scientific monograph by Khalafyan Aleksan

1. А.А. ХАЛАФЯН
СОВРЕМЕННЫЕ СТАТИСТИЧЕСКИЕ МЕТОДЫ
МЕДИЦИНСКИХ ИССЛЕДОВАНИЙ
Электронная версия, дополненная и переработанная
Рецензенты:
доктор физико-математических наук, профессор Е.А.Семенчин,
доктор медицинских наук, профессор Л.Н. Елисеева

2. 2
В печатном издании монографии (ЛКИ, 2008) приведены результаты науч-
ных исследований, проведенных автором совместно с врачами-
исследователями. На реальных медицинских данных изложена технология
современного статистического анализа данных в среде пакета прикладных
программ STATISTICA. Представлены классические многомерные и совре-
менные углубленные методы анализа данных: множественный регрессион-
ный анализ, кластерный анализ, факторный анализ, анализ главных компо-
нент и классификация, многомерное шкалирование, анализ соответствий,
канонический анализ, дискриминантный анализ, общие модели дискрими-
нантного анализа, дисперсионный анализ, деревья классификации, анализ
выживаемости, моделирование структурными уравнениями, временные ряды
и прогнозирование.
В новой электронной версии монографии дополнительно представлены та-
кие методы как: ковариационный анализ, общие линейные модели, надеж-
ность и позиционный анализ, кросстабуляция, логлинейный анализ.
Уделено внимание постановочной части рассмотренных методов и интер-
претации результатов. Показаны возможности пакета при разработке диагно-
стических программ.
Книга рассчитана на широкий круг читателей – врачи, занимающиеся ис-
следовательской работой, профессорско-преподавательский состав, аспиран-
ты, студенты и научные работники медико-билогических вузов, заитересо-
ванные в применении современных технологий статистического анализа дан-
ных; а также все специалисты, использующие анализ данных в различных
прикладных областях знаний.

3. 3
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ ...........................................................................................................6
1. СИСТЕМНЫЙ ПОДХОД И ПРОБЛЕМЫ ИНФОРМАТИЗАЦИИ В
СОВРЕМЕННОЙ МЕДИЦИНЕ .........................................................................17
1.1. СИСТЕМНЫЙ АНАЛИЗ В МЕДИЦИНЕ..............................................................17
1.2. ПРОБЛЕМЫ ИНФОРМАТИЗАЦИИ В МЕДИЦИНЕ ..............................................21
1.3. ДЕТЕРМИНИРОВАННЫЕ И СТОХАСТИЧЕСКИЕ МАТЕМАТИЧЕСКИЕ...............25
МОДЕЛИ В МЕДИЦИНСКИХ ИССЛЕДОВАНИЯХ .....................................................25
2. МНОГОМЕРНЫЕ МЕТОДЫ ИССЛЕДОВАНИЯ СТРУКТУРЫ
МЕДИЦИНСКИХ ДАННЫХ .............................................................................39
2.1. КЛАСТЕРНЫЙ АНАЛИЗ .................................................................................39
2.1.1. Кластерный анализ больных нефроптозом методом к-средних.......44
2.1.2. Кластерный анализ больных нефроптозом методом иерархическая
классификация..............................................................................................53
2.2. ДИСПЕРСИОННЫЙ АНАЛИЗ ............................................................................55
2.2.1. Дисперсионный анализ клинико-лабораторных показателей..........56
больных нефроптозом ..................................................................................56
2.3. ФАКТОРНЫЙ АНАЛИЗ ....................................................................................64
2.3.1. Факторный анализ клинико-лабораторных показателей больных
лептоспирозом ..............................................................................................66
2.4. АНАЛИЗ ГЛАВНЫХ КОМПОНЕНТ И КЛАССИФИКАЦИЯ ...................................80
2.4.1. Классификация больных гипертонией при наличии или отсутствии
сахарного диабета методом анализ главных компонент..............................83
2.5. МНОГОМЕРНОЕ ШКАЛИРОВАНИЕ.................................................................98
2.5.1. Многомерное шкалирование больных гипертонией .....................101
2.6. АНАЛИЗ СООТВЕТСТВИЙ............................................................................111
2.6.1. Анализ соответствий углов ротации и степени опущения почек у
больных нефроптозом ................................................................................113
2.7. КАНОНИЧЕСКИЙ АНАЛИЗ ............................................................................121
2.7.1. Канонический анализ клинико-лабораторных показателей...........125
больных лептоспирозом.............................................................................125
3. УГЛУБЛЕННЫЕ МЕТОДЫ АНАЛИЗА.......................................................139
3.1. АНАЛИЗ ВЫЖИВАЕМОСТИ .........................................................................139
3.1.1. Анализ таблицы времен жизни больных лептоспирозом...............140
3.1.2. Оценка функции выживаемости ......................................................148
3.1.3. Выживаемость в различных группах больных ...............................152
3.1.4. Модель зависимости времени жизни больных от возраста............155
3.2. МОДЕЛИРОВАНИЕ СТРУКТУРНЫМИ УРАВНЕНИЯМИ ...................................159
3.2.1. Моделирование структурными уравнениями факторов.................163

