Характеристика клинических наблюдений и методы исследования

Размещено на http://www.allbest.ru/

Характеристика клинических наблюдений и методы исследования

С.А. Вавринчук

П.М. Косенко

Общая характеристика клинических наблюдений

Нами обследовано 186 пациентов с осложнённой ЯБ желудка и ДПК, находившихся на лечении в МУЗ «Городская клиническая больница № 3 им. С.К. Нечепаева» Управления здравоохранения г. Хабаровска и ГУЗ «Краевая клиническая больница № 2» министерства здравоохранения Хабаровского края за период с 2006 по 2010 годы.

Критериями включения пациентов в исследование было наличие подтвержденных эндоскопическим или рентгенологическим методами осложнённой ЯБ. Критериями исключения были наличие у пациентов органических или функциональных заболеваний желудка и кишечника, которые могли бы повлиять на результаты ПЭГЭГ.

Все больные были разделены нами на 3 группы. Первую группу составили 65 человек с ЯБ желудка и ДПК, осложненной кровотечением; вторую группу - 57 больных с ЯБ осложнённой ПДС и третью группу - 64 больных с ПЯ ДПК. Контрольная группа состояла из 28 практически здоровых лиц разных возрастных групп.

Возраст пациентов варьировал от 17 до 85 лет (таблица 2.1).

Таблица 2.1. Распределение больных по возрасту и полу

Объем и методы исследования

Всем больным с установленным диагнозом осложнённой ЯБ ДПК и желудка проводилось комплексное обследование МЭФ желудка и кишечника, как до операции, так и в после оперативного лечения. С целью оценки эвакуаторной функции желудка использовались рентгеноскопия и динамическая рентгенография желудка, эндоскопическое и ультразвуковое исследование.

Исследование моторики желудка проводилось методом периферической электрогастроэнтерографии [130].

Особенностью лечения больных с ПЯ ДПК являлось отсутствие предварительной информации о нарушениях МЭФ желудка. В связи с этим полное комплексное обследование пациентов проводилось уже в послеоперационном периоде.

Рентгенологическое и эндоскопическое исследование желудка и ДПК

Рентгенологическое исследование выполнялось методом полипозиционной рентгеноскопии и динамической рентгенографии с использованием рентгенконтрастного средства Bar-Wisp на аппарате фирмы Siemence с ЭОП. Моторику желудка оценивали по его размерам, тонусу и характеру перистальтики. При эвакуации из желудка контрастного вещества в сроки до 6 ч эвакуацию считали нормальной, от 6 до 12 ч - замедленной незначительно, от 12 до 24 ч - замедленной выражено и более 24 ч - резко замедленной [64]. Степень компенсации ПДС оценивали по классификации Ю.М. Панцырева и А.А Гринберга (таблица 2.2).

Степень тяжести послеоперационного гастростаза оценивали согласно классификации О.Б. Милонова и соавт. (1990).

Эндоскопическое исследование выполнялось по стандартной методике как в до-, так и послеоперационном периоде с помощью гибких эндоскопов Olympus GIF PQ 207 и GIF P 20.

Таблица 2.2. Классификация пилородуоденальных стенозов (Панцырев Ю.М., Гринберг А.А., 1979)

Во время исследования обращалось внимание на состояние слизистой оболочки пищевода, проводилась оценка состояния пищеводно-желудочного перехода и степени выраженности воспалительных изменений слизистой пищевода по критериям Savary-Miller.

При осмотре желудка оценивали его размеры, количество и характер содержимого, состояние слизистой оболочки, наличие перистальтики, состояние и степень деформации привратника и ДПК.

С целью верификации воспалительного и рубцового характера ПДС, оценки толщины и эхоструктуры стенок желудка, а так же степени вовлеченности привратника в рубцовый процесс больным проводилась эндоскопическая ультрасонография желудка с помощью панэндоскопа Olympus GF-UE160 и УЗ-сканера Aloka Prosound Alpha 10 (рисунок 2.1).

Рисунок 2.1. Эндосонография желудка пациента С. с ЯБ ДПК, осложненной субком-пенсированным рубцовым ПДС

Ультразвуковая оценка моторно-эвакуаторной функции желудка

УЗИ желудка и ДПК проводили на УЗ-аппаратах фирмы Siemens конвексным датчиком с частотой 3,5 МГц.

