О журналеКонтактыРедколлегияРедсоветАрхив номеровАвторамРецензентам

Прогноз динамики полиморбидной патологии

Журнал «Медицина» № 1, 2023, с.56-76 (Исследования)

Авторы

Федорович Г. В.
д.физ.-мат.н., технический директор1

1 - ООО "НТМ-Защита", Москва, Российская Федерация

Ремарки

Автор для корреспонденции: Федорович Геннадий Викторович; e-mail: fedorgv@gmail.com. Финансирование. Исследование не имело спонсорской поддержки. Конфликт интересов. Автор заявляет об отсутствии конфликта интересов.

Аннотация

Унифицированный методологический подход предлагается для описания нозологической структуры полиморбидности, систематизации ее клинических и эпидемиологических свойств и закономерностей, а также ассоциированных с ней явлений. Для описания на феноменологическом уровне картины формирования результирующей статистики полиморбидности в популяции используется вероятностная модель. В основу модели заболеваемости в популяции положена эргодическая гипотеза. Результаты имеют смысл средних по ансамблю. Микроскопические (внутренние) состояния системы могут принимать все возможные значения, совместимые с заданными значениями макроскопических (внешних) параметров. Из всех возможных микроскопических состояний, с максимальной вероятностью реализуются те, которые имеют наибольший статистический вес. Реальная система определяет блок-схему модели. Отображаются те аспекты системы, которые соответствуют задачам исследования. Прямая задача – составление эпидемиологической картины по клиническим параметрам заболевания. Обратная задача – формирование индивидуального (клинического) описания нозологии по эпидемиологическим (средним по популяции) данным. Для сопоставления теоретических результатов с наблюдениями предлагается специальный метод линейной регрессии вероятности состояния. Тест позволяет оценить параметры реального распределения. Адекватность модели проверяется при ее "подгонке" к данным наблюдений. Параметры подгонки рационально характеризуют полиморбидную патологию – структуру и уровень заболеваемости.

Ключевые слова

полиморбидность, моделирование, статистика, эргодическая гипотеза, линейная регрессия

Для цитирования

Федорович Г. В. Прогноз динамики полиморбидной патологии. Медицина 2023; 11(1): 56-76.

DOI

Введение

В связи с появлением новых методов лабораторной и инструментальной диагностики и компьютерных аналитических технологий современная медицина выходит на качественно новый этап развития. Один из результатов этого – выявление массового характера полиморбидной/коморбидной патологии, т.е. сосуществования у одного человека двух и более хронических заболеваний [1]. Это становится проблемой современной медицины, так как обусловливает сложность диагностики, лечения, реабилитации, профилактики (нет единого причинного фактора или фактора риска) и прогноза основных видов патологии. В то же время при своевременной диагностике и соблюдении алгоритмов оказания медицинской помощи патология поддается коррекции и лечению.

Данные о распространенности полиморбидности значительно варьируют и существенно зависят от параметров выборки (пациенты врача общей практики или специализированной клиники, пол больных, возраст, использование в исследованиях разных классификаторов болезней), но в целом отмечается увеличение со временем случаев выявления полиморбидной патологии.

Общие характеристики полиморбидности хорошо изучены и описаны [2,3]. Соответствующие данные, касающиеся полиморбидности, представлены во множестве обзоров. Показано, что полиморбидность связана с более высокими показателями смертности, инвалидности, с побочными эффектами лечения, с повышенным использованием ресурсов системы здравоохранения, а также с более низким качеством жизни. Однако большинство исследований – это эпидемиология, превращающаяся в этом случае из способа научного познания явления полиморбидности в средство сбора разрозненных данных о нем. Исследования сводятся к статистической обработке результатов опросов пациентов или автоматизированному извлечению данных о заболеваниях из больших баз медицинских записей или баз страховых случаев. Наборы данных на основе кодов болезней не обязательно приводят к решениям, актуальным при оказании медицинской помощи [4]. Они, в частности, могут привести к переоценке или недооценке болезней. Например, один и тот же код болезни может относиться к пациентам с тяжелыми нарушениями, снижением качества жизни или интенсивной потребностью в физиотерапии.

