Известно, что у больных с эндогенными психическими расстройствами наблюдается атрофическое снижение объемов различных участков мозга, приводящее к развитию когнитивных расстройств. С помощью позитронно-эмиссионной компьютерной томографии показано, что активированная микроглия мозга ответственна за развитие нейровоспаления (НВ) и, как следствие, за процессы нейродегенерации при шизофрении [1, 2]. При этом активированная микроглия продуцирует провоспалительные цитокины, которые вызывают системное иммунное воспаление [3].
Существуют специфические регуляторные механизмы для поддержания баланса между коагуляцией и процессом воспаления, необходимого для обеспечения защиты организма от широкого спектра патологических состояний, связанных с воспалением. Если коагуляция и воспаление не сбалансированы между собой, появляются не только новые патологические симптомы, но и обостряются уже существующие [4, 5]. В большинстве случаев эти процессы изучают как функционирующие независимо друг от друга. Однако иммунная система, процессы коагуляции и воспаления активируются при одних и тех же заболеваниях, коррелируют как во времени, так и в пространстве и наблюдаются в одних и тех же органах и тканях [4]. Это свидетельствует о сильной взаимозависимости между этими процессами. Показано также, что взаимодействие факторов свертывания крови с периваскулярным матриксом может влиять на развитие воспаления и на локализацию инфекции (иммобилизация микробов в фибриновых «коконах») и, как следствие, на степень системного воспаления и на эффективность восстановления тканей [6—8]. Таким образом, факторы свертывания крови играют важную роль не только в гемостазе, но и в воспалительных реакциях, связанных с инфекциями и сопряженными заболеваниями. Ключевой белок системы коагуляции, фибриноген, является маркером острой фазы воспаления и рассматривается как один из основных факторов воспаления [9].
По всей видимости, система гемостаза, как и иммунная система, играет большую роль в патогенезе шизофрении и аффективных расстройств. Это позволяет сформулировать рабочую гипотезу о наличии связи между показателями гемостаза и клинической эффективностью лечения расстройств шизофренического спектра (РШС). Ранее нами было показано, что у больных этими заболеваниями в состоянии обострения наблюдается повышенная свертываемость крови, сопровождающаяся появлением большого количества спонтанных сгустков, образующихся из прокоагулянтных микрочастиц (гиперкоагуляция со спонтанными сгустками), приводящих к снижению терапевтической эффективности лечения больных. Исследования были проведены с использованием инновационного теста «Тромбодинамика» (ТД) [10—13]. Кроме того, была проведена оценка риска тромботических нарушений у больных шизофренией и шизоаффективными расстройствами в состоянии обострения [14]. Полученные результаты согласуются с данными литературы о существовании перекрестных связей между коагуляцией, иммунитетом и воспалением.
При анализе литературы не было найдено информации о существовании связей между характеристиками коагуляции крови и показателями клинической эффективности лечения больных РШС и другими эндогенными расстройствами. Это может быть следствием использования недостаточно чувствительных методов статистического анализа. Поэтому в данной работе для выявления таких связей использованы современные методы машинного обучения (МО), которые имеют значительно больший потенциал, чем методы традиционной статистики [15].
Цель исследования — выявление связей между показателями теста ТД и клиническими показателями тяжести состояния у больных с расстройствами шизофренического спектра до и после лечения. В ходе исследования решались две основные задачи: первая — поиск различий между группами пациентов с сильным и слабым откликом на лечение, вторая — разработка метода прогноза сильного и слабого отклика исходя из показателей теста ТД.
Материал и методы
В исследование были включены 92 женщины с диагнозом шизофрения или шизотипическое расстройство в возрасте от 16 до 57 лет (Me возрас та [Q1; Q3] — 27 лет]), которые поступили в состоянии обострения на стационарное лечение в клинику ФГБНУ НЦПЗ (отдел по изучению эндогенных психических расстройств и аффективных состояний).