В ходе исследования оценивали объем желудочного содержимого натощак и скорость его эвакуации. Дополнительный прием жидкости позволял расправить стенки желудка, оценить его положение, форму, размеры, контуры, характер складок, структуру и толщину стенок, а также глубину, частоту и направление перистальтических сокращений (рисунок 2.2).

При осмотре привратника оценивали его функциональное состояние (зияние, спазм), наличие деформации и выраженность ДГР.

После начала эвакуации жидкости из желудка визуализировалась луковица ДПК, осматривая которую оценивали её форму, размеры, контуры, наличие деформации, толщину и разделение стенки на слои различной плотности, присутствие в её толще рубцовой ткани в виде гиперэхогенных линейных или точечных включений, а так же характер перистальтики.

Рисунок 2.2. УЗИ желудка пациента С. А - Поперечный срез желудка, определение толщины стенок тела желудка. Б - Определение объема содержимого желудка натощак. В - Оценка перистальтики желудка, прослеживается средней глубины перистальтическая волна, перекрывающая на половину просвет желудка

Для оценки эвакуаторной функции желудка определяли объем желудочного содержимого натощак и через 20, 40 и 60 минут после приема пациентом воды.

Периферическая компьютерная электрогастроэнтерография

Исследование проводилось аппаратно-вычислительным комплексом "Гастроскан-ГЭМ" производства НПП "Исток-Система" (г. Фрязино, РФ), который обеспечивает прием и регистрацию сигнала с накожных электродов, наложенных на конечности или переднюю брюшную стенку и включает в себя усилитель переменного тока с фильтрами, длительно не деполяризующиеся электроды и персональный компьютер (рисунок 2.3).

Обучение методике ПЭГЭГ поводилось в 2008 году на кафедре госпитальной хирургии №1 ГОУ ВПО РГМУ Министерства здравоохранения и социального развития Российской Федерации (заведующий кафедрой д.м.н., профессор В.А. Ступин) и заводе изготовителе НПП "Исток-система" (генеральный директор д.т.н., академик РАМТН М.М. Трифонов).

Рисунок 2.3. Аппаратный комплекс "Гастроскан-ГЭМ" для проведения ПЭГЭГ и суточной интрагастральной pH метрии

Компьютерная обработка электромиографического сигнала проводилась с использованием алгоритмов быстрого преобразования Фурье и Вейвлет анализа (рисунок 2.5) при помощи оригинального программного обеспечения "Гастроскан-ГЭМ, версия 2.03". При этом данные обработки выводились в виде таблиц числовых значений и графиков для каждого отдела ЖКТ (рисунок 2.4).

График ПЭГЭГ (рисунок 2.4) показывает расположение и форму максимумов спектра и распределение мощности сигнала в полосе частот 0,001-0,5 Гц, а также ритмичность сокращений каждого отдела ЖКТ [36, 100]. Для проведения исследования электроды стандартно располагали на обезжиренных и покрытых электропроводной пастой участках кожи правого предплечья и правой голени, а электрод заземления - на левой голени [4, 11, 70].

Рисунок 2.4. ПЭГЭГ обследуемого Д. контрольной группы. А - графическое изображение показателя Pi/Ps (%) желудка и кишечника в норме с характерной «фазностью» кривой желудка и постепенным уменьшением амплитуды сигнала после пищевой стимуляции. В - средние значения показателей ПЭГЭГ

Рисунок 2.5. ПЭГЭГ обследуемого С. контрольной группы. Показан график анализируемого сигнала ПЭГЭГ и его вейвлет-спектр

Исследование проводилось пациентам, как до операции, так и на 4-е, 10-е сутки послеоперационного периода утром, натощак и включало в себя оценку базальной и стимулированной ЭА желудка и кишечника. Общая продолжительность исследования составляла 80 мин. Регистрацию начинали через 2 минуты после установки электродов.

Выбор сроков начала проведения исследования был связан с ликвидацией к 4-м суткам клинических проявлений пареза кишечника и началом питания больных.

В качестве стимулятора ЭА ЖКТ использовали стандартную пищевую нагрузку - 200 мл теплого чая, 10 г глюкозы и 100 г белого хлеба.