Реально врачи сталкиваются с болезнью не в неких обобщенных формах, а в индивидуальных ее проявлениях у конкретных больных. Назрела необходимость в разработке новых клинических рекомендаций для обследования больных с множественными хроническими заболеваниями, на которые могли бы опираться практические врачи при персонифицированном подходе к лечению пациентов с полиморбидной патологией. Индивидуальный подход к больному (персонализация лечения) диктует необходимость глубокого понимания генеза основного и сопутствующих заболеваний, их причинной и патогенетической связи, их комплексной диагностики.

В клинической практике для персонификации диагнозов используется множество шкал и индексов, таких как система CIRS (Cumulative lllness Rating Scale), индексы коморбидности Charlson, Kaplan-Feinstein, индекс сосуществующих болезней ICED (Index of Co-Existent Diseases), гериатрический индекс коморбидности GIC (Geriatric Index of Comorbidity), индекс FCI (Functional Comorbidity Index), показатель функциональной коморбидности и др. Каждый из индексов имеет свои преимущества и недостатки и используется в разных клинических ситуациях. Однако, в работе [5] показано, что анализ коморбидного статуса с помощью наиболее востребованных международных шкал оценки коморбидности может привести к принципиально различным результатам. Их неоднозначность и противоречивость в определенной степени затрудняет суждение об истинной тяжести состояния больного и осложняет назначение рациональной фармакотерапии имеющихся у него заболеваний. С подобными трудностями ежедневно сталкивается любой клиницист, независимо от клинического опыта и осведомленности в области медицинской науки.

В отечественном здравоохранении в качестве индекса полиморбидности используется предложенный Лазебником [2] индекс – количество нозологических форм заболеваний у одного больного. При этом персонифицированные оценки полиморбидной патологии основываются на клинических рекомендациях [6], предназначенных для того, чтобы стать повседневным настольным справочником, к которому обращаются в ситуациях возникновения конкретных клинических проблем, связанных с ведением коморбидных пациентов. Используются следующие основные формы представления материалов: таблицы с критериями тех или иных состояний, диагностические тесты, лечебно-диагностические протоколы, блок-схемы и алгоритмы, пошагово описывающие последовательный процесс принятия решения.

Для дальнейшего стоит отметить, что и эпидемиологические и клинические подходы используют статистические показатели. Последние разделяются на индивидуальные и сводные в зависимости от охвата единиц исследуемой совокупности. Индивидуальные показатели характеризуют отдельный объект (отдельную единицу совокупности) и соотносятся с клиническим подходом. Сводные показатели соотносятся с эпидемиологическим подходом. Для перехода к сводным (эпидемиологическим) показателям от индивидуальных (клинических) показателей достаточно просуммировать последние с учетом их статистических весов [7]. Решение обратной задачи (переход от эпидемиологических показателей к индивидуальным) не столь очевидно. Оно, однако, возможно, но только в рамках статистической модели, описывающей, хотя бы на феноменологическом уровне, динамическую картину формирования нозологической структуры патологии. Требования к статистической модели определяются задачами исследования. Она не должна быть столь упрощенной, чтобы стать тривиальной, но и не должна быть столь детализированной, чтобы быть громоздкой в обращении. Модель должна быть ориентирована на решение вопросов, на которые требуется найти ответы, а не имитировать реальную систему во всех подробностях.

В практическом отношении этот подход представляет несомненный интерес, так как позволяет использовать эпидемиологические данные для работы с отдельным пациентом – для суждения о причинах заболеваний, прогнозирования течения болезни, назначения лечебных процедур и т.д.

Последующее представляет собой пример построения статистической модели явления полиморбидности. Предполагается, что ее анализ может быть перспективным для создания универсального прогностического инструмента, быстро и удобно оценивающего структуру, тяжесть и возможные последствия полиморбидности с целью проведения адекватного лечения и реабилитации [8]. Одновременно появляется возможность улучшить компьютерное хранение и обработку медицинской информации.

Последовательность и структура изложения

Построение статистической модели предваряется проверкой возможности статистического подхода к описанию явления полиморбидности. Само по себе это неочевидно и тест (сопоставление теоретических и натурных данных) нетривиален.

Для описания нозологической структуры использовалась Марковская модель случайных блужданий, однако результат – распределение индекса полиморбидности – оказался слишком "гибким". Его можно "подогнать" под широкий класс натурных данных. Поэтому реально не модель применяется для описания реально наблюдающейся структуры, а в реальной структуре обнаруживаются признаки, характерные для модельных результатов. Для этого используется специально предложенный метод линейной регрессии (МЛРР) распределения индекса полиморбидности.

После демонстрации возможности статистического моделирования полиморбидности модель уточняется введением в рассмотрение временного шкалирования переходов между уровнями полиморбидности с различными индексами. Показано, что наблюдаемые числа заполнения уровней можно использовать для решения обратной задачи определения скоростей и времён переходов между уровнями.

Конкретные оценки времён переходов проводились на материале работы [9], в которой исследовалась коморбидность у пациентов с сердечно-сосудистыми заболеваниями – и как она варьировалась в зависимости от возраста, пола и социально-экономического статуса. Использовалась статистика госпитальных эпизодов – данные клинической практики Великобритании со ссылкой на 674 британских врачей общей практики – охватывающая примерно 7% населения Великобритании в период с 2000 по 2014 годы. Оценивалась стандартизированная по возрасту и полу распространенность и 95% доверительные интервалы для 56 основных сопутствующих заболеваний у лиц с нелетальными сердечно-сосудистыми заболеваниями. 

Для целей статистического моделирования представляют интерес приведенные в [9] распределения долей (распространенности) индексов полиморбидности по возрастным группам пациентов. Для перехода от долей к числам заполнения использовалась стандартная модель смертности Гомпертца-Мейкхама. Адекватность результатов такого перехода также проверялась на натурных данных.

Так сконструированная и отлаженная на натурных данных модель позволяет решить обратную задачу определения реальных времён переходов между уровнями структуры полиморбидности. Результат представлен в виде таблицы зависимости характерных времён от возраста пациента и его индекса полиморбидности. Эти индивидуальные показатели пациента позволяют прогнозировать для него развитие полиморбидной патологии и рационализировать назначение лечебных процедур.

Все это в совокупности дает основания для разработки унифицированного стандарта описания полиморбидной патологии.

Дальнейшее представляет собой конкретизацию описанной последовательности конструирования статистической модели развития полиморбидной патологии.

Читать далее (полная версия статьи, pdf)

Список литературы

1. Бабанская Е.Б., Меньшикова Л.В., Меньшиков М.Л. Клиническая характеристика пациентов с артериальной гипертензией в амбулаторной практике врача-кардиолога. Медицина 2017; 5(4): 45-57, doi: 10.29234/2308-9113-2017-5-4-45-57

2. Лазебник Л.Б., Конев Ю.В., Ефремов Л.И., Основная проблема гериатрии – множественность болезней у пожилого больного. Клиническая геронтология 2019; 24(1-2): 4-9, doi: 10.26347/167-2499201901-02004-009

3. Ларина В.Н., Самородская И.В., Глибко К.В., Головко М.Г. Комплексная патология: терминология, оценка тяжести состояния пациентов и возможный подход к их ведению. Клиническая геронтология 2019; 25(1-2): 49-57, doi: 10.26347/1607-2499201901-02049-057

4. Boyd C.M., Darer J., Boult C., Clinical practice guidelines and quality of care for older patients. JAMA 2005; 294(6): 716-724, doi: 10.1001/jama.294.6.716

5. Barnett K., Mercer S.W., Norbury M., Epidemiology of multimorbidity and implications for health care, research, and medical education: a cross-sectional study. Lancet 2012; 380(9836): 37-43. doi: 10.1016/S0140-6736(12)60240-2

6. Оганов Р.Г., Симаненков В. И., Бакулин И. Г., и др. Коморбидная патология в клинической практике. Алгоритмы диагностики и лечения. Кардиоваскулярная терапия и профилактика 2019;18(1): 5-66, doi: 10.15829/1728-8800-2019-1-5-66 4

7. Федорович Г.В. Рациональная эпидемиология профессиональных заболеваний (Модели и методы). Saarbrucken: Palmarium Academic Publishing, 2014. ISBN: 978-3-639-82722-4

8. Оганов Р.Г., Драпкина О.М. Полиморбидность: Закономерности формирования и принципы сочетания нескольких заболеваний у одного пациента. Кардиоваскулярная терапия и профилактика 2016; 15(4): 4-9. doi: 10. 15829/1728-8800-2016-4-4-9

9. Tran J., Norton R., Conrad N., Rahimian F., Canoy D., Nazarzadeh M., et al. Patterns and temporal trends of comorbidity among adult patients with incident cardiovascular disease in the UK between 2000 and 2014: A population-based cohort study. PLoS Med 2018; 15(3): e1002513, doi: 10.1371/journal.pmed.1002513

10. Федорович Г.В. Рациональная диагностика профессиональных заболеваний (Концепции и приложения). Saarbrucken: Palmarium Academic Publishing, 2021: ISBN: 978-620-2-38251-9

11. Попов С.В., Бокова С.И. Особенности полипатий у лиц пожилого и старческого возраста. Актуальные проблемы полипатий в клинической и профилактической медицине. Сб. науч. тр. Челябинск: Южно-Уральский ГМУ, 2013. С. 189.

12. Шпагина Л.Н. Полипатии у шахтеров с патологией периферической нервной системы и костно-мышечной системы: формирование и особенности структуры. Фундаментальные исследования 2012; (8-1): 190-192.

13. Суворов В.Г. Медико-биологические основы оценки сочетанного влияния производственной среды и трудового процесса на организм человека Дисс. на соискание ученой степени д.м.н., М., 2004. 277 с.

14. Charlson M.E., Pompei P., Ales H.L. A new method of classifying prognostic comorbidity in longitudinal studies: Development and validation. J. Chronic Disease 1987; 40: 373-383.

15. Шамурова Ю.Ю., Калев О.Ф., Болотов А.А., Празднов А.С., Колесникова А.А. Проблема полипатии в сельской популяции. Современные проблемы науки и образования 2012; (3): 38.

16. Арьев А.Л., Овсянникова Н.А., Арьева Г.Т., Дзахова С.Д., Хавинсон В.Х. Полиморбидность в гериатрии. Практическая онкология 2015; 16(3): 83-92.

17. Петрик Е.А. Особенности полиморбидности у соматических больных, Автореферат дисс. на соискание ученой степени к.м.н. М., 2011. 24 с.

18. Tran J., Norton R., Conrad N., Rahimian F., Canoy D., Nazarzadeh M., Rahimi K. Patterns and temporal trends of comorbidity among adult patients with incident cardiovascular disease in the UK between 2000 and 2014: A population-based cohort study. PLoS Med. 2018; 15(3): e1002513? doi: 10.1371/journal.pmed.1002513

19. Бутов А.А., Шабалин А.С., Коваленко А.А. Математическая модель многостадийного старения адаптивных систем. Фундаментальные исследования 2015; (9-2): 219-222.

20. Корн Г.А., Корн Т.М. Справочник по математике для ученых и инженеров. М.: Наука, 1974. С. 804.

Prediction of the Dynamics of Polymorbid Pathology

Authors

Fedorovitch G. V.
Doctor of Physics and Mathematics, Technical Director1

1 - LLC "NTM-Zashchita" Moscow, Russian Federation

Remarks

Corresponding Author: Fedorovitch Gennady; e-mail: fedorgv@gmail.com. Conflict of interest. None declared. Funding. The study had no sponsorship.

Abstract

A unified methodological approach is proposed to describe the nosological structure of polymorbidity, to systematize its clinical and epidemiological properties and patterns, as well as for the phenomena associated with it. A probabilistic model is used to describe at the phenomenological level the picture of the formation of the resulting statistics of polymorbidity in a population. The ergodic hypothesis underlies the model of morbidity in the population. The results have the meaning of ensemble averages. The microscopic (internal) states of the system can take on all possible values compatible with the given values of the macroscopic (external) parameters. Of all the possible microscopic states, those that have the highest statistical weight are realized with the maximum probability. The real system defines the block diagram of the model. Those aspects of the system that correspond to the objectives of the study are displayed. The direct task is to draw up an epidemiological picture according to the clinical parameters of the disease. The inverse task is the formation of an individual (clinical) description of nosology based on epidemiological (population average) data. A special state probability linear regression method is proposed to compare theoretical results with observations. The test allows estimating the parameters of the real distribution. The adequacy of the model is checked when it is "fitted" to the observational data. The fitting parameters rationally characterize polymorbid pathology – the structure and incidence rate.

Key words

polymorbidity, modeling, statistics, ergodic hypothesis, linear regression

DOI

References

1. Babanskaya E.B., Men'shikova L.V., Men'shikov M.L. Klinicheskaya harakteristika pacientov s arterial'noj gipertenziej v ambulatornoj praktike vracha-kardiologa. [The Clinical Characteristics of Patients with Arterial Hypertension in Cardiologist Ambulatory Practice.] Medicina [Medicine] 2017; 5(4): 45-57, doi: 10.29234/2308-9113-2017-5-4-45-57. (In Russ.)

2. Lazebnik L.B., Konev Yu.V., Efremov L.I., Osnovnaya problema geriatrii – mnozhestvennost' boleznej u pozhilogo bol'nogo. [The principal problem of geriatrics is the multiplicity of diseases in an elderly patient.] Klinicheskaya gerontologiya [Clinical gerontology] 2019; 24(1-2): 4-9, doi: 10.26347/167-2499201901-02004-009. (In Russ.)

3. Larina V.N., Samorodskaya I.V., Glibko K.V., Golovko M.G. Kompleksnaya patologiya: terminologiya, ocenka tyazhesti sostoyaniya pacientov i vozmozhnyj podhod k ih vedeniyu. [Complex pathology: terminology, assessment of the severity of the condition of patients and a possible approach to their maintenance.] Klinicheskaya gerontologiya [Clinical gerontology] 2019; 25(1-2): 49-57, doi: 10.26347/1607-2499201901-02049-057. (In Russ.)

4. Boyd C.M., Darer J., Boult C., Clinical practice guidelines and quality of care for older patients. JAMA 2005; 294(6): 716-724, doi: 10.1001/jama.294.6.716

5. Barnett K., Mercer S.W., Norbury M., Epidemiology of multimorbidity and implications for health care, research, and medical education: a cross-sectional study. Lancet 2012; 380(9836): 37-43. doi: 10.1016/S0140-6736(12)60240-2

6. Oganov R.G., Simanenkov V. I., Bakulin I. G., et al. Komorbidnaya patologiya v klinicheskoj praktike. Algoritmy diagnostiki i lecheniya. [Comorbid pathology in clinical practice. Diagnostic and treatment algorithms.] Kardiovaskulyarnaya terapiya i profilaktika [Cardiovascular therapy and prevention] 2019;18(1): 5-66, doi: 10.15829/1728-8800-2019-1-5-66 4. (In Russ.)

7. Fedorovich G.V. Racional'naya epidemiologiya professional'nyh zabolevanij (Modeli i metody). [Rational epidemiology of occupational diseases (models and methods).] Saarbrucken: Palmarium Academic Publishing, 2014. ISBN: 978-3-639-82722-4. (In Russ.)

8. Oganov R.G., Drapkina O.M. Polimorbidnost': Zakonomernosti formirovaniya i principy sochetaniya neskol'kih zabolevanij u odnogo pacienta. [Polymorbidity: patterns of formation and principles of combination of several diseases in one patient.] Kardiovaskulyarnaya terapiya i profilaktika [Cardiovascular therapy and prevention] 2016; 15(4): 4-9. doi: 10. 15829/1728-8800-2016-4-4-9. (In Russ.)

9. Tran J., Norton R., Conrad N., Rahimian F., Canoy D., Nazarzadeh M., et al. Patterns and temporal trends of comorbidity among adult patients with incident cardiovascular disease in the UK between 2000 and 2014: A population-based cohort study. PLoS Med 2018; 15(3): e1002513, doi: 10.1371/journal.pmed.1002513

10. Fedorovich G.V. Racional'naya diagnostika professional'nyh zabolevanij (Koncepcii i prilozheniya). [Rational diagnosis of occupational diseases (concepts and applications).] Saarbrucken: Palmarium Academic Publishing, 2021: ISBN: 978-620-2-38251-9. Russ.)

11. Popov S.V., Bokova S.I. Osobennosti polipatij u lic pozhilogo i starcheskogo vozrasta. Aktual'nye problemy polipatij v klinicheskoj i profilakticheskoj medicine. Sb. nauch. tr. [Features of polypathies in the elderly and senile age. Actual problems of polypathies in clinical and preventive medicine. Collection of scientific papers.] Chelyabinsk: Yuzhno-Ural'skij GMU, 2013. (In Russ.)

12. Shpagina L.N. Polipatii u shahterov s patologiej perifericheskoj nervnoj sistemy i kostno-myshechnoj sistemy: formirovanie i osobennosti struktury [Polypathies in miners with pathology of the peripheral nervous system and the musculoskeletal system: formation and structural features.] Fundamental'nye issledovaniya [Basic Research] 2012; (8-1): 190-192. (In Russ.)

13. Suvorov V.G. Mediko-biologicheskie osnovy ocenki sochetannogo vliyaniya proizvodstvennoj sredy i trudovogo processa na organizm cheloveka. [Medico-biological bases for assessing the combined impact of the production environment and the labor process on the human body.] Diss. na soiskanie uchenoj stepeni d.m.n. [Doctor of Medicine Thesis.] Мoscow, 2004. (In Russ.)

14. Charlson M.E., Pompei P., Ales H.L. A new method of classifying prognostic comorbidity in longitudinal studies: Development and validation. J. Chronic Disease 1987; 40: 373-383.

15. Shamurova Yu.Yu., Kalev O.F., Bolotov A.A., Prazdnov A.S., Kolesnikova A.A. Problema polipatii v sel'skoj populyacii. [The problem of polypathy in the rural population.] Sovremennye problemy nauki i obrazovaniya [Modern problems of science and education] 2012; (3): 38. (In Russ.)

16. Ar'ev A.L., Ovsyannikova N.A., Ar'eva G.T., Dzahova S.D., Havinson V.H. Polimorbidnost' v geriatrii. [Polymorbidity in geriatrics.] Prakticheskaya onkologiya [Practical Oncology] 2015; 16(3): 83-92. (In Russ.)

17. Petrik E.A. Osobennosti polimorbidnosti u somaticheskih bol'nyh. [Features of polymorbidity in somatic patients.] Avtoreferat diss. na soiskanie uchenoj stepeni k.m.n. [Author’s abstract, PhD Thesis.] Мoscow, 2011. (In Russ.)

18. Tran J., Norton R., Conrad N., Rahimian F., Canoy D., Nazarzadeh M., Rahimi K. Patterns and temporal trends of comorbidity among adult patients with incident cardiovascular disease in the UK between 2000 and 2014: A population-based cohort study. PLoS Med. 2018; 15(3): e1002513? doi: 10.1371/journal.pmed.1002513

19. Butov A.A., Shabalin A.S., Kovalenko A.A. Matematicheskaya model' mnogostadijnogo stareniya adaptivnyh sistem. [Mathematical model of multi-stage aging of adaptive systems.] Fundamental'nye issledovaniya [Basic Research] 2015; (9-2): 219-222. Russ.)

20. Korn G.A., Korn T.M. Spravochnik po matematike dlya uchenyh i inzhenerov. [Handbook of Mathematics for Scientists and Engineers.] Мoscow: Nauka, 1974. (In Russ.)