CC BY
22
А.П. Бирюков, С.М. Думанский
Выявление коморбидности профессиональных заболеваний, обусловленных патогенными факторами, с помощью ассоциативных алгоритмов на примере когорты пострадавших от ионизирующего излучения
ФГБУ «Государственный научный центр Российской Федерации — Федеральный медицинский центр имени А.И. Бурназяна» ФМБА России, г. Москва
A.P. Biryukov, S.M. Dumansky
Content algorithms applied for detection of coexisting occupational diseases caused by noxious agents on the example of cohort patients who were exposed
to ionizing radiation
Federal State Budgetary Institution, State Research Center — Federal Medical Biophysical Center
named by A.I. Burnazyan
Ключевые слова: ассоциативные алгоритмы, комор-бидность профессиональных заболеваний, радиаци-онно-эпидемиологические исследования.
В статье изложены методы выявления коморбидности профессиональных заболеваний, обусловленных патогенными факторами, с помощью ассоциативных алгоритмов, программно реализованных в среде SQL Server Analysis services Data Mining, на примере когорты пострадавших от ионизирующего излучения. Источником информации является база данных, сформированная в ФМБЦ им. А.И. Бурназяна по материалам историй болезни пациентов, проходивших лечение в стационаре в течение 40 лет — за период с 1947 по 1987г. Раскрыта структура информационно-аналитической модели, позволяющая выявлять типичные характерные сочетания болезненных форм, вызываемых различными поражениями.
В Постановлении Правительства РФ от 11 апреля 2005 г. № 206 «О Федеральном медико-биологическом агентстве» в подп. 5.11.5 и 5.13.2 сказано, что ФМБА России организует деятельность по установлению связи заболевания (смерти) с профессией, а также причинной связи заболевания, инвалидности или смерти с воздействием особо опасных факторов физи-
Keywords: Microsoft Association Rules algorithm, Apriori algorithm, Data Mining, Comorbidity, occupational disease.
The article describes methods of detection coexisting occupational diseases caused by noxious agents with the help of mining association rules on the example of cohort patients who were exposed by ionizing radiation. Results were implemented by using Microsoft SQL Server Data Mining environment. The source of information is the database (DB), which was formed in Federal State Budgetary Institution, State Research Center-Federal Medical Biophysical Center named by A.I. Burnazyan and based on case histories of patients who were treated in the hospital for 40 years for the period from 1947 to 1987. It is presented the structure of the information-analytical model which is assigned to capture the typical characteristic combination forms of human diseases caused by various types of harmful factors.
ческой, химической и биологической природы; ведет радиационно-эпидемиологический регистр работников обслуживаемых организаций и населения обслуживаемых территорий.
В настоящее время открываются широкие возможности использования разработанных высокоинтеллектуальных программных средств в различных областях знаний, производствен-
ной сфере, биотехнологиях, медицинских и ра-диационно-эпидемиологических исследованиях и т.д. В частности, актуальна задача по выявлению сочетанности (коморбидности) тех или иных болезненных форм, обусловленных патогенными факторами на вредных производствах, территориях проживания людей, подвергшихся радиационному облучению и выбросам вредных веществ. Человек, работающий или живущий в таких условиях, периодически должен проходить диспансеризацию в больничных стационарах и медицинско-санитарных частях на предмет выявления у него патологий. Такого пациента можно условно рассматривать как посетителя с «кейсом» в руках, внутри которого содержатся его болезни. Множество поступающих во времени подобных больных удобно для простоты рассматривать как поток транзакций, состоящий из элементов, в данном случае это болезни, синдромы, симптомы, сопутствующие заболевания и т.д., как это показано в таблице 1. Прописными и строчными буквами в указанной таблице условно обозначены наименования заболеваний пациента, выявленные при данной госпитализации.
