSCT)], дает более точные оценки, чем добавление фиксированной продолжительности ACT к eSCT для вычисления TPT (2). В этой статье мы пытаемся дополнительно повысить точность прогнозов TPT путем включения характеристик пациентов и хирургических вмешательств, имеющих отношение к TPT.

    Материалы и методы

    Мы извлекли данные из голландской эталонной базы данных по всем операциям, проведенным во всех восьми академических больницах Нидерландов с 2012 по 2016 годы. Письменное информированное согласие пациентов не требовалось, поскольку не были включены индивидуальные данные пациентов. Данные, предоставленные двумя из этих больниц, были исключены, потому что они содержали только наблюдаемые и впоследствии зарегистрированные SCT вместо первоначально оцененных SCT.Другие записи также не содержали eSCT, но описывали предполагаемое TPT. Мы использовали это, чтобы приблизить eSCT, вычитая 20 минут, что по умолчанию является временем, выделенным для ACT во многих голландских больницах. К сожалению, было невозможно точно определить точное время, отведенное на анестезию для каждой операции в каждой больнице. Вычитание 20 минут дает нам приблизительные значения ESCT, которых достаточно для тестирования методов, описанных в этой статье.

    Потенциальными предикторами TPT, которые были включены в последующий анализ, были eSCT, возраст пациента, тип операции (идентифицируемый уникальными кодами, зарегистрированными в больницах), классификация физического состояния Американского общества анестезиологов (ASA) и тип используемой анестезии ( снова идентифицируется кодами, предоставленными больницей).В других полях базы данных описано наблюдаемое TPT, время индукции анестезии и время выхода анестезии. Наблюдаемую АКТ рассчитывали путем сложения длительностей индукции и появления. Были включены только записи, описывающие плановую операцию, потому что в неотложной хирургии не проводится расчетная TPT / SCT.

    Анализ данных и статистические расчеты были выполнены в R версии 3.3.1. Недопустимые или невозможные значения данных, такие как 0 для наблюдаемого TPT, были отмечены как отсутствующие данные. Поскольку мы подозревали, что недостающие данные в базе данных произошли совершенно случайно, мы исключили неполные записи из анализа.Окончательный набор данных состоял из 79 983 записей, что соответствует 199 772 часам общего времени операционной. Распределение характеристик в этом наборе данных показано в таблицах 2 и 3. Данные были разделены на обучающий набор с записями с 2012 по 2015 год и тестовый набор с 2016 года.

    Таблица 2 . Распределение характеристик в наборе данных.

    Таблица 3 . Разная описательная статистика об используемом наборе данных.

    Часто используемое практическое правило устанавливает необходимость включения в модель не менее 10 записей для каждого потенциального предиктора TPT.Недавние исследования показывают, что фактическое число может быть еще меньше (3). Учитывая, что набор данных, используемый для нашего анализа, содержал почти 80 000 записей, у нас была достаточная точность, чтобы проверить все потенциальные предикторы и взаимодействия.

    Сначала мы вычислили для каждой записи прогнозируемую TPT на основе модели фиксированного отношения, описанной van Veen-Berkx et al. (2) Для каждого пациента eSCT умножали на 1,33. Это число основано на исследовании, проведенном van Veen-Berkx et al., Которое показало, что 33% SCT обычно является хорошим приближением к ACT.Используя как предсказанный, так и наблюдаемый TPT, мы вычислили среднюю абсолютную ошибку (MAE), среднеквадратичную ошибку (MSE) и соответствие модели, выраженное как скорректированный квадрат модели R . Скорректированный квадрат R можно интерпретировать как долю дисперсии в TPT, которая может быть объяснена параметрами в модели.

    Все модели линейной регрессии были созданы с использованием данных 2012–2015 годов, а затем проверены как на этом наборе, так и на наборе 2016 года. Это позволило нам отдельно измерить производительность моделей на новых данных и сравнить это с их производительностью на данных обучения.

    Мы использовали значение p каждой переменной и скорректированные значения R в квадрате, чтобы протестировать все возможные модели линейной регрессии для прогнозирования TPT с использованием eSCT в сочетании с другими доступными независимыми переменными.

    В качестве дополнительной альтернативы все регрессионные модели были снова протестированы без eSCT в качестве предиктора для отдельного прогнозирования ACT (что приводит к TPT путем добавления SCT). Это позволило нам сравнить наши результаты с различными предыдущими попытками предсказать АКТ (4, 5).

    Наконец, чтобы проверить возможное влияние, отсутствие неполных записей могло повлиять на наши результаты, мы повторно провели анализ после вменения недостающих данных. Линейная регрессия использовалась для вменения числовых переменных и модели пропорциональных шансов для упорядоченной переменной, описывающей классификацию ASA. Тип используемой анестезии и тип выполненной операции невозможно было условно определить из-за большого количества категорий.

    Результаты

    При использовании модели с фиксированным соотношением MAE прогнозов на 2012–2015 гг. Составляло 39.5 мин с MSE 3859,6 мин. Для прогнозов на 2016 год MAE составляла 38,5 мин при MSE 3275,9 мин.

    Все переменные моделей линейной регрессии были высокозначимыми предикторами ( p <0,01) отчасти из-за размера набора данных, за исключением некоторых уровней факторных переменных для типа анестезии и типа операции. Эти переменные были сохранены в модели, поскольку общий эффект факторных переменных был значительным. В конечном итоге лучшая модель была определена путем изучения, когда скорректированный квадрат R показал лишь минимальное улучшение после добавления дополнительных предикторов.

    Из всех протестированных моделей TPT наиболее точно предсказывается с помощью модели линейной регрессии, основанной на всех доступных независимых переменных. Однако, как видно из таблиц 4 и 5, включение возраста пациента в модель не привело к значительному улучшению качества соответствия, поэтому мы сохранили только переменные eSCT, тип операции, классификацию ASA и тип анестезии. Используя эту лучшую модель, MAE прогнозов на 2012–2015 гг. Составила 29,2 мин при MSE 2 320,7 мин. Для прогнозов на 2016 год MAE составлял 31.3 мин с MSE 2366,9 мин. Скорректированный квадрат R этой модели составил 0,8498.

    Таблица 4 . Степень соответствия моделей линейной регрессии для прогнозирования общего времени процедуры, ранжированных по наиболее скорректированному значению в квадрате R .

    Таблица 5 . Степень соответствия моделей линейной регрессии для прогнозирования времени, контролируемого анестезией (ACT), ранжированного по наиболее скорректированному значению R в квадрате.

    Точно так же ACT была наиболее точно предсказана всеми независимыми переменными, но с очень небольшим улучшением за счет добавления возраста пациента.Окончательная модель, основанная на типе операции, классификации ASA и типе анестезии, не показала лучших результатов, чем прямое прогнозирование TPT, с MAE прогнозов 2012–2015 годов 34,7 с MSE 3269,7 мин и MAE прогнозов на 2016 год, равных 34,2 мин, со средней среднеквадратичной погрешностью 2 878,7 мин. Скорректированный квадрат R составил 0,6314.

    Эти основные результаты сведены в Таблицу 6. На Рисунке 1 показаны графики прогнозируемых и фактических TPT для этих трех моделей.

    Таблица 6 .Производительность модели с фиксированным соотношением и наиболее эффективных моделей линейной регрессии.

    Рисунок 1 . Графики прогнозируемого и фактического общего времени процедуры (TPT) для модели с фиксированным соотношением и двух лучших моделей линейной регрессии для прогнозирования TPT и времени, контролируемого анестезией (ACT).

    После вменения недостающих данных в исходном наборе данных вместо исключения неполных записей все результаты были практически одинаковыми.

    Обсуждение

    Улучшение прогноза TPT наиболее эффективной модели линейной регрессии по сравнению с моделью с фиксированным соотношением было убедительным.На данных обучения MSE была уменьшена на четверть от исходного значения. Это указывает на то, что разброс ошибок предсказания существенно уменьшился. Как и следовало ожидать, этот эффект был несколько менее выражен по данным тестирования 2016 года, но все же очень полезен.

    Использование этих более точных прогнозов может помочь предотвратить типичные последствия недооценки и переоценки. Недооценка может привести к дорогостоящим сверхурочным работам или даже к отмене операций, в то время как завышенная оценка может привести к простою как операционной, так и ее персонала.Для больницы с наибольшим количеством полных записей в нашем наборе данных сумма всех недооценок и переоценок включенных операций с 2016 года приводит к общему завышению оценки на 3118 часов. Если бы они использовали модель, описанную в этой статье (основанную на их собственных данных), общий результат был бы завышен всего на 179 часов. В зависимости от того, как эти часы были бы распределены в расписании, они могли привести к выполнению дополнительных операций.

    Точность прогнозируемой продолжительности операции также напрямую влияет на уверенность, с которой специалисты по планированию могут повысить уровень использования операционных. Планирование более высокого использования возможно только при большей уверенности в продолжительности дела, но может предложить значительные финансовые преимущества и преимущества, связанные с производительностью.

    Второй важный вывод заключается в том, что раздельное прогнозирование ACT (с использованием тех же доступных переменных, но без eSCT) дает худшие результаты, чем прямое прогнозирование TPT.

    Тот факт, что TPT является результатом ACT и SCT, демонстрируется моделью с лучшими характеристиками. Эта модель основана на ЭСТКТ, типе операции и двух наиболее важных анестезиологических переменных: классификации ASA и типе используемой анестезии.Это означает, что прогнозы возможны с использованием ограниченного числа легко доступных значений. Несмотря на то, что наша модель предназначена для использования в компьютерной системе, упрощение модели за счет меньшего количества входных данных улучшает ее удобство использования, понятность и скорость.

    Тот факт, что модели регрессии были рассчитаны и протестированы с использованием фактических предоперационных оценок SCT хирургами, а не зарегистрированных, исторических SCT придает дополнительное доверие к нашим результатам. В реальной практике планирования прогнозы также должны основываться на оценках SCT.Таким образом, характеристики моделей, описанные в наших результатах, должны соответствовать реальной производительности, а не положительному смещению, основанному на исторических данных. Это особенно верно для производительности на данных 2016 года, на которых модель не обучалась. В ходе нашего исследования стало очевидно, что прогнозы TPT на 2016 год становились все более точными по мере роста нашего сбора данных обучения. Это говорит о том, что метод, описанный в этом документе, имеет потенциал для повышения производительности при применении к еще большим наборам данных, поскольку они становятся все более доступными для аналитиков данных в области здравоохранения.Кроме того, дальнейшее улучшение может быть достигнуто путем адаптации анализа к местным условиям. Можно подготовить индивидуальные модели для уровня отдельных больниц, отделений, типов операций или даже хирургов.

