Наблюдаемая в настоящее время медийная шумиха вокруг «цифровизации», «больших данных», «искусственного интеллекта» является, по большей мере, пиаром тех или иных игроков рынка информационных услуг. Тем не менее, реальные методы анализа больших данных действительно крайне необходимы для анализа сложных данных современной биомедицины, возникающие в результате проведения клинико-эпидемиологических исследований.

Например, в Базе Данных московского РСЦ Института Микроэлементов ЮНЕСКО (ИМБД) информация о каждом из пациентов (n=12000) представления значениями более 4000 разнородных признаковых описаний (в т.ч. уровнями 68 микроэлементов в различных биосубстратах, 140 диагнозами МКБ-10, информацией о генетических полиформизмах). Такой выборке данных соответствует приблизительно 8 млн. попарных взаимодействий признаков и 72 млн. попарных взаимодействий описаний пациентов. Очевидно, что максимально возможное извлечение практически полезной информации из столь сложных взаимодействий данных является нетривиальной задачей, требующей разработки и применения особых методов интеллектуального анализа больших данных с последующим применением методов биоинформатики и системной биологии.

В работе [1] представлены результаты анализа выборки женщин репродуктивного возраста 18-45 лет (n = 649) из базы данных ИМБД (база данных Института микроэлементов). Проведено сравнение подгрупп обследованных в возрасте 18-29 (n = 281) и 30-45 лет (n = 368), установлены достоверные отличия по 296 из 4125 анализированных показателей. Метрический анализ собранных данных (Рис. 1) указал на существование комплексных корреляций между риском патологии и уровнем физической подготовки, вредными привычками, нутриентной обеспеченностью, показателями биохимии крови и приемом витаминно-минеральных комплексов (ВМК) и показал, что недостаточная обеспеченность женщин 30-45 лет витаминами А, B1, РР, B6, В9 B12, С, кальцием, железом, цинком и селеном достоверно ассоциирована с патологиями, характеризующимися хроническим воспалением: артритом (Р = 0,0508), бронхитом или пневмонией (Р = 0,0395), бронхиальной астмой (Р = 0,0473), а также со снижением иммунитета (повышенная резистентность патогенной флоры к антибиотикам; Р = 0,0164), артериальной гипертонией (Р = 0,0321), миопией (Р = 0,0329), тромбофлебитом вен нижних конечностей (Р = 0,0243) [1].

Рис. 1. Метрическая карта исследования [1]. Карта построена для подгруппы обследованных в возрасте 30-45 лет. Точки на метрической карте отображают показатели нутриентной обеспеченности и параметры, значения которых достоверно отличались между подгруппами женщин 18-34 и 30-45 лет. Расстояния между точками отражают  степень статистической значимости взаимодействия исследуемых показателями: чем ближе точки, тем сильнее статистическая достоверность ассоциации между соответствующими показателями.

В исследовании [2], применение методов метрического анализа данных к информации в ИМБД показало, что наличие у пациента признака «гиперкоагуляционные состояния» (тромбофлебиты или тромбоэмболия легочной артерии в анамнезе) соответствовало большему количеству хронических заболеваний (2,3±2,1, без гиперкоагуляции — 0,83±0,8; р=0,0006) и резко повышало риск наличия у пациента более 4 сочетанных заболеваний (отношение шансов — ОШ 18 при 95% доверительном интервале — ДИ от 10 до 25; р=0,0006). Дефицит магния (Mgпк <0,70 ммоль/л) был ассоциирован с гиперкоагуляционными состояниями (ОШ 5,42 при 95% ДИ от 1,83 до 16; р=0,0006), неврологической патологией (парциальная эпилепсия, неврозы, вертиго, синдром алкогольной зависимости, обсессивно-компульсивные расстройства) и с хроническим воспалением (язвенный колит, аллергия, ишемическая болезнь сердца) [2].

Интеллектуальный анализ данных позволяет не только установить интересные комплексы корреляций (включая уровни микроэлементов), но и разрабатывать алгоритмы прогнозирования состояния пациентов. Например, по данным вариабельности ритма сердца (ВРС), т.е. посредством неинвазивной процедуры возможно разработать алгоритмы для выявления у пациентов недостаточности магния (Е61.2 по МКБ-10) и коморбидных дефициту магния диагнозов  с высокой аккуратностью (в среднем 80%) и селективностью (около 80%)  [3]. Более того, на основе неинвазивного обследования возможно прогнозирование уровней магния и других электролитов в крови (см. Балльные шкалы для оценки микроэлементного статус). Верификация таких шкал  на контрольной выборке пациентов (n=200) показывает достоверную корреляцию между балльными оценками и экспериментально определенными уровнями магния, калия и других электролитов,  что позволяет проводить экспресс-оценку микроэлементной обеспеченности организма  [4, 5].

Другие примеры результатов применения методов интеллектуального анализа данных к сложным биомедицинским данным, включающим информацию об уровнях микроэлементов, приведены в разделах Микроэлементы в клинико-эпидемиологических исследованиях: коморбидные патологии, Балльные шкалы для оценки микроэлементного статуса, Уровни в биосубстратах и медицинская диагностика и, также, успешно используются в ходе клинических исследований по неврологии и психиатрии, кардиологии, акушерству и гинекологии, педиатрии.

Литература

  1. Торшин И.Ю., Лиманова О.А., Громова О.А., Тетруашвили Н.К., Коденцова В.М., Малявская С.И., Гришина Т.Р., Калачева А.Г., Мозговая Е.В., Захарова И.Н., Галустян А.Н., Семенов В.А., Громов А.Н., Лебедев А.В., Керимкулова Н.В., Лапочкина Н.П., Никифорова Н.В., Назаренко О.А., Богачева Т.Е., Федотова Л.Э. и др. Метрический анализ данных по взаимосвязям между показателями микронутриентной обеспеченности и состоянием здоровья женщин 18-45 лет. Медицинский алфавит. 2018. Т. 2. № 21 (358). С. 6-19.
  2. Громова О.А., Торшин И.Ю., Кобалава Ж.Д., Сорокина М.А., Виллевальде С.В., Галочкин С.А., Гоголева И.В., Грачева О.Н., Гришина Т.Р., Громов А.Н., Егорова Е.Ю., Калачева А.Г., Малявская С.И., Мерай И.А., Семенов В.А. Дефицит магния и гиперкоагуляционные состояния: метрический анализ данных выборки пациентов 18-50 лет лечебно-профилактических учреждений России. Кардиология. 2018. Т. 58. № 4. С. 22-35.
  3. Егорова Е.Ю., Торшин И.Ю., Громова О.А., Мартынов А.И. Применение кардиоинтервалографии для скрининговой диагностики и оценки эффективности коррекции дефицита магния и коморбидных ему состояний. Терапевтический архив. 2015. Т. 87. № 8. С. 16-28.
  4. Громова О.А., Торшин И.Ю., Юдина Н.В., Малявская С.И., Лиманова О.А. Верифицированный опросник для пациентов по оценке обеспеченности калием, разработанный методами интеллектуального анализа данных. Consilium Medicum. 2017. Т. 19. № 12. С. 84-90.
  5. Громова О.А., Торшин И.Ю., Юдина Н.В., Сорокина М.А. Верифицированная комплексная шкала «калий: плазма, эритроциты, моча» (кпэм) для неинвазивной оценки состояния гомеостаза калия у пациентов. Терапия. 2017. № 6 (16). С. 18-28.