CC BY
14
УДК 004.5
ПРОГРАММНЫЙ КОМПЛЕКС КОНТРОЛЯ БИОХИМИЧЕСКИХ ПОКАЗАТЕЛЕЙ С УЧЕТОМ ЭКОЛОГИЧЕСКОГО ФОНА
В. Н. Елизаров, Н. Ю. Келина, В. В. Пикулин, Т. Ю. Мамелина
SOFTWARE FOR MONITORING BIOCHEMICAL PARAMETERS CONSIDERING ECOLOGICAL BACKGROUND
V. N. Elizarov, N. Yu. Kelina, V. V. Pikulin, T. Yu. Mamelina
Аннотация. Актуальность и цели. В настоящее время существует проблема роста числа сердечно-сосудистых заболеваний. В статье описываются вопросы использования новых методик мониторинга гипертонической болезни на основе анализа иммунно-биохимических показателей. Подчеркивается важность разработки и развития методов и средств ранней диагностики болезней сердца. Рассматривается задача разработки и построения специализированного комплекса лабораторного контроля на основе клиент-серверной архитектуры. Материалы и методы. Авторы предлагают использовать показатели иммунно-биохимического гомеостаза пациента для прогнозирования и диагностики гипертонической болезни. Устанавливается корреляция иммунно-биохимических показателей в зависимости от экологического фона места проживания больного. В специализированном программном комплексе для анализа данных предполагается использовать методы как статистической, так и интеллектуальной обработки данных. В качестве примера в статье рассмотрен базовый алгоритм классификации «k ближайших соседей». При достаточном размере «обучающей выборки» точность определения метки класса достигает 99 %. Результаты. Доказывается, что данные иммунно-биохимического анализа можно использовать для наблюдения и контроля пациентов с гипертонической болезнью. Апробирован один из базовых методов интеллектуальной обработки данных для анализа параметров пациентов. Выводы. Развитие методов ранней диагностики сердечно-сосудистых заболеваний и использование для этого современных методов анализа данных позволит существенно улучшить профилактику и лечение больных гипертонической болезнью.
Ключевые слова: иммунно-биохимические исследования, лабораторные информационные системы, экологический фон.
Abstract. Background. There is the problem of growth of cardiovascular diseases in modern world. This article is devoted review the process of using new methods of monitoring hypertonic disease based on the ummune-biochemical tests. Emphasizes the importance of elaboration and development the methods for early diagnosis of heart disease. Considers the problem of the design and construction of specialized complex of laboratory control based on client-server architecture. Materials and methods. The authors suggest to use of immunological and biochemical homeostasis of the patient for predicting and diagnosis this disease. Sets the correlation between immune-biochemical parameters and the ecological background patient's place of residence. In specialized complex of laboratory control for data analysis supposed to be used statistical methods and data mining. For example, in article describes the basic classification algorithm called "k nearest neighbors". When the size of "training sample" is sufficient the accuracy in determining the class label reaches 99 %. Results. Proves that these data can be used for monitoring and controlling patients with hypertonic disease. Tested one of the basic methods of data mining for the analysis of pa-
rameters of patients. Conclusions. The developing of methods for early diagnosis of cardiovascular disease and the using of modern methods for the analysis of the data will significantly improve the prevention and treatment of hypertensive patients.
Key words: immune-biochemical tests, laboratory information systems, ecological background.
В настоящее время существует проблема роста числа сердечнососудистых заболеваний. По данным международных экспертов, на сегодняшний день в мире от стойкого повышения артериального давления страдает около 1 млрд человек и около 7,1 млн смертельных исходов в год связаны с повышенным артериальным давлением [1]. Огромная распространенность определяет значимость ранней диагностики этого заболевания.
Для автоматизации работы клинико-диагностических лабораторий создаются лабораторные информационные системы (ЛИС), которые представляют собой самостоятельный класс сложных программных систем, обеспечивающих поддержку основных бизнес-процессов лабораторий. Подобные системы позволяют повысить качество обслуживания пациентов за счет сокращения числа ошибок и уменьшения сроков выполнения исследований, создавать инструменты контроля и управления лабораторией, увеличивать производительность работы персонала ЛПУ, создавать единое информационное пространство. Также ЛИС должны помочь в обеспечении раннего выявления изменений в организме человека, которые могут повлечь за собой болезнь. Решения этой задачи можно добиться как развитием методов диагностики заболеваний, так и совершенствованием инструментов и систем для обработки медицинских данных.
Таким образом, направлением развития ЛИС является расширение состава пользовательских функций для обеспечения информационной поддержки процессов специальных исследований, в частности иммунно-биохимических, связанных с изучением функционирования гуморальной системы иммунитета. Современный подход к выбору лабораторной оценки состояния нарушений гомеостаза определяет актуальность иммунно-биохимического мониторинга.
