LIETUVOS SVEIKATOS MOKSLŲ UNIVERSITETAS MEDICINOS AKADEMIJA
Ingrida Grabauskytė
VIDUTINIO IR PAGYVENUSIO
AMŽIAUS GYVENTOJŲ ŠIRDIES
IR KRAUJAGYSLIŲ LIGŲ
RIZIKOS PROGNOZAVIMAS
Daktaro disertacija Medicinos ir sveikatos mokslai,
visuomenės sveikata (M 004)
Disertacija rengta 2014–2019 metais Lietuvos sveikatos mokslų universiteto Kardiologijos instituto, Populiacinių tyrimų laboratorijoje.
Mokslinis vadovas
prof. habil. dr. Abdonas Tamošiūnas (Lietuvos sveikatos mokslų universi-tetas, medicinos ir sveikatos mokslai, visuomenės sveikata – M 004).
Disertacija ginama Lietuvos sveikatos mokslų universiteto Medicinos akademijos Visuomenės sveikatos mokslo krypties taryboje:
Pirmininkė:
doc. dr. Rima Kregždytė (Lietuvos sveikatos mokslų universitetas, me-dicinos ir sveikatos mokslai, visuomenės sveikata – M 004).
Nariai:
prof. dr. Viktoras Šaferis (Lietuvos sveikatos mokslų universitetas, gam-tos mokslai, biofizika – N 011);
prof. dr. Linas Šumskas (Lietuvos sveikatos mokslų universitetas, medi-cinos ir sveikatos mokslai, visuomenės sveikata – M 004);
doc. dr. Tomas Ruzgas (Kauno technologijos universitetas, gamtos mokslai, matematika – N 001);
doc. dr. Ivan Miškulin (Osijeko Josipo Jarajaus Strosmajerio universi-tetas (Kroatija), medicinos ir sveikatos mokslai, visuomenės sveikata – M 004).
Disertacija bus ginama viešame Lietuvos sveikatos mokslų universiteto Medicinos akademijos Visuomenės sveikatos mokslo krypties tarybos posėdyje 2019 m. rugpjūčio 30 d. 13 val. Lietuvos sveikatos mokslų universiteto Naujausių farmacijos ir sveikatos technologijų centro A-202 auditorijoje.
LITHUANIAN UNIVERSITY OF HEALTH SCIENCES MEDICAL ACADEMY
Ingrida Grabauskytė
PREDICTION OF THE RISK OF
CARDIOVASCULAR DISEASES
IN MIDDLE AGED AND
ERDERLY POPULATION
Doctoral Dissertation Medical and Health Sciences,
Public Health (M 004)
Dissertation has been prepared at the Laboratory of Population Studies, Institute of Cardiology of Lithuanian University of Health Sciences during the period of 2014–2019.
Scientific Supervisor:
Prof. Dr. Habil. Abdonas Tamošiūnas (Lithuanian University of Health Sciences, Medical and Health Sciences, Public Health – M 004).
Dissertation is defended at the Public Health Research Council of the Lithuanian University of Health Sciences:
Chairperson
Assoc. Prof. Dr. Rima Kregždytė (Lithuanian University of Health Scien-ces, Medical and Health ScienScien-ces, Public Health – M 004).
Members:
Prof. Dr. Viktoras Šaferis (Lithuanian University of Health Sciences, Natural Sciences, Biophysics – N 011);
Prof. Dr. Linas Šumskas (Lithuanian University of Health Sciences, Me-dical and Health Sciences, Public Health – M 004);
Assoc. Prof. Dr. Tomas Ruzgas (Kaunas University of Technology, Na-tural Sciences, Mathematics – N 001);
Assoc. Prof. Dr. Ivan Miškulin (Josip Juraj Strossmayer University of Osijek, Medical and Health Sciences, Public Health – M 004).
Dissertation will be defended at the open session of the Public Health Research Council of Lithuanian University of Health Sciences on the 30th August 2019, at 1:00 p. m. in the A-202 auditorium of the Centre for the Advanced Pharmaceutical and Health Technologies of Lithuanian University of Health Sciences.
5
TURINYS
SANTRUMPOS ... 7
ĮVADAS... 11
1. DARBO TIKSLAS IR UŽDAVINIAI ... 14
2. LITERATŪROS APŽVALGA ... 16
2.1. Širdies ir kraujagyslių ligų epidemiologinė situacija Lietuvoje 2010–2017 m. ... 16
2.2. Širdies ir kraujagyslių ligų epidemiologinė situacija Europoje ir Pasaulyje ... 19
2.3. Pagrindiniai širdies ir kraujagyslių ligų rizikos veiksniai ... 22
2.4. Medicinoje taikomi statistinės analizės metodai ligų rizikos prognozei ... 27
2.5. Skaičiuoklių, vertinti individualią mirties nuo širdies ir kraujagyslių ligų riziką, apžvalga ... 29
3. TYRIMO METODIKA IR TIRIAMIEJI ... 33
3.1. Tyrimo procedūra ir metodika ... 33
3.2. Tiriamieji ... 37
3.3. Statistinė analizė ... 49
4. REZULTATAI ... 53
4.1. HAPIEE tyrimo duomenų bazės kintamųjų analizė ir prognozavimo modeliai ... 53
4.1.1. Širdies ir kraujagyslių ligų bei jų rizikos veiksnių epidemiologinė situacija Lietuvoje 2006–2008 m. ... 53
4.1.2. Dvinarės logistinės regresinės analizės modeliai vertinant riziką mirti nuo širdies ir kraujagyslių ligų ... 64
4.1.3. Kokso regresijos metodu sudaryti mirties nuo širdies ir kraujagyslių ligų rizikos įvertinimo modeliai ir Kaplano-Mejerio išgyvenamumo kreivės ... 74
4.2. MIHDPT tyrimo duomenų bazės kintamųjų analizė ir
prognozavimo modeliai... 88
4.2.1. Dvinarės logistinės regresinės analizės modeliai vertinant riziką susirgti išemine širdies liga bei širdies ir kraujagyslių ligomis ... 88
4.2.2. Sprendimų medžiai išeminei širdies ligai bei širdies ir kraujagyslių ligų tikimybei vertinti ... 93
4.2.3. Pagrindinių komponenčių analizės metodu nustatytos širdies ir kraujagyslių ligų rizikos veiksnių grupės ... 97
4.3. Internetinė skaičiuoklė individualiai mirties nuo širdies ir kraujagyslių ligų tikimybei vertinti ... 100
7
SANTRUMPOS
AAR – Aleno adityvinė regresija
AH – arterinė hipertenzija
AIC – Akaike informacinis kriterijus DDSPS – darbo dienų skaičius per savaitę DTL cholesterolis – didelio tankio lipoproteinų cholesterolis ELPA – Europos laisvosios prekybos asociacija
EUROASPIRE IV – įvykių sumažinimo intervencijos Europos veiksmai pirminei ir antrinei prevencijai (angl. European Action on Secondary and
Primary Prevention by Intervention to Reduce Events IV)
ES – Europos Sąjunga
FAVVPS – fizinis aktyvumas vasarą, valandos per savaitę
GM – gyva motina
GS – galimybių santykis
GSI – galvos smegenų insultas
HAPIEE – Rytų Europos gyventojų sveikatos, alkoholio vartojimo ir psicho-socialinių veiksnių tyrimas (angl. Health, Alcohol and Psychosocial
factors In Eastern Europe)
IŠL – išeminė širdies liga
KMI – kūno masės indeksas
KMK – Kaplano-Mejerio išgyvenamumo kreivės
KP – kryžminis patikrinimas
KR – Kokso regresija
KSMVV – kraujospūdį mažinančių vaistų vartojimas
LR – logistinė regresija
LSMU – Lietuvos sveikatos mokslų universitetas
m. – metai
max – maksimumas
MI – miokardo infarktas
MIHDPT – Daugiafaktorinės išeminės širdies ligos prevencijos tyrimas
min – minimumas
MK – Minnesotos kodas
mm – milimetrai
mm Hg – milimetrai gyvsidabrio stulpelyje mmol/l – milimoliai litre
MSMI – motina sirgo miokardo infarktu MTL cholesterolis – mažo tankio lipoproteinų cholesterolis ORSPM – odos raukšlės storis po mente
ORST – odos raukšlės storis (ties m. triceps)
pav. – paveikslas
PI – pasikliautinasis intervalas
PKA – pagrindinių komponenčių analizė
PKS – padidėjęs kraujospūdis
PKSGSMV – prieš kiek savaičių gėrė spaudimą mažinančius vaistus
proc. – procentai
SBS – seserų ir brolių skaičius šiuo metu
SM – sprendimų medis
ŠKL – širdies ir kraujagyslių ligos
TLK – Tarptautinė ligų klasifikacija
vs – versus
Sveikata taip pranoksta visas kitas gyvenimo gėrybes, kad visai sveikas skurdžius laimingesnis už sergantį karalių.
11
ĮVADAS
Širdies ir kraujagyslių sistema yra viena iš gyvybiškai svarbiausių žmo-gaus organų sistemų. Sutrikus jos organų veiklai, žmogų dažnai ištinka mio-kardo infarktas (MI) ar galvos smegenų insultas (GSI), o šių ligų nereta kom-plikacija – galima mirtis. Lietuvoje tarp sergančių asmenų kraujotakos siste-mos ligos buvo pirmoje vietoje suaugusiųjų grupėje 2017 m. (302,3 atve-jai/1000 gyventojų) [1]. Šios ligos ir 2010 m. bei 2016 m. sudarė daugiau negu 56 proc. visų mirties priežasčių (vien tik mirtys nuo išeminės širdies ligos (IŠL) sudarė virš 35 proc. tarp visų mirusiųjų minėtaisiais metais) [1, 2]. Mirtingumo nuo hipertenzinių ligų dalis padidėjo 2017 m. iki 2,3 proc., kai tuo tarpu 2010 m. ši dalis tarp visų mirusiųjų buvo 1,4 proc.