4. 4
заболеваемости больных лептоспирозом.................................................163
3.3. ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫМИ РЯДАМИ ..............................................177
3.3.1. Анализ динамики заболеваемости лептоспирозом в г. Краснодаре.
Исследование структуры временного ряда...............................................179
3.3.2. Модель проинтегрированного скользящего среднего АРПСС ......185
3.3.3. Экспоненциальное сглаживание и прогноз.....................................190
4. МНОГОМЕРНЫЕ МЕТОДЫ ИДЕНТИФИКАЦИИ...................................195
СОСТОЯНИЯ БОЛЬНЫХ ................................................................................195
4.1. МНОЖЕСТВЕННЫЙ РЕГРЕССИОННЫЙ АНАЛИЗ............................................195
4.1.1. Построение регрессионной модели 6-минутного теста..................197
4.1.2. Программа DIREAN прогнозирования функционального класса
хронической сердечной недостаточности.................................................211
4.2. ДИСКРИМИНАНТНЫЙ АНАЛИЗ......................................................................213
4.2.1. Дискриминантный анализ больных, страдающих хронической
сердечной недостаточностью.......................................................................215
4.2.2. Программа DIXCH определения функционального класса............228
хронической сердечной недостаточности.................................................228
4.2.3. Дискриминантный анализ больных лептоспирозом.......................230
4.2.4. Программа DILEPTS идентификации состояния больных.............238
лептоспирозом ............................................................................................238
4.2.5. Дискриминантный анализ больных нефроптозом ..........................239
4.2.6. Программа SEAR определения степени ротации патологически
подвижной почки........................................................................................243
4.3. ОБЩИЕ МОДЕЛИ ДИСКРИМИНАНТНОГО АНАЛИЗА.........................................245
4.3.1. Общие модели дискриминантного анализа больных, страдающих
хронической сердечной недостаточностью ..............................................248
4.3.2. Программа ODAXCH определения функционального класса
хронической сердечной недостаточности.................................................263
4.4. ДЕРЕВЬЯ КЛАССИФИКАЦИИ.........................................................................264
4.4.1. Построение дерева классификации больных, страдающих ............269
хронической сердечной недостаточностью ..............................................269
4.4.2. Программа DITREAN определения функциональных классов
хронической сердечной недостаточности.................................................280
4.4.3. Построение дерева классификации больных нефроптозом............281
4.4.4. Программа TREENEF определения групп больных по степени
ротации почки.............................................................................................283
4.4.5. Построение дерева классификации больных лептоспирозом ........284
4.4.6. Программа TREELEPTS идентификации состояния больных........288
лептоспирозом ............................................................................................288
4.5. ПРОГРАММНЫЙ КОМПЛЕКС ИДЕНТИФИКАЦИИ СОСТОЯНИЯ БОЛЬНЫХ.......288

5. 5
4.6. СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ИДЕНТИФИКАЦИИ СОСТОЯНИЯ .........292
БОЛЬНЫХ..........................................................................................................292
5. ДОПОЛНИТЕЛЬНЫЕ РАЗДЕЛЫ................................................................296
5.1. КОВАРИАЦИОННЫЙ АНАЛИЗ ......................................................................296
5.2. ОБЩИЕ ЛИНЕЙНЫЕ МОДЕЛИ ......................................................................317
5.3. НАДЕЖНОСТЬ И ПОЗИЦИОННЫЙ АНАЛИЗ ...................................................327
5.4. КРОССТАБУЛЯЦИЯ (ТАБЛИЦЫ СОПРЯЖЕННОСТИ) ......................................347
5.5. ЛОГЛИНЕЙНЫЙ АНАЛИЗ.............................................................................358
ЗАКЛЮЧЕНИЕ .................................................................................................380
БИБЛИОГРАФИЧЕСКИЕ ССЫЛКИ ..............................................................381

6. 6
ВВЕДЕНИЕ
Человеческий организм – это функциональная биологическая система со
сложными и еще далеко не изученными взаимосвязями как между элемента-
ми внутри системы, так и с окружающей средой. Поэтому медицинские ис-
следования должны проводиться на основе системного анализа. Одним из
этапов или методов системного анализа является математическое моделиро-
вание, включающее построение и анализ как детерминированных, так и веро-
ятностно-статистических моделей. Таким образом, математическое моде-
лирование и применение вероятностно-статистических методов анализа дан-
ных должны быть неотъемлемой частью исследований в области медицины.
Конечная цель научного исследования заключается в нахождении связей
(зависимостей) между признаками, характеризующими объекты исследова-
ния. В частности математическая статистика разрабатывает вероятностные
модели установления статистических закономерностей и получения научно
обоснованных выводов о массовых явлениях из данных наблюдений или экс-
периментов. В медицине в качестве объектов исследования могут выступать
больные, а в качестве признаков – клинико-лабораторные показатели, харак-
теризующие состояние больного. Поэтому применение вероятностно-
статистического моделирования как метода системного анализа в медицин-
ских исследованиях направлено на исследование закономерностей функцио-
нирования человеческого организма как биологической системы.
При этом особую актуальность приобретают методы многомерного стати-
стического анализа, при помощи которых можно строить не только оптималь-
ные планы сбора, систематизации и обработки медицинских данных, но и вы-
явить характер и структуру сложных взаимосвязей между компонентами ис-
следуемого многомерного признака. Под многомерным признаком понимается
совокупность показателей, характеризующих исследуемый объект. В данном
случае – это человек, как биологическая система с совокупностью показателей
характеризующих его состояние. Результаты анализа данных и построенные
вероятностно-статистические модели могут быть использованы при принятии
медицинских решений по стратегии и тактике лечения больных.
Развитие современных информационных технологий, в частности стати-
стических пакетов прикладных программ (ППП), делает возможным более
эффективно использовать, как правило, достаточно трудоемкие многомерные
статистические методы. Одним из наиболее известных и широко применяе-
мых статистических ППП является программа STATISTICA (USA).
В монографии приведены результаты научных исследований, проведенных
автором совместно с учеными и врачами медицинских вузов – доктором ме-