Критерии включения: диагноз шизофрения с приступообразным/приступообразно-прогредиентным/непрерывным типом течения (F20.00-2) или шизотипическое расстройство с аффективными колебаниями (F21.3-4), суммарная выраженность тяжести состояния до лечения по позитивной субшкале PANSS [16] больше 15 баллов, подписание пациентами информированного согласия на участие в исследовании.
Критерии невключения: неврологическое заболевание или соматическое заболевание в стадии обострения, злоупотребление психоактивными веществами в анамнезе.
Пациентки были разделена на две группы в зависимости от отклика на лечение — снижение суммарного показателя в баллах позитивной шкалы PANSS (PposTot) в результате лечения в процентном отношении к значению этого показателя до лечения. 1-ю группу составили 58 пациенток в возрасте от 16 до 57 лет (медианный возраст [Q1; Q3] — 27 лет) с сильным откликом на лечение (<–50%), 2-ю группу — 34 пациентки в возрасте от 16 до 51 года (Me возраста [Q1; Q3] — 25 лет) со слабым откликом на лечение (>= –50%).
Все пациентки получали комплексную психофармакотерапию, адекватную психопатологической картине состояния. Согласно требованиям Хельсинкской декларации пациентки подписали информированное согласие на участие в исследовании.
Для объективизированной оценки степени выраженности симптоматики больных применяли унифицированную формализованную оценочную шкалу PANSS.
Тест ТД [17] предназначен для исследования in vitro пространственно-временной динамики свертывания крови, инициированной локализованным активатором свертывания. Процесс возникновения и роста фибринового сгустка регистрируется цифровой видеокамерой. На основе полученных изображений рассчитываются численные показатели пространственно-временной динамики роста фибринового сгустка: время задержки роста сгустка (Tlag, мин), начальная, стационарная и скорректированная на нелинейность скорости роста сгустка (Vi, Vst и V, мкм/мин, соответственно), размер сгустка после 30 мин проведения теста ТД (CS, мкм), плотность сгустка (D, усл. ед.), время появления спонтанных сгустков (Tsp, мин) во всем объеме кюветы. Тест ТД проводился согласно описанию в [13].
Методы анализа данных
Поиск различий между группами с сильным и слабым откликом на лечение (первая задача исследования) проводился методом оптимальных достоверных разбиений (ОДР). Целью этого метода является выделение областей в признаковом пространстве, в которых среднее значение целевой переменной статистически значимо отличается от ее средних значений в целом по выборке или в соседних областях. Чаще всего этот метод используется для задач, где бинарная переменная, указывающая на принадлежность объектов целевому классу, например группе пациентов с сильным откликом на лечение. Наиболее простой вариант — разделение двух областей по единственной входной (объясняющей) переменной x, единственной границей. Граничное значение x* входной переменной подбирается по обучающей выборке таким образом, чтобы достигнуть максимума функционала F=(v1–v)2m1+(vr–v)2mr, где m1=t1+s1 — число объектов выборки со значением переменной слева от границы, mr=tr+sr — число объектов выборки со значением переменной справа от границы,
— доля объектов целевого класса в выборке, v1=t1/m1 — доля объектов целевого класса в подмножестве со значением переменной слева от границы, vr=tr/mr — доля объектов целевого класса в подмножестве со значением переменной справа от границы (рис. 1).
Рис. 1. Иллюстрация метода оптимальных достоверных разбиений.
Верификация результата ОДР сводится к исследованию возможности достижения или превышения значения F, полученного на обучающей выборке, на выборках, которые строятся путем случайных перестановок значений целевой переменной Y в обучающей выборке. Поиск оптимальных границ, для которых достигается максимум функционала, воспроизводится на нескольких тысячах случайных выборок. Доля случайных выборок, на которых максимум функционала достиг или превысил значение для истинной обучающей выборки, рассматривается в качестве значимости связи между Y и x. Такую процедуру называют случайным перестановочным тестом [18]. Выходом метода ОДР с одной входной переменной, таким образом, являются значение, граничное значение x* и максимальное значение F. Метод ОДР может быть использован для описания связи Y с парой объясняющих переменных x1 и x2. Закономерность при этом описывается с помощью двух пороговых значений для x1 и x2. То есть закономерность соответствует разбиению совместной области значений для x1 и x2 на четыре квадранта. При верификации оценивается значимость каждой из переменных. Процедура верификации подробно изложена в [19].