Для оценки моторики желудка и кишечника нами использовались следующие показатели [130]:

Ps (мВ) - суммарный уровень электрической активности ЖКТ за все время исследования

Pi (мВ) - электрическая активность по отделам ЖКТ

Pi/Ps (%) - роцентный вклад каждого частотного спектра в суммарный спектр

Критм - отношение длины огибающей спектра к длине участка спектра обследуемого отдела

Pi/P(i+1) - коэффициент соотношения ЭА вышележащего отдела ЖКТ к нижележащему

Наряду с количественными показателями, нами также учитывались физиологичность ответа желудка на пищевую стимуляцию (повышение ЭА желудка после пищевого стимулирования, с последующим ее снижением и повышением данного показателя в нижележащих отделах ЖКТ), сроки начала изменения ЭА желудка после пищевой нагрузки, время появления признаков начальной эвакуации из желудка в ДПК.

По данным Д.Б. Закирова [36] и В.А. Ступина и соавт. [130] нормальная ЭА желудка и ДПК характеризуется следующими показателями:

1. Базальные (тощаковые) значения ЭА желудка и ДПК находятся в пределах нормы. Считаются допустимыми колебания значений в пределах 30-50 % за этап исследования (рисунок 3).

2. Нормальный по времени возникновения электрофизиологический ответ на пищевую стимуляцию на желудке начинается с 10-14 минуты (после приема пищи) и заканчивается не позднее 16-22 минуты, на ДПК - с 14-16 по 18-22 минуту. Признаком ДГР является повышение ЭА ДПК, предшествующее повышению ЭА желудка.

3. Адекватным по силе электрофизиологическим ответом желудка и ДПК на пищевую стимуляцию считается увеличение ЭА каждого из этих отделов в 1,5-2 раза по сравнению с тощаковыми значениями, длительность ответа при этом должна быть не менее 5-7 минут. После приема стандартного завтрака электрограмма желудка и ДПК должна иметь 2-3 пика повышения ЭА.

4. Коэффициент ритмичности желудка и ДПК находится в пределах значений принятой нормы. Повышение коэффициента ритмичности в 3 и более раз является характерным для непропульсивных сокращений ЖКТ.

5. Коэффициент соотношения желудок/ДПК находится в пределах принятой нормы. Повышение данного показателя свидетельствует о дискоординации (нарушении периодичности сокращений) моторики желудка и ДПК. полипозиционный рентгеноскопия пилородуоденальный стеноз

Методы статистического анализа

Системный анализ показателей ПЭГЭГ осуществлялся в несколько этапов.

На первом этапе проводилось описание полученных данных с помощью методов описательной статистики - агрегированных показателей, графиков и диаграмм.

По каждому признаку в сравниваемых группах определяли среднюю арифметическую величину (М) и стандартную ошибку среднего (m).

Для оценки нормальности распределения использовались критерии Шапиро-Уилка и Колмогорова-Смирнова. Проверка равенства дисперсий осуществлялась с использованием теста Levene.

Задача второго этапа заключалась в установлении сходства или различий показателей ПЭГЭГ в сравниваемых группах.

Сравнение независимых групп по количественным признакам с нормальным распределением значений и равными дисперсиями проводилось с использованием t-критерия Стьюдента.

При сравнении независимых групп распределением значений одного или двух количественных признаков отличным от нормального, использовался непараметрический U-критерий Манна-Уитни.

Критическое значение уровня статистической значимости при проверке нулевой гипотезы принималось равным p < 0,05 (5 %). При p > 5 % принималась нулевая гипотеза и при p < 0,05 - альтернативная гипотеза [61].

На следующем этапе устанавливался факт наличия или отсутствия зависимости между показателями ПЭГЭГ и их количественное описание.

Исследование взаимосвязи между количественными признаками осуществляли парным коэффициентом линейной корреляции Спирмена (R).

Наряду с общепринятыми статистическими методами, описанными выше, нами были использованы методы многомерного статистического анализа данных.

ПЭГЭГ позволяет получить информацию о состоянии МЭФ всех отделов ЖКТ, однако высокая информативность неизбежно приводит к увеличению числа показателей, используемых для её описания, что имеет свои отрицательные стороны. Так, становится труднее выделить основные, доминирующие показатели, в связи, с чем возникает потребность в «сжатии», редукции имеющейся информации.