    Подводя итог вышесказанному, мы призываем аналитиков данных больниц и руководителей хирургических служб создавать модели, аналогичные тем, которые описаны в этом документе, используя как можно больше собственных исторических данных. Описанный метод относительно прост и может предоставить им более точные прогнозы времени процедуры, чем текущая практика.

    Ограничением этого исследования было то, что использованные данные были записаны только в академических центрах. Применимость к типовым графикам операционных в региональных больницах не изучалась. Кроме того, мы усреднили все подходящие данные, доступные из этих академических центров, исходя из предположения, что между этими центрами нет серьезных различий, которые могли бы существенно изменить TPT.

    Ручная регистрация временных меток и полуавтоматический процесс агрегирования других данных имеет два важных недостатка.Во-первых, это, скорее всего, привело к неточности данных, возможно, к поздней записи ключевых моментов во время операций. Во-вторых, при анализе было обнаружено удивительное количество отсутствующих данных. Из записей, с которых мы начали, только ок. 21% содержали полные и достоверные данные во всех обязательных полях, что делало остальные непригодными для анализа. Тот факт, что результаты после вменения недостающих данных были очень похожи на результаты нашего первоначального анализа, указывает на то, что удаление неполных записей имело ограниченное влияние на результаты, как описано.

    Оба вопроса подчеркивают важность внедрения автоматических систем регистрации, которые интегрируются в рабочие процессы в операционной для сбора большего количества и более точных данных. Только тогда результаты анализа этих данных будут перенесены на более высокий уровень, что позволит сделать надежные выводы с оперативными последствиями.

    Последнее важное замечание: несмотря на то, что новая модель в целом работает хорошо в долгосрочной перспективе, все еще существует относительно высокая межиндивидуальная изменчивость.Это может ограничить полезность его прогнозов при повседневном планировании.

    Заключение

    Модель линейной регрессии для прогнозирования TPT на основе eSCT, типа операции, классификации пациента по ASA и типа анестезии превосходит текущую практику использования стандартной продолжительности ACT или фиксированного соотношения между eSCT и TPT. Второй вывод заключается в том, что прогнозирование TPT посредством отдельного прогнозирования ACT дает менее точные результаты, чем прямое прогнозирование TPT.

    Авторские взносы

    EE провела анализ на основе рекомендаций SK и подготовила оригинальную рукопись.ВБ осуществлял непосредственный надзор на протяжении всего проекта. AH, MK и WB внесли ценный вклад в анестезиологические аспекты проведенного исследования и внесли свой вклад в содержание статьи. GM независимо провела статистический анализ во второй раз, чтобы подтвердить результаты. Он также дал дополнительные советы и отзывы о методах и их текстовых описаниях.

    Заявление о конфликте интересов

    Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

    Список литературы

    1. Макарио А., Декстер Ф., Трауб Р. Д.. Рентабельность больницы в расчете на час работы в операционной может варьироваться в зависимости от хирурга. Anesth Analg (2001) 93 (3): 669–75. DOI: 10.1097 / 00000539-200109000-00028

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    2. ван Вин-Берккс Э., Биттер Дж., Элкхейзен С.Г., Бухре В.Ф., Калкман С.Дж., Гуззен Х.Г. и др. Влияние времени, контролируемого анестезией, на расписание работы операционной в медицинских центрах голландских университетов. Can J Anesth (2014) 61 (6): 524–32. DOI: 10.1007 / s12630-014-0134-9

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    4. Декстер Ф., Юэ Дж. К., Доу А. Дж. Прогнозирование времени анестезии для диагностических и интервенционных радиологических процедур. Anesth Analg (2006) 102 (5): 1491–500. DOI: 10.1213 / 01.ane.0000202397.

    .1b

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    5. Силбер Дж. Х., Розенбаум П. Р., Чжан Х, Эвен-Шошан О.Влияние характеристик пациента и больницы на время анестезии у пациентов Medicare, перенесших общие и ортопедические операции. Анестезиология (2007) 106 (2): 356–64. DOI: 10.1097 / 00000542-200702000-00025

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    регрессионных моделей как инструмент в медицинских исследованиях — 1-е издание

    Содержание

    ОСНОВЫ
    Зачем использовать регрессионные модели?
    Зачем нужны простые регрессионные модели?
    Зачем нужны модели множественной регрессии?
    Основные обозначения

    Вводный пример
    Модель с одной линией
    Подбор модели с одной линией
    С учетом неопределенности
    Модель с двумя линиями
    Как выполнить эти шаги с помощью Stata
    Упражнение 5-HIAA и серотонин
    Упражнение Гемоглобин
    Упражнение Масштабирование переменных

    Классическая модель множественной регрессии

    Скорректированные эффекты
    Поправка на смешение
    Поправка на дисбаланс
    Упражнение Физическая активность школьников

    Вывод для классической модели множественной регрессии
    Традиционный и современный способ вывода
    Как выполнить современный способ вывода с помощью Stata
    Насколько достоверны и хороши оценки наименьших квадратов?
    Примечание об использовании и интерпретации p-значений в регрессионном анализе

    Логистическая регрессия
    Определение модели логистической регрессии
    Анализ эксперимента «доза-реакция» с помощью логистической регрессии
    Как согласовать модель «доза-ответ» с помощью Stata
    Оценка отношений шансов и скорректированных отношений шансов с использованием логистической регрессии
    Как вычислить отношения шансов с использованием логистической регрессии в Stata
    Exercise Аллергия у детей
    Подробнее по логит-шкале и шкале шансов

    Вывод для модели логистической регрессии
    Принцип максимального правдоподобия
    Свойства оценок ML для логистической регрессии
    Вывод для одного параметра регрессии
    Как выполнять тесты Вальда и тесты отношения правдоподобия в Stata

    Категориальные ковариаты
    Включение категориальных ковариат в регрессионную модель
    Некоторые технические аспекты использования категориальных ковариат
    Тестирование эффекта категориальных ковариат
    Обработка категориальных ковариат в таблице Stata
    Представление результатов регрессионного анализа
    Упражнение Физические занятия и боль в спине
    Упражнение Отношения шансов и категориальные ковариаты

    Обработка упорядоченных категорий: первый урок стратегий регрессионного моделирования

    Модель пропорциональных рисков Кокса
    Моделирование риска смерти
    Моделирование риска смерти в непрерывном времени
    Использование модели пропорциональных рисков Кокса для количественной оценки разницы в выживаемости между группами
    Как согласовать модель пропорциональных рисков Кокса со Stata
    Упражнение Факторы прогноза у больных раком груди — Часть 1

    Распространенные ошибки при использовании регрессионных моделей
    Ассоциация vs. причинно-следственная связь
    Различия между субъектами и различиями внутри субъектов
    Модели реального мира и статистические модели
    Актуальность и значимость
    Упражнение Факторы прогноза у больных раком груди — Часть 2

    РАСШИРЕННЫЕ ТЕМЫ И МЕТОДЫ
    Некоторые полезные технические особенности
    Иллюстрирование моделей с использованием прогнозов на основе моделей
    Как работать с прогнозами в Stata
    Остатки и стандартное отклонение члена ошибки
    Работа с остатками и RMSE в Stata
    Линейные и нелинейные функции параметров регрессии
    Преобразования параметров регрессии
    Центрирование значений ковариант
    Упражнение Отцовское курение vs.материнское курение

    Сравнение коэффициентов регрессии
    Сравнение коэффициентов регрессии между непрерывными ковариатами
    Сравнение коэффициентов регрессии между двоичными ковариатами
    Измерение влияния изменения значений ковариант
    Перевод коэффициентов регрессии
    Как сравнить коэффициенты регрессии в Stata
    Упражнение для молодых людей 9000

    Мощность и размер выборки
    Мощность регрессионного анализа
    Детерминанты мощности в регрессионных моделях с одной ковариатой
    Детерминанты мощности в регрессионных моделях с несколькими ковариатами
    Расчет мощности и размера выборки, когда дана выборка из ковариатного распределения
    Расчеты мощности и размера выборки для выборки из ковариатного распределения с помощью Stata
    Выбор значений параметров регрессии в исследовании с помощью моделирования
    Моделирование ковариантного распределения
    Моделирование ковариатного распределения с помощью Stata
    Выбор параметров для моделирования ковариатного распределения
    Необходимые размеры выборки для обоснования асимптотических методов
    Упражнение Анализ мощности для исследования боли в шее
    Упражнение Выбор между двумя результатами

    Выборка
    Выборка в зависимости от ковариат
    Выбор в зависимости от результата
    Выборка в зависимости от значений ковариат

    Выбор ковариант
    Подгонка моделей регрессии с коррелированными ковариатами
    «Корректировка vs. power «дилемма
    Дилемма» Корректировка делает эффекты маленькими «
    Поправка на посредников
    Поправка на смешивание — полезная академическая игра
    Поправка на коррелированные искажающие факторы
    Включение прогнозных ковариат
    Автоматический выбор переменных
    Как выбрать соответствующие наборы ковариат
    Подготовка выбора ковариат: Анализ связи между ковариатами
    Подготовка выборки ковариат: Одномерный анализ?
    Упражнение Размер словарного запаса у детей младшего возраста — Часть 1
    Предварительная обработка пространства ковариат
    Как предварительно обработать пространство ковариант с помощью Stata
    Размер словарного запаса у детей раннего возраста — Часть 2
    Что такое конфаундер?

