CC BY
63
^oT“^T^p7ium Оригинальные статьи
©2003, СПбРОРААКИ
ПРИМЕНЕНИЕ ДИСКРИМИНАНТНОГО АНАЛИЗА ДЛЯ ДИАГНОСТИКИ ФУНКЦИОНАЛЬНОЙ АКТИВНОСТИ КЛЕТОЧНЫХ ЭФФЕКТОРОВ НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ СТАНДАРТНЫХ ПОКАЗАТЕЛЕЙ ИММУННОГО СТАТУСА
Гельфгат Е.Л., Кожевников B.C., Козлов В.А.
Институт клинической иммунологии СО РАМН
Резюме. В цели исследования входило изучение возможности применения дискриминантного анализа для диагностики функциональной активности неспецифических клеточных эффекторов по комплексу рутинных показателей иммунного статуса (количества лимфоцитов, моноцитов, субпопуляционной структуры периферических МНК, содержания в крови основных классов иммуноглобулинов, НСТ-активности нейт-рофилов), предварительно обработанных методом главных компонент. Показано, что совместное использование методов факторного и дискриминантного анализа позволяет значительно оптимизировать процесс распознавания активности клеточных эффекторов, при этом непосредственное измерение показателей эф-фекторной активности необходимо только для разработки решающих правил, на этапе формирования «обучающих» выборок. Преимуществом разработанного способа распознавания является строгая формализация, высокая диагностическая эффективность и системный принцип оценки неспецифической активности клеточных эффекторов. С использованием большого числа дополнительно привлеченных иммунных показателей в работе продемонстрировано, что величины дискриминатных функции, отражают глубинные особенности клеточных и гуморальных эффекторных процессов, протекающих в организме и характеризуют их тесную взаимосвязанность на уровне целостной иммунной системы.
Ключевые слова: дискриминантный анализ, главные компоненты, иммунный статус, клеточные эффекторы.
Gelfgat E.L., Kozhevnikov VS., Kozlov V.A.
DISCRIMINANT ANALYSIS FOR THE DETERMINATION
OF CELLULAR EFFECTOR ACTIVITY ON THE BASIS
OF STANDARD IMMUNE SYSTEM TESTING
Abstract. The aim of the article was to test a possibility of using discriminant analysis to determine the nonspecific cellular effector activity on the base of routine immune status testing (including lymphocytosis, percents of monocytes, lymphocyte subclasses, NBT-test, serum immunoglobuline concentrations) after method of principal component application.
It has been found that the combining method of principal component and discriminant analysis can markedly optimize the recognition of cellular effector activity. Direct measuring the effector cell activity is necessary just for classification functions construction estimation at the formation of training samples.
The advantage of this method is a formalization at a high diagnostic effectiveness in determination of nonspecific
_____________________________________________ effector cell activity. Using a wide range of immune tests
Адрес для переписки: it was possible to show the relations between discrimi-
6300091, Новосибирск, ул. Ядринцевская 14, nant function values and main processes of effector func-
Институт клинической иммунологии СО РАМН, tion formation (cellular or humoral). Discriminant func-
Гелъфгат Е.Л. tion values seem to reflect the interrelations of cellular
Тел.: (3832) 28-50-84, факс (3832) 22-70-28. and humoral effectors at the level of whole organism.
E-mail: konen @ online, nsk. su (Med.Immunol., 2003, vol.5, N1-2, pp 91-100)
Введение
Открытие ведущей роли как недостаточной, так и повышенной активности клеточных эффекторных функций в патогенезе ряда иммунопатологических процессов вполне объясняет причину интереса к оценке их функционального состояния в клинической практике [1,15]. Многие из разработанных с этой целью методы, однако, в силу ряда объективных причин остаются недоступными для их широкого применения в клинике, тем более для массовых и имму-ноэпидемиологических исследований. В значительной мере это связано с тем, что для выявления и приемлемой с диагностической точки зрения характеристики интенсивности эффекторных реакций требуется проведение комплекса достаточно трудоемких и дорогостоящих исследований [20]. В то же время простые и легко воспроизводимые методы рутинной оценки иммунного статуса (количественного состава субпопуляций лимфоцитов, концентрации иммуноглобулинов в сыворотке крови и т.д.) оказываются малоинформативными и, как правило, не позволяют при их традиционном анализе оценить активность и характер нарушений клеточных эффекторов.
Нередко также упускается из виду, что изолированно рассматриваемые количественные изменения отдельных показателей активности эффекторных клеток могут и не отражать их реального функционального статуса на уровне целостной иммунной системы. Поэтому поиск путей оптимизации оценки активности эффекторных реакций клеточного типа, в том числе с использованием способов опосредованной - системной оценки их функционального статуса, - представляется весьма актуальной научно-практической задачей.
С целью оптимизации распознавания качественных характеристик иммунитета как целостной функциональной системы в последние годы стали применяться методы многомерного статистического анализа. Ряд из них позволяет использовать комплекс косвенных, обычно мало информативных по отдельности показателей, для характеристики т.н. “латентных”, то есть недоступных по тем или иным причинам непосредственному измерению, функциональных характеристик системы. В частности, в некоторых из таких исследований продемонстрирована возможность применения одной из разновидностей факторного анализа - т.н. “метода главных компонент”, для дифференцированной количественной оценки различных эффекторных и регуляторных процессов на основе оценки комплекса рутинных иммунологических показателей 1-го уровня [6]. В других работах показано, что методы дискриминан-того анализа позволяют построить достаточно эффективные решающие правила, с помощью которых можно производить автоматизированную диагностику различных качественных, интегративных ха-
рактеристик иммунного статуса путем формализованного отнесения диагностируемых случаев к тому или иному априорно известному классу состояний иммунной системы [4, 10, 18, 19].