Таблица 1 Уловное представление человеко-госпитализаций в виде транзакций заболеваний
Человеко-госпитализация Транзакции
1 АБД
2 Гвс
3 всА
4 ГВАБЕ
5 Гвс
6 АБЕ
7 ГвсБ
8 ОБД
Как видно из таблицы 1, наиболее часто встречается пара «вс», но это лишь потому, что число транзакций невелико. При достаточно большом числе транзакций задача определения частоты встречаемости заболеваний усложнится. Для решения таких задач и предназначены ассоциативные алгоритмы. Одним из наиболее известных является алгоритм Арпоп [2], разработанный инженерами И. А§гама1, Т. 1ш1е1-
inski, A. Swami и опубликованный впервые в 1993 г. Указанный алгоритм входит в группу интеллектуальных алгоритмов Microsoft SQL Server Data Mining и предназначен для выявления часто встречающихся друг с другом элементов в больших потоках транзакций. Данный алгоритм на основании конкретной предметной выборки формирует вероятностные правила сочетаемости элементов транзакций друг с другом при задаваемой частотной поддержке (Support) встречаемости предметных наборов и их достоверности (Probability или Importance) в импликативном правиле. Для вычисления частоты встречаемости предметных наборов используется бинарный файл (табл. 2), полученный из таблицы 1 путем ее нормализации.
Для ясности дальнейшего понимания предлагаемого материала кратко изложим принципы алгоритма Apriori [2—4]. Имеются бинарный файл I = {i i2, i3,..., in}, состоящий из бинарных наборов (Items) (в нашем случае это таблица 2, называемая вложенной таблицей — Nested-table), и файл транзакций T = {t1, t2, t3, ..., tm}, называемый Case-таблицей. Каждая транзакция из T имеет уникальный ID (ID человеко-госпитализации), который также содержится в наборе I. Алгоритм заключается в формировании импликативных правил вида X ^ Y и включении их в искомое множество правил, отвечающих значениям задаваемых параметров Support и Probability. X и Y — это поднаборы из наборов I, т.е. X, Y € I и множества X и Y не пересекаются. Support (X) — это частота встречаемости поднабора X в общем числе транзакций. Пусть для примера X = {А, Б}, а Y = {Е}, тогда, как это видно из таблицы 2, Support (X) = Support (А, Б) = 3/8, а Support (X и Y) = Support (А, Б, Е) = 2/8, тогда Probability (X ^ Y) = Support (X и Y)/Support (X), т.е. Probability {(А, Б) ^ Е} = (2/8)/(3/8) = 2/3, что означает поднабор (А, Б) (в таблице 2 встречается три раза и при этом с элементом E — два раза). Задавая в алгоритме пороговые значения, Support и Probability отсекают нечасто встречающиеся правила, но общее количество таких правил может быть значительным. Действительно, число наборов при бинарном файле размером n равняется 2n — 1, что при данных размерах таблицы 2 (n = 9) будет 29 — 1 = 511.
Таблица 2
Уловное представление человеко-госпитализаций в виде транзакций заболеваний в нормализованном виде
Наименование заболеваний Человеко- А Б в В Г Е Д О с
госпитализация
1 (АБД) 1 1 0 0 0 0 1 0 0
2 (Гвс) 0 0 1 0 1 0 0 0 1
3 (всА) 1 0 1 0 0 0 0 0 1
4(ГВАБЕ) 1 1 0 1 1 1 0 0 0
5 (Гвс) 0 0 1 0 1 0 0 0 1
6(АБЕ) 1 1 0 0 0 1 0 0 0
7 (ГвсБ) 0 1 1 0 1 0 0 0 1
8 (ОБД) 0 1 0 0 0 0 1 1 0
X 4 5 4 1 4 2 2 1 4
Это говорит об экспоненциальном увеличении числа обрабатываемых операций.
Рассмотрим пример практического использования описанного алгоритма для выявления коморбидности профессиональных заболеваний, обусловленных ионизирующим излучением. На вход модели Microsoft Association rules подаются две таблицы: Case-таблица (652 записи) и Nested-таблица (4081 запись), предварительно сформированные из данных, хранящихся в базе данных (БД) ФМБЦ им. А.И. Бурназяна [1]. Структура таблиц показана на рисунке 1, а их содержание — на рисунках 2 и 3.