Pirmą kartą darbingo amžiaus asmenims nustatomas neįgalumas daž-niausiai būna dėl kraujotakos sistemos ligų (18,2 proc.). Iš 2017 m. mirusiųjų 40 142 asmenų, širdies ir kraujagyslių ligos (ŠKL) sudarė daugiau negu pusę visų mirusiųjų (22 511; 56,1 proc.), kurių didžiausia dalis – asmenys mirę nuo IŠL (63,4 proc.) [1, 2]. Vyrų Lietuvoje mirė 19 286 (2017 m. mirtingumo rodiklis nuo ŠKL 711,7/100 000 vyrų; 2016 m. – 735,6/100 000 vyrų), tarp jų mirusieji nuo ŠKL sudarė 48,1 proc. Analizuojant moterų mirtingumą, 2017 m. Lietuvoje mirė 20 856 moterys, iš kurių net 63,4 proc. mirties priežastis buvo ŠKL (mirtingumo rodiklis nuo ŠKL 2017 m. buvo 868,0/100 000 moterų, o 2016 m. – 865,1/100 000 moterų) [2]. Pagal stan-dartizuotus mirtingumo rodiklius nuo ŠKL Europos Sąjungos (ES) ir Europos laisvosios prekybos asociacijos (ELPA) šalyse Lietuva yra ketvirtoje vietoje po Bulgarijos, Latvijos bei Rumunijos [1]. Ši mirties priežastis yra dažniausia mirties priežastis Europoje ir Pasaulyje [2–4].
Epidemiologinių tyrimų duomenimis nustatyta, kad tradicinių ŠKL rizikos veiksnių paplitimas Lietuvos populiacijoje taip pat labai didelis [5]. Nustatyta, kad šių ŠKL rizikos veiksnių prognozinė reikšmė sergamumo ir mirtingumo nuo lėtinių ligų atžvilgiu Lietuvoje yra panaši į kitų populiacijų riziką [6, 7], tačiau specifinio gyvenimo būdo ir biologinių rizikos veiksnių įtaka mirčiai nuo ŠKL, ypač prognozei sirgti ŠKL, vis dar nepakankamai įver-tinama ne tik Lietuvoje, bet ir kitose Baltijos šalyse.
Uždaviniai, susiję su medicininių duomenų analize, taip pat gali būti sprendžiami taikant įvairius modernius statistinės analizės metodus, tokius kaip dirbtiniai neuroniniai tinklai (angl. artificial neural networks), atraminių vektorių metodas (angl. support vector machines), metodai-ansambliai (angl.
ensemble methods), kuriuose naudojami pakavimo ir auginimo (angl. bagging and boosting) algoritmai, tačiau rekursinis skaidymas turi atskirą
12
kuriuose vidinius procesus sunku suprasti, rekursinis skaidymas pateikia rezultatą, turintį medžio formą, kurį galima suprasti ir asmeniui, neturinčiam gilių statistinių žinių [8–10]. Taigi, šie metodai dar vadinami sprendimų medžiais (SM) (angl. decision trees).
Regresinę analizę ir klasifikavimą galima atlikti taikant plačiai naudo-jamą statistinio mokymosi metodą (angl. statistical learning method) vadina-mą rekursiniu skaidymu (angl. recursive partitioning) [11–13]. Norint taikyti statistinės analizės metodus, dažnai reikalaujama normalumo, homoske-dastiškumo, nepriklausomumo prielaidos ir pan. Hipotezės testavimas yra pradinis žingsnis prieš taikant kai kuriuos statistinius metodus. Modelis laikomas tinkamu, jeigu tenkinamos šios prielaidos. Tai nėra taikoma duomenų gavybos (angl. data mining) ir mašininio mokymosi (angl. machine
learning) algoritmuose. Nepaisant to, taikant šiuos metodus, rezultatus taip
pat reikia patvirtinti. Kryžminis patikrinimas (KP) (angl. cross-validation) – bendra ir dažniausiai naudojama mašininio mokymosi algoritmų tikslumo vertinimo technika [14].
Logistinė regresija (LR) dažniausiai taikoma skaičiuojant tikimybę susirgti ŠKL, tačiau, kaip ir buvo minėta, yra daugelis kitų statistinės analizės metodų, tinkamų analizuojant ŠKL duomenis. Šiame darbe taip pat bus taikoma pagrindinių komponenčių analizė (PKA) (angl. principal component
analysis) bei sprendimų medis analizuojant rizikos veiksnius sirgti IŠL ar
ŠKL.
Kokso regresija (KR) (angl. Cox regression) ir Kaplano-Mejerio išgyve-namumo kreivės (KMK) (angl. Kaplan-Meier survival curves) – dažniausiai taikomi rizikos mirti nuo ŠKL prognozei. Taip pat, atsižvelgiant į laiko komponentę bus taikoma ir Aleno adityvinė regresija (AAR) (angl. Aalen’s
additive regression).
Šio darbo esmė – nustatyti ŠKL pagrindinius rizikos veiksnius mirti ar sirgti ŠKL vyrams ir moterims analizuojant Rytų Europos gyventojų sveika-tos, alkoholio vartojimo ir psichosocialinių veiksnių tyrimo (angl. Health
Alcohol and Psychosocial Factors In Eastern Europe; HAPIEE) ir
Daugia-faktorinės išeminės širdies ligos profilaktikos tyrimo (angl. Multifactorial
Ischemic Heart Disease Prevention Study; MIHDPT) duomenų bazes taikant
14
1.
DARBO TIKSLAS IR UŽDAVINIAI
Darbo tikslas – įvertinti vidutinio ir pagyvenusio amžiaus gyventojų
sirgimo bei mirties nuo ŠKL riziką bei ją sąlygojančius veiksnius.
Darbo uždaviniai:
1. Įvertinti ŠKL ir jų rizikos veiksnių tendencijas tarp vidutinio ir pagyvenusio amžiaus miesto gyventojų.
2. Nustatyti tikimybę susirgti širdies ir kraujagyslių sistemos ligomis vidutinio ir pagyvenusio amžiaus miesto gyventojų populiacijoje taikant įvairius prognozavimo modelius.
3. Apskaičiuoti vyrams ir moterims mirties nuo ŠKL riziką vidutinio ir pagyvenusio amžiaus miesto gyventojų grupėse taikant įvairius matematinio prognozavimo modelius.
4. Sukurti metodiką individualios rizikos mirti nuo ŠKL įvertinimui vidutinio ir pagyvenusio amžiaus asmenims.
Darbo mokslinis naujumas. Analizuojant Rytų Europos gyventojų
svei-katos, alkoholio vartojimo ir psichosocialinių veiksnių tyrimo (HAPIEE) ir Daugiafaktorinės išeminės širdies ligos profilaktikos (MIHDPT) tyrimo duomenis pasirinkta taikyti įvairius statistinės analizės metodus prognozuo-jant susirgimo ir mirties nuo ŠKL tikimybes. Keliant įvairias hipotezes apie ŠKL sirgimo ir mirties riziką lemiančius veiksnius, jų sprendimui dažniausiai pasirenkami populiariausi statistinės analizės metodai (pvz., logistinė, Kokso regresijos), tačiau yra daugelis kitų metodų, kurie yra vizualiai suprantamesni vartotojui, ar patobulinti „senieji“ metodai.
Buvo taikyta logistinė regresija stebint pacientus ilgesnį laikotarpį, kai buvo analizuojami mirties atvejai per kiekvienus nuo stebėjimo pradžios praėjusius metus. Toks analizės būdas buvo pasirinktas, nes nėra atlikta daug mokslinių tyrimų, kuriuose duomenys analizuojami taikant logistinę regresiją kiekvieniems stebėjimo metams atskirai. Buvo taikyti ir kiti, retai medicininių duomenų analizėje taikomi, metodai – Aleno adityvinė regresija, pagrindinių komponenčių analizė, sprendimų medžiai.
Darbo praktinė reikšmė. ŠKL yra viena dažniausių susirgimo bei
mir-ties priežasčių ne tik Lietuvoje, bet ir kitose Europos šalyse, todėl labai svarbu kuo anksčiau užkirsti kelią šių ligų atsiradimui. Vienas iš būdų – visuomenės informavimas kuo aiškiau ir suprantamiau pateikiant rizikos veiksnius bei tikimybes juos turint mirti nuo ŠKL. Šiam tikslui įgyvendinti buvo sukurta internetinė skaičiuoklė. Naudodamasis šia skaičiuokle, kiekvienas asmuo, atlikęs nesudėtingus galimų rizikos veiksnių lygių įvedimo į skaičiuoklę veiksmus, gali apsiskaičiuoti savo tikimybę mirti nuo ŠKL (net nemokėda-mas jokių statistinės analizės metodų). Skaičiuoklė gali akivaizdžiai pade-monstruoti, jog pakeitus bent vieną gyvensenos įprotį, pastebimai sumažėja mirties nuo ŠKL tikimybė. Toks rizikos pokytis tikrai turėtų motyvuoti žmones susimąstyti apie savo gyvensenos keitimą, galbūt ir žalingų įpročių atsisakymą, o tai, savo ruožtu, būtų viena iš galimų ŠKL profilaktikos prie-monių.
Autorės indėlis. Darbo autorė analizavo mokslinę literatūrą apie ŠKL
16
2. LITERATŪROS APŽVALGA
2.1. Širdies ir kraujagyslių ligų epidemiologinė situacija Lietuvoje 2010–2017 m.
Lietuvoje asmenų sergamumas dažniausiai yra skaičiuojamas iš Privalo-mojo sveikatos draudimo fondo informacinės sistemos (PSDF IS) duomenų bazės [1]. Sergamumo rodikliai, kurie apskaičiuojami iš PSDF IS duomenų, apima tik tuos susirgimus, kurie buvo užregistruoti asmens sveikatos priežiūros įstaigose.
Analizuojant Lietuvos Sveikatos apsaugos ministerijos Higienos insti-tuto Sveikatos informacijos centro pateiktus 2017 m. duomenis matome, kad 18–64 m. amžiaus asmenų grupėje kraujotakos sistemos ligos (175,3/1000 gyventojų) sudaro didelę dalį tarp sergančiųjų asmenų (didžiausi sergamumo rodikliai buvo sergamumo kvėpavimo sistemos ligomis (246,8/1000 gyven-tojų) ir jungiamojo audinio bei raumenų skeleto (191,1/1000 gyvengyven-tojų) ligomis), tačiau vyresniojo amžiaus asmenų grupėje (>65 m.) kraujotakos sistemos ligos šokteli į pirmąją vietą – 678,4/1000 gyventojų, o po jų seka akių ir jos priedinių organų (264,8/1000) bei jungiamojo audinio ir raumenų skeleto (269,6/1000) ligos [1].
Atsižvelgiant į lytį, vyrų sergamumas kraujotakos sistemos ligomis 2017 m. buvo šiek tiek didesnis negu 200/1000 gyventojų, tačiau moterų jis buvo daugiau negu 270/1000 gyventojų [1].
2.1.1 lentelėje pateikti duomenys apie suaugusiųjų (18 metų ir vyresnių) sergamumą ŠKL 2013–2017 metais. Matyti, kad sergamumo hipertenzinėmis ligomis rodikliai ženkliai padidėjo 2017 m. lyginant su 2013 m. (240,4/1000
vs 229,9/1000 gyventojų), tačiau galima pastebėti, kad sergamumo IŠL
rodikliai mažėjo kiekvienais pateiktaisiais metais.