    Моделирование нелинейных эффектов
    Квадратичная регрессия
    Полиномиальная регрессия
    Сплайны
    Дробные полиномы
    Увеличение мощности за счет моделирования нелинейных эффектов?
    Демонстрация эффекта ковариаты
    Демонстрация нелинейного эффекта
    Описание формы нелинейного эффекта
    Обнаружение нелинейности путем анализа остатков
    Для оценки нелинейности может потребоваться корректировка
    Как моделировать нелинейные эффекты в Stata
    Влияние игнорирования нелинейности
    Моделирование нелинейный эффект мешающих факторов
    Нелинейные модели
    Exercise Сывороточные маркеры для AMI

    Преобразование ковариант
    Преобразование для получения линейной зависимости
    Преобразование искаженных ковариат
    Классифицировать или не классифицировать

    Модификация эффекта и взаимодействия
    Моделирование модификации эффекта
    Скорректированные модификации эффекта
    Взаимодействия
    Моделирование модификации эффекта в нескольких ковариатах
    Эффект ковариаты при наличии взаимодействий
    Взаимодействия как отклонения от аддитивности
    Масштаб и взаимодействия
    Потолочные эффекты и взаимодействия
    Поиск взаимодействий
    Как анализировать модификацию эффектов и взаимодействия со Stata
    Exercise Лечебные взаимодействия в рандомизированном клиническом исследовании лечения злокачественной глиомы

    Применение регрессионных моделей к кластеризованным данным
    Почему кластеризованные данные могут сделать вывод недействительным
    Устойчивые стандартные ошибки
    Повышение эффективности
    Эффекты внутри кластера и между ними
    Некоторые необычные, но полезные применения устойчивых стандартных ошибок в кластеризованных данных
    Как учитывать кластеризацию в Stata

    Применение регрессионных моделей к лонгитюдным данным
    Анализ временных тенденций в исходе
    Анализ временных тенденций влияния ковариат
    Анализ влияния ковариат
    Анализ индивидуальных вариаций временных тенденций
    Анализ сводных показателей
    Анализ влияния изменений
    Как выполнить регрессионное моделирование продольных данных в Stata
    Exercise Увеличение жировых отложений у подростков

    Влияние ошибки измерения
    Влияние систематической и случайной ошибки измерения
    Влияние неправильной классификации
    Влияние ошибки измерения на искажающие факторы
    Влияние дифференциальной неверной классификации и ошибки измерения
    Изучение ошибки измерения
    Упражнение Ошибка измерения и взаимодействия

    Влияние неполных ковариантных данных
    Механизмы пропущенных значений
    Свойства полного анализа случая
    Смещение из-за использования специальных методов
    Расширенные методы обработки неполных ковариантных данных
    Обработка частично определенных ковариат

    ОЦЕНКИ РИСКА И ПРОГНОЗЫ
    ОЦЕНКИ РИСКА
    Что такое оценка риска?
    Оценка полезности оценки риска
    Точность значений оценки риска
    Общая точность оценки риска
    Использование команды Stata прогнозирование для вычисления оценок риска
    Категоризация оценок риска
    Упражнение Вычисление оценок риска для пациентов с раком груди

    Построение предикторов
    От оценок риска к предикторам
    Предсказания и интервалы прогнозирования для непрерывного результата
    Предсказания для двоичного результата
    Построение прогнозов для данных времени до события
    Как строить прогнозы с помощью Stata
    Общая точность предиктора

    Оценка прогностической эффективности
    Прогностическая эффективность существующего предсказателя
    Как оценить прогностическую эффективность существующего предсказателя в Stata
    Оценка прогностической эффективности нового предсказателя
    Как оценить прогностическую эффективность с помощью перекрестной проверки в Stata
    Упражнение Оценка прогностической эффективности прогностической оценки у пациентов с раком груди

    Перспективы: построение экономных предсказателей

    РАЗНОЕ
    Альтернативы регрессионному моделированию
    Стратификация
    Меры ассоциации: коэффициенты корреляции
    Меры ассоциации: отношение шансов
    Показатели склонности
    Деревья классификации и регрессии

    Модели специальной регрессии
    Пробит-регрессия для двоичных результатов
    Обобщенные линейные модели
    Регрессионные модели для данных подсчета
    Модели регрессии для данных порядковых результатов
    Квантильная регрессия и надежная регрессия
    ANOVA и регрессия

    Конкретное использование регрессионных моделей
    Логистическая регрессия для анализа исследований случай-контроль
    Логистическая регрессия для анализа сопоставленных исследований случай-контроль
    Корректировка исходных значений в рандомизированных клинических исследованиях
    Оценка прогностических факторов
    Включение изменяющихся во времени ковариат в Cox модель
    Эффекты, зависящие от времени в модели Кокса
    Использование модели Кокса при наличии конкурирующих рисков
    Использование модели Кокса для анализа моделей с несколькими состояниями

    Что такое хорошая модель?
    Подходит ли модель под данные?
    Насколько хороши прогнозы?
    Разъясненная вариация
    Качество посадки
    Стабильность модели
    Полезность модели

    Заключительные замечания относительно роли заранее определенных моделей и разработки моделей

    МАТЕМАТИЧЕСКИЕ ДЕТАЛИ
    Математика, лежащая в основе модели классической линейной регрессии
    Вычисление параметров регрессии в простой линейной регрессии
    Вычисление параметров регрессии в классической модели множественной регрессии
    Оценка стандартной ошибки
    Построение доверительных интервалов и p-значений

    Математика, лежащая в основе модели логистической регрессии
    Принцип наименьших квадратов как принцип максимального правдоподобия
    Максимизация вероятности модели логистической регрессии
    Оценка стандартной ошибки оценок ML
    Проверка составных гипотез

    Современный способ вывода
    Робастная оценка стандартных ошибок
    Робастная оценка стандартных ошибок при наличии кластеризации

    Математика для оценок риска и предикторов
    Вычисление вероятностей индивидуальной выживаемости после подбора модели Кокса
    Стандартные ошибки для оценок риска
    Правило дельты

    Библиография

    Индекс

    регресса к среднему значению в программе сокращения реадмиссии в больницу Medicare | Реформа здравоохранения | JAMA Internal Medicine

    Ключевые моменты

    Вопрос Может ли возврат к среднему значению объяснить некоторое снижение количества повторных госпитализаций в больницах, которые изначально были классифицированы как показатели ниже среднего в рамках Программы сокращения реадмиссии в больницы Medicare (HRRP)?

    Выводы В этом анализе изменения показателей повторной госпитализации при определенных состояниях среди получателей Medicare убедительные данные свидетельствуют о том, что большинство сокращений избыточной повторной госпитализации после внедрения HRRP в плохо функционирующих больницах объяснялось статистическим феноменом, называемым регрессией к среднему. Регрессия к среднему значению означает, что объекты, находящиеся дальше от среднего значения в одном периоде, скорее всего, будут записаны ближе к среднему значению в последующие периоды просто случайно.

    Значение Случайный случай или удача, а не улучшение качества медицинской помощи, по-видимому, являются основным фактором улучшения показателей повторной госпитализации в больницах, изначально классифицированных как показатели ниже среднего в соответствии с HRRP.

    Важность Избыточные 30-дневные повторные госпитализации существенно сократились в больницах, которые изначально подвергались штрафам за высокие показатели повторной госпитализации в соответствии с Программой сокращения повторных госпитализаций Medicare (HRRP).Хотя возможное объяснение состоит в том, что политика стимулировала больницы, подвергнутые наказанию, для улучшения процессов оказания помощи, другое — это регрессия к среднему значению (RTM), статистический феномен, который предсказывает, что объекты, находящиеся дальше от среднего в один период, вероятно, будут приближаться к среднему в последующие ( или предшествующие) периоды по случайной случайности.

    Объектив Для количественной оценки вклада RTM в снижение количества повторных госпитализаций в больницах, изначально наложенных штрафами согласно HRRP.

    Дизайн, обстановка и участники В этом исследовании были проанализированы данные из файлов Provider Provider и Analysis Review, чтобы оценить изменения в повторной госпитализации в будущем и назад во времени в больницах с высокими и низкими показателями повторной госпитализации в течение окна измерения для первого года HRRP (финансовый год [FY] 2013) и для окна измерения, которое предшествовало окну измерения HRRP в 2013 финансовом году среди больниц, участвующих в HRRP.Характеристики больниц основаны на опросе Американской ассоциации больниц 2012 года. В анализ были включены участники программы Medicare с оплатой за услуги в возрасте 65 лет и старше с индексной госпитализацией для 1 из 3 целевых состояний сердечной недостаточности, острого инфаркта миокарда, пневмонии или хронической обструктивной болезни легких, которые были выписаны живыми с 1 февраля 2006 г. до 30 июня 2014 г., а последующие действия — до 30 июля 2014 г. Анализ данных проводился с 23 января 2018 г. по 29 марта 2019 г.

    Открытия Штрафы по программе сокращения госпитализации.

    Основные результаты и мероприятия Коэффициент избыточной повторной госпитализации (ERR), рассчитываемый как отношение числа повторных госпитализаций к числу повторных госпитализаций, которое можно было бы ожидать на основе средней больницы с аналогичными пациентами. Больницы с ERR выше 1.0 были оштрафованы.

    Результаты В исследование были включены 3258 больниц. Для трех целевых состояний больницы с ERR больше 1.0 в течение окна измерений 2013 финансового года продемонстрировало снижение ERR в последующие 3 года, тогда как в больницах с ERR не более 1,0 наблюдалось увеличение. Например, для пациентов с сердечной недостаточностью средние значения ERR снизились с 1,086 до 1,038 (-0,048; 95% ДИ, -0,053 до -0,043; P <0,001) в больницах с ERR более 1,0 и увеличились с 0,917 до 0,957 (0,040; 95% ДИ 0,036-0,044; P <0,001) в больницах с ERR не более 1,0. Те же результаты с изменениями ERR аналогичной величины были получены при повторении анализов с использованием альтернативного окна измерения, которое предшествовало HRRP и наблюдалось в больницах в течение 3 лет (для пациентов с сердечной недостаточностью среднее значение ERR снизилось с 1.089 до 1,044 [-0,045; 95% ДИ, от -0,050 до -0,040; P <.001] в больницах с показателями ниже среднего и увеличился с 0,915 до 0,948 [0,033; 95% ДИ от 0,029 до 0,037; P <.001] в больницах с показателями выше среднего). При сравнении фактических изменений в ERR с ожидаемыми изменениями из-за RTM, от 74,3% до 86,5% улучшения ERR для оштрафованных больниц было объяснено RTM.

    Выводы и значимость По всей видимости, снижение частоты повторных госпитализаций в больницах с высокими показателями во время окна измерения в течение первого года проведения HRRP было связано с RTM.Эти результаты, кажется, ставят под сомнение понятие влияния политики HRRP на повторную госпитализацию.