Как видно из рисунков 2 и 3, данные в них соответствуют файлу транзакций и наборам болезней, выявленных при очередной госпитализации пациента. Например, при человеко-госпитализации с ID = 1 у пострадавшего фиксируются следующие болезненные формы: лейкопения ( нейтропения ), тромбоцитопе-ния, астенический синдром и др. (всего 10 наименований заболеваний).
Прежде чем запустить модель, требуется настроить ее параметры в соответствии с описанными принципами, указанными при изложении содержания алгоритма Apriori. Параметры модели очень чувствительны к настройке и требуют времени для проведения экспериментов по их отладке. Пример уже подобранных параметров модели показан на рисунке 4. После запуска и разворачивания модели на
сервере будут доступны три вкладки: Itemsets, Rules, Dependency Network, как это видно соответственно на рисунках 5—7.
На рисунке 5 (вкладка Itemsets) показано разбиение экспериментальной выборки на встречающиеся наборы болезненных форм с их частой и размерностью. В данном примере приводится отфильтрованная выборка по хронической лучевой болезни I степени и ее сочетаниям с другими патологиями (так, сочетаемость болезней {церебральный атеросклероз, астенический синдром, остеалгический синдром, хроническая лучевая болезнь I степени} имеет место 24 раза).
На рисунке 6 (вкладка Rules) отражаются сформированные импликативные правила, отфильтрованные по хронической лучевой болезни I степени с указанием значений параметров Probability и Importance. Значение Probability показывает вероятность появления самого импликативного правила, а Importance в данном случае указывает на полезность правила, выражающуюся вероятностью появления болезни по правую сторону стрелки, при наличии указанных болезней по левую сторону стрелки. Значение Importance нормализовано по логарифмической шкале. Например, Importance {(А, Б) Е} означает отношение количества всех случаев наборов {А, Б, Е} к общему количеству случаев {А, Б}.
~ЕЧ*кв fi«t«J_Ass_AJa_l ТлЫе DB Typel Ge*t_,.<fcv [Design]* IdioteCtscJ..._Аи_Ай} Tab«? CaseТаЫс As,Г,g.(torn [СчгечпУ Start P«>9
CHgram. Ctijancii
; Tables
iïype 1 _-G*sHosp«afc!«örJ D C«jnt_YMf_W«hn0 Ш CtwtVwrtWeHin 3] ВлясО«ы«Сос1е 3] Catfr*«
3 Gsnder
3 Aoeeioeorifl&estiïwsi H Aoe&eggrmgtoiKllvnC E L5f feAatensbç«
- [3 NKted_A«_AigJ (dbo,Mwl:«J_A«_Aio_l) И Type 1 J&jMttpfeiabenlP f IlHuUrNmc ffl Rovyf*jm 3 RcWlorr5h(K
I s 3 <dbo.lStested_As4_Aie.i)
3] TypsljG»H<»p*jteitöraD 9 IhwïtJnNjnw j] RûwWum В Pteisbcnshpî
В q1 Casi_Tabfe_Aîs_«q (dbo.OKeJabe_A£i_Alg) f Tyj*JJ^isHô«*JiïîèbMiïD 33 Court! JfMf_W«*lnQ Ц] Cwjr<V«fWortjn 2 B&StCD««A»Code 33 Catlhms
33 Sex_Tirpel_DtcHo(4r)ilD
S3 Gwidlef
^ Афеведмпд&кКЗЬсяС Я _J ReWioriîhpt
j 2 ttwtcO«JttqJ (dbo,fteîted_Aîs_Alo(J ) f Ebv?îîl>Wafne
Tvpel _>issHJsp*:aliai>:iaj
ftwdy