Для мониторинга показателей пациентов помимо традиционных средств могут использоваться разработки интенсивно развивающегося в последнее десятилетие нового научного направления биохимии, связанного с изучением функционирования гуморальной системы иммунитета, например синтеза аутоантител к нейромедиаторам [2-4]. В частности, для мониторинга гипертонических заболеваний используются измерения таких показателей, как е-АТ к Р-эндорфину, е-АТ к гистамину, е-АТ к брадикинину, е-АТ к дофамину, е-АТ к серотонину. При этом важно учитывать влияние окружающей среды на иммунную систему человека.
В связи с актуальностью мониторинга состояния пациентов с сердечнососудистыми заболеваниями предложен специализированный комплекс лабораторного контроля иммунно-биохимического гомеостаза с учетом экологического фона региона проживания пациента. Применение такого комплекса является приоритетным направлением технологии оценки влияния эндогенных и экзогенных факторов риска для здоровья.
Ранее была установлена взаимосвязь общепринятых лабораторных показателей и иммунологических параметров, отражающих нарушение систем функции регуляции на уровне образования естественных антител (е-АТ) к биорегуляторам в сыворотке крови пациентов с гипертонической болезнью [3, 5].
На рис. 1-5 изображены графики уровней е-АТ к нейромедиаторам контрольной группы пациентов, у которых не выявлена гипертоническая болезнь, и больных с диагнозом «гипертоническая болезнь».
Рис. 1. Соотношение синтеза е-АТ к р-эндорфину
12345678 9 101112131415161718 1920212223
Рис. 2. Соотношение синтеза е-АТ к гистамину
Рис. 3. Соотношение синтеза е-АТ к брадикинину
Рис. 4. Соотношение синтеза е-АТ к дофамину
123456780 10111213 141516 17181920212223
Рис. 5. Соотношение синтеза е-АТ к серотонину
Из графиков видно явное превышение показателей у больных гипертонической болезнью по сравнению с контрольной группой. Разница составляет 30-50 %.
Дополнительными критериями оценки состояния пациентов с гипертонической болезнью могут служить показатели экологического фона места проживания пациентов, в частности превышение ПДК вредных веществ в атмосферном воздухе [2-4] (табл. 1).
Таблица 1
Концентрация вредных примесей в атмосферном воздухе в местах проживания больных с кардиологической патологией
Вредные примеси Содержание в атмосферном воздухе (мг/м3)
Пост № 1 Пост № 3 Пост № 7 Пост № 8
Сероводород 0,01 0,01
Формальдегиды 0,012
Бенз(а)пирен 0,046
Фенол 0,006 0,0063
Хлорид водорода 2,08
Диоксид серы 0,065 0,065
Диоксид и оксид азота 0,08 0,08
Наблюдения за загрязнением атмосферного воздуха в г. Пензе проводятся на четырех стационарных постах государственной службы наблюдений (ГСН). Посты условно подразделяются на «городские фоновые» в жилых районах (посты 1 и 8), «промышленные» - вблизи предприятий (пост 7) и «авто» вблизи автомагистралей или в районах с интенсивным движением автотранспорта (пост 3).
Выявлена средняя степень корреляционной зависимости между синтезом е-АТ к нейромедиаторам в сыворотке крови и приоритетными загрязнителями окружающей среды (табл. 2-5).
Таблица 2
Корреляция е-АТ к нейромедиаторам на посту 1
е-АТ к Р-эндорфину е-АТ к дофамину е-АТ к серотонину е-АТ к гистамину е-АТ к брадикинину
е-АТ к Р-эндорфину 1
е-АТ к дофамину 0,5 1
е-АТ к серотонину 0,4 0,5 1
е-АТ к гистамину 0,5 0,2 0,1 1
е-АТ к брадикинину 0,5 0,2 0,2 0,2 1
Таблица 3 Корреляция е-АТ к нейромедиаторам на посту 3
е-АТ к Р-эндорфину е-АТ к дофамину е-АТ к серотонину е-АТ к гистамину е-АТ к брадикинину
е-АТ к Р-эндорфину 1
е-АТ к дофамину 0,4 1
е-АТ к серотонину 0,5 0,6 1
е-АТ к гистамину 0,4 0,4 0,4 1
е-АТ к брадикинину 0,5 0,7 0,6 0,5 1
Таблица 4
Корреляция е-АТ к нейромедиаторам на посту 7
е-АТ к в-эндорфину е-АТ к дофамину е-АТ к серотонину е-АТ к гистамину е-АТ к брадикинину
е-АТ к в-эндорфину 1
е-АТ к дофамину 0,5 1
е-АТ к серотонину 0,2 0,5 1
е-АТ к гистамину 0,4 0,4 0,4 1
е-АТ к брадикинину 0,6 0,2 0,2 0,5 1
Таблица 5
Корреляция е-АТ к нейромедиаторам на посту 8
е-АТ к в-эндорфину е-АТ к дофамину е-АТ к серотонину е-АТ к гистамину е-АТ к брадикинину
е-АТ к в-эндорфину 1
е-АТ к дофамину -0,4 1
е-АТ к серотонину 0,2 0,2 1
е-АТ к гистамину -0,5 0,2 0,2 1
е-АТ к брадикинину 0,2 0,3 0,2 0,2 1
Схема выполнения исследований подробно рассмотрена в [5, 6]. Целесообразно выделить блоки подготовки и обработки данных для анализа (рис. 6).