2.1.1 lentelė. Asmenų, kuriems Lietuvos sveikatos priežiūros įstaigose
užre-gistruotos ligos, ŠKL skaičius skirtingais metais (suaugusieji – 18 metų ir vyresni)
Susirgimas Kodas 2013 m. 2014 m. 2015 m. 2016 m. 2017 m. 1000 gyventojų Hipertenzinės ligos I10–I15 229,9 234,1 228,6 233,1 240,4 Išeminė širdies liga I20–I25 76,6 73,1 69,4 67,0 66,7
Miokardo infarktas I21–I22 3,3 3,5 3,6 3,6 4,1
Cerebrovaskulinės
Remiantis Higienos instituto Sveikatos informacijos centro duomenimis galima matyti, kad 2010, 2016 ir 2017 metais kraujotakos sistemos ligos su-darė daugiau negu 56 proc. visų mirties priežasčių (2.1.2 lentelė) [1, 2]. Vien tik mirtys nuo IŠL sudarė virš 35 proc. tarp visų mirusiųjų minėtaisiais metais. Mirtingumo nuo hipertenzinių ligų dalis padidėjo 2017 m. iki 2,3 proc., kai tuo tarpu 2010 m. ši dalis tarp visų mirusiųjų buvo 1,4 proc. Mirčių rodikliai nuo IŠL ir cerebrovaskulinės ligos 100 000 gyventojų padidėjo 2016 m. lyginant su 2010 m. (529,7 ir 195,2 vs 487,9 ir 185,9, atitinkamai), tačiau 2017 m. šie mirtingumo rodikliai nuo minėtų ligų sumažėjo (512,5 vs 189,9, atitinkamai), o mirčių rodikliai 100 000 gyventojų nuo hipertenzinių ligų pateiktaisiais metais didėjo (18,3, 21,8, 32,3, atitinkamai).
2.1.2 lentelė. Mirtingumas Lietuvoje pagal ŠKL mirties priežastis skirtingais
metais
Mirties
priežastis Kodas Mirusiųjų skaičius (proc.*) 100 000 gyventojų tenka mirusiųjų 2010 m. 2016 m. 2017 m. 2010 m. 2016 m. 2017 m. Iš viso
mirusiųjų A00–Y89 42 120 (100,0) (100,0) 41 106 (100,0) 1359,9 1433,1 1419,2 40142 Kraujotakos
sistemos ligos I00–I99 23 627 (56,1) 23 103 (56,2) 22 511 (56,1) 762,8 805,5 759,9 Hipertenzinės
ligos I10–I15 (1,4) 576 (1,5) 625 (2,3) 913 18,3 21,8 32,3 Išeminė širdies
liga I20–I25 15 112 (35,9) 15 194 (37,0) 14 496 (36,1) 487,9 529,7 512,5
Cerebrovasku-linės ligos I60–I69 (13,7) 5759 (13,6) 5598 (13,4) 5368 185,9 195,2 189,9 * – visais atvejais procentinė dalis skaičiuota nuo bendro mirusiųjų skaičiaus.
Taip pat įdomu apžvelgti situaciją, koks buvo mirtingumas nuo ŠKL vidutinio ir pagyvenusio amžiaus asmenų grupėse (2.1.4 lentelė) [2]. 70–74 metų amžiaus grupėje mirties nuo kraujotakos sistemos ligų dalis tarp visų mirusiųjų pasiekia 50 proc. ribą, o 85 metų ir vyresnių asmenų grupėje, šis rodiklis 2017 m. padidėjo net iki 76,9 proc. Vyrų ir moterų mirtingumas nuo minėtų ligų pateiktose amžiaus grupėse gana pastoviai didėja senstant, tačiau šie rodikliai ženkliai šokteli nuo 80–84 metų amžiaus grupės.
2.1.3 lentelė. Mirtingumas Lietuvoje nuo ŠKL atsižvelgiant lytį 2017 m.
Mirties priežastis Kodas Iš viso Mirusiųjų skaičius (proc.*) Vyrai Moterys Iš viso mirusiųjų A00–Y89 40 142 19 286 20 856 Kraujotakos sistemos ligos I00–I99 22 511 (56,1) 9286 (48,2) 13 225 (63,4) Lėtinės reumatinės širdies
ligos I05–I09 46 (0,11) 16 (0,08) 30 (0,14)
Hipertenzinės ligos I10–I15 913 (2,27) 361 (1,87) 552 (2,65) Išeminės širdies ligos I20–I25 14 496 (36,1) 6004 (31,1) 8492 (40,7) Miokardo infarktas I21–I22 1145 (2,85) 562 (2,91) 583 (2,80) Kitos išeminės širdies ligos I20,
I24–I25 13 351 (33,3) 5442 (28,2) 7909 (37,9) Kitos širdies ligos I30–I33,
I39–I52 774 (1,93) 504 (2,61) 270 (1,29) Cerebrovaskulinės ligos I60–I69 5368 (13,4) 1950 (10,1) 3418 (16,4)
Insultas I60–I64 3267 (8,14) 1266 (6,56) 2001 (9,59)
Aterosklerozė I70 152 (0,38) 86 (0,45) 66 (0,32)
2.1.4 lentelė. Mirtingumas Lietuvoje nuo ŠKL atsižvelgiant į lytį 2017 m. ir
amžiaus grupes
Mirties priežastis 45–49 m. 50–54 m. 55–59 m. 60–64 m. 65–69 m. Mirusiųjų skaičius (proc.*) Visos priežastys Iš viso 1003 1433 2213 2600 3287
Vyrai (71,5) 717 (71,9) 1030 (70,9) 1569 (70,2) 1824 (64,3) 2115 Moterys (28,5) 286 (28,1) 403 (29,1) 644 (29,9) 776 (35,7) 1172 Kraujotakos
sistemos ligos Iš viso (26,2) 263 (28,3) 405 (34,0) 752 (38,5) 1001 (42,7) 1402 Vyrai (29,8) 214 (31,7) 326 (37,8) 593 (40,6) 741 (44,3) 937 Moterys (17,1) 49 (19,6) 79 (24,7) 159 (33,5) 260 (39,7) 465 70–74 m. 75–79 m. 80–84 m. 85 m. ir vyresni Visos priežastys Iš viso 3706 5325 6706 11 985
Vyrai (57,1) 2115 (49,8) 2651 (39,4) 2640 (26,9) 3229 Moterys (42,9) 1591 (50,2) 2674 (60,6) 4066 (73,1) 8756 Kraujotakos
sistemos ligos Iš viso (50,7) 1880 (55,2) 2940 (65,6) 4399 (76,9) 9219 Vyrai (50,0) 1058 (52,3) 1387 (60,6) 1599 (69,0) 2229 Moterys (51,7) 822 (58,1) 1553 (68,9) 2800 (79,8) 6990
* – visais atvejais procentinė dalis skaičiuota nuo visų mirusiųjų skaičiaus konkrečioje grupėje.
2.2. Širdies ir kraujagyslių ligų epidemiologinė situacija Europoje ir Pasaulyje
Europoje 2015 m. buvo užregistruota 11,3 mln. naujų ŠKL atvejų (5,4 mln. tarp vyrų ir 5,8 mln. tarp moterų) [15]. Šiek tiek daugiau negu pusę naujų sergamumo ŠKL atvejų sudarė IŠL (šiek tiek daugiau vyrų sirgo IŠL (2,97 mln.) negu moterų (2,78 mln.)), tačiau priešingai, insulto dažnis, kuris sudarė apie 14 proc. visų naujų ŠKL atvejų Europoje, buvo šiek tiek didesnis moterų (880 000) negu vyrų (680 000) grupėje. Europos Sąjungoje 2015 m.
(1,63 mln. vyrų ir 1,4 mln. moterų sirgo IŠL), o insultu sirgo 286 000 vyrų ir 340 000 moterų).
Europos šalyse 2015 m., kuriose buvo prieinami duomenys, standartizuotas pagal amžių ŠKL paplitimas buvo didesnis vyrų negu moterų. ŠKL paplitimo vidutinis rodiklis Europos Sąjungos šalyse buvo mažesnis (6308/100 000 vyrų ir 4921/100 000 moterų) negu Europos šalių vidurkis (7147/100 000 vyrų ir 5612/100 000 moterų). Europos Sąjungoje ŠKL paplitimas kito nuo 5099/100 000 Italijoje iki 9403/100 000 Slovakijoje tarp vyrų ir nuo 3975/100 000 Italijoje iki 7135/100 000 Čekijoje tarp moterų. Už Europos Sąjungos ribų ŠKL paplitimas svyravo nuo 5908/100 000 Šveicarijoje iki 9171/100 000 Rusijoje tarp vyrų ir nuo 3941/100 000 Izraelyje iki 7392/ 100 000 Turkijoje tarp moterų [15].
Analizuojant standartizuotus 2017 m. mirtingumo nuo visų priežasčių rodiklius ES ir ELPA šalyse (100 000 gyventojų), Lietuva yra trečioje vietoje po Bulgarijos ir Latvijos, o kalbant apie mirtingumą nuo ŠKL, Lietuva yra ketvirtoje vietoje po Bulgarijos, Latvijos bei Rumunijos, kuriose mirtingumo rodikliai buvo didžiausi [1].
2016 m. Pasaulyje pirmąją vietą pagal mirčių skaičių sudarė ŠKL [16]. Ši mirties priežastis buvo nustatyta 17,65 mln. (32,3 proc.) asmenų. Taip pat nemaža dalis asmenų mirė nuo vėžio (16,3 proc.) ar kvėpavimo ligų (6,5 proc.). 50–69 metų amžiaus grupėje ši mirties priežastis buvo nustatyta 5,14 mln. asmenų, o 70 metų ir vyresnių asmenų grupėje nuo šios ligos mirė net 11,1 mln. asmenų.
Remiantis Pasaulio sveikatos organizacijos duomenimis (PSO) (2.2.1 len-telė), mirusiųjų skaičius 100 000 gyventojų nuo hipertenzinių ligų, Lietuvoje 2016 m. buvo 9,1. Labai didelis mirtingumas nuo hipertenzinių ligų buvo Uzbekistane (2014 m. 108,7/100 000), Egipte (2015 m. 95/100 000), tačiau Juodkalnijoje (2009 m.) teko 0,1 mirtis 100 000 gyventojų [17].