    Программа сокращения реадмиссии в больницы Medicare (HRRP), принятая в соответствии с Законом о доступном медицинском обслуживании в марте 2010 года, 1 налагает финансовые штрафы на больницы с превышением 30-дневной нормы повторной госпитализации. Избыточные коэффициенты повторной госпитализации определяют, превышает ли количество госпитализаций с поправкой на риск по поводу определенного состояния в течение предыдущего контрольного окна измерения средний национальный показатель.Начиная с 2013 финансового года (FY), Medicare оштрафовала больницы с избыточной повторной госпитализацией по поводу сердечной недостаточности (HF), острого инфаркта миокарда (AMI) и пневмонии во время контрольного окна измерения с 1 июля 2008 г. по 30 июня 2011 г. 2 В частности, Medicare измеряла избыточную повторную госпитализацию, используя коэффициент избыточной повторной госпитализации (ERR), рассчитываемый как отношение прогнозируемых 30-дневных повторных госпитализаций к количеству, которое можно было бы ожидать на основе средней больницы с аналогичными пациентами.Только больницы с ERR более 1,0 для целевых состояний подвергаются штрафу.

    Повторная госпитализация с поправкой на риск для целевых состояний начала снижаться в 2011 году, вскоре после объявления HRRP, и это сокращение было больше в оштрафованных больницах, чем в больницах без штрафов. 3 , 4 Некоторые истолковали это свидетельство как предположение о том, что финансовые санкции HRRP побудили больницы улучшить переход на другую помощь и реализовать другие стратегии, которые привели к снижению повторной госпитализации. 3 , 4 Однако большинство изменений в избыточной повторной госпитализации в оштрафованных больницах можно объяснить регрессией к среднему (RTM), статистическим феноменом, который возникает, когда результат для организации измеряется повторно, а результат является случайной величиной. . 5 -11 При повторных измерениях с течением времени результаты для организаций, результаты которых дальше от среднего значения за один период, скорее всего, будут записаны ближе к среднему значению в последующие или предшествующие периоды просто случайно, потому что более экстремальные значения имеют меньшая вероятность появления, чем значения, близкие к среднему.Таким образом, RTM может создать видимость улучшения среди изначально низкоэффективных компаний и ухудшения среди изначально высокоэффективных. Учитывая, что избыточная повторная госпитализация в больницы связана с случайностью, больницы с избыточной повторной госпитализацией до HRRP, то есть больницы, подвергшиеся штрафным санкциям, с большей вероятностью продемонстрируют последующее сокращение избыточной повторной госпитализации исключительно случайно. Случайные или случайные события могут играть важную роль в определении избыточной повторной госпитализации, поскольку повторная госпитализация является функцией не только процессов ухода и лечения, предоставляемого пациентам, но также случайных биологических вариаций эффективности лечения или побочных эффектов, а также случайных событий, таких как неблагоприятные исходы из-за тяжелых погодные условия или падения из-за опасных условий жизни.

    Цель этого анализа заключалась в описании и количественной оценке роли RTM в объяснении улучшений в работе по сравнению с национальными средними показателями в больницах, изначально классифицированных как показатели ниже среднего в соответствии с HRRP. Во-первых, мы проверили, испытали ли больницы с базовыми показателями ниже среднего во время начального окна измерения HRRP последующие улучшения показателей после объявления и внедрения HRRP и, наоборот, испытали ли больницы с показателями выше среднего последующее снижение показателей после объявления и внедрение HRRP.

    Затем мы проверили 2 гипотезы, чтобы выяснить, сыграли ли эффекты политики RTM, а не HRRP, основную роль в объяснении вышеуказанных тенденций в отношении избыточной повторной госпитализации. Во-первых, если бы RTM играла основную роль, то в больницах с более низкими, чем в среднем, базовыми показателями во время более раннего окна альтернативных эталонных измерений, которое предшествует внедрению HRRP, будет наблюдаться последующее снижение ERR. Это снижение будет качественно аналогично тому, которое наблюдается в больницах с низкой производительностью после внедрения HRRP.Во-вторых, если бы RTM играла основную роль, то больницы с более низкими, чем в среднем, базовыми показателями во время HRRP демонстрировали бы снижение ERR при движении назад во времени точно так же, как они это делают при движении вперед во времени. Наконец, для больниц с базовыми показателями ниже среднего мы использовали установленные методы для расчета процента последующих улучшений в избыточных повторных госпитализациях, которые были связаны с RTM.

    Исследование проводилось на госпитальном уровне.Мы включили участников программы Medicare с оплатой за услуги в возрасте 65 лет и старше с индексной госпитализацией по поводу 1 из 3 целевых состояний (СН, ОИМ и пневмония) или хронической обструктивной болезни легких (ХОБЛ), которые привели к выписке живыми с 1 февраля 2006 г. до 30 июня 2014 г. Мы исключили индексные госпитализации, когда пациент был госпитализирован с таким же заболеванием в течение предшествующих 30 дней. В исследуемых больницах было не менее 25 соответствующих критериям госпитализаций по поводу целевого состояния в период измерения избыточной повторной госпитализации.Исследование было рассмотрено институциональным наблюдательным советом (IRB) Университета Южной Калифорнии в Лос-Анджелесе, который посчитал, что наш проект соответствует требованиям, изложенным в 45 CFR 46.101 (b) (4), и имеет право на освобождение от проверки IRB. Проект также был рассмотрен IRB всех соавторов и был признан освобожденным от требований или одобрен с ускоренным рассмотрением. Информированное согласие не требовалось для этого исследования неидентифицированных данных пациентов. Это исследование соответствовало руководящим принципам отчетности по усилению отчетности наблюдательных исследований в эпидемиологии (STROBE).

    Мы использовали данные из файлов Medicare Provider и Analysis Review за период с 1 февраля 2006 г. по 30 июня 2014 г. для определения индексных госпитализаций и 30-дневных повторных госпитализаций до 30 июля 2014 г. Информация о характеристиках пациентов была получена из сводных файлов основного бенефициара. Характеристики больниц были основаны на файлах поставщиков услуг Medicare 2012 года и ежегодном опросе Американской ассоциации больниц 2012 года.

    Следуя методам HRRP, мы рассчитали ERR для каждой больницы и периода исследования с использованием линейной регрессии для оценки прогнозируемого числа повторных госпитализаций (на основе характеристик пациента и случайных эффектов на уровне больницы) и ожидаемого числа (на основе только характеристик пациента) и затем деление предсказанного на ожидаемое число.В этих регрессионных моделях характеристики пациентов включали возрастную группу (65-69, 70-74, 75-79, 80-84 и 85-89 лет и одна группа ≥90 лет), пол и сопутствующие заболевания, задокументированные в течение индекс госпитализации. Мы использовали ERR для измерения производительности, потому что он отражал, как Medicare назначал штрафы HRRP, и учитывал тенденции средних показателей повторной госпитализации, будь то из-за политики или других факторов.

    На основе ERR за базисный период мы разделили подходящие больницы на 2 группы, отражающие уровень ниже среднего (ERR> 1.0) или выше среднего (ERR≤1,0). Эти групповые переменные были основными независимыми переменными в анализе. Основной переменной результата было изменение ERR от базисного периода к последующему или предыдущему периоду.

    Данные были проанализированы с 23 января 2018 г. по 29 марта 2019 г. Во-первых, мы суммировали характеристики больниц, использованных в анализе. Затем мы провели 3 набора анализов, описанных ниже, по 3 анализа на набор (HF, AMI и пневмония).В каждом анализе мы выполняли линейную регрессию, чтобы проверить, предсказывают ли ERR за базовый период изменения в ERR от базового периода к последующему или предшествующему периоду.

    Анализ 1: Базовые показатели во время окна первоначального измерения HRRP

    Мы изучили изменения в ERR от окна измерения 2013 финансового года (с 1 июля 2008 г. по 30 июня 2011 г.) до последующего трехлетнего периода (с 1 июля 2011 г. по 30 июня 2014 г.) после объявления и внедрения HRRP.Мы ожидали, что для целевых условий в больницах с производительностью ниже среднего (ERR> 1.0) будет наблюдаться снижение ERR, а в больницах с производительностью выше среднего (ERR≤1.0) будет наблюдаться увеличение ERR. Эти эффекты согласуются с эффектами политики RTM и HRRP (рисунок 1). В 1 альтернативной спецификации мы повторили этот анализ, изучив тенденции повторной госпитализации в больницы с ERR более 1,07 (75-й процентиль распределения ERR). У больниц в правом хвосте распределения ERR были ограниченные стимулы для ответа на HRRP, потому что политика ограничивала штрафы; следовательно, больницам придется добиться значительного сокращения числа повторных госпитализаций, чтобы уменьшить размер штрафов, а значительное снижение могло бы оказаться невозможным.Мы рассмотрели индексную госпитализацию по поводу ХОБЛ в другой альтернативной спецификации, поскольку HRRP не создавал стимулов для снижения повторной госпитализации с ХОБЛ до 2015 финансового года.

    Анализ 2: Альтернативный период измерения

    Мы предположили, что с помощью RTM больницы с показателями ниже среднего во время другого окна измерения, предшествующего HRRP, также будут демонстрировать последующие улучшения, несмотря на отсутствие политических стимулов, а показатели эффективности будут ухудшаться в больницах с показателями выше среднего.Чтобы проверить эту гипотезу, мы изучили изменения в ERR от альтернативного периода измерения, который непосредственно предшествовал окну измерения 2013 финансового года (с 1 февраля 2006 г. по 30 июня 2008 г .; данные за период до 2006 г. не были доступны) до окна измерения 2013 финансового года.

    Анализ 3: обратные хронологические тенденции

    Регрессия к среднему значению предполагает, что в больницах с показателями эффективности ниже среднего во время окна измерения 2013 финансового года будет наблюдаться улучшение в обратном направлении, точно так же, как и в случае движения вперед во времени.В больницах с показателями выше среднего будет наблюдаться ухудшение состояния во времени. Чтобы проверить эту гипотезу, мы исследовали изменения в ERR в обратном хронологическом порядке от окна измерений за 2013 финансовый год до предшествующего альтернативного периода измерения (с 1 февраля 2006 г. по 30 июня 2008 г.).