Блок интеллектуального анализа показателей должен выполнять статистическую обработку персональных результатов диагностики по заданным методам, включая оценивание тенденций в изменении значений оцениваемых показателей и учитываемых факторов, и интеллектуальную обработку на основе алгоритмов машинного обучения, например алгоритм k ближайших соседей («k-nearest neighbors algorithm») [1, 6, 7], который используется для классификации объектов. Основным принципом метода k ближайших сосе-
дей является то, что объект присваивается к тому классу, который является наиболее распространенным среди соседей данного элемента. Алгоритм реализован на языке Python и при достаточном числе «обучающих» данных показывает почти 100 % точность (рис. 7 и 8). «Близость» элементов определялась с помощью Евклидовой метрики.
Таблицы, графики
Рис. 6. Схема подготовки и обработки данных для анализа
def main(numberOfNeighborsj, trainingSet=[ ] t testSet=[]):
# prepare data
split =0-67
loadDataset('ill.data ' j. splitt trainingSetj testSet) print u'Обучающая выборка:; 1 + repr(len(trainingSet)) print u'Тестовая выборка: ' + repr(len(testSet))
# generate predictions predictions=[] k = numberOfNeighbors for x in range(len(testSet)):
neighbors = getNeighbors(trainingSetj testSet[к]л k) result = getResponse(neighbors) predictions,append(result) print(u'> предсказаное=1 + repr(result) + u1, точное=' + repr("testSet[x][-1]}) accuracy = getAccuracy(testSett predictions) print(u'Точность: ' + repr(accuracy) + '%') return accuracy
def head(}:
trainingSet=[] testSet=[] accuracies=[] for x in range(10):
accuracies.append (main ( 5 j, train in gSet^ testSet)) print accuracies print sum(accuracies)/10 print trainingSet[0] print testSet[0] for i in range(len(testSet)):
plot(trainingSet[i][1]^ testSet[i][1], 'go'^trainingSet[i][2]л testSet[i][2]j
pit,showQ
Рис. 7. Реализация алгоритма к ближайших соседей на языке Python
Обучающая выборка: 19 Тестовая выборка: 12
> предсказаное=
> предсказаное=
> предсказаное=
> предсказаное=
> предсказаное=
> предсказаное=
> предсказаное=
> предсказаное=
> предсказаное=
> предсказаное=
> предсказаное=
точное='1-5г' сойго!^', точное='1-£г'
1-Е 1-В 1-Е 1-Е 1-Е 1-е 1-Е 1-Е
точное= точное= точное= точное= точное= точное= точное= точное=
соп^о^г^ точное='сог1го1-§г' > предсказаное='1-£г', точное^сог^гоХ^г' Точность: &3,33333333333334й
'1-Е 'И '1-Е ='1"Е ='1-Е '1-Е '1-Е '1-Е
Обучающая выборка: Тестовая выборка: 42 В г',
"Ег1, -ф' >
> предсказаное^
> предсказаное^
> предсказаное^
> предсказаное^
> предсказаное:
> предсказаное^
> предсказаное:
> предсказаное^
> предсказаное:
> предсказаное^
> предсказаное^
> предсказано^
> предсказаное^
> предсказаное:
> предсказано^
> предсказаное:
> предсказаное^ Точность: 190.0!!