7. 7
дицинских наук, профессором, заведующей кафедрой факультетской терапии
Л.Н. Елисеевой; доктором медицинских наук, профессором кафедры госпи-
тальной хирургии с курсом урологии А.С. Татевосяном; кандидатом меди-
цинских наук, главным врачом ГУЗ «Специализированная клиническая ин-
фекционная больница» департамента здравоохранения Краснодарского края
В.Н. Городиным; кандидатом медицинских наук, врачом-урологом Красно-
дарской городской клинической больницы скорой медицинской помощи А.Г.
Тоняном; кандидатом медицинских наук врачом Центра медицинской профи-
лактики департамента здравоохранения Краснодарского края С.Г. Сафоно-
вой; кандидатом медицинских наук, зав. колопроктологическим отделением
ГБУЗ «Краевая клиническая больница №1» В. В. Половинкиным; кандидатом
медицинских наук, врачом терапевтического отделения стационара «Анапа»
Е.В. Бородулиной; кандидатом медицинских наук, старшим преподавателем
кафедры психологического консультирования, психокоррекции и психотера-
пии факультета клинической психологии МГМСУ им. А.И. Евдокимова А.В.
Ялтонской; доктором медицинских наук, профессором, деканом факультета
клинической психологии и заведующей кафедрой клинической психологии
МГМСУ им. А.И. Евдокимова Сирота Наталье Александровне; аспиранту
кафедры клинической психологии МГМСУ им. А.И. Евдокимова Московчен-
ко Денису Владимировичу в таких областях медицины, как кардиология, уро-
логия, инфекционные болезни, терапия, психотерапия, медицинская психоло-
гия.
Статистическими методами (множественный регрессионный анализ, кла-
стерный анализ, факторный анализ, анализ главных компонент и классифи-
кация, многомерное шкалирование, анализ соответствий, канонический ана-
лиз, дискриминантный анализ, общие модели дискриминантного анализа,
дисперсионный анализ, деревья классификации, анализ выживаемости, моде-
лирование структурными уравнениями, ковариационный анализ, логлинейный
анализ, общие линейные модели, надежность и позиционный анализ) была ис-
следована структура медицинских данных.
Исследование и анализ данных позволили решить задачу идентификации
состояния больных. В качестве инструментария исследований и диагностики
использованы ППП STATISTICA и разработанный под руководством автора
комплекс программ.
Подробное описание технологии работы с ППП STATISTICA дано в других
изданиях автора – учебном пособии «STATISTICA 6.0. Статистический ана-
лиз данных.», М.: Бином, 2007, 2009 гг; «STATISTICA 6.0. Математическая
статистика с элементами теории вероятностей», М.: Бином, 2010 г.
При работе с статистическими методами и моделями важными являются
содержательная часть решаемых задач, идеология методов, ограничения на

8. 8
характер исходных данных, и интерпретация результатов. Поэтому в описа-
нии статистических методов дан тот необходимый объем информации, кото-
рый нужен читателю для полного понимания результатов исследований. С
этой целью в монографии достаточно подробно описываются задачи решае-
мые данным методом, требования к исходным данным, построенные таблицы
и графики.
Все таблицы и графики сопровождаются указанием «пути», в котором
прописаны названия модулей, вкладок и кнопок, последовательная активация
которых приводит к построению данной таблицы или графика. Читатель при
проведении собственных исследований сможет воспроизвести получение тех
или иных таблиц и графиков по указанному пути и правильно их интерпрети-
ровать.
Исходные данные для статистического анализа представляют таблицу, стро-
ки которой обозначают объекты исследования (например, больных). В терми-
нологии ППП STATISTICA строки называются наблюдениями. Столбцы обо-
значают переменные (признаки), описывающие наблюдения, например клини-
ко-лабораторные показатели больного. Переменные могут быть количествен-
ными и качественными. Качественные переменные измеряются в классифика-
ционной шкале (номинальной), когда в результате измерения определяется
принадлежность объекта к определенному классу или в порядковой шкале, ко-
гда в результате измерения также определяется принадлежность объекта к не-
которому классу, но дополнительно можно упорядочить объекты, сравнив их в
каком-то отношении друг с другом. Например, диагноз заболевания – это из-
мерение в классификационной шкале, а определение степени тяжести заболе-
вания – измерение в порядковой шкале. Качественные переменные называют-
ся группирующими, или категориальными. Количественные переменные мо-
гут быть измерены в интервальной шкале (например, температура больного),
в шкале отношений (например, вес больного) или абсолютной шкале (напри-
мер, некоторый безразмерный клинико-лабораторный показатель).
Статистические методы используют гипотезы (некоторые предположения),
которые принимаются или не принимаются в результате проведения исследо-
вания. При этом если гипотеза была верна, но ее отвергли, совершается
ошибка, которая называется ошибкой 1-го рода. Вероятность совершить
ошибку 1-го рода называется уровнем значимости критерия и обозначается
р-уров. Если р-уров. больше чем 0,05 (5%), то считается, что вероятность со-
вершить ошибку велика и гипотезу принимают, в противном случае гипотезу
отвергают, т.е. p-уров. представляет собой вероятность ошибки, связанной с
распространением наблюдаемого результата на всю совокупность изучаемых
объектов. Например, p-уров. = 0,05 показывает: имеется 5-процентная вероят-
ность, что выявленная в результате анализа взаимосвязь между переменными

9. 9
вызвана стечением случайных обстоятельств. Значение 0,05 в ППП
STATISTICA принято по умолчанию, но может быть изменено исследовате-
лем. Например, если речь идет о жизни человека, целостности важных объек-
тов, конструкций и т.д., то значение р-уров. может быть уменьшено до 0,01
или 0,001.
Некоторые методы многомерного анализа являются параметрическими ме-
тодами, другие – непараметрическими. При реализации параметрических ме-
тодов предполагается выполнение основного требования к исходным данным
– количественный признак измерен как минимум в интервальной шкале и его
выборочное распределение соответствует нормальному закону. Непараметри-
ческие методы не требуют знания закона распределения количественного при-
знака.
В первой главе книги автором затрагиваются проблемы использования сис-
темного анализа в медицине, обосновывается системный подход к пониманию
функций всего организма. Анализируются проблемы информатизации в ме-
дицине и здравоохранении. Показана актуальность применения статистиче-
ских пакетов при создании программ, диагностирующих и прогнозирующих
состояние больных для практической и исследовательской медицины с мак-
симально дружественным интерфейсом для пользователя, не требующих спе-
циальных знаний в области математики, программирования или информаци-
онных технологий. Показано, что стохастические модели в равной степени с
детерминированными моделями могут быть использованы в качестве инст-
рументария системного анализа в медицинских исследованиях. Сделан ана-
литический обзор работ, посвященных применению статистических методов
в медицинских исследованиях. Это монографии, сборники научных трудов,
учебные пособия, научные статьи, а также изобретения, в основе которых ле-
жат статистические методы.
Во второй главе приведены результаты использования многомерных ста-
тистических методов для исследования структуры анализируемых медицин-
ских данных:
1. Кластерный анализ позволяет произвести разбиение множества иссле-
дуемых объектов и признаков на однородные в некотором смысле группы,
или кластеры. Проведено разбиение больных нефроптозом на группы одно-
родности методом k-средних и методом иерархической классификации, пока-
зано, что по сравнению с общепринятым разделением больных на группы по
величине опущения почки наиболее адекватной классификацией является
распределение больных на группы по степени ротации почки в трех коорди-
натных плоскостях.
2. Дисперсионный анализ посредством сравнения средних количественной
переменной в группах, полученных разбиением всей совокупности наблюде-