    Количественная оценка регрессии к среднему значению

    Для больниц, которые показали результаты ниже среднего в течение окна измерений 2013 финансового года, мы количественно определили процент последующего улучшения показателей, вызванного RTM. 9 , 12 Формула, которая подробно объясняется в eMethods в Приложении, отражает 3 явления, которые влияют на размер эффекта RTM и легко понимаются интуитивно. Во-первых, ожидаемый эффект RTM больше, когда исход в базовом периоде более экстремален (т. Е. Дальше от среднего значения распределения), потому что экстремальные исходы возникают редко и, следовательно, очень маловероятно, что они будут повторяться. Во-вторых, при прочих равных условиях ожидаемый эффект RTM больше, когда дисперсия результата в базовом периоде больше, потому что большая дисперсия означает, что распределение результатов более разбросано.Следовательно, любое движение от хвоста распределения на исходном уровне к среднему значению в период после измерения представляет большую разницу в результатах. В-третьих, эффект RTM меньше, когда корреляция результатов между базовым периодом и периодом после измерения выше, потому что высокая корреляция означает, что результаты имеют тенденцию быть более устойчивыми во времени. Мы использовали методы, описанные Linden 12 , чтобы оценить ожидаемый эффект RTM. Двусторонний P <0,05 указывает на значимость.

    Наш анализ подходящих больниц включал 3116 на сердечную недостаточность, 2196 на ОИМ и 3233 на пневмонию. Получатели медицинской помощи составляли около половины пациентов этих больниц (Таблица 1). По каждому состоянию более 60% больниц были некоммерческими, и более 70% были расположены в городских районах.

    Изменения в ERR между непрерывными неперекрывающимися периодами измерения

    Анализ 1: Базовые показатели во время окна первоначального измерения HRRP

    Для всех трех целевых состояний больницы с производительностью ниже среднего (ERR> 1.0) в окне измерения 2013 финансового года показали улучшения (снижение ERR) в последующие 3 года, тогда как в больницах с показателями эффективности выше среднего (ERR≤1,0) наблюдалось ухудшение (Рисунок 2). Для HF средние ERR снизились с 1,086 до 1,038 (-0,048; 95% ДИ, от -0,053 до -0,043; P <0,001) в больницах с показателями ниже среднего и увеличились с 0,917 до 0,957 (0,040; 95%). ДИ от 0,036 до 0,044; P <0,001) в больницах с производительностью выше среднего. Точно так же для AMI средние ERR снизились с 1.От 106 до 1,043 (-0,063; 95% ДИ, от -0,070 до -0,057; P <0,001) в менее эффективных больницах и увеличился с 0,899 до 0,963 (0,063; 95% ДИ, 0,057 до 0,070; P < .001) в высокопроизводительных больницах. Для пневмонии средние ERR снизились с 1,112 до 1,041 (-0,071; 95% ДИ, от -0,077 до -0,066; P <0,001) и увеличились с 0,898 до 0,955 (0,057; 95% ДИ, от 0,052 до 0,062; P <0,001) соответственно. Качественно результаты были схожими для больниц с ERR более 1.07 и для пациентов с ХОБЛ (см. Электронные таблицы 1 и 2 и электронный рисунок 1 в Приложении).

    Анализ 2: Альтернативный период измерения

    Для всех трех целевых состояний показатели улучшились в больницах с показателями ниже среднего в течение альтернативного периода измерения, предшествовавшего HRRP, и ухудшились в больницах с показателями выше среднего (Рисунок 3).Для HF средние ERR снизились с 1,089 до 1,044 (-0,045; 95% ДИ, от -0,050 до -0,040; P <0,001) в больницах с показателями ниже среднего и увеличились с 0,915 до 0,948 (0,033; 95% ДИ. От 0,029 до 0,037; P <0,001) в больницах с производительностью выше среднего. Результаты были аналогичными для ОИМ и пневмонии.

    Анализ 3: обратные хронологические тенденции

    Результаты показывают обратную связь между производительностью в течение окна измерения 2013 финансового года и обратными хронологическими изменениями производительности из этого окна на предыдущий период.Что касается HF, то в больницах с ERR более 1,0 среднее значение ERR снизилось с 1,086 до 1,051 (-0,035; 95% ДИ, от -0,040 до -0,030; P <0,001), тогда как в больницах со средним ERR равным или ниже 1,0 продемонстрировали среднее увеличение от 0,918 до 0,951 (0,033; 95% ДИ от 0,029 до 0,038; P <0,001). Результаты были аналогичными для ОИМ и пневмонии (см. Рисунок 2 в Приложении).

    Количественная оценка регрессии к среднему значению

    Среди больниц с базовыми показателями деятельности ниже среднего в течение окна измерения 2013 финансового года 74.От 3% до 86,5% улучшения, наблюдаемого за период от этого окна до последующего 3-летнего периода, было объяснено RTM (Таблица 2). Аналогичным образом, от 83,6% до 91,8% снижения эффективности среди больниц с показателями выше среднего было объяснено RTM.

    Этот анализ показал, что в больницах с показателями ниже среднего в окне измерения в течение первого года штрафов HRRP наблюдалось снижение количества повторных госпитализаций на 4,8–7,1 процентных пункта в последующие 3 года.Однако мы обнаружили убедительные доказательства того, что большая часть этого улучшения была вызвана RTM, а не эффектами политики HRRP. Доказательства, подтверждающие этот вывод, включают тот факт, что мы наблюдали аналогичные изменения в избыточной повторной госпитализации в больницах с показателями ниже среднего и выше среднего, когда мы определяли производительность в течение альтернативного периода измерения, предшествующего HRRP, и когда мы изучали изменения в производительности в обратном направлении, а не вперед во время. Эти наблюдения проводились для всех трех целевых состояний, включая HF, AMI и пневмонию.Кроме того, повторная госпитализация пациентов с ХОБЛ и больниц в правом хвосте распределения ERR, где не было стимулов для улучшения показателей, демонстрирует аналогичную тенденцию во времени. Наконец, количественный анализ показал, что по крайней мере три четверти улучшения, наблюдаемого в больницах с показателями ниже среднего в течение окна измерений 2013 финансового года, были объяснены RTM.

    Регрессия к среднему была впервые задумана сэром Фрэнсисом Далтоном в 1886 году, чтобы объяснить, почему у высоких родителей дети ниже их, а у невысоких родителей дети выше их самих. 13 Несмотря на свою долгую историю, RTM остается статистическим явлением, на которое не обращают внимания. Наблюдатели часто ошибочно приписывают улучшения среди низкоэффективных исполнителей вмешательству, представляющему интерес, когда истинной причиной является RTM. В соответствии с нашими выводами RTM, Press et al. 14 обнаружили снижение повторной госпитализации с 2009 г. (за год до объявления HRRP) по 2011 г. (за год до его внедрения) в больницах с изначально высокими показателями и увеличение в больницах с первоначальным низкие ставки.Наши результаты расширяют эти предыдущие выводы, исследуя более длительные временные рамки, в том числе после внедрения HRRP, используя несколько стратегий для документирования эффектов RTM и количественной оценки размера этого эффекта.

    Тот факт, что RTM оказал такое большое влияние на тенденции в работе больниц, имеет три важных последствия. Во-первых, это предполагает, что HRRP объясняет в лучшем случае небольшую часть более благоприятных тенденций повторной госпитализации, которые имели место в оштрафованных больницах по сравнению с больницами без штрафов.Больницы, которые были оштрафованы в 2013 финансовом году, испытали финансовый шок из-за чрезмерной повторной госпитализации, но наши результаты показывают, что это не привело к большему снижению числа повторных госпитализаций. Однако это не означает, что HRRP не привела к снижению повторной госпитализации. Другие исследователи 15 , 16 оценили HRRP, используя аналитические стратегии, не подверженные предвзятости RTM, и обнаружили, что такая политика была связана со снижением повторной госпитализации. Другие исследователи 17 , 18 предположили, что снижение числа повторных госпитализаций с поправкой на риск во всех больницах могло быть завышенным из-за общенациональных изменений в практике кодирования.

    Второе следствие наших выводов состоит в том, что на эффективность работы больницы и наложение штрафов в соответствии с HRRP сильнее влияет случайность. Результаты показывают, что больницы, которые были оштрафованы на основании их ERR в базовом периоде, приблизились к среднему значению в период после измерения. Эта возможность предполагает, что плохая работа в базовый период объясняется скорее неудачей, чем некачественной помощью. Более того, если больницы имеют ограниченные возможности контролировать свою работу, они с меньшей вероятностью будут поддерживать усилия по улучшению медицинской помощи в переходный период и сокращению повторных госпитализаций в долгосрочной перспективе.

    Третье следствие наших выводов касается способности обнаруживать связи между тенденциями повторной госпитализации и смертностью. Dharmarajan et al., , 19, обнаружили, что улучшение показателей повторной госпитализации на уровне больниц лишь слабо связано со снижением смертности. Наши результаты показывают, что случай, возможно, сыграл такую ​​большую роль в изменениях в повторной госпитализации, что способность обнаружить истинную связь со смертностью была ограничена, что является примером систематической ошибки регрессионного разбавления. 5

    Результаты нашего анализа следует рассматривать в свете его ограничений. В этом исследовании анализируются данные наблюдений о тенденциях повторной госпитализации в больницы с высокой и низкой эффективностью после внедрения HRRP. В идеале мы предпочли бы иметь данные из контрольной группы больниц, на которые не повлияла HRRP; однако это было невозможно, учитывая, что политика проводилась на национальном уровне. Исследование также было бы сильнее, если бы у нас были более обширные данные о процессах оказания помощи в больницах.С такими данными мы могли бы напрямую анализировать изменения в процессах оказания помощи в высокопроизводительных и низкоэффективных больницах и более точно оценить, в какой степени RTM или изменения в процессах оказания помощи объясняют тенденции повторной госпитализации в этих больницах. Кроме того, анализ фокусируется на больницах с низкой и высокой эффективностью как на группе. Мы не можем сделать вывод, было ли снижение количества повторных госпитализаций в отдельных больницах из-за RTM, благоприятных изменений в уходе, связанного с переходным периодом, или других факторов.