Исходя из существующих предпосылок, в цели данной работы входило изучение возможности применения дискриминантного анализа для оценки функциональной активности неспецифических клеточных эффекторов на основе использования стандартных (унифицированных) показателей иммунного статуса 1-го уровня, предварительно обработанных методом главных компонент.
Материалы и методы
Методы иммунологических исследований
Подробное описание методов иммунологического обследования пациентов представлено нами ранее [11,12]. Абсолютное и относительное количество иммунокомпетентных клеток, экспрессирующих CD3, CD4, CD8, CD20, CD16, CD25, CD71, HLA-DR, а также процент фагоцитирующих моноцитов и гранулоцитов определяли с помощью одно- и двухцветной проточной цитофлюорометрии. Концентрацию сывороточных иммуноглобулинов М, G, А и уровень циркулирующих иммунных комплексов (ЦИК) оценивали нефелометрическим методом, а содержание IgE, антител к нативной ДНК и ревматоидного фактора (РФ) - методом иммунофермен-тного анализа с использованием соответствующих коммерческих диагностических наборов. Для оценки функциональной активности Т-клеток и эффекторов воспаления изучали пролиферативный ответ МНК на Кон А, спонтанную и стимулированную НСТ-активность нейтрофильных фагоцитов, а также продукцию нейтрофилами и моноцитами биоокислителей (перекиси водорода), интенсивность которой выражали через индексные показатели активности моноцитов (ПАМ) и нейтрофилов (ПАН).
Оценку активности клеточных эффекторных функций проводили с помощью трёх показателей [12]: индекса миграции (ИМ), индекса ингибиции миграции (ИИМ) и показателя эффекторных функций (ПЭФ). ИМ характеризует подвижность клеток в ответ на стимул; ИИМ оценивает активность продуцентов факторов ингибиции миграции (эффекторов гиперчувствительности замедленного типа); ПЭФ является интегральным показателем активности ГЗТ-эффекторов (лимфоцитов и гранулоцитов с моноцитами).
Методы математического анализа
Математическая обработка данных проводилась методами описательной статистики и структурного статистического анализа с использованием пакетов программ STATISTIC A-v.5.0 [3] и SNEDECOR-v.4.0
[17]. Для выделения и статистического описания факторов, определяющих основные количественные и функциональные характеристики иммунного статуса обследованных индивидов, использовали метод главных компонент (МГК). В качестве исходных данных для построения главных компонент (ГК) использовали комплекс из 15 унифицированных рутинных показателей иммунного статуса, которые соответствовали традиционному набору тестов первого уровня [14]. Методические условия построения и содержательная интерпретация главных компонент, как совокупности относительно независимых параметров эффекторных и регуляторных процессов, протекающих в иммунной системе, подробно описаны в ранее опубликованной работе [6].
Величины ГК в дальнейшем были использованы для разработки т.н. “решающих правил”, регламентирующих распознавание качественно различающихся между собой типов функционального статуса неспецифических клеточных эффекторов. При построении решающих правил использовали метод дискриминантного анализа, реализованный в соответствии со статистическим алгоритмом Андерсона-Рао [2,9]. Формирование подающихся “на вход” дискриминантного анализа оптимизированных обучающих выборок с заранее известным функциональным статусом клеточных эффекторов проводилось с использованием комплекса методов пространственной и иерархической кластеризации. В основу использованных методов кластеризации были положены общеизвестные алгоритмы и принципы автоматической классификации (методы кластеризации, построенные на описании классов “ядрами”, на способе к-средних, применении графов и др.; методы, основанные на вычислении расстояний, измеряемых по “центрам тяжести”, принципам “ближнего” и “дальнего соседа” и др.) [2]. Пакет программ кластерного анализа, ориентированный на особенности обработки и типологизации многомерных характеристик иммунного статуса (“ИММУНОТИП”) был разработан нами ранее совместно с Д.А. Туганбае-вой и при участии Е.В.Дьякова [5]. Параллельно, для решения частных задач формирования оптимизированных обучающих выборок, использовались коммерческие пакеты программ ‘^а^в^са” и “5пес1есог”.
Результаты
Для распознавания уровня неспецифической активности эффекторных функций клеточного типа, была применена методология многомерной классификации иммунного статуса пациентов с использованием дискриминантного анализа. Применение диагностической процедуры данного типа требует предварительной разработки т.н. “решающих правил”. Суть этапа разработки решающих правил состояла в том, чтобы в результате статистического
сравнения т.н. “обучающих выборок” (в нашем случае - это совокупность пациентов с заведомо известными качественными отличиями в функциональном статусе неспецифических клеточных эффекторов) на основе использования комплекса косвенных иммунных показателей, получить формализованный алгоритм дискриминантной диагностики, устанавливающий принадлежность иммунного статуса пациента к конкретному классу клеточной эффектор-ной активности.
Критерии формирования обучающих выборок в данном исследовании задавались на основании предварительного статистического анализа закономерностей варьирования показателей неспецифической активности клеточных эффекторов у 176 представителей “практически здорового” населения Сибири. Уровень эффекторной активности оценивался по величине индекса ФГА-индуцированной ингибиции миграции лейкоцитов (индекс ингибиции миграции
- ИИМ) и интегративному показателю эффекторных функций (ПЭФ). Диапазоны “нормы” (1), “повышенной” (2) и “сниженной” (3) неспецифической активности эффекторов определялись путем исследования квантильного распределения указанных показателей методом Мостеллера и Тьюки [13].