10. 10
ний по одной или нескольким категориальным (качественным) переменным,
позволяет исследовать зависимость количественной переменной от данных ка-
чественных переменных. Например, количественная переменная – величина
опущения почки, группирующая переменная – степень опущения почки, ко-
торая разбивает больных на группы 1, 2, 3, соответствующие 1-й, 2-й и 3-й
степени опущения почки. Дисперсионным анализом установлено различие
средних клинико-лабораторных показателей, характеризующих состояние
больных нефроптозом, в группах по степени опущения и ротации почки. По-
казано, что в группах по степени ротации почек различие средних более вы-
ражено. То есть установлена зависимость между величинами указанных пока-
зателей и степенью опущения и ротации почки. Причем для степени ротации
почки эта зависимость сильнее.
3. Главной целью факторного анализа является сокращение числа пере-
менных. Сокращение достигается посредством выделения скрытых (латент-
ных) общих факторов, объясняющих связи между наблюдаемыми признаками
исследуемых объектов, т.е. вместо исходного набора переменных анализиру-
ются данные по выделенным факторам, число которых значительно меньше
исходного числа признаков. Факторным анализом выявлены латентные пока-
затели, характеризующие состояние больных лептоспирозом в остром перио-
де заболевания (первые 3 недели). Так, на 1-й неделе заболевания выделены
следующие: фактор 1 – синдром интоксикации, фактор 2 – синдром орган-
ной дисфункции, фактор 3 – синдром неспецифической адаптационной реак-
ции; на 2-й неделе заболевания выделены фактор 1 – синдром эндогенной
интоксикации и органной дисфункции, фактор 2 – синдром воспалительной
реакции периферической крови, фактор 3 – синдром водно-электролитных на-
рушений; на 3-й неделе заболевания выделены фактор 1 – синдром органных
и метаболических нарушений, фактор 2 – синдром диспротеинемии, фактор 3
– синдром воспалительной реакции периферической крови.
4. Анализ главных компонент и классификация предназначены для умень-
шения общего числа переменных (редукция данных) для того, чтобы полу-
чить «главные» и «некоррелирующие» переменные и классификации пере-
менных и наблюдений. Методом выявлены факторы, наиболее полно описы-
вающие состояние больных гипертонической болезнью. Выявлено различие
между группами больных гипертонией, страдающих и не страдающих сахар-
ным диабетом. Так, показано, что больных гипертонической болезнью, не
страдающих сахарным диабетом, можно объединить в группу однородности,
так как они имеют идентичное распределение значений основных клинико-
лабораторных показателей. Для больных гипертонической болезнью, стра-
дающих сахарным диабетом, эти показатели ведут себя весьма хаотично и
непредсказуемо, принимая различные значения, поэтому не приходится гово-

11. 11
рить об идентичности больных, а следовательно, и об одинаковых методах их
лечения. Причем «индивидуальность» больных сахарным диабетом не зави-
сит от длительности заболевания сахарным диабетом или гипертонической
болезнью, от возраста или пола больного.
5. Многомерное шкалирование представляет собой совокупность методов, с
помощью которых определяется размерность пространства базовых характе-
ристик объектов и конструируется конфигурация объектов в этом пространст-
ве значительно меньшей размерности, чем исходное. Это пространство (мно-
гомерная шкала) аналогично обычно используемым шкалам в том смысле, что
значениям базовых характеристик объектов соответствуют определенные зна-
чения на осях пространства. Другими словами многомерное шкалирование –
это способы наиболее эффективного размещения объектов в пространстве
меньшей размерности, приближенно сохраняющие наблюдаемые между ними
расстояния. Например, если состояние больных характеризуется несколькими
десятками клинико-лабораторных показателей, значения которых косвенно ха-
рактеризуют «сходство» в состоянии больных, то методами многомерного
шкалирования можно построить пространство значительно меньшей размерно-
сти, максимально сохранив «сходство» между больными. Малая размерность
пространства, например 2, позволяет исследователю визуализировать объекты
исследования на плоскости, оценивая степень сходства между объектами рас-
стоянием между ними. Показано, что существуют групповые различия в со-
стоянии больных, страдающих гипертонической болезнью при наличии и от-
сутствии сахарного диабета, наряду с определенным сходством между состоя-
ниями больных в каждой группе присутствуют индивидуальные различия
больных и более значимы эти различия для больных с сахарным диабетом.
6. Метод анализ соответствий содержит описательные и разведочные ме-
тоды анализа двухвходовых и многовходовых таблиц частот. Одна из целей
анализа соответствий – представление содержимого таблицы относительных
частот в виде расстояний между отдельными строками и/или столбцами таб-
лицы в пространстве возможно более низкой размерности. Анализ соответ-
ствий показал, что между степенью опущения почки и ее ротацией существу-
ет тесная взаимосвязь, но эта взаимосвязь не носит характер прямой зависи-
мости, так как большей степени опущения почки не соответствует большая
степень ее ротации. Прямая зависимость имеет место только для больных с 1-
й степенью опущения и ротации почки, 2-я степень опущения почки способ-
ствует более сильной ротации почки, чем 3-я степень опущения.
7. Метод канонический анализ является обобщением множественного кор-
реляционного анализа как меры взаимосвязи одной переменной с множест-
вом других переменных. Канонический анализ необходим, если имеются две
совокупности переменных и необходимо определить взаимосвязь между ни-