    Больницы с низкими исходными показателями в течение первого года применения штрафов HRRP, по-видимому, продемонстрировали существенное улучшение по сравнению с другими больницами в стране в последующие годы.Этот анализ показал, что три четверти относительного улучшения были связаны с RTM, а не с политикой. Модификации HRRP, которые лучше учитывают роль случайности, такие как исключение небольших больниц с большей вариабельностью повторных госпитализаций из HRRP или расчет среднего количества повторных госпитализаций при различных условиях при оценке избыточных повторных госпитализаций, могут повысить его справедливость и, возможно, также его эффективность.

    Принята к публикации: 29 марта 2019 г.

    Автор, отвечающий за переписку: Нирадж Суд, доктор философии, Школа государственной политики имени Сола Прайса, Департамент политики и управления в области здравоохранения, Университет Южной Калифорнии, 635 Дауни Уэй, Верна и Питер Даутерив Холл, Ste 512, Лос-Анджелес, Калифорния

    [email protected]).

    Опубликовано онлайн: 26 июня 2019 г. doi: 10.1001 / jamainternmed.2019.1004

    Вклад авторов: Г-н Джоши имел полный доступ ко всем данным в исследовании и несет ответственность за целостность и точность данных. анализа данных.

    Концепция и дизайн: Joshi, Nuckols, Escarce, Huckfeldt, Sood.

    Сбор, анализ или интерпретация данных: Все авторы.

    Составление рукописи: Джоши, Наколс, Хакфельдт, Попеску, Суд.

    Критический пересмотр рукописи на предмет важного интеллектуального содержания: Все авторы.

    Статистический анализ: Джоши, Эскарс, Хакфельдт, Суд.

    Получено финансирование: Nuckols, Huckfeldt, Sood.

    Административная, техническая или материальная поддержка: Sood.

    Надзор: Nuckols, Escarce, Sood.

    Раскрытие информации о конфликте интересов: Г-н Джоши сообщил о получении грантов от Агентства медицинских исследований и качества (AHRQ) во время проведения исследования. Д-р Наколс сообщил о получении гранта R01 HS024284 от AHRQ во время проведения исследования и грантов от Национального института злоупотребления наркотиками, Национального института диабета, болезней органов пищеварения и почек, Института исследования результатов, ориентированных на пациента, Национальных институтов здравоохранения (NIH) / Национальный центр развития трансляционных наук, Национальный институт сердца, легких и крови, AHRQ, NIH / Национальный институт старения и Американская ассоциация нервно-мышечной и электродиагностической медицины за пределами представленной работы.Доктор Эскарс сообщил о получении гранта R01 HS024284 от AHRQ во время проведения исследования. Д-р Huckfeldt сообщил о получении грантов от AHRQ во время проведения исследования и о финансировании, помимо представленной работы, от помощника секретаря по планированию и оценке (ASPE) в Департаменте здравоохранения и социальных служб, Центры медицинских услуг и услуг Medicaid, Флорида. Программа грантов Объединенной ассоциации андеррайтинговых агентств по борьбе с врачами и NIH; работа в качестве оплачиваемого консультанта корпорации RAND по исследованиям, финансируемым NIH, и рецензента; и работа в качестве оплачиваемого консультанта Городского института в проекте, финансируемом ASPE.Д-р Попеску сообщил о получении грантов от AHRQ во время проведения исследования. Доктор Суд сообщил о получении грантов от AHRQ во время проведения исследования; выступал в качестве научного консультанта Virta Health, стартапа, стремящегося обратить вспять диабет с помощью лечения и изменения образа жизни; получение компенсации за работу в качестве эксперта Американской медицинской ассоциации, консультирующей по вопросам конкурентных последствий слияния CVS и Aetna; получение компенсации за работу в качестве эксперта в консорциуме юридических фирм, представляющих города и юрисдикции, предъявляющих иск фармацевтическим фирмам и дистрибьюторам из-за опиоидного кризиса; получение компенсации за работу в качестве эксперта в Фонде исследований развития Китая (правительство Китая) и Фармацевтических исследованиях и производителях Америки по вопросам совершенствования политики контроля стоимости лекарств и улучшения доступа к рецептурным лекарствам в Китае; и получение грантов от NIH, Национального института управления здравоохранением и Института исследований результатов, ориентированных на пациента, помимо представленных работ.О других раскрытиях информации не сообщалось.

    Предыдущая презентация: Эта статья была представлена ​​на конференции Американского общества экономистов здравоохранения; 26 июня 2019 г .; Вашингтон, округ Колумбия.

    3.Дэсай NR, Росс JS, Kwon JY, и другие. Связь между статусом штрафных санкций в рамках Программы сокращения госпитализаций и показателями реадмиссии для целевых и нецелевых условий. ЯМА . 2016; 316 (24): 2647-2656.DOI: 10.1001 / jama.2016.18533PubMedGoogle ScholarCrossref 4.Wasfy JH, Зиглер CM, Чойрат C, Ван Y, Dominici F, да RW. Показатели реадмиссии после прохождения программы сокращения реадмиссии в больницу: анализ до пост-поста. Энн Интерн Мед. . 2017; 166 (5): 324-331. DOI: 10.7326 / M16-0185PubMedGoogle ScholarCrossref 6. Аткинсон G, Loenneke JP, Фахс Калифорния, Абэ Т, Россоу LM. Индивидуальные различия в реакции артериального давления, опосредованной упражнениями: замаскированная регрессия к среднему? Clin Physiol Funct Imaging .2015; 35 (6): 490-491. DOI: 10.1111 / cpf.12211PubMedGoogle ScholarCrossref 12.

    Linden A. RTMCI: модуль Stata для оценки регрессии к среднему значению с доверительными интервалами . Бостон, Массачусетс: Статистические программные компоненты; 2013.

    регрессионных моделей как инструмент в медицинских исследованиях

    Предисловие

    Благодарности

    Об авторе

    I Основы

    1 Зачем нужны регрессионные модели?

    1.1 Зачем использовать простые регрессионные модели?
    1.2 Зачем использовать модели множественной регрессии?
    1.3 Некоторые основные обозначения

    2 Вводный пример

    2.1 Однолинейная модель
    2.2 Подгонка однолинейной модели
    2.3 Учет неопределенности
    2.4 Двухстрочная модель
    2.5 Как выполнить эти шаги с помощью Stata
    2.6 Упражнение 5-HIAA и серотонин
    2.7 Упражнение Гемоглобин
    2.8 Упражнение Масштабирование переменных

    3 Классическая модель множественной регрессии

    4 скорректированных эффекта

    4.1 Поправка на смешение
    4.2 Поправка на дисбаланс
    4.3 Упражнение Физическая активность школьников

    5 Вывод для классической модели множественной регрессии

    5.1 Традиционный и современный способ вывода
    5.2 Как выполнить современный вывод с помощью Stata
    5.3 Насколько достоверны и хороши оценки методом наименьших квадратов?
    5.4 Примечание об использовании и интерпретации p-значений в регрессионном анализе

    6 Логистическая регрессия

    6.1 Определение модели логистической регрессии
    6.2 Анализ эксперимента «доза-реакция» с помощью логистической регрессии
    6.3 Как согласовать модель «доза-реакция» со Stata
    6.4 Оценка отношений шансов и скорректированных отношений шансов с использованием логистической регрессии
    6.5 Как вычислить (скорректированные) шансы Коэффициенты с использованием логистической регрессии в Stata
    6.6 Упражнение Аллергия у детей
    6.7 Подробнее о логит-шкале и шкале шансов

    7 Вывод для модели логистической регрессии

    7.1 Принцип максимального правдоподобия
    7.2 Свойства оценок ML для логистической регрессии
    7.3 Вывод для параметра единственной регрессии
    7.4 Как выполнять тесты Вальда и тесты отношения правдоподобия в Stata

    8 категориальных ковариат

    8.1 Включение категориальных ковариат в модель регрессии
    8.2 Некоторые технические аспекты использования категориальных ковариант
    8.3 Тестирование эффекта категориальных ковариат
    8.4 Обработка категориальных ковариант в Stata
    8.5 Представление результатов регрессионного анализа с использованием категориальных Ковариаты в таблице
    8.6 Упражнение Физическое занятие и боль в спине
    8.7 Упражнение Отношение шансов и категориальные ковариаты

    9 Обработка упорядоченных категорий: первый урок стратегий регрессионного моделирования

    10 Модель пропорциональных опасностей Кокса

    10.1 Моделирование риска смерти
    10.2 Моделирование риска смерти в непрерывном времени
    10.3 Использование модели пропорциональных опасностей Кокса для количественной оценки разницы в выживаемости между группами
    10.4 Как подогнать модель пропорциональных рисков Кокса к Stata
    10.5 Упражнение Факторы прогноза у больных раком груди — Часть 1

    11 распространенных ошибок при использовании регрессионных моделей

    11.1 Ассоциация против причинно-следственной связи
    11.2 Различия между субъектами и различия внутри субъектов
    11.3 Модели реального мира и статистические модели
    11.4 Релевантность и значимость
    11.5 Упражнение Факторы прогноза у больных раком молочной железы— Часть 2

    II Продвинутые темы и методы

    12 Полезные сведения

    12.1 Иллюстрирование моделей с использованием прогнозов на основе моделей
    12.2 Как работать с прогнозами в Stata
    12.3 Остатки и стандартное отклонение срока ошибки
    12.4 Работа с остатками и RMSE в Stata
    12.5 Линейные и нелинейные функции параметров регрессии
    12 .6 Преобразования параметров регрессии
    12.7 Центрирование ковариантных значений
    12.8 Упражнение Курение отцов и курение матери

    13 Сравнение коэффициентов регрессии

    13.1 Сравнение коэффициентов регрессии между непрерывными ковариантами
    13.2 Сравнение коэффициентов регрессии между двоичными ковариантами
    13.3 Измерение влияния изменения значений ковариантных переменных
    13.4 Перевод коэффициентов регрессии
    13.5 Как сравнить коэффициенты регрессии в Stata
    13.6 Exercise Здоровье молодых людей

    14 Мощность и размер выборки

    14.1 Мощность регрессионного анализа

    14.2 Детерминанты мощности в регрессионных моделях с одной ковариантой
    14.3 Детерминанты мощности в регрессионных моделях с несколькими ковариатами
    14.4 Вычисления мощности и размера выборки при выборке из ковариаты Распределение дано
    14.5 Расчеты мощности и размера выборки по выборке из ковариат Распространение со Stata
    14.6 Выбор значений параметров регрессии при моделировании Исследование
    14.7 Моделирование ковариантного распределения
    14.8 Моделирование ковариантного распределения с помощью Stata
    14.9 Выбор параметров для моделирования ковариантного распределения
    14.10 Необходимые размеры выборки для обоснования асимптотических методов
    14.11 Упражнение Рассмотрение мощности для исследования боли в шее 14.12
    Выбор между двумя результатами

    15 Выбор образца

    15.1 Отбор в зависимости от ковариант
    15.2 Отбор в зависимости от результата
    15.3 Выборка в зависимости от значений ковариант

    16 Выбор ковариат

    16.1 Подгонка моделей регрессии с коррелированными ковариатами
    16.2 Дилемма «корректировка против силы»
    16.3 Дилемма «корректировка снижает влияние»
    16.4 Поправка на посредников
    16.5 Поправка на смешивание — полезная академическая игра
    16.6 Поправка на коррелированные 16 искажающих факторов
    .7 Включение прогнозных ковариат
    16.8 Автоматический выбор переменных
    16.9 Как выбрать соответствующие наборы ковариат
    16.10 Подготовка выбора ковариат: анализ ассоциации Среди ковариат
    16.11 Подготовка выбора ковариант: одномерный анализ?
    16.12 Упражнение Размер словарного запаса у детей младшего возраста — Часть 1
    16.13 Предварительная обработка ковариантного пространства
    16.14 Как предварительно обработать ковариантное пространство с помощью Stata
    16.15 Упражнение Размер словарного запаса у детей младшего возраста — Часть 2
    16.16 Что такое путаница?