Для нахождения качественно отличающихся между собой диапазонов показателей ИИМ и ПЭФ была использована семиранговая дискретная шкала квантификации количественных признаков. Достоинство использования данного принципа выделения классовых диапазонов варьирования показателей иммунного гомеостаза состоит в том, что при высокой устойчивости к отклонениям от нормального распределения и случайным “выбросам” анализируемых признаков, 3 центральных ранговых диапазона (25, 50, 75%) у “практически здоровых” индивидов в наибольшей мере свойственны состояниям “нормы” - физиологическому состоянию функционирования иммунной системы. Четыре краевых диапазона, образующие левый (5; 10%) и правый (90; 95%) “полюса” шкалы квантификации, характерны для состояний повышенного напряжения иммунной системы и иммунопатологических процессов [16].
Исходя из указанных закономерностей распределения квантилей иммунологических признаков, за ориентировочный критерий “нормы” неспецифической активности клеточных эффекторов были приняты значения ИИМ и ПЭФ в диапазонах 0,3 - 0,6 и 1,5 - 3,4. Соответственно, как критерий “повышенной” активности эффекторной функции рассматривали снижение ИИМ ниже 0,2 и увеличение ПЭФ выше 5,05. И, наконец, в качестве критерия “сниженной” активности принимали увеличение ИИМ выше 0,7 и снижение ПЭФ ниже 1,32.
Найденные значения границ квантильных диапазонов ИИМ и ПЭФ, послужили основанием для формирования 3-х первичных обучающих выборок.
В первую исходную обучающую выборку (^=186) были включены случаи с “нормальным” (1) уровнем неспецифической активности клеточных эффекторов; вторую и третью выборки - соответственно составляли совокупности вариантов иммунного статуса (пз= 100 и п =128 чел.), относящиеся к классам “повышенной” (2) и “сниженной” (3) функциональной активности эффекторных клеток.
Диагностическая эффективность дискриминантных решающих правил во многом определяется качеством обучающих выборок, поэтому при их формировании предпочтительно исходить из точного знания, к какому из априорно выделенных классов состояний системы относится каждый эталонный объект [7]. Однако при анализе отдельных признаков таких сложных динамичных систем, как иммунная, прямое одноэтапное достижение данной цели затруднительно из-за отсутствия четких дискретных границ между значениями изолированно рассматриваемых иммунных показателей и постоянного перехода системы из одного состояния в другое. Кроме того, весьма существенна возможность случайного включения в обучающие выборки объектов, которые не соответствуют свойствам выделенных классов, вследствие весомой методической погрешности большинства способов оценки функциональной активности иммунокомпетентных клеток. Как известно, такая погрешность может достигать 20-30% и более. Все это приводит к тому, что первичные обучающие выборки могут иметь ощутимые несоответствия априорно принятым принципам классификации. Естественно, это неизбежно повлечёт за собой искажение получаемых решающих правил, а в дальнейшем - возникновение систематических диагностических ошибок при распознавании неизвестных случаев функционального статуса иммунной системы.
Для устранения этого недостатка, присущего формированию обучающих выборок по отдельным функциональным критериям, в практике дискриминантного анализа используются методы их оптимизации. Основная цель оптимизации состоит в выделении из состава исходных обучающих выборок сравнительно однородных множеств объектов (“ядер”), наиболее типичных для каждого из рассматриваемых классов состояний системы. Для выделения таких совокупностей помимо основных - классоспецифических функциональных критериев дополнительно привлекается максимально возможное количество других системных показателей, в том числе те косвенные признаки статуса системы, которые предполагается использовать для построения решающих правил [7, 8]. Это позволяет получать “прецедентные обучающие выборки”, которые не только отражают основные свойства распознаваемых состояний системы, но и минимизируют возможность возникновения диагностических ошибок [2,8].
В данном исследовании для оптимизации исходных выборок был использован комплекс методов пространственной и иерархической кластеризации, что является одним из наиболее простых и одновременно эффективных способов типологизации состояний сложно организованных систем [2,8]. На “вход” кластеризации исходные обучающие выборки подавались в виде многомерных матриц типа “объекты-признаки”, где в состав признаков был включен фиксированный набор значений 13 главных компонент (ГК), предварительно вычисленных с использованием методов факторного анализа. Исходными для вычисления значений ГК1 ,..., ГК13 были показатели иммунного статуса 1-го уровня, широко применяемые в практике иммунологического обследования (см. раздел “материалы и методы”).
Замена исходных показателей иммунного статуса главными компонентами определялась двумя основными причинами. Во-первых, тем, что по сравнению с показателями рутинной иммунограммы, использованными для их построения, ГК являются нормированными и центрированными характеристиками иммунного статуса, и обладают свойством статистической независимости, - крайне необходимым для корректной реализации как кластерного, так и дискриминантного анализа [2, 9]. Во-вторых, наличием у ГК ряда иных достоинств информаци-онно-содержательного характера. В этом отношении наибольшее значение имеет то обстоятельство, что главные компоненты по своей сути представляют собой интегративные характеристики иммунного статуса. В ранее проведенных исследованиях нами было показано, что в отличие от рутинных показателей иммунограммы, ГК характеризуют наиболее существенные составляющие функциональной деятельности иммунной системы. При этом, благодаря примененному для их выделения алгоритму факторного анализа, ГК позволяют выявлять и количественно оценивать определенную совокупность относительно автономных регуляторных и эффекторных процессов (в том числе клеточного типа), отражающих состояние иммунной системы как целостного функционального образования [6].