Kalbant apie mirtis nuo IŠL, Lietuvoje 2016 m. buvo 195,4 mirtys 100 000 gyventojų, o Ukrainoje ir Kirgizijoje 2015 m. buvo užfiksuoti ženkliai didesni mirtingumo rodikliai nuo IŠL 100 000 gyventojų (323,9 ir 314,3 mirtys, atitinkamai).
2.2.1 lentelė. Mirtingumas nuo ŠKL Europoje ir Pasaulyje (100 000
gyven-tojų)
Šalis
Hipertenzinės
ligos Išeminės širdies ligos Cerebrovaskulinės ligos Rodiklis Metai* Rodiklis Metai* Rodiklis Metai*
22
2.2.1 lentelės tęsinys
Šalis Hipertenzinės ligos Išeminės širdies ligos Cerebrovaskulinės ligos Rodiklis Metai* Rodiklis Metai* Rodiklis Metai*
Nyderlandai 3,2 2016 21,3 2016 21,8 2016 Norvegija 3,3 2015 34,8 2015 20,1 2015 Portugalija 6,9 2014 28,3 2014 38,1 2014 Prancūzija 4,5 2014 18,8 2014 16 2014 Rumunija 62,1 2016 112,9 2016 94 2016 Rusijos Federacija 7,5 2015 193,4 2015 111,3 2015 Serbija 35,9 2015 60,9 2015 75,3 2015 Slovakija 13,7 2014 137,7 2014 54,5 2014 Slovėnija 11,7 2015 42,7 2015 35,5 2015 Suomija 10,8 2015 66,6 2015 27,8 2015 Švedija 7,6 2016 42,8 2016 20,8 2016 Šveicarija 11,7 2015 32 2015 15 2015 Turkija 19,3 2015 81,2 2015 48,4 2015 Turkmėnistanas 62,2 2015 222,6 2015 121,2 2015 Ukraina 0,8 2015 323,9 2015 94,6 2015 Uzbekistanas 108,7 2014 220,8 2014 74,8 2014 Vengrija 38,7 2016 135,4 2016 47,1 2016 Vokietija 14,6 2015 51,9 2015 22,1 2015
* – paskutiniųjų surinktų metų duomenys.
2.3. Pagrindiniai širdies ir kraujagyslių ligų rizikos veiksniai
Pagal 2017 m. Pasaulinius duomenis, pagrindiniai penki rizikos veiksniai visoms mirčių priežastims (55,95 mln. mirčių buvo užregistruoti šiais metais)
buvo aukštas kraujospūdis (10,44 mln. mirčių), rūkymas (7,1 mln. mirčių),
didelis gliukozės kiekis kraujyje (6,53 milijonai mirčių), didelis KMI (nutukimas) (4,72 mln. mirčių) bei oro tarša (2,94 mln. mirčių) [16]. Taip pat
23
rūkymas – 2,96 mln. mirčių, didelis gliukozės kiekis kraujyje – 2,08 mln. mirčių, didelis KMI (nutukimas) buvo susijęs su 1,99 mln. mirčių, alkoholio vartojimas – 1,5 mln. mirčių). Lietuvoje – aukštas kraujospūdis buvo sieja-mas su 2812 mirties atvejų (27 proc.), rūkysieja-mas – su 2584 mirtimis (25 proc.), alkoholio vartojimas – su 2012 (19 proc.), didelis KMI (nutukimas) – su 1690 (16 proc.), didelis gliukozės kiekis kraujyje – su 931 (9 proc.) mirties atveju. 70 metų ir vyresnių asmenų grupėje, šie rizikos veiksniai dar labiau didino mirčių skaičių [16].
EUROASPIRE IV (angl. European Action on Secondary and Primary
Prevention by Intervention to Reduce Events IV) tyrimu buvo siekta nustatyti
pagrindinių koronarinės širdies ligos rizikos veiksnių paplitimą Europos šalyse [18]. Remiantis šio tyrimo duomenimis autoriai nustatė, kad Lietuva priskiriama prie šalių, kuriose dislipidemijos (79,0 proc. Lietuvoje; 59,8 proc. Europoje), AH (57,8 proc. Lietuvoje; 42,7 proc. Europoje), nutukimo (45,0 proc. vs 37,6 proc.) ir rūkymo (18,0 proc. vs 16,0 proc.) dažnis yra vienas didžiausių Europoje, tačiau cukrinio diabeto dažnis tarp sergančiųjų koronarine širdies liga Lietuvos gyventojų buvo vienas mažiausių Europoje (18,6 proc. vs 26,8 proc.).
Abdonas Tamošiūnas ir kt. analizavo 45–64 metų amžiaus Lietuvos gyventojų dviejų sveikatos tyrimų duomenis. Šie tyrimai buvo vykdomi tarp 1986 m. ir 2008 m. [19]. Mokslininkai nustatė, jog vidutinis SKS statistiškai reikšmingai padidėjo nuo 141,8 mm Hg (1986–1987 m.) iki 145,5 mm Hg (2006–2008 m.) vyrų grupėje, o moterų grupėje – statistiškai reikšmingai sumažėjo nuo 142,3 mm Hg iki 139,8 mm Hg per tą patį laikotarpį. Vyrų grupėje AH paplitimas statistiškai reikšmingai padidėjo nuo pirmojo tyrimo (62,7 proc.) iki paskutiniojo tyrimo (74,0 proc.), o moterų grupėje – šio rizikos veiksnio paplitimas statistiškai reikšmingai nepakito. Per tą patį tyrimo laikotarpį statistiškai reikšmingai padidėjo vidutinis vyrų KMI, o moterų – reikšmingai sumažėjo. Mokslininkai taip pat analizavo ir MTL cholesterolio koncentracijos pokyčius ir nustatė, jog vidutinis MTL choleste-rolio kiekis kraujyje vyrams sumažėjo 16,2 proc., o moterims – 20,5 proc. Analizuojant DTL cholesterolio koncentracijos pokyčius nustatyta, jog vyrų grupėje šios lipidų rūšies koncentracija vidutiniškai padidėjo 0,08 mmol/l, o moterų – 0,09 mmol/l. Per 20 metų laikotarpį, tarp vyrų reguliaraus rūkymo paplitimas padidėjo 1,2 karto (nuo 36,5 iki 44,6 proc.), o tarp moterų – padidėjo net 6 kartus (nuo 2,6 iki 15,7 proc.).
įvardina koreguojamus (fizinis aktyvumas, stresas, rūkymas, alkoholio varto-jimas, cholesterolis, arterinė hipertenzija, KMI) ir nekoreguojamus (cukrinis diabetas, šeimos ŠKL istorija, amžius, lytis) ŠKL rizikos veiksnius [20].
Fizinis aktyvumas bet kuriame amžiuje apsaugo nuo daugelio lėtinių sveikatos problemų, įskaitant ir ŠKL [21–23]. Tyrimų duomenimis nustatyta, kad vidutinio intensyvumo fizinė veikla (daugiau kaip 150 minučių kiekvieną savaitę ar valanda didelio intensyvumo fizinio aktyvumo kiekvieną dieną) sumažina ŠKL riziką [21]. Žmonėms, kurie serga cukriniu diabetu, vaikščio-jimas, manoma, kad sumažina gliukozės kiekį kraujyje, o tai mažina cukrinio diabeto poveikį kraujagyslių sistemai [20].
Stresas, depresija ir nerimas – galimi ŠKL rizikos veiksniai [24–26]. Kalbant apie biologinius mechanizmus, yra vis daugiau įrodymų, susiejančių depresiją su uždegiminiais procesais bei padidinta miokardo išemijos rizika [27]. Stresas taip pat gali būti veiksnys, dėl kurio žmogus pradės rūkyti, vartoti alkoholį ar blogai maitintis, o ir šie veiksniai turi neigiamą poveikį ŠKL. Vienas iš būdų, kaip sumažinti stresą – reguliari fizinė veikla (važinėji-mas dviračiu, bėgioji(važinėji-mas ir kt.), o tai dar viena priežastis, kodėl svarbu išlai-kyti aktyvų gyvenimo būdą. Streso mažinimas yra susijęs su pagerėjusiais širdies veiklos rezultatais [28]. Psichinio streso sukelta miokardo išemija yra paplitęs rizikos veiksnys pacientams, sergantiems IŠL, tačiau paskutiniu metu daugiausiai tiriami pacientai su fizinio krūvio sukelta miokardo išemija [29]. Psichinio streso sukelta išemija įvyko 43,5 proc., o fizinio krūvio sukelta išemija įvyko 33,8 proc. tiriamųjų. Pacientai, kurie nebuvo susituokę ir pacientai, kurie gyvena vieni, buvo labiau linkę turėti psichinio streso sukeltą išemiją.
ligos riziką [37]. Cholesterolis yra žmogaus organizmo ląstelių membranoms bei hormonams reikalinga medžiaga. Žmogaus organizmas pasigamina cholesterolį, jo taip pat gauname su gyvūninės kilmės maistu. Cholesterolis kraujyje pernešamas lipoproteinų (MTL ir DTL) pagalba. Didelis MTL cholesterolio kiekis sukelia aterosklerozę, todėl padidėja MI ir išeminio GSI rizika. Didesnė DTL cholesterolio koncentracija susijusi su mažesne ŠKL rizika [20]. Estrogenas padidina DTL cholesterolį, kas iš dalies paaiškina mažesnę ŠKL riziką moterims iki menopauzės pradžios [38].
Moses Elisaf ir kt. tyrimų rezultatai atskleidžia, kad dislipidemija buvo dažniausias ŠKL rizikos veiksnys, po to sekė hipertenzija ir 2 tipo cukrinis diabetas [39]. Didelis trigliceridų kiekis kartu su dideliu MTL cholesterolio kiekiu pagreitina aterosklerozės išsivystymą padidindamas MI ir GSI riziką. Minėti autoriai taip pat teigia, jog dabartiniais gydymo metodais, kontro-liuojant aukštą kraujospūdį, lipidų kiekį serume buvo įrodytas veiksmingu-mas eksperimentiniuose klinikiniuose tyrimuose ir pavyko realiai sumažinti sergamumą ir mirtingumą nuo ŠKL.
Nustatyta, kad nesaikingas alkoholio vartojimas kenkia širdies raume-nims, padidina GSI ir širdies aritmijos riziką [40–42]. Visame Pasaulyje alkoholio vartojimas (vartojant didelius alkoholio kiekius vienu metu) sukelia apie 2,5 mln. mirčių ir yra 4,5 proc. įvairių ligų priežastis [20]. Naujausi tyrimai patvirtino, kad dažnas ir dideliais kiekiais alkoholio vartojimas (>14 standartinių alkoholio vienetų per savaitę moterims ir >21 standartinių alkoholio vienetų per savaitę vyrams) ir dažnas epizodinis alkoholio gėrimas yra susijęs su padidėjusia mirtingumo nuo ŠKL rizika [43], o taip pat nuro-doma, jog priešingai anksčiau buvusiai nuomonei, mažų ar vidutinių alkoholio kiekių vartojimas neturi apsauginio poveikio nuo kardiovaskulinių ar cerebrovaskulinių įvykių.