Одним из методов уменьшения количества анализируемых признаков путем получения новых, обобщенных показателей, является факторный анализ и в частности, его разновидность - метод главных компонент.

Факторный анализ позволяет решить следующие задачи [61]:

1. Обнаружение скрытых, но объективно существующих закономерностей, которые обусловлены воздействием как внутренних, так и внешних причин.

2. Описание исследуемого процесса числом главных компонент, значительно меньшим, чем число исходных признаков. Этим достигается редукция имеющейся информации с минимальными потерями. Выделенные главные компоненты содержат в среднем больше информации, чем отдельные непосредственно измеряемые признаки.

3. Выявление и изучение стохастических связей признаков с главными компонентами, что позволяет определить исходные признаки, наиболее тесно связанные с найденными главными компонентами.

4. Использование полученных результатов для прогнозирования развития процесса, явления на основе знания величины отдельных главных компонент.

В основе факторного анализа лежит построение новой системы координат, в которой главные компоненты являются линейной комбинацией исходных признаков и образуют новые координатные оси.

Максимальное количество главных компонент равно числу исходных признаков, включенных в анализ. Первая главная компонента, выбирая максимум всей изменчивости, объясняет наибольшую долю дисперсии признаков, а каждая последующая главная компонента выбирает максимум оставшейся изменчивости.

С ростом порядкового номера главной компоненты уменьшается её информационная нагрузка, что имеет своё отражение в величине собственного значения фактора, которая показывает, во сколько раз информативность главной компоненты больше, чем средняя информативность показателя исходных данных.

Преимущество данного метода в том, что первые несколько главных компонент объясняют большую часть (80-90 %) изменений большого числа (десятков и сотен) признаков. Кроме того, может оказаться, что в первые несколько главных компонент входят не все признаки, тогда можно сделать вывод о том, какие из них являются существенными, и обратить на них внимание в первую очередь [61].

Для выявления содержательной интерпретации главных компонент нами был использован метод вращения факторов, максимизирующий дисперсию и, соответственно, улучшающий качество разделения различных групп объектов в факторном пространстве.

Конечным этапом статистического анализа было использование методов классификации и прогнозирования, в качестве которых нами были применены кластерный и дискриминантный анализ.

Кластерный анализ представляет собою совокупность математических методов, предназначенных для формирования относительно «отдаленных» друг от друга групп «близких» между собой объектов по информации о расстояниях или связях (мерах близости) между ними [61].

Основной целью кластерного анализа является выделение в исходных многомерных данных таких однородных подмножеств, чтобы объекты внутри групп были похожи друг на друга, а объекты из разных групп - не похожи. Под «похожестью» понимается близость объектов в многомерном пространстве признаков.

Выделенные с помощью кластерного анализа изолированные группы объектов могут трактоваться как качественно различные, то есть в основе разделения этих групп лежит некоторый качественный скрытый признак.

С целью определения наличия однородных групп среди показателей ПЭГЭГ и среди пациентов исследуемых групп нами применялся метод иерархической кластеризации. Мерой сходства между объектами являлась метрика - «евклидово расстояние».

Дискриминантный анализ используется для принятия решения о том, какие переменные различают (дискриминируют) две или более возникающие совокупности (группы).

Наиболее общим применением дискриминантного анализа является включение в исследование многих переменных с целью определения тех из них, которые наилучшим образом разделяют совокупности между собой.

В ходе дискриминантного анализа создается модель, позволяющая предсказать, к какой совокупности будет принадлежать тот или иной признак.

На первом этапе проведения дискриминантного анализа изучались межгрупповые различия с решением следующих вопросов: возможно ли, используя заданный набор дискриминантных переменных, отличить одну группу от другой, насколько хорошо эти переменные позволяют провести их различение и какие из них наиболее информативны.

Для отбора информативных дискриминантных переменных наиболее часто использовался пошаговый дискриминантный анализ, при котором вначале определялась та переменная, для которой средние значения в априорно заданных группах «наиболее различны». На каждом следующем шаге рассматривались условные распределения оставшихся переменных и определялась та, для которой средние значения в группах были «наиболее различны». Процесс завершался, когда ни одна из оставшихся переменных не вносила значимого вклада в различение групп.