Для выбора наилучшего варианта оптимизации обучающих выборок, наряду с проведением анализа классообразующих параметров (ИИМ и ПЭФ), получаемые кластеры оценивали с помощью формальных критериев качества классификации (Т-критерия качества разбиения, показателя компактности выделенных классов в многомерном признаковом пространстве - С. и др.) [2]. Таким образом, формирование оптимизированных обучающих выборок основывалось на комплексном использовании функциональных и статистических показателей однородности, что в конечном итоге и гарантировало включение в каждую из них наиболее типичных объектов с заданным состоянием неспецифических клеточных эффекторов.
Размер оптимизированных обучающих выборок составил от 70 до 80% их исходного объема. При этом диапазоны значений активности эффекторов в различных классах функционального статуса клеточных эффекторов с учетом доверительного интервала (М±2а) распределялись следующим образом. В группе “норма” (п =130), ИИМ и ПЭФ соответственно колебались в интервалах 0,38 - 0,54 и 1,83 - 2,85. Для “повышения” активности (пг=80) были свойственны значения этих показателей в диапазонах
0,16 - 0,34 и 3,99 - 7,17. В выборке “снижения” активности эффекторов (п =97) величины ИИМ и ПЭФ определялись в диапазонах 0,58 - 1,44 и 0,84 -
1,40.
Следует особо подчеркнуть, что полученные характеристики клеточных эффекторных функций в прецедентных обучающих выборках, в определенном смысле имеют самостоятельное значение. Характеризуя типологически очерченные совокупности вариантов иммунного статуса, отличающиеся между собой не только по отдельно взятым показателям эффекторной активности, но и по комплексу других ассоциированных с ними параметров иммунного статуса, эти данные намного более точно отражают сдвиги в целостной иммунной системе в процессе активации или, напротив, при угнетении неспецифических клеточных эффекторов.
На заключительном этапе оптимизации объекты каждого из выделенных кластеров, с использованием метода случайного отбора (программы, основанной на применении генератора случайных чисел), подразделялись на две группы статистически однородных выборок. В первую группу обучающих выборок отбиралось определенное количество объектов (п1=84, п2=49, п3=57) для построения решающих правил. Оставшаяся часть объектов (п =46, п =31, п =40) выделялась в состав “экзаменующих’^ выборок, предназначенных для оценки качества разработанной диагностической процедуры в условиях контролируемого статистического эксперимента.
Получение решающих правил, регламентирующих отнесение диагностируемых объектов к одному из априорно принятых классов состояний системы, в дискриминантном анализе осуществляется путем построения дискриминантных функций (ДФ) следующего типа:
ОРп=В0+(Х,хВ,) + (Х2хВ2) + ... + (ХтхВт) (1)
Здесь: БР - значение дискриминантной функции (дискриминанты)"; В - свободный член уравнения; В(...В - коэффициенты дискриминантной функции при соответствующих диагностических показателях (X ...X ) состояния
1 111
системы.
Как следует из общего вида ДФ, упрощенно их можно определить как некоторым образом организованную линейную комбинацию числовых значе-
ний, которые приобретают фиксированные диагностические показатели системы при распознаваемых состояниях. Неизвестными в уравнениях ДФ являются только коэффициенты (В ,...,В ) при соответствующих диагностических показателях. Определение этих дискриминантных коэффициентов как раз и составляет основную задачу статистического сравнения обучающих выборок.
В алгоритме Андерсона-Рао количество получаемых ДФ равно числу рассматриваемых классов состояний системы. Соответственно для распознавания 3-х классов иммунного статуса, ассоциированных с “нормальной” (1), “повышенной” (2) и “сниженной” (3) активностью неспецифических клеточных эффекторов, были построены три ДФ. Значения полученных дискриминантных коэффициентов (В],...,В1з), свойственных каждому из распознаваемых нами состояний иммунной системы, представлены в формулах 2-4:
РР, = -0,56 + (ГК1 х 0,79) + (ГК2 х -0,30) + (ГКЗ х 0,08) + (ГК4 х 0,16) + +(ГК5 х 0,51) + (ГК6 х 0,42) + (ГК7 х 0,15)+(ГК8 х -0,97)+(ГК9 х -0,45) + +(ГК10 х 0,62) + (ГК11 х -0,53) + (ГК12 х 0,24) + (ГК13 х -0,26)
(2)
0Р2 = -5,75 + (ГК1 х 0,42) + (ГК2 х 2,28) + (ГКЗ х -2,13) + (ГК4 х 2,70)+
+(ГК5 х 3,56) + (ГК6 х 2,38) + (ГК7 х -3,65) + (ГК8 х -6,57) + (ГК9 х-5,49)+ +(ГК10 х -1,60) + (ГК11 х -1,76) + (ГК12 х -1,25) + (ГК13 х -2,33)
(3).
ЭР3 = -3,49 + (ГК1 х 0,94) + (ГК2 х -2,17) + (ГКЗ х 0,59) + (ГК4 х -1,25)+ +(ГК5 х -0,88) + (ГК6 х -0,58) + (ГК7 х 1,93) + (ГК8 х 0,66) + (ГК9 х 0,98)+ +(ГК10 х 1,74) + (ГК11 х 1,62) + (ГК12 х 0,83) + (ГК13 х 1,76)
(4).
Используя коэффициенты построенных ДФ, и значения фиксированных диагностических показателей (в нашем случае это величины ГК1 ,..., ГК13) весьма несложно рассчитать общую интегративную величину - дискриминанту. В дальнейшем диагностика каждого из распознаваемых состояний иммунной системы осуществляется на основе сопоставления значений дискриминант. Принадлежность конкретного диагностируемого случая иммунного статуса к определенному классу функционального статуса клеточных эффекторов в соответствии с алгоритмом Андерсона-Рао определялась максимумом значений дискриминант, вычисляемых для всего перечня их классов, рассматриваемых в исследовании.