Arterinė hipertenzija (apie 970 mln. asmenų turi padidėjusį kraujospūdį visame Pasaulyje) yra IŠL rizikos veiksnys ir vienas svarbiausių GSI rizikos veiksnių. Ji sukelia apie 50 proc. IŠL ir padidina hemoraginio GSI riziką. PSO hipertenziją vertina kaip vieną iš svarbiausių ankstyvos mirties priežas-čių visame Pasaulyje. Apskaičiuota, kad 2025 m. bus 1,56 mlrd. suaugusiųjų, turinčių aukštą kraujospūdį [20]. Gyvenimo būdo pokyčiai, įskaitant ir mity-bos pakeitimus, ir padidėjusį fizinį aktyvumą, yra veiksmingi mažinant krau-jospūdį ir užkertant kelią hipertenzijai bei jos ŠKL pasekmėms [39, 44–48].
Arterinė hipertenzija, dislipidemija, cukrinis diabetas – daugiausiai
26
daugiau su neįprasta kairiojo skilvelio struktūra ir padidėjusiu ŠKL sergamu-mu ir mirtingusergamu-mu [52]. Anthony A. Bavry ir kt. tikslas buvo nustatyti rizikos balus, kurie padėtų prognozuoti svarbius nepageidaujamus reiškinius. Turimi klinikiniai kintamieji (amžius, gyvenamoji vieta, KMI, širdies ritmo gydy-mas, kraujospūdis, buvęs MI, širdies nepakankamugydy-mas, GSI / praėjęs smege-nų išemijos priepuolis, rūkymas, cukrinis diabetas, periferinė arterijų liga ir lėtinė inkstų liga) gali padėti lengvai ir greitai stratifikuoti pacientus, sergan-čius hipertenzija ir lėtine stabilia IŠL, į rizikos kategorijas (mažos rizikos grupė: 0–4 balai, vidutinės rizikos grupė: 5–6 balai, aukštos rizikos grupė: 7–11 ir daugiau) [53].
Turint viršsvorį, gali išsivysti hipertenzija, cukrinis diabetas, ateroskle-rozė, o tai gali sąlygoti didelę ŠKL riziką [20, 40]. Per pastaruosius dešimt-mečius, nutukimo paplitimas visame Pasaulyje smarkiai didėjo nepriklau-somai nuo šalies išsivystymo lygio, asmenų lyties ar amžiaus. Visoje popu-liacijoje nutukimas, ypač sunkus nutukimas (kai KMI>35 kg/m2), yra stipriai susijęs su didesne ŠKL ir ŠKL mirtingumo rizika [54]. Atlikus 520 000 Euro-pos asmenų analizę nustatyta, jog nepriklausomai nuo KMI, metaboliškai nesveiki asmenys turėjo didesnę koronarinės širdies ligos riziką negu meta-boliškai sveiki asmenys ir atvirkščiai, nepriklausomai nuo medžiagų apykai-tos, turintiems antsvorį ir nutukusiems žmonėms didesnė koronarinės širdies ligos rizika negu liesiems asmenims [55].
Jei abu tėvai sirgo širdies liga iki 55 metų amžiaus, tai vaikui rizika susirgti širdies ligomis padidėja iki 50 proc. lyginant su bendra populiacija. GSI atveju manoma, kad hipertenzijos paveldėjimas yra esminis išeminio GSI rizikos veiksnys [20].
Cukriniu diabetu sergantiems pacientams didesnė rizika susirgti MI ar GSI lyginant su pacientais, kurie juo neserga [56, 57]. Nacionalinėje Jungti-nių Amerikos Valstijų suaugusiųjų asmenų populiacijoje cukrinis diabetas buvo susijęs su 18 proc. padidėjusiu mirtingumu nuo ŠKL [58]. Taip pat 2–3 kartus padidėja rizika išsivystyti širdies nepakankamumui. Moterys iki meno-pauzės, sergančios cukriniu diabetu, turi didesnę riziką susirgti ŠKL, nes cukrinis diabetas panaikina estrogeno apsauginį poveikį. Jeigu pacientas serga cukriniu diabetu ir arterine hipertenzija, tai maždaug dvigubai didesnė tikimybė, kad jis patirs GSI lyginant su pacientu, kuriam nustatyta tik arterinė hipertenzija [20].
27
Ilgainiui su amžiumi susijusios ŠKL prisideda prie gyvenimo kokybės blogė-jimo ir gebėblogė-jimo sunkiau atlikti įprastą kasdieninę veiklą.
Vyrams yra būdinga didesnė ŠKL rizika negu moterims iki menopauzės, tačiau praėjus menopauzei, moterų rizika tampa panaši į vyrų. GSI rizika yra panaši tiek vyrams, tiek ir moterims [20].
2.4. Medicinoje taikomi statistinės analizės metodai ligų rizikos prognozei
Dažniausiai analizuojant medicininius duomenis, ar kai norima atlikti prognozę dvireikšmiui priklausomam kintamajam (mūsų analizuojamu atveju IŠL, ŠKL; mirtis nuo ŠKL atskiriems aštuoneriems stebėjimo laikotarpiams), taikoma dvinarė logistinė regresija [60–62], tačiau pasitaiko ir mokslinių straipsnių, kur autoriai naudoja ir PKA ir / ar SM medicininių duomenų analizėje, nors tai nėra labai dažnai naudojami statistinės analizės metodai medicininių duomenų analizei [63–68].
Jyoti Soni ir kt. savo darbe pateikė, kad SM algoritmas buvo tiksliausias metodas prognozuojant ŠKL lyginant su kitais rizikos klasifikavimo metodais (pvz., neuroniniais tinklais ar Naive Bayes) [69].
Dursun Delen ir kt. savo darbe taikė du populiarius duomenų gavybos algoritmus (dirbtinius neuroninius tinklus ir SM) kartu su dažniausiai naudo-jama logistine regresija, siekiant sukurti prognozavimo modelius, naudojant didelį duomenų rinkinį (daugiau negu 200 000 atvejų). Taip pat buvo naudojamas ir 10-klosčių (angl. 10-fold) kryžminis patikrinimas, kad būtų galima įvertinti trijų prognozavimo modelių rezultatus. Tyrimų duomenimis nustatyta, kad SM (C5 algoritmas) geriausiai atliko prognozę (jo tikslumas 93,6 proc.), dirbtinių neuroninių tinklų tikslumas buvo 91,2 proc., o logistinės regresijos modelių tikslumas buvo 89,2 proc. [70].
Naudojant klasifikavimo medžius ir logistinę regresiją MI diagnostikai, Christine L. Tsien ir kt. nustatė, kad klasifikavimo medžiai turi daugiau pranašumų, lyginant su LR modeliais, diagnozuojant pacientams MI [71]. Logistinė regresija ir neuroniniai tinklai taip pat taikomi, norint prognozuoti mirties atvejus pacientams, kuriems įtariamas sepsis gulint intensyvios terapijos skyriuje [72].
Alexandros C. Dimopoulos ir kt. analizavo ATTICA tyrimo (n = 2020 suaugusiųjų) asmenų duomenis. Pacientų įtraukimas į tyrimą vyko 2001 m. vasarį – 2011 m. gruodį [67]. Buvo lyginami trijų mašininio mokymosi algo-ritmai (k-artimiausio kaimyno algoritmas, atsitiktiniai miškai (angl. random
forest) ir sprendimų medis) vertinant tikimybę įvykti ŠKL per 10 metų.
Vienas paprasčiausių klasifikatorių – k-artimiausio kaimyno algoritmas, tačiau jis gana efektyvus. Pagrindinis principas yra tas, kad duomenų rinkiniai paprastai būna labai panašūs. SM klasifikatorius naudoja medžio struktūrą, kad rastų ryšius tarp duomenų, todėl sprendimų priėmimo procesas yra gana informatyvus ir lengvai suprantamas. Medžio struktūra klasifikuoja atvejus pagal savybių reikšmes. Atsitiktiniai miškai pagrįsti medžio struktūros klasi-fikatoriumi, kuris suteikia papildomos įvairovės sukurtam medžio modeliui. Atsitiktinių miškų modeliai yra tinkamesni negu kiti medžių klasifikatoriai, nes jie yra mažiau linkę „persimokyti“, tačiau skirtingai negu SM, ne visada lengvai interpretuojami. Autoriai pateikė išvadas, kad atsitiktiniai miškai davė geriausius rezultatus, o k-artimiausio kaimyno metodas – blogiausius, kai buvo analizuojami ŠKL duomenys. Alejandro Salcedo-Bernal ir kt. taip pat taikė LR, neuroninius tinklus, SM ir artimiausio kaimyno metodą medicininių duomenų analizei [74].
Baolin Wu ir kt. lygino kelių klasių statistinius metodus vėžio klasifika-vimui, remiantis masių spektrometrijos spektrais [75]. Šie metodai apėmė: tiesinę diskriminantinę analizę, kvadratinę diskriminantinę analizę, k-arti-miausio kaimyno klasifikatorių, pakavimo ir auginimo klasifikavimo me-džius, atraminių vektorių metodą ir atsitiktinius miškus. Išvardinti metodai buvo taikomi analizuojant kiaušidžių vėžio ir kontrolinio serumo mėginiams iš Nacionalinio kiaušidžių vėžio ankstyvojo diagnozavimo programos Šiaurės Vakarų universiteto ligoninėje. Autoriai nustatė, kad analizuojant masių spektrometrijos duomenis, atsitiktinių miškų metodas pranoko kitus metodus. Lem Moye savo moksliniame straipsnyje apžvelgia statistinius metodus ŠKL duomenų tyrėjams [76]. Autorius nurodo, jog išgyvenamumo analizė kartu su Kokso regresija ir logistine regresija yra tokios regresijos procedūros, kuriose atsako kintamasis yra dvireikšmis arba tai atsako kintamojo ir tolydaus kintamojo derinys (laikas iki įvykio). Kadangi ne visada yra žinomas kiekvieno tiriamojo išgyvenamumo laikas, todėl tyrėjams naudingiausia yra naudoti Kaplano-Mejerio kreives ir Kokso regresinę analizę. Autorius pataria, kad statistinė analizė būtų atliekama kuo paprasčiau.