Для решения второй задачи (построения классификатора, дающего прогноз сильного или слабого отклика, исходя из показателей теста ТД и баллов PANSS) опробованы следующие пять методов машинного обучения (МО): логистическая регрессия [20]; случайные леса [21, 22]; решающие деревья, генерируемые с использованием процедуры градиентного бустинга [23—25]; метод опорных векторов с радиальными базисными функциями [26]; статистически взвешенные синдромы [27, 28].
Суть метода логистической регрессии состоит в использовании логистической функции p(x)=[1+exp(–x·q)]–1, отображающей множество значений входных признаков x в интервал (0; 1), что позволяет работать со значением функции p как с вероятностью наступления интересующего нас события (например, «пациент будет хорошо отвечать на лечение») при заданных признаках. При этом обучаются (подбираются для наилучшего решения задачи) параметры q модели логистический регрессии.
Метод случайных лесов заключается в использовании ансамбля случайным образом построенных решающих «деревьев», каждое из которых само по себе дает очень невысокое качество классификации, но за счет их большого количества результат получается хорошим. Основной способ внесения случайности — использование только малой части признаков (при этом выбираемых случайным образом) при добавлении очередного узла дерева. Классификация объектов проводится путем «голосования»: каждое дерево ансамбля относит классифицируемый объект к одному из классов, побеждает класс, за который «проголосовало» наибольшее число деревьев.
Бустингом в МО называется подход, основанный на построении последовательности слабых классификаторов, каждый из которых обучается на примерах, неверно распознанных предшественниками, после чего эта последовательность тем или иным способом объединяется для получения итогового сильного классификатора. В частности, при градиентном бустинге обучение очередного классификатора происходит на сгенерированных наблюдаемых значениях, являющихся разностью между истинными и предсказанными совокупностью предыдущих слабых классификаторов.
Идея метода опорных векторов — перевод исходных векторов признаков в пространство более высокой размерности и поиск в этом пространстве разделяющей гиперплоскости с максимальным зазором между элементами разных классов.
Статистически взвешенные синдромы (СВС) для коллективного решения вычисляются по ансамблям синдромов — компактных областей признакового пространства, внутри которых преобладают случаи с одинаковым исходом [28]. Метод статистически взвешенных синдромов, разработанный при участии авторов статьи, ранее уже применялся в биомедицинских исследованиях [27—29].
Способность перечисленных ансамблевых методов устойчиво проводить обучение в условиях ограниченного размера групп и высокой размерности данных позволяет рассматривать их в качестве эффективного инструмента в клинических исследованиях в области психиатрии [30].
Для определения качества полученного прогноза использован анализ характеристической кривой (ROC-AUC анализ). Рассчитываются следующие величины: TP — число истинно положительных случаев, здесь: количество пациенток со слабым откликом на лечение, которые были правильно отнесены классификатором во 2-ю группу; TN — число истинно отрицательных случаев, то есть случаев с сильным откликом, правильно отнесенных в 1-ю группу; FP — число ложноположительных случаев, пачиенток с сильным откликом, ошибочно отнесенных в группу со слабым откликом; FN — число ложноотрицательных случаев, то есть случаев со слабым откликом, которые были ошибочно отнесены в группу с сильным откликом.
Далее рассчитываются чувствительность (Sen), специфичность (specifisity, Spc), полнота (Pr) и F —мера
и ROC AUC —площадь под ROC кривой (кривая зависимости TP от FP при разном пороге решения).