    17 Моделирование нелинейных эффектов

    17.1 Квадратичная регрессия
    17.2 Полиномиальная регрессия
    17.3 Сплайны
    17.4 Дробные полиномы
    17.5 Увеличение мощности за счет моделирования нелинейных эффектов?
    17.6 Демонстрация эффекта ковариаты
    17.7 Демонстрация нелинейного эффекта
    17.8 Описание формы нелинейного эффекта
    17.9 Обнаружение нелинейности с помощью анализа остатков
    17.10 Оценка нелинейности может потребовать корректировки
    17.11 Как моделировать нелинейные эффекты в Stata
    17.12 Влияние игнорирования нелинейности
    17.13 Моделирование нелинейного эффекта мешающих факторов
    17.14 Нелинейные модели
    17.15 Упражнение Создатели сыворотки для AMI

    18 Преобразование ковариат

    18.1 Преобразования для получения линейной зависимости
    18.2 Преобразование наклонных ковариат
    18.3 Категоризировать или не классифицировать

    19 Модификация эффектов и взаимодействия

    19.1 Модификация эффекта моделирования
    19.2 Изменения скорректированного эффекта
    19.3 Взаимодействия
    19.4 Моделирование модификации эффекта в нескольких ковариантах
    19.5 Эффект ковариантной переменной при наличии взаимодействий
    19.6 Взаимодействия как отклонения от аддитивности
    19,7 Масштаб и взаимодействия
    19,8 Потолочные эффекты и взаимодействия
    19.9 Поиск взаимодействий
    19.10 Как анализировать изменение эффекта и взаимодействия со Stata
    19.11 Упражнение Взаимодействие с лечением в рандомизированном клиническом исследовании для лечения злокачественной глиомы

    20 Применение регрессионных моделей к кластеризованным данным

    20.1 Почему кластеризованные данные могут сделать вывод недействительным
    20.2 Устойчивые стандартные ошибки
    20.3 Повышение эффективности
    20.4 Внутрикластерные и межкластерные эффекты
    20.5 Некоторые необычные, но полезные применения надежных стандартных ошибок в кластеризованных Data
    20.6 Как учесть кластеризацию в Stata

    21 Применение регрессионных моделей к продольным данным

    21.1 Анализ временных тенденций в результате
    21.2 Анализ временных тенденций с учетом ковариат
    21.3 Анализ влияния ковариант
    21.4 Анализ индивидуальных изменений во временных тенденциях
    21.5 Анализ итоговых показателей
    21.6 Анализ влияния изменений
    21.7 Как выполнить регрессионное моделирование продольных данных в Stata
    21.8 Упражнение Увеличение жировых отложений у подростков

    22 Влияние ошибки измерения

    22.1 Влияние систематической и случайной ошибки измерения
    22.2 Влияние неправильной классификации
    22.3 Влияние ошибки измерения на искажающие факторы
    22.4 Влияние неправильной классификации дифференциала и ошибки измерения
    22.5 Изучение ошибки измерения
    22.6 Упражнение Ошибка измерения и взаимодействия

    23 Влияние неполных ковариатных данных

    23.1 Механизмы пропущенных значений
    23.2 Свойства полного анализа случая
    23.3 Смещение из-за использования специальных методов
    23.4 Расширенные методы обработки неполных ковариатных данных
    23.5 Обработка частично определенных ковариат

    III Показатели риска и предикторы

    24 оценки риска

    24.1 Что такое оценка риска?
    24.2 Оценка полезности оценки риска
    24.3 Точность значений оценки риска
    24.4 Общая точность оценки риска
    24.5 Использование команды Stata pred для вычисления оценок риска
    24.6 Классификация оценок риска
    24.7 Упражнение Вычисление риска Баллы для больных раком груди

    25 Построение предсказателей

    25.1 От оценок риска к предсказателям
    25.2 Прогнозы и интервалы прогнозирования для непрерывного результата
    25.3 Прогнозы для двоичного результата
    25.4 Построение прогнозов на основе данных времени до события
    25.5 Как строить прогнозы с помощью Stata
    25.6 Общая точность Предиктор

    26 Оценка прогнозной производительности

    26.1 Прогностическая эффективность существующего предиктора
    26.2 Как оценить прогностическую эффективность существующего предиктора в Стата
    26.3 Оценка прогностической эффективности нового предсказателя
    26.4 Как оценить прогностическую эффективность с помощью перекрестной проверки в Stata
    26.5 Упражнение Оценка прогностической эффективности прогностической оценки у больных раком молочной железы

    27 Прогноз: построение экономных предсказателей

    IV Разное

    28 Изменения в регрессионном моделировании

    28.1 Стратификация
    28.2 Меры ассоциации: коэффициенты корреляции
    28.3 показателя ассоциации: отношение шансов
    28,4 Показатели склонности
    28,5 Деревья классификации и регрессии

    29 конкретных регрессионных моделей

    29.1 Пробит-регрессия для двоичных результатов
    29.2 Обобщенные линейные модели
    29.3 Регрессионные модели для данных подсчета
    29.4 Регрессионные модели для данных порядковых результатов
    29,5 Квантильная регрессия и робастная регрессия
    29.6 ANOVA и регрессия

    30 конкретных применений регрессионных моделей

    30.1 Логистическая регрессия для анализа исследований случай-контроль
    30.2 Логистическая регрессия для анализа сопоставленных исследований случай-контроль
    30.3 Корректировка исходных значений в рандомизированных клинических испытаниях
    30.4 Оценка прогностических факторов
    30.5 Включение изменяющихся во времени ковариат в модель Кокса
    30.6 Зависящие от времени эффекты в модели Кокса
    30.7 Использование модели Кокса при наличии конкурирующих рисков
    30.8 Использование модели Кокса для анализа моделей с несколькими состояниями

    31 Что такое хорошая модель?

    31.1 Соответствует ли модель данным?
    31.2 Насколько хороши прогнозы?
    31,3 Объясненная вариация
    31,4 Качество подгонки
    31,5 Стабильность модели
    31,6 Полезность модели

    32 Заключительные замечания о роли заранее определенных моделей и разработки моделей

    V Математические детали

    Математика, лежащая в основе классической модели линейной регрессии

    A.1 Вычисление параметров регрессии в простой линейной регрессии
    A.2 Вычисление параметров регрессии в классической множественной регрессии Модель
    A.3 Оценка стандартной ошибки
    A.4 Построение доверительных интервалов и p-значений

    B Математика, лежащая в основе модели логистической регрессии

    B.1 Принцип наименьших квадратов как принцип максимального правдоподобия
    B.2 Максимизация вероятности модели логистической регрессии
    B.3 Оценка стандартной ошибки оценок ML
    B.4 Проверка составных гипотез

    C Современный способ вывода

    С.1 Робастная оценка стандартных ошибок
    C.2 Робастная оценка стандартных ошибок при наличии кластеризации

    D Математика для оценки рисков и предикторов

    D.1 Вычисление индивидуальной вероятности выживания после подбора модели Кокса
    D.2 Стандартные ошибки для оценки риска
    D.3 Правило дельты

    Библиография

    Индекс

    Мониторинг схем выписывания рецептов с использованием регрессионных и электронных медицинских карт | BMC Медицинская информатика и принятие решений

    В этом исследовании мы ограничиваем внимание амбулаторных пациентов, получающих лечение в клинике первичной медицинской помощи AIM в кампусе Медицинского центра Колумбийского университета (CUMC) в Медицинском центре Пресвитерианского / Колумбийского университета Нью-Йорка (NYP).Примерно 92% пациентов в клинике AIM находятся на Medicaid или Medicare, и у некоторых из них нет страховки. Мы используем данные EHR для этих пациентов из NYP с одобрения Институционального наблюдательного совета CUMC. Используемые данные EHR состоят из структурированных данных о лекарствах и условиях, полученных с помощью системы обработки естественного языка MedLEE [10] из амбулаторных записей. MedLEE определяет названия лекарств (например, Lipitor) в описательном тексте в примечаниях и использует RxNorm [11], чтобы привести их в соответствие с их родовыми названиями (в случае Lipitor, аторвастатин).MedLEE также выявляет заболевания и сопоставляет их с концептуальными идентификаторами Unified Medical Language System для их стандартизации [12]. MedLEE определяет модификаторы, связанные с такими заболеваниями, как время и отрицание, поэтому события, не испытанные пациентом или пережитые в прошлом, могут быть исключены.

    Мы используем лекарства и сопутствующие заболевания, извлеченные из EHR для этого анализа, потому что EHR дает исчерпывающее представление о медицинских характеристиках пациента, в отличие, например, от кодов ICD9 или ICD10, которые часто являются неполными и имеют низкую точность [13], или заказы по рецептам, в которых не будут прописаны рецепты, выписанные врачами за пределами учреждения.Амбулаторные записи в CUMC обычно содержат список лекарств, принимаемых дома, включая лекарства, отпускаемые без рецепта.