Kokso regresija ir Kaplano-Mejerio išgyvenamumo kreivės dažniausiai taikomos prognozuoti mirties rizikai [78–83].
Aleno adityvinė ir Kokso regresijos yra tinkamos naudoti analizuojant medicininius duomenis [84–86]. Analizuojant krūties vėžio išgyvenamumą Alireza Abadi ir kt. nustatė, kad Aleno adityvinis modelis, kai netenkinama proporcingosios rizikos prielaida, yra tinkama alternatyva Kokso modeliui. Jeigu ši prielaida tenkinama, tuomet abu modeliai yra taikytini [87].
2.5. Skaičiuoklių, vertinti individualią mirties nuo širdies ir kraujagyslių ligų riziką, apžvalga
Norint apsiskaičiuoti individualią riziką mirti nuo ŠKL, yra naudojamos įvairios rizikos skaičiuoklės (dažniausiai internetinės), kurios pakankamai lengvai prieinamos šiuolaikiniams vartotojams, tačiau dauguma iš jų yra pateikiamos anglų kalba, o rizikos vertinimo rezultatai pateikiami tiesiog išvedant ekrane apskaičiuotą rizikos dydį bei pateikiant rekomendacijas. Lie-tuvių kalba pavyko rasti gerai žinomas SCORE (angl. Systematic COronary
Risk Evaluation) lenteles, kurios leidžia įvertinti ŠKL mirties riziką per 10
metų priklausomai nuo Europos regiono [88]. Šios lentelės pagrįstos kintamaisiais: lytis, amžius (40–65 m.), bendrasis cholesterolis, sistolinis kraujospūdis ir rūkymo įpročiai. Žemos rizikos lenteles turėtų naudoti toliau nurodytų šalių atitinkamo amžiaus gyventojai: Andoros, Austrijos, Belgijos, Kipro, Danijos, Suomijos, Prancūzijos, Vokietijos, Graikijos, Airijos, Islan-dijos, Izraelio, Italijos, Liuksemburgo, Maltos, Monako, Nyderlandų, Norve-gijos, Portugalijos, San Marino, Slovėnijos, Ispanijos, Švedijos, Šveicarijos ir Anglijos. Aukštos rizikos kategorijai priklauso šios šalys: Albanija, Alžy-ras, Bosnija ir Hercegovina, Kroatija, Čekija, Egiptas, Estija, Vengrija, Koso-vas, Libanas, Libija, Juodkalnija, Marokas, Lenkija, Rumunija, Serbija, Slovakija, Sirija, Tunisas ir Turkija. Labai aukštos rizikos šalys: Armėnija, Azerbaidžanas, Baltarusija, Bulgarija, Gruzija, Kazachstanas, Kirgizija, Latvi-ja, buvusioji Jugoslavijos Respublika, MakedoniLatvi-ja, Moldova, Rusijos Federa-cija, Ukraina, Uzbekistanas ir Lietuva.
Lietuvių kalba yra sukurtas internetinis puslapis, kuriame pateikiama aukštos rizikos regionų SCORE lentelė, kur suvedus reikiamus SCORE skalės kintamuosius ekrane tiesiog išvedama rizika mirti per 10 metų nuo ŠKL [89]. Lietuvos širdies asociacija pateikia SCORE skaičiuoklės lietuvišką versiją, kur pateikiamos ir SCORE rizikos lietuviškai išverstos bei pa-aiškintos lentelės [90].
Bostono universitetas bei Nacionalinis širdies, plaučių ir kraujo institutas atliko ilgalaikį ŠKL projektą „Framingham Heart study“ [91]. Šiame projekte dalyvavę mokslininkai sukūrė skaičiuoklę, kurios pagalba galima apsiskaičiuoti individualią riziką mirti per 10 metų nuo sunkios koronarinės širdies ligos (MI ar koronarinė mirtis). Šios skaičiuoklės ribotumas: asmenys neturėtų būti sirgę IŠL, protarpiniu šlubumu ar cukriniu diabetu, bei rizika skaičiuojama 30–79 metų amžiaus asmenims. Vertinami kintamieji: amžius, bendrasis cholesterolis, DTL cholesterolis, sistolinis kraujospūdis, hipertenzi- jos gydymas, rūkymo įpročiai. Kiekvienai kintamojo kategorijai yra priskiriamas balas ir tokiu būdu asmuo apsiskaičiuoja bendrą balų skaičių, ir pagal tai įvertinama atitinkama mirties per 10 metų rizika. Taip pat yra pateikiami ir Kokso modelio parametrų įverčiai, kurie gali būti naudojami apskaičiuoti individualią didelės IŠL rizikos funkciją (tai suprasti asmeniui, kuris neturi pakankamai statistikos bei matematikos žinių, yra gana sudėtinga). Toks rizikos mirti rezultatų pateikimas nėra patogus, nes užima nemažai laiko, kol įvertinamas bendrasis balų skaičius, kol galiausiai nusta-tomas rizikos įvertis, todėl galima rasti nemažai internetinių puslapių, kuriuo-se pateikiama modifikuota skaičiuoklė, kurioje tereikia suvesti individualius rizikos veiksnių lygius, o rizikos reikšmė iš karto pateikiama ekrane.
psichikos ligos (tai apima šizofreniją, bipolinį sutrikimą ir vidutinio sunkumo ar sunkią depresiją), ar asmuo vartoja netipinius vaistus nuo psichozės, reguliariai vartoja steroidines tabletes, ar yra diagnozuotas ir gydomas erekcijos sutrikimas. Taip pat reikia pateikti ir cholesterolio, ir DTL choles-terolio santykį, SKS, standartinį nuokrypį bent dviejų paskutinių SKS rodmenis. Bei galiausiai įrašyti ūgį, svorį. Suvedus reikiamus duomenis, pateikiama individuali MI ar GSI rizika (proc.) per artimiausius 10 metų. Taip pat pateikiama 100 veidukų, kur vaizdžiai paaiškinta, keliems žmonėms iš 100, su turimais tokiais pačiais įvestais parametrais, gali įvykti MI ar GSI per artimiausią dešimtmetį. Pateikiamas ir apskaičiuotas KMI, bei galiausiai pateikiama suvestinė: 10 metų QRISK3 balas, sveiko asmens (tai reiškia, kad be jokių nepageidaujamų klinikinių rodiklių, pvz., stabilus SKS, kuris būtų 125, KMI = 25 kg/m2) tokio pačio amžiaus, lyties ir tautybės balas, santykinė rizika (apskaičiuota, kai asmens rizika yra padalinama iš sveiko asmens rizikos) bei asmens QRISK3 sveikos širdies amžius (tai amžius, kurį turi sveikas žmogus tos pačios lyties ir tautybės dešimties metų laikotarpyje).
Mike Bennett taip pat sukūrė ŠKL skaičiuoklę, kur prašoma nurodyti šiuos kintamuosius: amžių (35–74 metai), lytį, rūkymo įpročius šiuo metu, sistolinį kraujospūdį, bendrąjį cholesterolį, kreatininą (jeigu žinoma), ūgį, ar serga cukriniu diabetu, ar diagnozuota kairiojo skilvelio hipertrofija, ar pacientas sirgo MI, GSI [93]. Suvedus reikiamus duomenis ir paspaudus „Skaičiuoti“, pateikiama suvesta paciento informacija, paciento rizikos balas, lyginimui pateikiamas vidutinis, tos pačios lyties ir atitinkamo amžiaus intervalo, kuriam priklauso analizuojamas asmuo, rizikos balas. Taip pat pateikiama rizika mirti per 5 metus nuo ŠKL ir vidutinė rizika mirti nuo ŠKL tos pačios lyties ir panašaus amžiaus asmeniui. Grafiniu būdu pateikiamas mirtingumo rizikos eksponentinis didėjimas, atsižvelgiant į rizikos balą. Taip pat pateikiamas grafikas, kuriame yra rizikos balo kategorijos (žema, vidutinė, aukšta ir labai aukšta) kiekvienai amžiaus kategorijai, atsižvelgiant į paciento lytį.
Apibendrinimas: Aukšti sergamumo ir mirtingumo rodikliai nuo ŠKL
3. TYRIMO METODIKA IR TIRIAMIEJI
3.1. Tyrimo procedūra ir metodika
Disertacinis darbas parengtas analizuojant dviejų epidemiologinių tyri-mų duomenų bazių Rytų Europos gyventojų sveikatos, alkoholio vartojimo ir psichosocialinių veiksnių tyrimo (HAPIEE) ir Daugiafaktorinės išeminės širdies ligos prevencijos tyrimo (MIHDPT) duomenis.
Duomenys buvo renkami naudojant standartinį tyrimo protokolą ir vienodas tyrimo metodikas. Visiems tiriamiesiems buvo atlikti šie matavimai bei biocheminiai kraujo tyrimai (bendro cholesterolio kiekio kraujyje nusta-tymas, kraujospūdžio, ūgio bei svorio matavimai). Kraujospūdis buvo matuo-jamas gyvsidabriniu sfigmamanometru dešinėje rankoje tiriamajam sėdint, po 5 minučių poilsio. Matavimai buvo atliekami 2 mm Hg tikslumu. Pirmoji Korotkovo tonų fazė buvo naudojama sistoliniam kraujospūdžiui nustatyti, o penktoji tonų fazė – diastoliniam kraujospūdžiui nustatyti. Vertinant arterinį kraujospūdį, buvo apskaičiuota vidutinė dviejų matavimų reikšmė. Ūgis buvo matuojamas medicinine ūgio matuokle, rezultatą apvalinant laikantis mate-matinio apvalinimo taisyklių. Tiriamieji buvo sveriami be batų ir sunkių viršutinių rūbų standartinėmis mechaninėmis medicininėmis svarstyklėmis, o matavimų tikslumas – 0,1 kilogramas. Kūno masės indeksas (KMI) buvo apskaičiuojamas kaip svoris kilogramais padalintas iš ūgio metrais kvadratu (kg/m2). Odos raukšlės storis (mm) buvo matuojamas specialiu kaliperiu ties dešiniuoju m. triceps ir ties dešinės mentės apačia.
Bendrojo cholesterolio koncentracija kraujyje buvo nustatyta taikant Ting-Chen Huang ir kt. metodą [94]. Gliukozės koncentracija kraujyje neval-gius buvo tiesiogiai apskaičiuota naudojant orto-toluidino metodą [95]. Tyrimai buvo atlikti Lietuvos sveikatos mokslų universiteto Kardiologijos instituto laboratorijoje.