Результаты и обсуждение
В применения метода ОДР выявлены статистически значимые различия некоторых показателей теста ТД и оценок психического состояния пациентов по шкале PANSS между группами больных с сильным (1-я группа) и слабым (2-я группа) откликами (табл. 1). Здесь и далее префикс Т1 используется для значений показателей до лечения, Т2 — после лечения.
Таблица 1. Статистически значимые различия показателей тромбодинамики и оценок по шкале PANSS между 1-й и 2-й группами
| Показатель | Граничное значение | Количество случаев (со значением показателя ниже граничного) n (%) | Количество случаев (со значением показателя выше граничного) n (%) | F | p | ||
| 1-я группа | 2-я группа | 1-я группа | 2-я группа | ||||
| Т1D | 19 506 | 2 (3,4) | 10 (31,2) | 56 (96,6) | 22 (68,8) | 13,641 | 0,0020 |
| Т2Tlag | 1,80 | 52 (100) | 24 (72,7) | 0 (0) | 9 (27,3) | 15,675 | 0,0005 |
| Т2D | 19 454 | 1 (1,9) | 8 (24,2) | 51 (98,1) | 25 (75,8) | 10,498 | 0,0203 |
| DTlag | 0,71 | 52 (100) | 24 (77,4) | 0 (0) | 7 (22,6) | 12,669 | 0,0050 |
| Т1Ppos1 | 5,5 | 39 (67,2) | 31 (91,2) | 19 (32,8) | 3 (8,8) | 6,676 | 0,0350 |
| Т1Ppos2 | 4,5 | 32 (55,2) | 28 (82,4) | 26 (44,8) | 6 (17,6) | 6,905 | 0,0270 |
| Т1Ppos4 | 3,5 | 27 (46,6) | 27 (79,4) | 31 (53,4) | 7 (20,6) | 9,443 | 0,0053 |
| Т1Ppos5 | 3,5 | 35 (60,3) | 33 (97,1) | 23 (39,7) | 1 (2,9) | 14,821 | 0,0013 |
| Т1PposTot | 26,5 | 31 (53,4) | 31 (93,9) | 27 (46,6) | 2 (6,1) | 15,708 | 0,0003 |
| Т2PposTot | 8,5 | 18 (31) | 0 (0) | 40 (69) | 34 (100) | 12,976 | 0,0037 |
| Т1Ppsy1 | 3,5 | 46 (79,3) | 16 (47,1) | 12 (20,7) | 18 (52,9) | 10,035 | 0,0037 |
| Т1Ppsy6 | 1,5 | 13 (22,4) | 1 (2,9) | 45 (77,6) | 33 (97,1) | 6,231 | 0,0463 |
| Т1Ppsy13 | 3,5 | 36 (63,2) | 12 (35,3) | 21 (36,8) | 22 (64,7) | 6,561 | 0,0353 |
Примечание. Число пациенток в группе, имеющих соответствующее значение показателя теста ТД или оценку по шкале PANSS. Здесь и в табл. 2, 3, 4, 5 в скобках указаны проценты от общего числа случаев в соответствующей группе. DTlag вычисляется как разность значений показателя Tlag после и до лечения.
Из таблицы видно, что существуют статистически значимые (уровень значимости p=0,05) различия между 1-й и 2-й группами по следующим показателям ТД и оценкам в баллах по шкале PANSS:
— плотности сгустка (Т1D и Т2D) как до лечения, так и после лечения;
— времени задержки роста сгустка (Т2Tlag) после лечения;
— изменению значения времени задержки роста сгустка DTlag;
— оценкам по отдельным позитивным синдромам шкалы PANSS до лечения (Т1Ppos1, Т1Ppos2, Т1Ppos4, Т1Ppos5);
— оценкам выраженности суммарной тяжести заболевания по позитивной субшкале PANSS до и после лечения (Т1PposTot, Т2PposTot);
— оценкам по отдельным общим психопатологическим синдромам шкалы PANSS до лечения (Т1Ppsy1, Т1Ppsy6, Т1Ppsy13).