Не вдаваясь в подробности изложения статистических основ оценки результатов дискриминатного анализа, детально и в различных аспектах описанных в общедоступных отечественных и переводных зарубежных работах [2, 9], отметим, что с наибольшей достоверностью о качестве полученного диагностического правила можно судить по результату автодискриминации и эффективности диагностики пациентов из экзаменующих выборок - т.е. выборок
с заранее известным уровнем активности неспецифических эффекторов, которые ранее не использовались для обучения. В формальном отношении качество решающих правил можно оценить по комплексу многомерных характеристик различия обучающих выборок: обобщенному критерию Махалоно-биса - Б; многомерному аналогу критерия хи-квадрат - х2; величине ошибки классификации -0,, а также коэффициенту конкордации Кендалла - \У, статистически характеризующему степень совпадения экспертной и дискриминантной классификаций.
Из данных, представленных в табл.1, видно, что процедура автодискриминации обучающих выборок с различной активностью клеточных эффекторов показала правильное их распознавание с частотой 89,5
- 95,9 %. При этом наличие существенных различий в иммунной статусе пациентов из обучающих выборок, подтверждается высокими значениями соответствующих многомерных оценочных критериев (0=724,3; %2 = 724,3; О.<0,00001). Этот результат одновременно указывает как на высокое качество выделенных групп, так и на корректность применения для их распознавания комплекса косвенных показателей иммунного статуса, предварительно обработанных методом главных компонент.
Далее полученные уравнения дискриминантных функций были использованы для отнесения новых объектов (пациентов с неизвестной активностью неспецифических клеточных эффекторов, у которых заранее вычислена совокупность ГК, участвующих в ДФ) к одному из 3-х рассматриваемых классов состояний. Однако прежде была проведена оценка пригодности решающего правила для практического
использования в условиях контролируемого клини-ко-статистического эксперимента. С этой целью, с помощью решающих правил (ДФ), полученных на этапе обучения, осуществлялось контрольное распознавание функционального статуса клеточных эффекторов у пациентов экзаменующих выборок.
Как следует из представленных данных (табл. 2), при диагностике объектов экзаменующих выборок получен достаточно высокий процент совпадений экспертной и дискриминантной классификации. Интегральный показатель эффективности распознавания - коэффициент конкордации Кендалла, характеризующий согласованность экспертной и дискриминантной классификации, при проведении контрольного исследования достигает величины \У=0,91, что значительно превышает значение минимально необходимой результативности диагностического исследования (\У=0,75 - 0,80), допустимое при проведении массовых и иммуноэпидемио-логических исследований. Напомним, чего величина ДУ=1,0 свидетельствовала бы о полном совпадении сравниваемых способов диагностики, что невозможно достичь даже при прямой оценке активности клеточных эффекторов двумя разными иммунологами.
Позитивный результат, полученный на этапе оценки эффективности распознавания экзаменующих выборок, послужил основанием для проведения дополнительного иммунологического исследования различных классов иммунного статуса, выделенных методом дискриминантной классификации. В задачи этого раздела работы входило изучение особенностей показателей клеточного и гуморального им-
Табл.1. ОЦЕНКА КАЧЕСТВА ДИСКРИМИНАНТНЫХ ФУНКЦИЙ НА ОБУЧАЮЩИХ ВЫБОРКАХ
Обучающие выборки N Результат автодискриминации Средняя вероятность (Р) и значение функции (ОР)
п % Р йР
НОРМА 84 78 92,9 0,85 0,49
ПОВЫШЕНА 49 47 95,9 0,96 5,99
СНИЖЕНА 57 51 89,5 0,87 3,87
Примечание. Обобщенный критерий различия групп Махаланобиса - 0 = 724,3; аппроксимация критерием хи-квадрат - %2 = 724,3. Вероятность ошибки при отклонении нуль-гипотезы 0=0,00001
Табл. 2. ОЦЕНКА ЭФФЕКТИВНОСТИ РАСПОЗНАВАНИЯ АКТИВНОСТИ КЛЕТОЧНЫХ ЭФФЕКТОРОВ В “ЭКЗАМЕНУЮЩИХ ” ВЫБОРКАХ
Экспертная классификация Результаты дискриминантного распознавания активности ГЗТ-эффекторов
Классы состояний N НОРМА(%) ПОВЫШЕНА (%) СНИЖЕНА (%)
НОРМА 46 87,0 4,3 8,7
ПОВЫШЕНА 31 6,4 90,3 3,3
СНИЖЕНА 40 7,5 5,0 87,5
мунитета у пациентов, отнесенных к группам с “нормальной”, “повышенной” и “сниженной” активностью неспецифических клеточных эффекторов. Общий объем выборки использованной для анализа параметров иммунного статуса составил 397 человек. В их число были включены пациенты, страдающие различными формами иммунопатий (п=221) и здоровые доноры (п=176), проходившие обследование в лаборатории клинической иммунологии ИКИ СО РАМН. Результаты проведенного исследования представлены в табл. 3 - 5.