IŠL pirminio sveikatos tyrimo metu buvo nustatoma pagal šiuos krite-rijus:
1) anketinės apklausos metu nustatytas ir medicininiuose dokumen-tuose patvirtintas persirgtas ūminis MI ir / arba pokyčiai elektrokar-diogramoje, užkoduoti Minnesotos kodais (MK) 1-1 arba 1-2 [96]; 2) krūtinės angina nustatyta Geoffrey A. Rose klausimynu (be MI ir /
arba MK 1-1 arba 1-2) [97];
3) elektrokardiogramoje nustatyti išeminiai pokyčiai: MK: 1-3, 1-3, 4-1, 4-2, 4-3, 5-1, 5-2, 5-3, 6-1, 6-2, 7-1 ar 8-3 (be MI ir / arba MK 1-1, 1-2 ir be diagnozuotos krūtinės anginos).
Anksčiau įvykęs GSI buvo nustatomas remiantis anketinės apklausos duomenimis bei patvirtintas informacija apie persirgtą GSI medicininiuose dokumentuose.
Į analizuojamų asmenų grupę buvo įtraukti tik tie asmenys, kuriems buvo nustatyti visi statistinės analizės modeliuose naudojami kintamieji.
HAPIEE ir MIHDPT tyrimų duomenys buvo rinkti Kardiologijos instituto mokslininkų.
HAPIEE tyrimo duomenų bazė
Naudojant HAPIEE duomenų bazės duomenis, buvo analizuojami 45–72 metų Kauno miesto 6470 asmenų tyrimo duomenys iš 7110 asmenų, kurie dalyvavo pirminiame sveikatos tyrime 2006–2008 m. Šis tyrimas buvo pagrįstas savanorišku dalyvavimu. Statistinės analizės metu buvo naudojami šie kategoriniai gyvensenos bei socialiniai ir demografiniai kintamieji:
• lytis;
• šeiminė padėtis (susituokęs (-usi), nevedęs (-usi), išsiskyręs (-usi), našlys (-ė));
• alkoholio vartojimas (kiekvieną dieną arba beveik kiekvieną dieną, 3–4 kartus per mėnesį, mažiau negu kartą per mėnesį, niekada paskutiniais metais);
• rūkymas (reguliariai / retkarčiais, metę, niekada nerūkė);
• išsilavinimas (pradinis / pagrindinis, vidurinis, aukštesnysis, aukštasis);
• subjektyvus sveikatos vertinimas (labai blogai / blogai, vidutiniškai, gerai / labai gerai);
• gyvenimo kokybės vertinimas (prasta, vidutinė, gera / labai gera); • depresijos simptomai (nėra, yra);
arba normalus kraujospūdis (<140/90 mm Hg), jei asmuo per pasta-rąsias 2 savaites vartojo antihipertenzinius vaistus) (nėra, yra); • cukrinis I arba II tipo diabetas (nėra, yra);
• darbinė veikla (dirba, nedirba);
• fizinis aktyvumas (buvo vertinamas apskaičiuojant vidutinį laiką, praleistą vasarą ir žiemą vaikščiojant, dirbant vidutinį ar sunkų darbą, bei atliekant kitą fizinę veiklą) (neaktyvus fiziškai (<10 val. per savaitę), aktyvus (10 val. per savaitę ar daugiau));
• sirgo ŠKL (nustatyta pirminio sveikatos tyrimo metu) (nesirgo, sirgo).
Taip pat buvo naudojami ir tolydieji kintamieji: • amžius (metais);
• bendrasis cholesterolis (mmol/l); • trigliceridai (mmol/l);
• didelio tankio lipoproteinų (DTL) cholesterolis (mmol/l); • mažo tankio lipoproteinų (MTL) cholesterolis (mmol/l); • gliukozės kiekis kraujyje nevalgius (mmol/l);
• kūno masės indeksas (KMI) (kg/m2).
Tolimesniame pirminiame sveikatos tyrime dalyvavusių asmenų stebė-jimui buvo naudojami Kauno gyventojų mirtingumo registro duomenys, pagrįsti mirties liudijimais. Buvo analizuojamos tik pagrindinės mirties priežastys. Užregistruoti mirties atvejai nuo kiekvieno tiriamojo pirminio tyrimo datos iki 2015 m. gruodžio 31 d. Mirties priežastys buvo koduojamos pagal Tarptautinę Ligų Klasifikaciją (TLK) (9 ir 10 versijos): mirčių nuo ŠKL TLK-9 kodai: 390-458 ir TLK-10 kodai: I00-I99. 2006–2015 m. buvo užregistruoti 747 mirties atvejai (484 vyrai ir 263 moterys), iš jų 163 mirtys nuo ŠKL (114 vyrų ir 49 moterys) (išskyrus tuos, kuriems atvykus jau buvo diagnozuota ŠKL pirminio sveikatos patikrinimo metu ar iki jo). Mirčių duomenys renkami iki šių dienų.
MIHDPT tyrimo duomenų bazė
Įrašai ir informacija apie tyrimo dalyvius duomenų bazėje buvo pateikiama anonimiškai.
Analizuoti kategoriniai kintamieji:
• fizinis aktyvumas buvo vertinamas valandomis, praleistomis esant vidutiniam fiziniam aktyvumui (vaikščiojant, stovint ar sėdint) per darbo dieną ir valandomis, praleistomis šiai veiklai laisvalaikio metu. Tyrimo dalyviai buvo suskirstyti į dvi grupes pagal jų fizinio aktyvumo lygį darbo dienomis ir laisvalaikiu: fiziškai aktyvus (≥10 val. per savaitę) ir fiziškai neaktyvus (<10 val. per savaitę); • atsižvelgiant į alkoholio vartojimo dažnumą, tiriamieji buvo
suskirs-tyti į šešias kategorijas: niekada ar anksčiau vartoję alkoholį, alkoho-linius gėrimus vartoja rečiau negu kartą per mėnesį, 1–3 kartus per mėnesį, kartą per savaitę, 2–3 kartus per savaitę, 4–5 kartus per savaitę arba kasdien. Šiame disertacinio darbo tyrime alkoholio vartojimo kintamasis buvo suskirstytas į dvi kategorijas: niekada nevartojusius ar anksčiau vartojusius alkoholį ir vartojančius alkoholinius gėrimus; • pagal rūkymo įpročius, dalyviai buvo suskirstyti į kategorijas: niekada nerūkę, kartais rūkantys, bet ne kasdien ir rūkantys kiekvieną dieną ar metę;
• antihipertenzinių, lipidų koncentraciją mažinančių ar antidiabetinių vaistų vartojimas (vartoja, nevartoja);
• protarpinis šlubumas (yra, nėra);
• informacija apie MI, GSI ir staigios mirties atvejus tiriamųjų šeimoje buvo įvertinta tik artimiausią giminystės ryšį turintiems asmenims: tėvams bei broliams ir / arba seserims. Buvo užduodami šie klausimai: „Ar Jūsų tėvas (motina) kada nors patyrė MI (GSI ar staiga mirė)?“, „Ar Jūsų brolis (sesuo) kada nors patyrė MI (GSI ar staiga mirė)?“. Šiame darbe buvo naudojamas bendras kintamasis apie šeimoje įvykusį ŠKL įvykį, kuris apėmė MI ir / arba GSI ir / arba staigią mirtį bent vienam iš tėvų arba brolių ir/arba seserų. Pagal šį kintamąjį tiriamieji buvo suskirstyti į dvi grupes: šeimoje buvo įvykęs vienas ar daugiau ŠKL įvykių ir nebuvo nei vieno ŠKL įvykio.
Taip pat buvo analizuojami ir kintamieji: • bendrasis cholesterolis (mmol/l);
• sistolinis (SKS) ir diastolinis (DKS) kraujospūdžiai (mm Hg); • kūno masės indeksas (KMI) (kg/m2);
Vyrai, kuriems buvo nustatyta IŠL (persirgtas MI, krūtinės angina ir išeminiai pakitimai elektrokardiogramoje) ar ŠKL (IŠL, GSI ir protarpinis šlubumas), buvo priskirti atvejų grupei, o likusieji tiriamieji – lyginamajai grupei (vyrai be IŠL, ŠKL ir protarpinio šlubumo).
3.2. Tiriamieji HAPIEE tyrimo dalyvių charakteristika
Analizuojant duomenis nustatyta, jog kiekvienais stebėjimo metais, išgyvenusių tiriamųjų skaičius mažėjo (nuo 6470 asmenų iki 6211 asmenų), o mirties nuo ŠKL atvejų skaičius, natūralu, didėjo (nuo 16 mirčių iki 275 mirčių) (3.2.1 lentelė). Per visus 8 stebėjimo laikotarpio metus, mirties nuo ŠKL rizika statistiškai reikšmingai priklausė nuo lyties, cukrinio diabeto diagnozės, fizinio aktyvumo. DTL cholesterolio skirstinių skirtumai buvo statistiškai reikšmingi tarp mirusiųjų nuo ŠKL ir išgyvenusių asmenų per kiekvieną iš analizuojamų laikotarpių. MTL cholesterolio skirstinių skirtumai nebuvo statistiškai reikšmingi nei per vieną analizuojamą laikotarpį. Bend-rojo cholesterolio skirstinių skirtumai buvo statistiškai reikšmingi tarp miru-siųjų nuo ŠKL ir išgyvenumiru-siųjų tik per pirmuosius analizuojamo laikotarpio metus. Daugelis analizuojamų nepriklausomų kintamųjų (išsilavinimo, darbi-nės padėties, amžiaus, rūkymo, gyvenimo kokybės, ŠKL) skirstinių skirtumai nebuvo statistiškai reikšmingi pirmaisiais stebėjimo metais, tačiau per liku-sius stebėjimo metus, šie skirtumai buvo statistiškai reikšmingai tarp miru-siųjų nuo ŠKL ir išgyvenumiru-siųjų asmenų. Įdomu pastebėti tai, kad mirties nuo ŠKL rizika buvo statistiškai reikšmingai susijusi su alkoholio vartojimu tik penktaisiais stebėjimo metais, o su šeimine padėtimi – tik aštuntaisiais stebėjimo metais.
MIHDPT tyrimo dalyvių charakteristika
3.3. Statistinė analizė
Pirmiausia buvo skaičiuojama kintamųjų aprašomoji statistika. Aprašant tolydžiuosius kintamuosius, kai skirstiniai netenkino normalumo prielaidos (šios prielaidos tikrinimui naudoti Kolmogorov-Smirnov ar Shapiro-Wilk testai), pateikiama mediana, minimumas bei maksimumas. Neparametrinis Mann-Whitney U testas buvo naudojamas lyginti dvi nepriklausomas imtis, o neparametrinis Kruskal-Wallis testas – lyginti tris ar daugiau nepri-klausomų imčių, kai kintamųjų skirstiniai netenkino normalumo prielaidos.