точное='1-£ точное='1-Е точное='1-£ точное='1"Ё точное='1"Ё оп1го1-§г', точно
-ЁГ'., точное='1-Ё "ёг^ точное='1-Ё -ёг'., точное='1-Ё точное='1-£ "ЁГ^ точное='1"Ё -¡¡г'., точное='1-|; "ЁГ^ точное='1-Ё точное='1"Ё "ёг^ точное='1-£ оп1го1-§г', точное='соп1го1-5г' оп1го1-5г', точное='соп1го1-5г'
'соп1го1-§г'
Рис. 8. Зависимость точности классификации от количества элементов обучающей выборки
Рис. 9. Представление классов на двумерной плоскости
Реализацию программного комплекса предлагается выполнить на базе клиент-серверной архитектуры с «тонким» веб-клиентом, преимуществом которого являются:
- использование для работы только веб-браузера;
- исключение зависимости от установленной операционной системы (сокращение стоимости необходимого общесистемного ПО);
- возможность построения комплекса на основе свободно распространяемого ПО.
Разрабатываемый программный комплекс позволит:
- развить и усовершенствовать лабораторный контроль состояния им-мунно-биохимического гомеостаза пациентов с гипертонической болезнью;
- исследовать возможность использования формальных моделей для
обеспечения достоверности оценок функционального состояния органов и
систем;
- сократить продолжительность процесса анализа;
- обеспечить раннее выявление патологических изменений иммунно-
биохимического статуса на основе мониторинга накапливаемых данных.
Список литературы
1. Ленфант, К. (Lenfant C.). Гипертензия и ее последствия: состояние проблемы в мире / К. Ленфант (Claude Lenfant) // Артериальная гипертензия. - 2005. - Т. 2, № 2. - С. 145-158.
2. Келина, Н. Ю. Проведение клинико-биохимического анализа у больных гипертонической болезнью с учетом экологического мониторинга фона региона / Н. Ю. Келина, Т. Ю. Мамелина // Модели, системы, сети в экономике, технике, природе и обществе. - 2014. - № 2 (10). - С. 228-234.
3. Разработка специализированной информационной системы для иммуно-биохимических исследований / Н. Ю. Келина, В. В. Пикулин, С. Н. Чичкин, П. В. Некрасов // Информационные ресурсы и системы в экономике, науке и образовании : сб. ст. II Междунар. науч.-практ. конф. - Пенза : Приволжский Дом знаний, 2012. - С. 47-50.
4. Методика оценивания состояния пациентов с кардиологической патологией на основе иммуно - биохимического анализа крови с учетом экологического фона региона / Н. Ю. Келина, В. В. Пикулин, Т. Ю. Мамелина, О. А. Куликова // Технологии живых систем. - 2012. - Т. 9, № 7. - С. 65-69.
5. Келина, Н. Ю. Методика проведения клинико-биохимического анализа у больных гипертонической болезнью с учетом экологического фона региона / Н. Ю. Кели-на, Т. Ю. Мамелина, С. Н. Чичкин // XXI век: итоги прошлого и проблемы настоящего. - 2014. - № 1 (17). - С. 143-147.
6. Открытые инновации - вклад молодежи в развитие региона : сб. материалов рег. молодежного форума : в 2 т. - Пенза : Изд-во ПГУ, 2013. - Т. 1. - С. 93-96.
7. Паклин, Н. Б. Бизнес-аналитика: от данных к знаниям : учеб. пособие / Н. Б. Па-клин, В. И. Орешков. - 2-е изд., испр. - СПб. : Питер, 2013. - 704 с.
Елизаров Владимир Николаевич программист,
Пензенский государственный технологический университет E-mail: elizarov .vladimir1988@gmail.com
Elizarov Vladimir Nikolaevich programmer,
Penza State Technological University
Келина Нина Юрьевна
доктор биологических наук, профессор, кафедра биотехнологии и техносферной безопасности, Пензенский государственный технологический университет E-mail: nukelina@yandex.ru
Kelina Nina Yurievna
doctor of biological sciences, professor,
sub-department of biotechnology
and safety of technosphere,
Penza State Technological University
Пикулин Василий Васильевич
кандидат технических наук, доцент, профессор, кафедра прикладной информатики,
Пензенский государственный технологический университет E-mail: pvv@pgta.ru
Мамелина Татьяна Юрьевна
кандидат биологических наук, доцент, кафедра биотехнологии и техносферной безопасности, Пензенский государственный технологический университет E-mail: tmamelina@yandex.ru
Pikulin Vasiliy Vasilyevich candidate of technical sciences, associate professor, professor, sub-department of applied informatics, Penza State Technological University
Mamelina Tatiana Yurevna candidate of biological sciences, associate professor, sub-department of biotechnology and safety of technosphere, Penza State Technological University
УДК 004.5 Елизаров, В. Н.
Программный комплекс контроля биохимических показателей с учетом экологического фона / В. Н. Елизаров, Н. Ю. Келина, В. В. Пикулин, Т. Ю. Мамелина // Модели, системы, сети в экономике, технике, природе и обществе. - 2014. - № 4 (12). -С. 190-199.