12. 12
ми. В результате исследований, проведенных каноническим анализом, выяв-
лена сильная зависимость между показателями синдрома интоксикации и ор-
ганной дисфункции и показателями гематологического синдрома для больных
лептоспирозом 1-й недели заболевания.
В третьей главе приведены результаты использования углубленных стати-
стистических методов для более полного исследования структуры анализи-
руемых данных:
1. Метод анализ выживаемости дает возможность исследовать вероятно-
стные характеристики интервалов времени между последовательным возник-
новением критических событий, т.е. интервалов времени между началом на-
блюдения за объектом и моментом прекращения, при котором объект пере-
стает отвечать заданным для наблюдения свойствам. Методы анализа выжи-
ваемости в основном применяются к тем же статистическим задачам, что и
другие методы, однако их особенность состоит в том, что они применяются к
неполным данным или, как иногда говорят, цензурированным. Как правило,
вместо обычной функции распределения в этих методах используется так на-
зываемая функция выживания, представляющая собой вероятность того, что
объект проживет время большее, чем некоторое значение t. Методом анализ
выживаемости построены вероятностные модели и установлены определен-
ные закономерности течения инфекционного процесса при лептоспирозе, оп-
ределены периоды времени наибольшего риска летального исхода больных,
выявлены факторы, влияющие на выживаемость больных.Так установлено,
что наибольший риск летального исхода имеется у больных в первые 2–3 не-
дели заболевания. Вероятность летального исхода больного в этот период со-
ставляет более 30%. Около 25 % больных умирают в течение первых 11 дней,
выживаемость женщин выше, чем мужчин, выживаемость больных безжел-
тушной формой также выше, чем при желтушной форме болезни, чем старше
больной, тем меньше у него шансов на выздоровление.
2. Метод моделирование структурными уравнениями посредством иссле-
дования вероятностных характеристик параметров системы изучает ее струк-
туру и устанавливает причинно-следственные взаимосвязи между элементами
системы. В медицинских исследованиях причинное моделирование может
быть использовано для установления причинных связей между латентными
(скрытыми) факторами заболевания, измерение которых по определенным
причинам невозможно, и явными, доступными для измерения факторами.
Моделированием структурными уравнениями построена причинная модель в
виде линейных уравнений и выявлена взаимосвязь между тяжестью заболева-
ния и факторами макроорганизма и микроорганизмов больных лептоспиро-
зом. При этом факторы макроорганизма и микроорганизма, тяжесть течения
заболевания являются латентными переменными, значения которых неиз-

13. 13
вестны. Показано, что факторы макроорганизма – нарушения иммунного
статуса организма, наличие сопутствующих заболеваний, вредных привы-
чек, возраст и т.д. – в значительно большей степени влияют на состояние
больного, чем факторы микроорганизма – активность, проникающая способ-
ность лептоспир и т.д.
3. Метод временные ряды и прогнозирование посредством анализа времен-
ного ряда позволяет построить наиболее оптимальную модель ряда, по кото-
рой можно делать прогноз интересующего показателя на будущий временной
интервал произвольной длины. Построены модели временного ряда количе-
ства госпитализированных с диагнозом лептоспироз в специализированную
клиническую инфекционную больницу г. Краснодара. Методом авторегрес-
сии и скользящего среднего построена более адекватная модель, чем методом
экспоненциального сглаживания. Построенные модели временных рядов по-
казали, что количество заболевших носит колебательный характер, причем
наблюдается тенденция стабилизации числа заболевших в течение года отно-
сительно величины в 120 чел. Результаты исследований структуры данных
методами статистического анализа позволили решить задачу идентификации
состояния больных, страдающих нефроптозом, хронической сердечной не-
достаточностью, лептоспирозом.
В четвертой главе приведены результаты применения множественного
регрессионного анализа и методов классификационного анализа – дискрими-
нантного анализа, общие модели дискриминантного анализа и деревья клас-
сификации для идентификации состояния больных хронической сердечной
недостаточностью, нефроптозом, лептоспирозом.
1. Регрессионный анализ изучает вид зависимости одного признака (пере-
менной) от одного или нескольких других признаков и предполагает решение
двух задач. Первая заключается в выборе независимых переменных, сущест-
венно влияющих на зависимую величину, и в определении формы уравнения
регрессии. Данная задача решается путем анализа изучаемой взаимосвязи.
Вторая задача – оценивание параметров – решается с помощью того или ино-
го статистического метода обработки данных наблюдения. Построено линей-
ное множественное уравнение регрессии, в котором зависимой переменной
является результат 6-миутного теста, а независимыми – основные клинико-
лабораторные показатели, характеризующие состояние больных хронической
сердечной недостаточностью. Уравнение используется для прогнозирования
результатов 6-минутного теста, если известны значения клинико-
лабораторных показателей.
2. Цель дискриминантного анализа состоит в том, чтобы на основе измерения
различных характеристик (признаков, параметров) объекта классифицировать
его, т. е. отнести к одной из нескольких групп (классов) некоторым оптимальным