Pateikiami santykiniai dažniai bei procentai – kokybinių kintamųjų apra-šymui. Chi kvadrato testas naudotas norint nustatyti kokybinių kintamųjų statistiškai reikšmingą skirtumą tarp atvejo ir lyginamosios grupių.
Mirties tikimybei nuo ŠKL apskaičiuoti buvo naudojama dvinarė logis-tinė, Aleno adityvinė, Kokso regresija ir Kaplano-Mejerio išgyvenamumo kreivės, o tikimybei susirgti IŠL ar ŠKL – dvinarė logistinė regresija, spren-dimų medis bei pagrindinių komponenčių metodas. Kintamojo įtaka laikyta statistiškai reikšminga, kai p<0,05. Duomenų apdorojimui pasirinkta R programa.
Dvinarė logistinė regresinė analizė
Dvinarė logistinė regresinė analizė yra netiesinės regresijos technika, kuri numato, kad tikėtina dvinario rezultato (priklausomojo kintamojo) tiki-mybė yra
𝑃𝑃(𝑌𝑌 = 1) =1 + 𝑒𝑒−(𝛽𝛽0+𝛽𝛽11𝑥𝑥1+⋯+𝛽𝛽𝑛𝑛𝑥𝑥𝑛𝑛)
kur Xn yra nepriklausomi kintamieji, turintys skaitines reikšmes (jei dvinaris, tai 0 – lyginamosios grupės tiriamieji, 1 – atvejai), o βn yra regresijos koefi-cientai, kurie kiekybiškai įvertina kintamojo dydį tikimybei [98]. Atlikta vieno kintamojo dvinarė logistinė regresinė analizė siekiant nustatyti klini-kinių ir gyvensenos veiksnių įtaką tikimybeisirgti IŠL bei ŠKL. Galutiniam modeliui sudaryti, buvo naudojama daugiaveiksnė dvinarė logistinė regresinė analizė. Kintamųjų atranka šiam modeliui buvo atlikta naudojant dvipusę pakopinę procedūrą, pagrįstą Akaike informaciniu kriterijumi (AIC) [99]. Kintamųjų įtaka tikimybei buvo vertinama galimybių santykiu (GS) (angl.
odds ratio), taip pat pateikiamas ir GS 95 proc. pasikliautinasis intervalas
Hosmer-Lemeshow statistikos p reikšmę gauname patvirtinimą (kai p>α), kad logistinės regresijos modelis su duomenimis yra suderintas.
Sprendimų medis ir kryžminis patikrinimas
Rekursinis skaidymas (angl. recursive partitioning) yra „gobšus“ (angl.
greedy) algoritmas, kuris kiekviename etape dalija duomenis į skaidinius
pagal vieno kintamojo reikšmes. Skaidymo procesas kartojamas rekursyviai, kol bus įvykdyta tam tikra sustabdymo sąlyga taip sukuriant medžio formos modelį. Jeigu kintamųjų skaičius yra pakankamai didelis, galima sudaryti pilną medį, kuriame kiekviename lape yra vienas klasės stebėjimas. Tokie medžiai turi „persimokymo“ (angl. overfitting) problemą. Būtina atlikti pa-pildomą „genėjimo“ (angl. pruning) procedūrą [9].
Daugelis rekursinių skaidymo metodų linkę pasirinkti kintamuosius su daugeliu reikšmių ir yra linkę „persimokyti“. Pastaroji problema galėtų būti išspręsta naudojant medžių „genėjimo“ procedūrą. Buvo naudotas rekursinis skaidymas (esantis programinės įrangos R pakete), kuris remiasi sąlyginėmis išvadų procedūromis. Pasirinktas metodas pagrįstas gerai apibrėžta teorija. Jis atlieka nešališką skaidymo parinkimą ir įgyvendina sustabdymo sąlygas, remdamasis ryšiu tarp kintamųjų ir atsako svarba, taip pašalindamas pernelyg didelį „persimokymą“ ir atlieka reikiamą medžio „genėjimą“ [10]. Pasirinktas sąlyginis išvadų (angl. conditional inference) medžio metodas yra pranašes-nis už kitus SM metodus (pvz., CART, C4.5, C5.0, ID3).
Populiariausia SM struktūra yra tokia: viršutinis sprendimo mazgas me-dyje vadinasi šakniniu mazgu (angl. root node); jis atitinka geriausią progno-zę. Galutiniai mazgai vadinami galiniais mazgais arba lapais (angl. terminal
nodes arba leaves). Kiekvienas mazgas, išskyrus galinius mazgus, dalija
duomenis į du arba daugiau pogrupių remiantis kintamojo reikšmėmis. Kinta-masis ir jo reikšmės ar intervalai pasirenkami maksimaliam teigiamų ir nei-giamų klasių atskyrimui mazgo šakose. Ši procedūra atliekama rekursyviai, tokiu būdu sukuriant galimai geriausią klasių atskyrimą galiniuose mazguose. Skaičiai, ties prognozuojamu galutiniu mazgu, parodo kiekvienos klasės tikimybę ir leidžia matyti pasirinktos galutinės klasės (angl. winning class) tikimybę, kuri lems galutinę klasifikaciją [100].
Pagrindinių komponenčių analizė
būtų didžiausia. Analogiškai, antroji pagrindinė komponentė bus projektuo-jama į antrąją ašį (ortogonalią pirmajai) taip, kad projekcijos dispersija būtų antra pagal dydį. Yra atsisakoma dalies kintamųjų po transformacijos, kurių dispersijos yra mažiausios.
Pagrindinių komponenčių grafikas erdvėje yra pagrindinių komponenčių ir kiekvieno iš analizuojamų kintamųjų koreliacijos grafikas. X ir Y ašyse atidedamos pagrindinės komponentės, o ašių matavimo vienetai yra intervale [–1; 1]. Kintamieji atvaizduojami kaip rodyklės, kurios eina iš koordinačių centro pradžios. Rodyklių smaigalio koordinatės – koreliacijos koeficientai tarp nepriklausomų kintamųjų ir pagrindinių komponenčių.
Šis metodas plačiai taikomas, nes kartais norima išsiaiškinti, kokios kintamųjų kombinacijos geriausiai apibūdina tiriamą objektą. Pasitaiko ir taip, kad objektui apibūdinti nėra kintamųjų, kurie išmatuojami tiesiogiai, tad iš duomenų yra išskiriami vadinamieji faktoriai. PKA rezultatai pateikiami grafiniu pavidalu yra lengvai suprantami ir interpretuojami. Šio metodo galimas trūkumas – netiesinės priklausomybės, kurių metodas negali įvertinti.
Kokso regresija ir Kaplano-Mejerio kreivės
Analizuojant išgyvenamumą, dažnai taikomas pusiau parametrinis išgyvenamumo modelis – proporcingos rizikos (angl. proportional hazard), dar vadinamas Kokso (angl. Cox) regresija [104]. Bendroji rizikos funkcija
h(t; x) lygi:
ℎ(𝑡𝑡; 𝑥𝑥) = ℎ0(𝑡𝑡)exp (𝛽𝛽1𝑥𝑥(1)+ 𝛽𝛽2𝑥𝑥(2)+ ⋯ + 𝛽𝛽𝑖𝑖𝑥𝑥(𝑖𝑖)),
kur x(1), x(2), …, x(i) – kintamųjų reikšmės, x = (x(1), x(2), …, x(i)) – kintamųjų vektorius, β 1, β 2, …, β i – regresijos koecicientai, h0(t) – bazinė rizikos funkcija [104].
Kaplano-Mejerio metodas (angl. Kaplan-Meier method) yra neparamet-rinis metodas, kuris naudojamas apskaičiuoti išgyvenamumo tikimybę praė-jus tam tikram laiko momentui [104, 107]. Taip pat galima lyginti išgyve-namumą tarp dviejų ir daugiau grupių. Viena iš pagrindinių metodo prielaidų būtų tokia, kad atvejai, kurie patenka į tyrimą skirtingu metu (pvz., pacientai, kuriems pradedamas gydymas skirtingais laikais), elgtųsi panašiai. Taip pat neturėtų būti sistemingų skirtumų tarp cenzūruotų ir necenzūruotų įvykių (cenzūruotas įvykis arba nepilnas stebėjimas – tai stebėjimas, kuris teikia tik dalinę informaciją, t. y. tuo laiku, kai buvo vykdomas tyrimas, pacientas „išgyveno“, tačiau apie jį neturime tolimesnės informacijos ir tikslus įvykio laikas nėra žinomas (galime tvirtinti, kad jis „išgyveno“ tik iki tam tikro laiko, pvz., pašalintas iš tyrimo, nutraukė tyrimą savo noru), necenzūruotas įvykis arba pilnas (užbaigtas) stebėjimas, kai žinomas tiriamo įvykio (pvz., paciento mirties) tikslus laikas [76, 104].
Kaplano-Mejerio metodas naudoja išgyvenamumo lenteles (angl. life
tables), pagal kurias kiekvieno įvykio metu įvertinama išgyvenamumo ar
rizikos funkcija [107].
Aleno adityvinė regresija
Aleno adityvinės rizikos regresijos modelis (angl. Aalen’s additive
hazards regression model) yra Kokso modelio alternatyva (arba papildymas).
Aleno modelis nėra parametrinis ir regresijos koeficientų reikšmės gali kisti laikui bėgant. Šio modelio pranašumas yra tas, kad jis yra tiesiškas kintamųjų atžvilgiu ir koeficientai gali būti lengvai įvertinami kiekvienu atskiru išgyve-namumo laikotarpiu [84, 108, 109].
Kumuliacinės regresijos funkcijos yra brėžiamos pagal laiką, apibūdi-nant kintamųjų įtaką išgyvenamumui laikui bėgant. Aleno grafikai gaunami įvertinant momentinę kintamojo įtaką rizikos funkcijai kiekvienu atskiru išgyvenamumo laikotarpiu ir įverčiai gaunami sumuojant šias įtakas. Kreivės nuolydis (angl. slope) rodo ar konkretus kintamasis turi nuolatinį ar nuo laiko priklausantį poveikį. Teigiamas nuolydis atsiranda tada, kai didėjant kinta-mojo reikšmei, padidėja rizika, o neigiami nuolydžiai atsiranda tada, kai didėjant kintamojo reikšmei, rizika sumažėja laikui bėgant [84]. Aleno mo-delis pateikia grafikus, pagal kuriuos galima patikrinti kintamojo įtakos laike priklausomybę ir taip pat panaudoti proporcingos rizikos prielaidos Kokso modelyje patikrinimui [110, 111].