Для отбора информативных дискриминантных переменных используются различные критерии, наиболее распространенным из которых является применение статистики Уилкса, которая учитывает как различия между группами, так и однородность каждой из групп.

На втором этапе проведения дискриминантного анализа отобранное подмножество наиболее информативных переменных использовалось для вычисления дискриминантных функций. В случае наличия двух априорно заданных групп вычислялась одна дискриминантная функция. Если групп было более двух, то вычислялись несколько дискриминантных функций (число таких функций равно числу групп, минус 1).

Лучшим показателем информативности отобранных дискриминантных переменных и полезности применения дискриминантной функции для интерпретации межгрупповых различий является процент правильно распознанных объектов с использованием вычисленных дискриминантных функций. Число правильно распознанных новых объектов (как в целом, так и по отдельным группам) свидетельствует о соответствии дискриминантной модели эмпирическим данным.

Для создания на основе показателей ПЭГЭГ математических моделей моторно-эвакуаторных нарушений у больных с осложнённой ЯБ нами был использован метод дискриминантного анализа, который проводился путём пошагового включения признаков в модель с итоговой оценкой вклада каждого показателя в долю вероятности правильной классификации.

Принципиальное отличие многомерных методов от других методов статистического анализа заключается в использовании информации о взаимных связях анализируемых признаков.

Одним из наиболее адекватных методов анализа подобных связей является метод логистической регрессии, который в отечественной медицине применяется крайне редко.

Метод логистической регрессии позволяет оценивать параметры уравнения регрессии, с помощью которого производится прогноз вероятности принадлежности конкретного объекта к тому или иному состоянию. Состояние объекта описывается дискретным качественным признаком, чаще всего ранговым. В роли предикторов выступают номинальные, ранговые или же количественные признаки. Метод может быть использован для прогноза вероятности принадлежности изучаемых объектов, как для случая дихотомических зависимых признаков, так и для тех случаев, когда число градаций этого признака более двух. Основная сложность в использовании этого метода - его трудоемкость, поскольку уже для набора предикторов в количестве 1-2 десятков возникает множество вариантов уравнений регрессии.

Важным показателем качества модели является процент конкордации (Percent Concordant). Этот показатель равен доле наблюдений, правильно переклассифицированных в отдельные подгруппы зависимого показателя с помощью уравнения логистической регрессии. Чем ближе этот показатель к 100 %, тем выше качество данной модели.

Сила связи между фактической принадлежностью к анализируемым подгруппам зависимого признака и принадлежностью предсказанной по уравнению логит-регрессии оценивается специальным коэффициентом - аналогом коэффициента корреляции для дискретных признаков, называемым коэффициентом D-Зомера (Somers' D). Данный показатель равен 0 при полном несовпадении и 1 - при полном совпадении.

Использование метода логистической регрессии для анализа показателей ПЭГЭГ в контрольной группе и в группах сравнения позволило нам прогнозировать вероятность принадлежности конкретного признака к тому или иному состоянию. Для построения логистических уравнений в качестве предикторов использовались показатели ПЭГЭГ, а также признаки - «возраст» и «пол» пациентов в разных сочетаниях.

Вероятность «р» отнесения отдельного пациента к той или иной группе вычислялась из уравнения регрессии, которое в общем случае exp(beta) имело следующий вид:

где величина «beta» - аргумент для экспоненты, вычисленный для конкретного пациента по уравнению логит-регрессии.

Многофакторный логистический регрессионный анализ проводился с использованием методики со свободным членом, без свободного члена, с последовательным включением и исключением независимых переменных. Приемлемый уровень значимости для статистики Вальда, полученных в ходе регрессионного анализа коэффициентов уравнения логитрегресии, составлял от 5 до 15 %, что допустимо при выполнении статистического анализа с малыми объёмами наблюдений и большим количеством признаков. Оценка работоспособности регрессионной модели проводилась с использованием тестов согласия Hosmer и Lemeshow. Статистический анализ полученных данных выполнялся в статистических пакетах Statistica 8.0 (Statsoft, США) и SAS 9.13 (SAS Institute, США).

Размещено на Allbest.ru