<*'! m и
□ C»e_Tet4e_Ais_Ala{Ao,C«e_Tebte_Asî_Alq}
7 Тур* 1 u&KHHp*akiâti6nID CflUnt^Yw^WOiKlflO CountYoorWcrtln fcssicDesoAstCode СаШген
Sw_TypeJ _Dct»ftsry£0 Афведапйпдвб&Ппем
Рис. 1. Структура входных таблиц модели Microsoft Association rules
•а
У
£
«
5а
3
Ж «
& 3
О
Type t RovMin
> 1 П^сленна (ивйтропечя«) 1
t Тромбоцит cue« w г
1_ AcTfur-tctvvw ртдрои
1 Остадпгичкий tvtvipQti 4
L Хрож^еог« лучшая болннь 1 crerew 5
L 5
Другие сосудистые етдреиы га поеного по у а при церебрсвлекупяр»*.« йслеанях 160-167 7
¿ДОббдоы^дтдаослдш В
|ф**;«!№е рвднреипе вен nntwx к-жчно:тей без язеы иг* воспвпеми
jipsw*«™! 10
Д<и1юр№()УК*ИаЯ дорсопатич мвут(У*»«вв п
Z ГнвАъй средой отит мутечнв*+ыЗ; i
Мастоидит и родстммные состой»« Z
Лоливвропвтия неутомшая 3
¡фс**тческ-^я г^-ие-аябопешь, 1 степени 4
AiTtHsr-tfconvi OBUPCH S
лствиоеег^тотиоадЧ омлрон 6
3 ПвЙЯЛО-МЯ 1
A£TertO№reTaTrtB№*1 СлкДрОм г
Нскнтвгьс TBQ rvryrowtn
¡фаемчкк-ая 1гу-ис-зя6спенв> 1 степени 4
Хрдтчсскнй ptwn __
1 ¡Срошчкк»!^ SWHWWCTHI 1
0»ирбниа и другие вилы мСытачюсти jwi«« 2
Huiet+r*tr:iR болея» сердца э
4 церебраяыыч атеросклероз 4
XpOt+wCrfafl i6№« Сердце неутмдаиай' 5
К: Туберкулез легки* угкж^июи о бактериологической hjh гжтqnormeo:да г-ЮвТВврЖДвЖИ v§
Тирмтс*с»«о» {гипчртир«}] г
S Хрошчееклв пучевая болем- 1 сте**«1 э
5 1
5 АстеноеегетатеюмЧ старой 5
5 Цере€росте«« с лет ют оргажчмкнт .»*p«wcirttw»i &
j_ Де0*мтнт нфутсдо1а*«й $
s Оттсиенорея неутст-менкл» _
5 Хр»*1ч«™й мдаофардагит 9
5 }Ср«+Р«СК>1Ч ТСНЗИПТОТ 10
5 хро*»мескмй мрлгит и мртгот разлит И
6 SpOiHrt И ЖТрОГИОН Шйки РМ1КИ 1
6 Нйевмпгиян несс* it неут№н«-ые г
1_ ■Себорея го nqm _J_
fr_ Лей; спеша (иейгрмхлиа) •4
6 П^сшаопь^гиифспежа) 5
Эритроиитогт*!я (ач»*«) й
s Лстеннче«™ овндром 7
£ бруцептз neyt смнеи-ыП Щ
7 .¡£р»+г«екая пучее-тболеаъ 1 стапет 1
7 Пр«дствте»*мсй иплюм 2
Рис. 3. Содержание Nested-таблицы
На рисунке 7 показана вкладка Dependency Network, с помощью которой можно исследовать взаимовлияние болезней, а именно — какая патология предполагает другую или, наоборот, является ее следствием, что указывается стрелками.
Дополнительно модель позволяет делать прогнозирование наиболее вероятного соче-танного появления комплекса тех или иных болезненных патологий, как это показано на рисунках 8 и 9. На рисунке 8 задаются значения параметров. Например, необходимо исследовать, какие пять характерных болезненных форм будут сочетаться с хронической лучевой болезнью I степени. На рисунке 9 отражается результат запроса — наибольшую вероятность будут иметь следующие патологии: остеалгический синдром, лейкопения (нейтро-пения) и др. В сводной таблице 3 показаны перечень семи основных наиболее часто встречаемых заболеваний по исследуемой когорте и их
наиболее вероятное сочетание с пятью другими симптомами и синдромами.