Распознавание групп с сильным и слабым откликом по показателям ТД
Характеристики эффективности классификации выбранными методами МО представлены в табл. 2. Величина ROC AUC в данном случае характеризует связь реального значения отклика с оценкой вероятности сильного отклика, рассчитанной с помощью соответствующего метода МО. Приведенное p-значение относится к проверке нулевой гипотезы о независимости прогностического и истинного значения. Статистическая значимость существования связи между истинной и предсказанной группами оценивалась по таблице сопряженности критерием χ2.
Связь между функционалом, включающим показатели теста ТД, и откликом статистически значимо выявляется всеми методами. Наилучшая значимость с минимальным p-значением достигается для метода СВС. Для этого же метода достигается максимальное значение F-меры (0,621). Максимальное значение ROC AUC (0,73) достигается для метода Градиентный бустинг. Для метода СВС величина ROC AUC оказывается низкой и составляет только 0,526 (см. табл. 2).
Таблица 2. Характеристики эффективности распознавания для различных методов
| Метод машинного обучения | Таблица сопряженности | p | Чувствительность/специфичность | ROC | F | |
| Логистическая регрессия | TP=18 | FN=16 | 0,0007 | Sn=0,529/Spc=0,810 | 0,688 | 0,571 |
| FP=11 | TN=47 | |||||
| Градиентный бустинг | TP=14 | FN=20 | 0,0208 | Sn=0,410/Spc=0,810 | 0,730 | 0,475 |
| FP=11 | TN=47 | |||||
| Статистически взвешенные синдромы | TP=18 | FN=16 | <0,0001 | Sn=0,529/Spc=0,897 | 0,526 | 0,621 |
| FP=6 | TN=52 | |||||
| Метод случайных лесов | TP=13 | FN=21 | 0,0248 | Sn=0,380/Spc=0,828 | 0,620 | 0,456 |
| FP=10 | TN=48 | |||||
| Метод опорных векторов | TP=9 | FN=25 | 0,0034 | Sn=0,265/Spc=0,948 | 0,563 | 0,391 |
| FP=3 | FN=55 | |||||
Следует обратить внимание на низкие значения чувствительности практически всех методов. Максимальное значение чувствительности достигается для логистической регрессии и СВС и составляет только 0,529. Вместе с тем специфичность для всех методов оказывается высокой, превышая 0,8 и достигая 0,948 для метода опорных векторов. Последнее обстоятельство позволяет сделать предположение о существовании в группе со слабым откликом двух подгрупп: значительно и мало отличающихся по показателям ТД от группы с сильным откликом.
Такие подгруппы могут быть выделены по величинам оценок вероятности сильного отклика, которые вычисляют для каждого распознаваемого случая все методы МО и по некоторому пороговому значению. Однако критерии выбора порога не вполне ясны. Для статистически взвешенных синдромов подгруппы отчетливо выделяются естественным образом, что видно из гистограммы на рис. 2, соответствующей данному методу.
Рис. 2. Распределение рассчитанных методом СВС оценок вероятности сильного отклика в группе со слабым откликом на лечение.
Использование оценок вероятности, рассчитанных с методом СВС, позволило выделить в группе со слабым откликом две подгруппы: подгруппу I, включающую 18 случаев со слабым откликом и низкими (<0,4) оценками вероятности сильного отклика и подгруппу II, включающую 16 случаев со слабым откликом с высокими (>0,6) оценками вероятности сильного оклика. При сравнении подгрупп по отдельным показателям ТД с помощью метода ОДР и критерия Манна—Уитни были обнаружены достоверные отличия (табл. 3).