14. 14
способом. Под оптимальным способом понимается либо минимум математиче-
ского ожидания потерь, либо минимум вероятности ложной классификации. Этот
вид статистического анализа является многомерным, так как использует несколь-
ко параметров объекта. Для каждого из заболеваний (хронической сердечной
недостаточности, нефроптоза, лептоспироза) выделено небольшое количество
клинико-лабораторных показателей, по которым можно с высокой достоверно-
стью определить степень тяжести состояния больного. Показана возможность и
целесообразность использования дискриминантного анализа для идентификации
состояния больных указанных заболеваний.
3. Методы общие модели дискриминантного анализа и деревья классифи-
кации используют, если не выполняются условия применимости модуля дис-
криминантный анализ, т.е. присутствуют в данных независимые переменные,
измеренные в более слабой шкале, чем интервальная шкала, или их распреде-
ление не соответствует нормальному закону. Возможности метода общие мо-
дели дискриминантного анализа значительно шире, чем у классического дис-
криминантного анализа. Предусмотрено наличие в файле данных анализируе-
мой выборки – совокупности наблюдений, которые включены в вычисления
оценок параметров модели и кросс-проверочной выборки – совокупности на-
блюдений, которые могут быть использованы для оценки доли ошибочной
классификации наблюдений. Другой особенностью метода является наличие
опций, позволяющих анализировать, насколько различные уровни предикто-
ров влияют на классификацию наблюдений, что в конечном итоге дает воз-
можность определить комбинации значений предикторов, которые максими-
зируют правдоподобие того, что соответствующее наблюдение принадлежит
тому или иному классу. Так как в данных для больных хронической сердеч-
ной недостоточностью присутствуют категориальные переменные (одышка,
слабость), метод использован для определения степени тяжести больных,
страдающих хронической сердечной недостаточностью.
4. Деревья классификации – это метод, позволяющий предсказывать при-
надлежность наблюдений или объектов к тому или иному классу категори-
альной переменной в зависимости от соответствующих значений одной или
нескольких независимых переменных. Деревья классификации выполняют
одномерное ветвление по независимым переменным различных типов – не-
прерывным и категориальным. Построенное дерево может быть очень слож-
ным. Однако использование специальных графических процедур позволяет
упростить интерпретацию результатов даже для очень сложных деревьев.
Возможность графического представления результатов и простота интерпре-
тации во многом объясняют большую популярность метода в прикладных об-
ластях, в частности в медицинских исследованиях. По выделенным клинико-
лабораторным показателям для каждого из указанных заболеваний – хрони-

15. 15
ческой сердечной недостаточности, нефроптоза, лептоспироза – построены
деревья классификации, при помощи которых можно для произвольного
больного определить степень тяжести состояния.
5. Ковариационный анализ в отличие от дисперсионного и регрессионного
анализа (ANCOVA) − раздел анализа данных, ставящий своей целью исследо-
вать характер взаимосвязи между зависимой величиной – откликом и набо-
ром количественных и качественных независимых величин – предикторов и
построить регрессионную модель, т.е. он является как бы синтезом регресси-
онного и дисперсионного анализа. Независимые количественные перемен-
ные, относящиеся к интервальной шкале или к шкале отношений (метриче-
ской), называются ковариатами. Поэтому, в качестве ковариат должна ис-
пользоваться непрерывная величина, или дискретная (порядковая) с большим
количеством значений.
6. Общие линейные модели являются обощением множественного регрес-
сионного анализа. В классическом регрессионном анализе предполагается,
что отклик и предикторы – это непрерывные случайные величины, имеющие
нормальное распределение. Однако в некоторых задачах в качестве предик-
торов целесообразно рассматривать качественные переменные, измеренные в
номинальной или порядковой шкале. Если в качестве предикторов использу-
ются непрерывные и категориальные переменные, то для построения регрес-
сионной модели следует использовать метод Общие линейные модели, кото-
рый реализован в пакете STATISTICA с одноименным модулем.
7. Надежность и позиционный анализ предназначен для построения на-
дежных анкет (шкал), а также анализа и улучшения используемой шкалы.
Оценивание надежности шкалы основано на корреляциях между индивиду-
альными позициями или измерениями, составляющими шкалу, и дисперсия-
ми этих измерений.
8. Кросстабуляция (сопряжение) – метод многомерного частотного анали-
за, состоящего в объединении двух (или нескольких) таблиц частот так, что
каждая ячейка в построенной таблице представляется единственной комби-
нацией значений или уровней табулированных переменных. Кросстабуляция
позволяет совместить частоты появления наблюдений на разных уровнях рас-
сматриваемых качественных (категориальных) переменных. Исследуя эти
частоты, можно выявить не только связи между переменными, но и исследо-
вать структуру этой связи.
9. Логлинейный анализ является более «глубоким» методы исследования
многомерных таблиц, а именно, этот метод посредством моделирования час-
тот в таблице сопряженности позволяет проверить статистическую значи-
мость различных факторов и их взаимодействий. Логлинейный анализ имеет
сходство с дисперсионным анализом и регрессионным анализом. Для прове-

16. 16
дения логлинейного анализа все переменные должны быть измерены в кате-
гориальной шкале.
Описаны разработанные на основе указанных методов программы на язы-
ке STATISTICA VISUAL BASIC с применением макросов модулей регрессион-
ного анализа, дискриминантного анализа и общих моделей дискриминантного
анализа. Программы могут быть использованы в практической, образователь-
ной и исследовательской медицине, так как имеют простой и максимально
дружественный интерфейс для пользователя, не требуют специальных знаний
в области математики, статистического анализа или информационных техно-
логий. Программы зарегистрированы в Федеральной службе по интеллекту-
альной собственности, патентам и товарным знакам.
Книга адресована врачам, занимающимся исследовательской работой,
профессорско-преподавательскому составу, аспирантам, студентам и науч-
ным работникам медико-билогических вузов, заитересованным в использо-
вании современных технологий анализа данных; а также всем специалистам,
использующим статистический анализ данных в различных прикладных об-
ластях знаний.
Буду признателен всем читателям за замечания и пожелания по содержа-
нию и оформлению книги. Адреса для контактов: 350040, г. Краснодар, ул.
Ставропольская, 144, Кубанский государственный университет, факультет
прикладной математики, А.А. Халафяну или khaliphyan@kubannet.ru,
statlab.kubsu.ru, statlab@kubsu.ru
Выражаю благодарность Л.Н. Елисеевой, В.Н. Городину, С.Г. Сафоновой,
А.С. Татевосяну, А.Г. Тоняну, В.В. Половинкину, А.В. Ялтонсокй, Е.В. Боро-
дулиной, Н.А.Сирота, Д.В. Московченко за содержательную постановку задач
и формулирование медицинской проблемы, консультацию и обсуждение ре-
зультатов исследований; М.Х. Уртенову, Е.А. Семенчину за обсуждение ма-
тематической части монографии и критические замечания; а также моему ас-
пиранту Д.В. Савенко за помощь в написании программ.