    Мы используем четырехэтапную статистическую процедуру, графически проиллюстрированную на рис. 1, для определения лекарств, которые используются для лечения состояния. Нашим первым шагом является создание набора данных наблюдения / контроля. Мы используем в качестве случаев амбулаторных пациентов, которые когда-либо имели интересующее состояние, а в качестве контроля мы используем амбулаторных пациентов, у которых никогда не было интересующего состояния. Затем для случаев мы выбираем одно случайное амбулаторное посещение, когда интересующее состояние было записано в EHR.Мы также выбираем одно случайное амбулаторное посещение для каждого контроля. Для всех выбранных посещений мы записываем все лекарства и состояния, упомянутые в EHR, за исключением интересующего состояния, которое уже было записано на этикетках случая / контроля. Это приводит к набору данных только с двоичными переменными, каждая из которых фиксирует, есть ли у пациента заболевание или лекарство, указанные в EHR для соответствующего визита. В таблице 1 представлена ​​информация о случаях и средствах контроля для представленного здесь тематического исследования гипертонии, где мы определяем случаи как амбулаторные пациенты, которые когда-либо имели гипертонию, а контрольную группу — как амбулаторных пациентов, у которых никогда не было гипертонии.Как видно из этой таблицы, пациенты с гипертонией чаще посещают амбулаторное лечение, чем пациенты без гипертонии, и больше уникальных состояний и лекарств записываются в EHR.

    Рис. 1

    Схема статистической процедуры

    Таблица 1 Сводная статистика для случая гипертонии / контрольного набора данных

    На втором этапе нашей статистической процедуры мы проверяем все лекарства и условия на предмет соответствия ярлыкам случая / контроля.Мы вычисляем корреляцию Пирсона для каждого лекарства или переменной состояния с метками случая / контроля и сохраняем все переменные, корреляция которых с метками случая / контроля значима на уровне 0,05. Это сделано для уменьшения размера набора данных, используемого на последующих этапах. Мы также удаляем переменные, которые идеально коррелируют друг с другом. Это может произойти, например, если MedLEE всегда использует две метки для обозначения одного и того же состояния или лекарства (например, входной термин кистозная почка отображается на код UMLS C16
    , соответствующий «кистозной болезни почек», а также к коду UMLS C0022679, соответствующему «кистозной почке»; аналогично вакцина против гриппа соответствует C0770694, соответствующей «трехвалентной вакцине против гриппа», а также C0021403, соответствующей «вакцине против вируса гриппа»).

    На третьем этапе нашей статистической процедуры мы используем логистическую регрессию LASSO, широко используемый метод выбора переменных, чтобы выбрать среди переменных, сохраненных на втором этапе, те переменные, которые хорошо предсказывают статус случая / контроля [14]; на этом шаге будут удалены переменные, которые не связаны со статусом случая / контроля, например лекарства, которые используются для лечения других состояний и состояний, не связанных с интересующим состоянием.

    В логистической регрессии мы представляем следующую модель.Пусть переменная ответа Y равна 1, если это случай пациента, и 0 в противном случае. Пусть вектор X кодирует все состояния и лекарства пациента. Мы моделируем Pr (Y = 1 | X = x) = exp. (Ss 0 + ß T x) / (1 + ß 0 + ß T x)), где ß 0 — коэффициент пересечения, а ß — вектор других коэффициентов для каждого из состояний и лекарств, закодированных в X. Здесь интерпретация любого элемента ß — это логарифм отношения шансов того, что соответствующее лекарство или состояние присутствует в случайный пациент в отличие от контрольного пациента.

    В этой статье мы используем модели логистической регрессии, в которых мы включаем только основные эффекты в вектор X, то есть эти модели не включают никаких взаимодействий между переменными состояния и лекарствами, которые мы извлекли из EHR. Взаимодействия — это переменные, кодирующие наличие комбинации двух или более переменных у одного и того же человека (например, сахарный диабет и ишемическая болезнь сердца). Опуская эти переменные взаимодействия, мы неявно предполагаем, что влияние состояния или лекарства на логарифмические шансы состояния случая / контроля для человека одинаково, независимо от наличия или отсутствия любого другого состояния или лекарства у этого человека.Мы делаем это упрощающее предположение, потому что учет взаимодействий резко увеличит количество возможных переменных, которые нужно проверять в нашей процедуре.

    Логистическая регрессия LASSO выполняет логистическую регрессию, требуя, чтобы сумма абсолютных значений коэффициентов регрессии была меньше значения заданного порога. Это ограничение обнуляет значения меньших коэффициентов. Чем ниже порог, тем больше коэффициентов обнуляются. Ковариаты с ненулевыми коэффициентами выбираются LASSO.Мы используем 5-кратную перекрестную проверку, чтобы выбрать значение порога. При 5-кратной перекрестной проверке набор данных делится на 5 частей. Каждая из этих частей, в свою очередь, служит набором тестовых данных. Используя только остальные 4 части набора данных, мы подбираем модель LASSO с последовательностью пороговых значений и используем полученные в результате подобранные модели (из разных пороговых значений) для прогнозирования статуса случай-контроль всех пациентов в наборе тестовых данных ( не используется при подгонке модели). Затем рассчитывается отклонение, статистическая мера согласия для логистической регрессии [15], относительно тестового набора данных для каждого порога.Выбранный нами порог — это самый высокий порог, при котором среднее отклонение находится в пределах одной стандартной ошибки порога, при котором среднее отклонение для 5 наборов тестовых данных является самым низким. Это распространенный способ выбора порога, который приводит к выбору меньшего числа ковариат, которые не являются хорошими предикторами [16]. Мы используем ковариаты с ненулевыми коэффициентами из регрессионной модели LASSO с выбранным порогом, подогнанным с использованием всего набора данных, на последнем этапе нашей статистической процедуры.

    Некоторые лекарства, которые могут быть сильно связаны со статусом случай / контроль, тем не менее, не будут выбраны регрессией LASSO, особенно если эти лекарства принимают очень мало пациентов. В таблице 2 показано количество уникальных состояний и лекарств, сохраняемых на каждом этапе этой процедуры в представленном здесь исследовании гипертонии. Как видно из таблицы 2, доля ковариант, зарегистрированных для небольшого числа пациентов, принимающих как лекарства, так и состояния, уменьшается после каждого шага нашего выбора.

    Таблица 2 Количество уникальных состояний и лекарств, сохраняемых на каждом этапе нашей статистической процедуры для нашего тематического исследования гипертонии

    На четвертом этапе нашей статистической процедуры мы используем логистическую регрессию для вычисления значений p для связи переменных, выбранных на третьем этапе, со статусом случай / контроль. Результаты этого четвертого шага после фильтрации включают лекарства, определенные нашим методом, которые могут быть использованы для лечения интересующего состояния.

    Чтобы определить сопутствующие заболевания, которые влияют на то, можно ли использовать один класс лекарств вместо другого для лечения заболевания, мы сначала ограничиваем наш набор данных теми пациентами, которые имеют интересующее состояние и которые лечились одним из интересующих лекарств. Затем мы выбираем для каждого пациента случайное амбулаторное посещение, когда интересующее состояние и одно из лекарств в интересующих классах лекарств были записаны в EHR. Пациент может принимать лекарства из более чем одного из этих классов лекарств.Поэтому мы определяем результат для каждого пациента путем случайного выбора среди классов интересующих лекарств, записанных в EHR для каждого пациента для выбранного визита.

    С помощью этого набора данных мы затем проверяем сопутствующие заболевания, существенно связанные с исходом, а затем выполняем полиномиальную логистическую регрессию LASSO для определения сопутствующих заболеваний, которые позволяют прогнозировать, какой класс препаратов будет назначен. Здесь мы включаем только сопутствующие заболевания, но не лекарства, в качестве объясняющих переменных, поскольку мы заинтересованы в определении сопутствующих заболеваний, которые влияют на то, какое лекарство используется для лечения интересующего состояния.Как и раньше, мы включаем в эту регрессионную модель только основные эффекты, то есть не включаем никаких переменных взаимодействия.

    В полиномиальной логистической регрессии мы используем следующую модель. Если переменная ответа C (класс прописанного лекарства) имеет уровни K, а X кодирует все сопутствующие заболевания пациента, мы моделируем Pr (C = c | X = x) = exp. (Ss 0c + ß c T x) / (exp (ß 01 + ß 1 T x) +… + exp. (Ss 0K + ß K T x)), где ß 0c — коэффициент пересечения для c-го класса, а ß c — вектор других коэффициентов для c-го класса.Предположим, как в нашем приложении, что два класса — блокаторы А2 и бета-блокаторы, и что коэффициенты для двух классов астмы равны 0,018 и -0,043 соответственно. Чтобы интерпретировать эти коэффициенты, мы выбираем эталонную категорию, например, бета-блокаторы. Затем мы вычитаем коэффициент для бета-блокаторов из другого коэффициента, получая 0,061. Затем возводим в степень, получая 1,06. Это предполагаемый фактор, с помощью которого астма увеличивает вероятность назначения блокатора А2 по сравнению с бета-блокатором.Расчет значений p для полиномиальной логистической регрессии с многомерными данными, такими как наши, требует больших вычислительных ресурсов, поэтому мы этого не делаем. Для ранжирования сопутствующих заболеваний вместо значения p мы используем порог LASSO, при котором переменная больше не выбирается.

    Для сравнения с методом, описанным выше, мы также используем таблицы, чтобы определить, какие лекарства связаны с гипертонией. Сначала мы создаем таблицу 2 на 2, в которой суммируем возникновение 4 возможных комбинаций: использование лекарств / отсутствие лекарств и исход / отсутствие результата.Затем мы вычисляем p-значения для нулевой гипотезы о том, что отношение шансов, связывающее использование лекарства с результатом, равно 1, с использованием точного критерия Фишера.

    Чтобы оценить наши результаты, мы сравниваем лекарства, обнаруженные с помощью нашего метода и метода простой таблицы, с лекарствами, перечисленными в ресурсе MEDI ensemble для показаний лекарств, сборнике пар лекарство-показание из четырех общедоступных ресурсов: RxNorm, MedlinePlus, SIDER 2 и Википедия [7, 8].

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *