CC BY
9
ШЪ Оценка чувствительности и специфичности анкетного скрининга рака толстой кишки
Ключевые слова: рак толстой кишки, многофакторный статистический анализ, скрининг, регрессионная математическая модель
Keywords:
colon cancer, multivariate statistical analysis, screening, regression mathematical model
Малашенко В.Н., Ширяев Н.П.
ФГБУ ВО "Ярославский государственный медицинский университет" Министерства здравоохранения Российской Федерации
150000, Ярославская область, г. Ярославль, ул. Революционная, д. 5 E-mail: malashenko_1957@mail.ru
Evaluation of the sensitivity and specificity of the questionnaire screening of colon cancer
Malashenko V.N., Shiryaev N.P.
Yaroslavl State Medical University
5 Revolutionary str., Yaroslavl, Yaroslavl Region, 150000, Russian Federation E-mail: malashenko_1957@mail.ru
Цель. Вывести формулу математической модели пациента с колоректальным раком (КРР) для оптимизации скрининга среди диспансерных групп населения с помощью многофакторной обработки данных анкетирования пациентов с КРР и условно здоровой группы людей. Формула позволит написать компьютерную программу, которая значительно облегчит работу первичного звена поликлиник, исключит человеческий фактор в формировании групп риска, позволит усилить онкологическую настороженность населения.
Пациенты и методы. Разработана анкета, состоящая из 69 вопросов с учетом генетических и модифицирующих экзо-эндогенных факторов риска, учитывающих характер питания, образ жизни, условия окружающей среды, наличие стресса, привычных интоксикаций. Проведено анкетирование 100 человек. В основную группу вошли пациенты (N=50), с верифицированным диагнозом рака желудка находящихся на лечении в отделении абдоминальной хирургии ГБУЗ ЯО «Клиническая онкологическая больница». В группу сравнения вошли условно здоровые пациенты (N=50) с выполненной колоноскопией и не имеющих факторов риска в анамнезе. Математическая обработка данных проведена с помощью программ Microsoft Office Pro Rus 2016, Statistica 10.0 от 2013 г. и MedCalc 12.7.0. На первом этапе методом ранговой корреляции выявлены 16 наиболее важных переменных, имеющих прогностическую значимость р <0,05. Далее применялся многофакторный статистический анализ, т. к. в отличие от линейного метода общий эффект от нескольких факторов может превышать их индивидуальную сумму и в прогностическом плане является более значимым. Модель пациента с КРР учитывает в себе множество связей между различными экзогенными и эндогенными факторами и повышает качество прогноза. Рассчитаны коэффициенты регрессионного уравнения, которое используется для написания компьютерной программы. В целях безопасности мы его представить пока не можем, так как проводится оформление патента на способ прогнозирования КРР и формулу изобретения. Мето-
дом наименьших рисков определена точка отсечения, при которой прогноз был более значимым. Точность прогноза модели КРР оценивалось с помощью построения ROC-кри-вой и расчета чувствительности и специфичности. Чувствительность отражает удельный вес больных с подтвержденным диагнозом, т. е. ошибки второго рода или «пропуск цели». Специфичность демонстрирует процент условно здоровых людей, среди которых тест оказался отрицательным, т. е. ошибки первого рода или «ложная тревога». Мы считаем, что ложноотрицательный результат с экономической точки зрения и для пациента влечет за собой более тяжелые риски, чем ложноположительный.
Результаты. Первоначально методом ранговой корреляции из 69 вопросов анкеты выявлены 16 факторов, имеющие наибольшую прогностическую значимость (P<0,005). Путем расчета коэффициентов множественной регрессии составлена многофакторная модель, включающая 16 взаимосвязанных предиктора рака ободочной кишки. Уровень значимости модели по сравнению с индивидуальной оценкой (P<0,005) существенно увеличился и составил p <0,0001. Площадь под ROC кривой составила 0,941, что характеризует высокое качество прогноза выявленной модели. Методом наименьшего риска рассчитана чувствительность (Se) 80,0% и специфичность (Sp) 96,0%.
Заключение. Полученные данные свидетельствуют о том, что модель КРР позволяет научно-обоснованно формировать группы риска среди населения. Написание программного обеспечения позволит автоматизировать процесс анкетирования и упростить работу первичного звена поликлиник, увеличит охват пациентов трудоспособного возраста, исключит человеческий фактор, позволит активно выявлять пациентов из группы риска через кабинеты доврачебного приема и через активное анкетирование через интернет. Кроме того, по мере накопления базы данных пациентов КРР и соотношение их с результатами колоноскопии и гистологии позволит постоянно повышать прогностические возможности регрессионной модели.
186 Proceedings of the First International Forum of Oncology and Radiology, Moscow, September 23-27 2019