17. 17
1. СИСТЕМНЫЙ ПОДХОД И ПРОБЛЕМЫ ИНФОРМАТИЗАЦИИ В
СОВРЕМЕННОЙ МЕДИЦИНЕ
1.1. СИСТЕМНЫЙ АНАЛИЗ В МЕДИЦИНЕ
Исторически под влиянием естественных наук, в частности анатомических
исследований, медицина развивалась по органному принципу, несмотря на
принцип целостности организма, провозглашенный еще в работах С.Г. Зыбе-
лина, М.Я. Мудрова, И.П. Сеченова, И.П. Павлова и др. В связи с этим мно-
гие относительно независимые клинические дисциплины носят названия ор-
ганов, которые они изучают – кардиология (кардио – сердце), пульмонология
(пульмо – легкое). Любой современный учебник по важнейшим фундамен-
тальным дисциплинам – анатомия, физиология, гистология и др. – строится
по органному принципу. В соответствии с разделением патологии органов –
болезни сердца, легких, печени и т. д., врачи разделились по органным специ-
альностям. Патогенез, диагностика и лечение непосредственно связываются с
функцией конкретных органов, и профессиональный взгляд врача, как прави-
ло, в основном направлен в сторону больных органов [1]. Это так называемый
морфологический (органо-морфологический, анатомический) подход к анали-
зу организма человека, который дал свой результат. Сейчас имеется чрезвы-
чайно развитая номенклатурная классификация болезней, построенная на
принципах морфологического анализа и принятая в большинстве развитых
стран мира. К настоящему времени описательный морфологический анализ
организма человека усилен инструментальными методами исследования –
микроскопом, рентгеном, компьютерной томографией, ультразвуком и т.д.
В то же время живой организм не является набором органов, как это следу-
ет, например, из самой номенклатурной классификации болезней. Живой ор-
ганизм – это биологическая система с многочисленными и еще не изученны-
ми взаимосвязями между элементами и средой обитания. Система (от греч.
systema – целое, составленное из частей; соединение) – совокупность взаимо-
связанных элементов, обособленная от среды и взаимодействующая с ней как
целое для достижения некоторой цели [2]. Системный подход – это методо-
логия научного познания, в основе которого лежит исследование объектов
как систем. Системный подход предполагает адекватное формулирование
проблемы и выработку эффективной стратегии их изучения. Поэтому важное
значение имеет рассмотрение человека как системы при изучении болезней и
их первопричин, а также использование системного подхода при диагностике
заболевания.
Основной задачей медицины является обеспечение полноценного качества
жизни человека [3]. В это понятие включается не только снятие боли и стра-

18. 18
даний у больного, но и его возврат к полноценному образу жизни, который не
должен отличаться от уровня жизни любого другого здорового человека. Это
значит, что медицина должна уметь полностью восстанавливать поврежден-
ные органы у больного, чтобы организм мог успешно и эффективно функ-
ционировать в том же ритме, что и до болезни. Каждый человек, обратив-
шийся за помощью к услугам медицины, вправе ожидать от неё полного вы-
здоровления и возврата к своим нормальным жизненным функциям в тех
объёмах, которые предъявляют к нему современные условия жизни. И хотя,
несомненно, есть очевидное продвижение развития медицины, особенно за
последние десятилетия, следует признать, что она всё ещё далека от подобно-
го решения этих задач. У малой части больных наступает излечение от забо-
левания. Если заболевание достаточно сложное, то оно переходит в хрониче-
скую форму или заканчивается летальным исходом. Дополнительным факто-
ром, свидетельствующим о недостатках современной медицины, является то,
что врачи подвержены различным заболеваниям не в меньшей степени, чем
обычные граждане, и нет статистически подтвержденных сведений об их
большей продолжительности жизни.
По-видимому одной из причин такого состояния медицины является огра-
ниченность знаний о человеке как о сложной, большой, а возможно и беско-
нечной и неограниченной системе, являющейся частью или элементом еще
более сложных систем. П.К. Анохин одним из первых сформулировал новый
подход – системный, к пониманию функций целого организма [4]. Взамен
классической физиологии органов, традиционно следующей анатомическим
принципам, теория функциональных систем провозглашает системную орга-
низацию функций человека, начиная от молекулярного вплоть до социально-
го уровня. Целый организм с этих позиций представляет слаженную интегра-
цию множества функциональных систем, одни из которых своей саморегуля-
торной деятельностью определяют устойчивость различных показателей
внутренней среды – гомеостазис, другие – адаптацию живых организмов к
среде обитания. Одни функциональные системы генетически детерминирова-
ны, другие складываются в индивидуальной жизни в процессе взаимодейст-
вия организма с разнообразными факторами внутренней и внешней среды, т.
е. на основе обучения. Теория функциональных систем, однако, коренным
образом отличается от системного подхода, предложенного Л. Фон Берта-
ланфи. В соответствии с общепринятым системным подходом под системами
понимается только совокупность взаимосвязанных элементов. В отличие от
такого «статического» понимания системы функциональные системы явля-
ются динамически функционирующими организациями, обеспечивающими
своей саморегуляторной деятельностью полезные для организма приспособи-
тельные результаты.