На основании приведенных материалов можно заключить, что с помощью описанных моделей открываются возможности исследования больших массивов данных по выявлению встречающихся патологий у пациентов, подвергшихся влиянию патогенных факторов. По полученным результатам можно формировать схемы часто встречающихся заболеваний, на основании которых будут делаться экспертные заключения на предмет влияния на человека тех или иных вредоносных поражений при назначении больным инвалидности, страховых компенсаций, мер профилактического и лечебного воздействия и т.д. В свете разрабатываемого ФМБА России отраслевого медико-дозиметрического регистра, который будет охватывать все подведомственные медицинские учреждения, разработанную модель пла-
to to
A rfriogStmcfan 1^4 HwnqHodtte MnrgModgtYtowT'ligl tfriinq Araray Chert Moddfrfffcftw
MràgModel! |C«eTatfeA»AJg Vmtn/\ [Merosof t AisocutenRiies<Aewar 3 J
Remets J Rdes Depwdwxy Netvwk j
d d -j К\ bli[ Shw: ISwwottrtytenarwc^ Г Shaqra
MOMHlMpyOtilCfO ищучен»«
Ы
Артроз иеуттнен№ый^^>
J
Sctett a rode г the ntfwcrt. to bqfrft ft dcpcnekrio«-5ircng«t Lr*s О ^«Iseted node Ц Selected node pefets ths node
(~| The ieds pf(é:ti № «lHt«d nade В Pf¡sdtti both wsyi
Рис. 7. Пример развернутой модели на вкладке Dependency Network
Таблица 3 Перечень основных заболеваний и их наиболее вероятное сочетание с пятью другими симптомами и синдромами
Наименование основного заболевания Выявленная частота по когорте Наиболее вероятный прогноз сочетанности основного заболевания с пятью другими симптомами и синдромами
Хроническая лучевая болезнь I степени 317 Остеалгический синдром Лейкопения (нейтропения) Астеновегета-тивный синдром Носительство плутония Астенический синдром
Хроническая лучевая болезнь II степени 86 Хроническая лучевая болезнь I степени Остеалгический синдром Лейкопения (нейтропения) Астеновегетатив-ный синдром Носительство плутония
Остаточные явления хронической лучевой болезни 40 Хроническая лучевая болезнь I степени Остеалгический синдром Лейкопения (нейтропения) Астеновегетатив-ный синдром Носительство плутония
Воздействия ионизирующего излучения 13 Остеохондроз позвоночника у взрослых Хроническая лучевая болезнь I степени Остеалгический синдром Лейкопения (нейтропения) Астеновегетатив-ный синдром
Недомогание и утомляемость 9 Хроническая лучевая болезнь I степени Остеалгический синдром Лейкопения (нейтропения) Астеновегетатив-ный синдром Носительство плутония
Другие расстройства вегетативной (автономной) нервной системы 8 Хроническая лучевая болезнь I степени Остеалгический синдром Лейкопения (нейтропения) Астеновегетатив-ный синдром Носительство плутония
Хроническая лучевая болезнь III степени 6 Тромбо-цитопения Хроническая лучевая болезнь I степени Остеалгический синдром Лейкопения (нейтропения) Астеновегетатив-ный синдром
(ФгюдапкЬд* МдгчНоЬс*; Мптч ИосЫУ^у [¿^ Мала АтаглсуСЬ«* ["«» |_
И" аЩа_
| Щи
3 А» А1д 1 | Хрожчммя пучвм« болел* I ст«м**1
[V« \ \ стол \ Ага^о
% Рчкисл 1 ^^ЙАИКИЙСП 5? [Соя МоЦЫвяк! :г.