Переходя к рассмотрению полученных результатов, целесообразно подчеркнуть, что прямые пока-
затели активности эффекторной активности (ИИМ и ПЭФ) участия в построении решающего правила не принимали. Несмотря на это, между выборками, сформированными методом дискриминантной классификации, отчетливо видны высокодостоверные отличия в уровне неспецифической эффекторной активности (р<0,001). При этом диапазоны значений ИИМ и ПЭФ (М+2а) в целом совпадают с таковыми для обучающих выборок (табл.4). Это однозначно свидетельствует об адекватности построенных дискриминантных функций поставленной нами диагностической задаче и возможности их использования для распознавания классов состояний, связан-
Табл. 3. СУБПОПУЛЯЦИОННАЯ СТРУКТУРА МНК КРОВИ В ГРУППАХ, ВЫДЕЛЕННЫХ МЕТОДОМ ДИСКРИМИНАНТНОЙ КЛАССИФИКАЦИИ
Диагностированная активность ГЗТ-эффекторов
Показатели НОРМА (1) ПОВЫШЕНА (2) СНИЖЕНА (3) P2-3
N M ± m N M ± m N M ± m
Лимфоциты, К^с/л 148 1,99 ±0,063 128 2,45 ±0,10** 121 1,37 ± 0,06*** <0,001
CD3+, % 148 65,6 ± 0,70 128 68,4 ± 0,83* 121 64,0 ± 0,79 <0,001
CD4+, % 148 37,4 ± 0,60 128 42,8 ±0,81*** 121 42,8 ±1,16*** >0,1
CD8+, % 148 24,6 ± 0,59 128 24,8 ± 0,71 121 21,2 ±0,69*** <0,001
CD4/CD8 148 1,69 ±0,060 128 1,93 ± 0,078* 121 2,45 ±0,19*** <0,05
CD16+, % 148 16,9 + 0,64 128 13,1 ±0,53*** 121 11,8 ±0,48*** >0,05
CD20+, % 148 7,25 ±0,19 128 9,07 ± 0,33*** 121 9,88 ± 0,43*** >0,05
Моноциты, % 148 6,56 ± 0,074 128 6,19 ±0,170* 121 6,87 ± 0,085** <0,001
Здесь и далее помечены достоверные отличия от группы “норма”: * - р<0,05; ** - р<0,01; *** - р< 0,001.
Табл.4. МАРКЕРЫ АКТИВАЦИИ, ПОКАЗАТЕЛИ ФУНКЦИОНАЛЬНОЙ АКТИВНОСТИ КЛЕТОЧНЫХ ЭФФЕКТОРОВ И ЭФФЕКТОРОВ ВОСПАЛЕНИЯ В ГРУППАХ, ВЫДЕЛЕННЫХ МЕТОДОМ ДИСКРИМИНАНТНОЙ КЛАССИФИКАЦИИ
Диагностированная активность ГЗТ-эффекторов
Показатели НОРМА (1) ПОВЫШЕНА (2) СНИЖЕНА (3) Рг-з
N М ± m N М ± m N М ± m
0(Г, % 87 11,7 ±0,45 122 12,7 ±0,50 63 14,5 ±0,75** <0,05
С07Г, % 23 8,2 ±2,20 37 10,5 ±2,31 18 20,7 ± 4,45* <0,05
С025+, % 20 7,4 ±1,70 28 14,4 + 2,20* 15 22,1 ±4,49** >0,05
С03+0(Г, % 25 11,8± 1,61 29 15,5 ±1,44 18 11,6± 1,84 >0,05
С03+0(Г,Ю9с/л 25 0,16 ±0,02 29 0,29 ± 0,04*** 18 0,17 ±0,03 <0,01
С04+0ІЇ\ % 26 18,9 ±2,67 5 20,6 ±1,86 5 19,8 ±4,28 >0,1
С08+0Я+, % 26 13,5 ±3,6 5 21,8 ±4,2 5 3,20 ± 0,9* <0,01
Сп.пролиф.,
103срт 11 1,1 ±0,17 13 1,3 ±0,14 6 1,6 ±0,22 >0,05
КонА-инд.,
103срт 11 6,2 + 1,48 13 10,6 ±2,34 6 7,9 ±1,90 >0,05
ИВ - КонА 11 5,71 ±1,13 13 7,29 ±1,55 6 4,66 ±1,04 >0,05
ИИМ 148 0,55 ± 0,02 128 0,31 ±0,02*** 121 0,83 ± 0,04*** <0,01
ПЭФ 148 2,44 ±0,10 128 4,02 + 0,17*** 121 1,65 + 0,12** <0,01
НСТ-спонт., у.е. 148 19,9 ±0,31 128 25,9 ± 0,30*** 121 16,5 + 0,33*** <0,01
ЕА-фагоц.
НФЛ, % 131 75,1 ±1,6 129 70,2 ±1,3* 34 63,1 ±2,4*** <0,01
ных с различным функциональным статусом клеточных эффекторов.
Очевидным достоинством реализованного подхода является возможность распознавания класса активности неспецифических клеточных эффекторов как интегративного свойства целостных системных объектов. Об этом говорит тот факт, что все обследованные пациенты, разделенные в результате классификационной процедуры на три группы, четко различались не только по уровню ИИМ и ПЭФ, но и по большинству других иммунных показателей, взаимосвязанных с эффекторными реакциями на уровне целостной иммунной системы.
Действительно, как видно из полученных данных (табл. 3), группы “повышения” (2) и “снижения” (3) эффекторной активности по сравнению с группой “нормы” (1), достоверно различаются по лимфоци-тозу (р<0,01), моноцитозу (р<0,05), проценту СБ4+
(р<0,001) и С08+ Т-клеток (р<0,01), их соотношению СБ4/С08 (р<0,001), количеству С016+ НК-клеток (р<0,001) и СЭ20+ В-клеток (р<0,001) в периферической крови. Между тем, с содержательной точки зрения, наибольший интерес представляет четкая дифференциация анализируемых групп по показателям экспрессии на иммунокомпетентных клетках различных маркеров активации, а также показателям функциональной активности эффекторов, участвующих в реализации иммунных реакций клеточного (табл. 4) и гуморального (табл. 5) типов.