Таблица 3. Результаты сравнения подгрупп I и II
| Показатель | Граничное значение | Распределение случаев (значение показателя ниже граничного) n (%) | Распределение случаев (значение показателя выше граничного) n (%) | F | p ОДР | p Манна—Уитни | ||
| подгруппа II | подгруппа I | подгруппа II | подгруппа I | |||||
| Т1V | 45,4 | 15 (100) | 8 (47,1) | 0 (0) | 9 (52,9) | 10,703 | 0,0090 | 0,0470 |
| Т1D | 22327 | 0 (0) | 11 (64,7) | 15 (100) | 6 (35,3) | 14,328 | 0,0010 | 0,0014 |
| Т2Tlag | 1,75 | 15 (100) | 9 (50,0) | 0 (0) | 9 (50,0) | 10,000 | 0,0077 | н/з |
| Т2Vi | 47,8 | 0 (0) | 8 (44,4) | 15 (100) | 10 (55,6) | 8,533 | 0,0280 | 0,0220 |
| Т2D | 21 961 | 1 (6,7) | 14 (77,8) | 14 (93,3) | 4 (22,2) | 16,182 | 0,0003 | 0,0002 |
| DTlag | 0,60 | 14 (100) | 9 (52,9) | 0 (0) | 8 (47,1) | 8,593 | 0,0200 | 0,0100 |
| DV | — | — | — | — | — | н/з | 0,0180 | |
Сравнение подгрупп I и группы с сильным откликом показало (табл. 4), что различия между ними наблюдаются практически по тем же показателям ТД, что и различия между подгруппами I и II. Исключением является Т1V. При этом направленность эффекта по каждому из показателей в табл. 3 и 4 одинакова: повышение (снижение) доли случаев из группы с сильным откликом всегда соответствует повышению (снижению) доли случаев из подгруппы II. О сходстве характера различий свидетельствуют также двумерные диаграммы (рис. 3 и 4).
Таблица 4. Результаты сравнения подгруппы I и группы с сильным откликом (1-я группа)
| Показатель | Граничное значение | Распределение случаев (значение показателя ниже граничного) n (%) | Распределение случаев (значение показателя выше граничного) n (%) | F | p ОДР | p Манна—Уитни | ||
| 1-я группа | подгруппа I | 1-я группа | подгруппа I | |||||
| Т1D | 19506 | 2 (3,4) | 10 (58,8) | 56 (96,6) | 7 (41,2) | 29,595 | <0,0003 | 0,0002 |
| Т2Tlag | 1,80 | 52 (100) | 9 (50,0) | 0 (0) | 9 (50,0) | 29,410 | <0,0003 | 0,0090 |
| Т2Vi | 46,20 | 4 (7,7) | 7 (38,9) | 48 (92,3) | 11 (61,1) | 9,685 | 0,0273 | 0,0330 |
| Т2D | 21410 | 7 (13,5) | 13 (72,2) | 45 (86,5) | 5 (27,8) | 22,300 | 0,0003 | <0,0001 |
| DTlag | 0,71 | 52 (100) | 10 (58,8) | 0 (0) | 7 (41,2) | 23,484 | <0,0003 | 0,0067 |
| DV | н/з | 0,0200 | ||||||
Рис. 3. Распределения группы 1 и подгруппы I (а) и и. подгруппы I и подгруппы II (б) по Т1D и Т2Tlag (ось y).
Здесь и на рис. 4 по оси х показатели Т1D, по оси y — Т2Tlag.
Рис. 4. Распределения подгруппы I и группы 1 (а)— и подгруппы I и подгруппы II (б) по Т1D (ось х) и DTlag (ось y).
На рис. 3 видно, что случаи из подгруппы II и группы с сильным откликом практически полностью расположены в правом нижнем квадранте, в который попадает только один случай из 17 случаев подгруппы I, для которых известны как Т1D, так и Т2Tlag. За пределами правого нижнего квадранта находится только 1 из 52 случаев с сильным откликом и нет случаев из подгруппы II. При этом рассчитанные по данным границы оптимальных разбиений на левой и правой диаграмме совпадают для показателя Т1D (19 290 слева и справа) и близки для показателя Т2Tlag (1,80 слева и 1,75 справа). Эффект является статистически значимым на уровне p<0,0003 по обоим показателям при сравнении подгруппы I и группы 1 (с сильным откликом). При сравнении подгрупп I и II эффект является статистически значимым на уровне p<0,0003 по показателю Т1D и статистически значимым на уровне p=0,0007 по Т2Tlag.