Г
Рис. 8. Формирование прогноза появления лучевой болезни I степени с наиболее вероятным ее сочетанием
с пятью другими болезнями
и -
Е | Ёхрмикм
Шпй-иипыате
ОстеАьгичмкнн етд&е»
ПеДатеиий (нейтрслетею)
Астеноеагстйта»до сжарда Нкнт«пьстеа плетения
Аст«*1ЧКК»1 С!«Лр0И
Рис. 9. Результаты прогноза появления лучевой болезни I степени с наиболее вероятным ее сочетанием
с пятью другими болезнями
нируется использовать для выявления наиболее часто встречающихся профессиональных заболеваний и их профилактики.
Литература
1. Бирюков А.П., Васильев Е.И., Думан-ский С.М., Белых Л.Н. Информационно-аналитическое обеспечение радиационно-эпидемиологических исследований / / Медицинская радиология и радиационная безопасность. 2014. Т. 59. № 3. С. 34-42.
2. Agrawal R., Imielinski T., Swami A. Mining Associations between Sets of Items in Massive Databases // Proc. of the ACM SIGMOD Int'l Conference on Management of Data. Washington, D.C., 1993. P. 207-216.
3. Hahsler M. A probabilistic comparison of commonly used interest measures for association rules. Available at: http://michael. hahsler.net/research/association_rules/ measures.html (accessed: 19.01.2016).
4. Hahsler M., Buchta C., Hornik K. Selective Association Rule Generation. Available at: http://citeseerx.ist.psu.edu/viewdoc/ download?doi=10.1.1.72.1011 &rep=rep1 &-type=pdf (accessed: 19.01.2016).
Контакты:
Думанский Сергей Митрофанович, старший научный сотрудник отдела радиационной эпидемиологии, кандидат экономических наук. Тел. моб.: +7 (916) 487-49-26. E-mail: [email protected]
информация_
Россия начала поставки вакцин в Латинскую Америку
В апреле 2016 г. первые партии российской вакцины для профилактики гриппа были доставлены на Кубу и в Никарагуа. Всего по заключенным контрактам Санкт-Петербургский институт вакцин и сывороток ФМБА России поставит в Латинскую Америку порядка миллиона доз инактивированной расщепленной вакцины для профилактики гриппа.
Общая стоимость закупленных вакцин составила более 165 млн руб. Начало поставок российских вакцин в Латинскую Америку - это результат огромной работы, проделанной в рамках реализации совместного российско-никарагуанского проекта строительства в Манагуа иммунобиологического предприятия Mechnikov S.A.
В январе 2016 г. СПбНИИВС ФМБА России получил сертификат GMP национального кубинского регуляторного органа CECMED, имеющего переквалификацию ВОЗ. Сертификат подтверждает соответствие вакцин санкт-петербургского производства международным стандартам, что и позволило осуществить первые поставки препаратов.
Справочно
ФГУП СПбНИИВС ФМБА России более 120 лет осуществляет научную разработку и производственный выпуск профилактических, диагностических и лечебных медицинских препаратов.
Динамика работы последних трех лет предприятия показала увеличение объемов государственных контрактов СПбНИИВС ФМБА России с 200 млн руб. в 2012 г. до 680 млн руб. в 2015 г. и рост общей выручки более чем в четыре раза. Это стало возможно благодаря внедрению новых технологий и полной модернизации производства иммунобиологических препаратов.
СПбНИИВС ФМБА России реализует проект создания совместного российско-никарагуанского предприятия по производству вакцин имени Мечникова (Mechnikov S.A.) в рамках Межправительственной комиссии наших стран. С начала 2018 г. предприятие планирует осуществлять поставки вакцины для профилактики гриппа как напрямую в министерства здравоохранения стран региона, так и через региональные медицинские организации, такие как Панамериканская организация здравоохранения (ПАОЗ).
Партнером и соучредителем Mechnikov S.A. выступает Никарагуанский институт социального страхования (НИИС).