Так, в качестве характерных маркеров группы “повышения” активности клеточных эффекторов следует выделить увеличение численности в крови активированных МНК, экспрессирующих рецептор к 1Ь-2 (СБ25+, р<0,05), общее повышение БК-пози-тивных Т-клеток (СБЗ+БК+, р<0,01), а также субпопуляции активированных СВ8+01Г лимфоцитов (табл. 4). Со стороны функциональных показателей перечисленным маркерам активации эффекторов клеточного типа комплементарны выраженная тенденция к повышению ФГА-индуцированной пролиферативной активности лимфоцитов и достоверное
Табл.5. ПОКАЗАТЕЛИ ФУНКЦИОНАЛЬНОЙ АКТИВНОСТИ ЭФФЕКТОРОВ ГУМОРАЛЬНОГО ИММУНИТЕТА В ГРУППАХ, ВЫДЕЛЕННЫХ МЕТОДОМ ДИСКРИМИНАНТНОЙ КЛАССИФИКАЦИИ
повышение спонтанной активности нейтрофильных лейкоцитов (эффекторов воспаления) в НСТ-тесте ( р<0,001). В противоположность этому активность эффекторов гуморального иммунитета у пациентов анализируемой группы значительно угнетена, о чем с высокой достоверностью свидетельствует выраженное снижение концентраций сывороточного и (табл. 5, р<0,001).
Изменения показателей иммунного статуса у пациентов, отнесенных к группе “снижения” активности эффекторов клеточного типа, имеют акцентиро-ванно оппозитную направленность. В этой группе на фоне существенного нарастания по сравнению с группой “норма” числа активированных периферических лимфоцитов, несущих рецепторы к трансфер-рину (СВ71+, р<0,05) и 1Ь-2 (СЭ25+) (табл. 4), обнаруживается достоверное усиление интенсивности гуморального иммунного ответа (повышение ЦИК, ^М, концентрации аутоантител к ДНК и уровня РФ). И, наоборот (табл. 4), активность эффекторов воспаления (НСТ-тест, ЕА-фагоцитоз), и в особенности численность в крови активированных Т-эф-фекторов (С08+Б11+), заметно понижаются (р<0,001).
Обсуждение
В широкой клинической практике распознавание качественных, патогенетически значимых сторон функциональной деятельности иммунной системы преимущественно осуществляется на основе комплексной оценки традиционного набора иммунологических показателей. Важнейшим этапом комплексного иммунологического обследования является обобщение и интерпретация результатов иммунограммы, что в настоящее время всецело составляет прерогативу интеллектуальной деятельности врача-иммунолога. Между тем, процессу построения врачебных заключений присуще множество субъективных моментов, которые невозможно стандартизовать. Учитывая данное обстоятельство, результаты
Диагностированная активность ГЗТ-эффекторов
Показатели НОРМА (1) ПОВЫШЕНА (2) СНИЖЕНА (3) Рг-з
N М ± т N М ± т N М ± т
1дА, г/л 148 2,63 ±0,09 128 3,62 ±0,19*** 121 3,57 ±0,11*** >0,1
Ідй, г/л 148 15,9 ±0,32 128 10,9 ±0,67*** 121 15,3 ±0,49 <0,01
1дМ, г/л 148 1,19 ±0,06 128 1,02 + 0,054 121 1,45 ± 0,050** <0,01
ЦИК, у.е. 148 111 ±3,5 128 94 ± 2,86*** 121 129 ±5,28** <0,01
1дЕ, МЕ/мл 6 140,0 ±10,0 50 94,4 ±2,79*** 2 144,0 ±11,5 <0,01
АТ к ДНК, у.е. 31 12,9 ±1,20 1 13,0 ± п.в. 72 17,2 ± 0,975** N.8.
РФ, у.е. 31 103,8 ±31,6 1 100,0 ±п.э. 72 228,1 ±46,2* N.8.
врачебной интерпретации рутинных иммунологических тестов, а следовательно и выводы о целости и функциональном статусе основных звеньев иммунной системы, едва ли могут быть признаны строго научными.
Для более эффективной реализации патогенетического принципа оценки разнородных данных иммунологического обследования и диагностики различных интегративных составляющих иммунного статуса вполне обоснованно применение новых методологических подходов. В частности, использование специально разработанных методов многомерного распознавания состояния сложных вероятностных систем. Несмотря на то, что какого-то одного конкретного алгоритма, всесторонне удовлетворяющего решению данной проблемы пока не существует, опыт, накопленный в области медицинской информатики, показывает, что многим требованиям, возникающим при разработке способов диагностики различных интегративных, качественных сторон функциональной деятельности иммунной системы, в известной мере могут удовлетворять методы дискриминантного анализа [4, 10, 18, 19].
В представленной работе метод дискриминантного анализа в комплексе с методом главных компонент применен для диагностики одной из наиболее сложных для распознавания интегративных составляющих состояния иммунной системы - неспецифической (поликлональной) активности клеточных эффекторов. Как следует из результатов исследования, совместное использование методов факторного и дискриминантного анализа позволяет значительно оптимизировать процесс иммунодиагностики. С их помощью удается комплекс исходных показателей -рутинных показателей иммунограммы, объединить в несколько диагностических критериев (дискриминантных функций), которые путем простейших рас-счетов позволяют отнести иммунный статус конкретного индивида к определенному типу активности неспецифических клеточных эффекторов. При этом непосредственное измерение показателей эф-фекторной активности необходимо только на этапе формирования обучающих выборок, тогда как последующая идентификация активности клеточных эффекторных функций может быть выполнена в результате элементарной калькуляции дискриминант по стандартному набору показателей иммунного статуса 1-го уровня.