Случаи из подгруппы II и группы с сильным откликом практически полностью расположены в правом нижнем квадранте, в который попадает только 3 из 17 случаев из подгруппы I, для которых одновременно известны Т1D и DTlag. За пределами правого нижнего квадранта находится только 1 из 52 случаев с сильным откликом и нет случаев из подгруппы II. Границы оптимальных разбиений на левой и на правой диаграмме также совпадают для показателя Т1D (19 290 слева и справа) и достаточно близки для показателя DTlag (0,71 слева 0,60 справа). Исход лечения также является статистически значимым на уровне p<0,0003 по обоим показателям при сравнении подгруппы I и группы с сильным откликом. При сравнении подгрупп I и II эффект является статистически значимым на уровне p<0,021 по показателю Т1D и статистически значимым на уровне p=0,0153 по DTlag (см. рис. 4).
Различие между подгруппой II и группой с сильным откликом наблюдалось только для показателя Т2Tlag (табл. 5).
Таблица 5. Различие между подгруппой II и группой с сильным откликом (1-я группа)
| Показатель | Граничное значение | Распределение случаев (значение показателя ниже граничного) n (%) | Распределение случаев (значение показателя выше граничного) n (%) | F | p | ||
| 1-я группа | подгруппа II | 1-я группа | подгруппа II | ||||
| Т2Tlag | 1,35 | 40 (76,9) | 5 (33,3) | 12 (23,1) | 10 (66,7) | 9,88 | 0,0087 |
Заключение
Из результатов, представленных в статье, может быть сделан вывод о существовании статистически значимых различий между распределениями некоторых показателей ТД в группах с сильным и слабым откликом на проведенное лечение. Данный вывод подтверждается как применением статистических тестов для оценки различий между двумя группами по отдельным показателям (см. табл. 1), так и использованием нескольких многофакторных методов распознавания (см. табл. 2).
Несмотря на высокую статистическую значимость, результаты предсказания исхода для всех методов характеризуются относительно низкой чувствительностью (<0,53) при высокой специфичности. Низкая чувствительность может быть вызвана высокой неоднородностью целевой группы, то есть со слабыми откликами, как связанными, так и несвязанными с показателями ТД. Последний вывод подтверждается гистограммой распределения оценок вероятности сильного отклика (см. рис. 2). Из гистограммы можно наблюдать выделение двух отчетливых подгрупп I и II в группе со слабым откликом, имеющих статистически значимые различия.по ряду показателей теста ТД.
Статистически значимые результаты, полученные с помощью метода оптимальных достоверных разбиений, выявляют сходство между расположением точек, соответствующих подгруппе II и группе с сильным откликом, по отношению к точкам, соответствующим подгруппе I, в координатах Т1D и Т2Tlag (см. рис. 3). Аналогичные статистически значимые результаты наблюдаются и для пары показателей Т1D и DTlag (см. рис. 4).
Совокупность результатов, полученных различными методами МО, показывает существование высоко статистически значимой связи исхода лечения расстройств шизофренического спектра с некоторыми показателями теста тромбодинамики больных. Продемонстрирована возможность использования различных методов машинного обучения для исследования связи показателей ТД с клиническими проявлениями, а также для прогнозирования по этим показателям клинической эффективности лечения больных, что имеет большую практическую значимость.
Работа выполнена при частичной финансовой поддержке РФФИ, проект №20-01-00609.
The work was partially supported by RFBR, project 20-01-00609
Авторы заявляют об отсутствии конфликта интересов.