Преимуществом разработанного способа является строгая формализация, высокая диагностическая эффективность и системный принцип оценки неспецифической активности клеточных эффекторов. С использованием большого числа иммунных показателей в работе продемонстрировано, что величины дискриминантных функций отражают глубинные особенности процессов, протекающих на уровне целостной иммунной системы, обладают разноплано-
вым иммунологическим смыслом и по этим соображениям приближаются к понятию иммунологического синдрома.
Интегративный, системный характер дискриминантных показателей активности неспецифических клеточных эффекторов, возможность их расчета по стандартным показателям иммунограммы, позволяют применять данный способ иммунодиагностики при проведении массовых иммуноэпидемиологичес-ких исследований, первичном скрининге иммунопатологических состояний, а также при изучении действия на состояние клеточного иммунитета различных эндогенных и экзогенных факторов, включая разнообразные факторы окружающей среды.
Список литературы
1. Агаджанян В.В., Кожевников B.C. Иммунология и хирургия в лечении гнойных артритов,- Новосибирск, 1996.- 344 с.
2. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности,- М.: Финансы и статистика, 1989,- 607 с.
3. Боровиков В.П., Боровиков И.П. STATISTICA
- Статистический анализ и обработка данных в среде Windows.- М.: Информ.-изд. дом “Филинъ”, 1997,-608 с.
4. Бундонис А.Ю., Матулис A.A., Алякна В.И. Количественная оценка состояния больных некоторыми ревматическими заболеваниями // Тер. архив,-1988,-№ 12,- С.85-89.
5. Гельфгат Е.Л., Туганбаева Д.А., Коненков В.И. Математические методы выявления иммунной гетерогенности популяции и типов иммунного статуса индивидов // Тезисы докл. I съезда иммунологов России (23-25 июня 1992 г).- Новосибирск, 1992,-С.103.
6. Гельфгат Е.Л., Останин A.A., Черных Е.Р., Коненков В.И. Оптимизация оценки иммунного статуса человека на основе применения метода главных компонент // Медицинская Иммунология,- 2002,-Т.4.-№1,- С.65-74.
7. Горелик А.Л., Скрипник В.А. Методы распознавания,- М.: Высшая школа, 1989.- 232 с.
8. Казанцев B.C. Задачи классификации и их программное обеспечение.-М.: Наука, 1990.- 136 с.
9. Кендалл М.Дж., Стьюарт А. Многомерный статистический анализ и временные ряды: (пер. с англ.).-М.:Наука, 1976,- 736 с.
10. Константинова H.A., Ковальчук Л.В., Кили-ковский В.В., Епанова И.Ю. Применение дискриминантного анализа для диагностики и контроля лечения больных с иммунными растройствами // Иммунология,- 1985,- №5,- С.75-79.
11. Курамшин Д.Х..Толоконская Н.П., Кожевников B.C., Силков А.Н., Сенников С.В., Козлов В.А.
Субпопуляционная структура иммунокомпетентных клеток периферической крови и содержание провос-палительных цитокинов в сыворотке крови больных вирусным гепатитом С и сочетанным вариантом С+В // ЖМЭИ.-2002.-№.1.-С.42-48.
12. Лозовой В.П., Кожевников B.C. Методы оценки клеточных эффекторных функций гиперчувствительности замедленного типа // Методические рекомендации М3 СССР.- М.,1990.-11с.
13. Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия: (пер. с англ.).- М.: Финансы и статистика, 1982.- 497 с.
14. Петров Р.В., Хаитов P.M., Пинегин Б.В. Оценка иммунной системы человека при массовых обследованиях: методические рекомендации // Иммунология,- №6,- 1992,- С. 51-62.
15. Последние достижения в клинической иммунологии: (пер. с англ.) / Под ред. Р.АЛомпсона).-М.:Медицина, 1983,- 496 с.
16. Шорников Б.С. Классификация и диагностика в биологическом эксперименте.- М.: Наука, 1979.-141с.
17. Южаков А.И., Сорокин О.Д. Пакет программ прикладной статистики “Snedecor v.4” для обработ-
ки данных, полученных в биологических экспериментах // Информационные технологии, информационные измерительные системы и приборы в исследовании сельскохозяйственных процессов: Региональная научно-практическая конференция.- Новосибирск, 2000.- С.323-324.
18. Gelfgat E.L., Ostanin A.A. Determinations of Т-helper activity by methods of systemic mathematical analysys // Scand. J. Immunol., 11th Intern. Congress of Immunology.- 2001,- Vol.54, Suppl. 1.-A2, 2.11/217,-P.31.
19. Inoe Т., Takeda Т., Koda S., Negero N., Okamura М., Amatsu K., Kohno М., Horiguchi Т., Kanayama Y. Differential diagnosis of fever in systemic lupus erythematosus using discriminant analysis // Rheumatol. Int..- 1986.- Vol.6.-N2.- P.69-77.
20. Schuerwegh A.J., De Clerck L.S., De Schutter L., Bridts C.H., Verbruggen A., Stevens W.J. Flow cytometric detection of type 1 (IL-2, IFN-) and type 2 (IL-4, IL-5) cytokines in T-helper and T-supressor/ cytotoxic cells in rheumatoid arthritis, allergic asthma and atopic dermatitis // Cytokine.- 1999.-Vol. 11 .-N10.-P783-788.
поступила в редакцию 25.02.2003 принята к печати 28.03.2003