19. 19
Ведущим свойством функциональной системы живых организмов любого
уровня организации является принцип саморегуляции и самовосстановления.
В соответствии с теорией функциональных систем отклонение того или иного
результата деятельности функциональных систем от уровня, определяющего
нормальную жизнедеятельность организма, само является причиной к моби-
лизации всех составляющих функциональные системы компонентов на воз-
вращение измененного результата к уровню, определяющему оптимальное
течение процессов жизнедеятельности. В функциональных системах орга-
низма отклонение результата деятельности системы от уровня, определяюще-
го нормальную жизнедеятельность, заставляет все элементы системы рабо-
тать в сторону его возвращения к оптимальному уровню. При этом формиру-
ется субъективный информационный сигнал – отрицательная эмоция, позво-
ляющая живым организмам оценивать возникшую потребность. При возвра-
щении результата к оптимальному для жизнедеятельности уровню элементы
функциональных систем работают в противоположном направлении. Дости-
жение оптимального уровня результата в норме сопровождается информаци-
онной положительной эмоцией. По аналогичной схеме происходит самовос-
становление живых организмов в определенных пределах. Таким образом,
человеческий организм представляет собой обучающуюся, саморегулирую-
щуюся и самовосстанавливающуюся функциональную систему. Например, в
системе кровообращения есть подсистема стабилизации артериального дав-
ления, у которой есть вполне определённая цель – поддерживать артериаль-
ное давление на заданном уровне. Цель для этой подсистемы задаёт система
кровообращения, нейронные центры управления которой расположены в
продолговатом мозгу. Система кровообращения распределяет кровоток по
всем тканевым регионам организма за счёт определённого баланса между со-
судистым сопротивлением микроциркуляторной зоны различных тканевых
регионов, сердечным выбросом, и объёмом циркулирующей крови. Если эта
система «решила», что нужно поддерживать высокое артериальное давление,
она задаст эту цель для системы стабилизации артериального давления, кото-
рая «постарается» это сделать [3].
Снижение компенсаторно-приспособительных и регенераторных возмож-
ностей организма приводит к возникновению заболеваний. Поэтому, учиты-
вая системность как человека, так и окружающей его среды, востребована но-
вая номенклатурная классификация болезней, основанная как на органо-
морфологическом, так и на системном подходе к пониманию функций чело-
веческого организма. Наряду с органной патологией надо анализировать сис-
темную патологию. Организм – это цельная и очень тонко сбалансированная
сложная система, дисбаланс которой уже является патологией! Чтобы заме-
тить патологию на ранних этапах – так называемые субклинические проявле-

20. 20
ния болезни, когда ещё нет разрушений и патология проявляется только на
функциональном, а не морфологическом уровне, необходимо рассмотрение
человека как системы. Тем более, системный подход важен при диагностике
и лечении заболевания. Например, многие терапевты при пневмонии не толь-
ко назначают антибиотики, но и, кроме местной терапии (ингаляции, массаж
грудной клетки, отхаркивающие средства, электропроцедуры на грудную
клетку), также используют и методы общего воздействия (витамины, лечеб-
ные ванны, лечебная физкультура). Но это не системный, а всего лишь ком-
плексный подход. Если предположить, что у больного имеется еще и наслед-
ственная или приобретенная функциональная слабость тонкого кишечника,
поджелудочной железы, одной из почек (обычно у каждого человека бывает
больше подобных скрытых дефектов), то это дает постоянное нарушение об-
мена витаминов, микроэлементов, белков, водно-солевого обмена, нарушение
дезинтоксикации в организме, а терапевт этими органами не занимается. Сле-
довательно, острая пневмония протекает на фоне отмеченных нарушений, ес-
тественно протекает хуже или гораздо хуже, чем если бы все это было учтено.
Именно целенаправленная работа со всем организмом, а это уже системный
подход, какой бы ни была сегодняшняя частная проблема, позволяет добиться
максимального эффекта [3].
Целенаправленная работа со всем организмом требует определенной ин-
формации о деятельности различных систем и органов человека. Сбор этой
информации в виде клинико-лабораторных показателей и их анализ – это
также проявление системного подхода и, как правило, реализуется в условиях
стационара. К сожалению, не всегда творчески подходят к сбору и анализу
этих данных, что является одной из причин врачебных ошибок. Ведь систем-
ный анализ, особенно в области медицины, – это синтез науки, искусства и
технологий. Зачастую собранных данных недостаточно (нет соответствую-
щей аппаратуры, позднее обращение, неизвестны основные симптомы забо-
левания и т.д.), но иногда их количество достаточно, или избыточно. В пер-
вую очередь обращают внимание на показатели, которые вышли за пределы
допустимых общепринятых границ и по этим «зашкаленным» значениям оп-
ределяют дальнейшую стратегию исследований или лечения больного. По су-
ти, врачам, выражаясь математической терминологией, приходится решать
многокритериальную задачу принятия решений при диагностиоровании со-
стояния больного или заболевания. В то же время многие клинико-
лабораторные показатели взаимосвязаны друг с другом, некоторые из них
наиболее информативны в описании состояния больного, другие менее зна-
чимы. В большинстве случаев о состоянии больного можно судить не по зна-
чениям отдельных показателей, а по комбинации значений небольшой сово-
купности показателей. Выявить такие информативные показатели и по соче-

21. 21
танию их значений «распознать образ» заболевания или идентифицировать
тяжесть состояния больного можно с использованием методов системного
анализа, в частности посредством вероятностно-статистического моделиро-
вания.
При интерпретации результатов статистического анализа нужно быть пре-
дельно осторожным и помнить, что все полученные результаты имеют опре-
деленную достоверность и условия применимости. Иначе могут быть получе-
ны выводы типа «средняя температура по больнице равна 36,6º». Это, впро-
чем, то же самое, что говорить о средней зарплате по стране. Можно анализи-
ровать, сравнивать средние температуры выздоравливающих, тяжелоболь-
ных, или средние зарплаты работников бюджетной сферы, министров, депу-
татов различных уровней и т.д. Даже в этом случае само среднее еще не явля-
ется полной характеристикой анализируемого явления, необходимо также
рассматривать и степень разброса усредняемых величин. При значительном
разбросе среднее не может служить достоверной оценкой анализируемой ве-
личины.
1.2. ПРОБЛЕМЫ ИНФОРМАТИЗАЦИИ В МЕДИЦИНЕ
В настоящее время происходит тотальная информатизация практически
всех областей человеческой деятельности. Частные и государственные ком-
пании, фирмы, малые предприятия оснащены самой современной компью-
терной техникой с соответствующим программным обеспечением. При этом
медицина и здравоохранение значительно отстают от необходимого на сего-
дняшний день уровня информатизации муниципальных поликлиник и боль-
ниц. Нет повсеместно внедренных программных продуктов, которые могли
бы существенно облегчить работу специалистов и сделать ее более компе-
тентной и эффективной.
В то же время существует огромный объём научной информации в виде
научных статей, монографий и сборников, но ни один врач не в состоянии
справиться с той лавиной информации, которая уже существует, продолжает
появляться и которую он должен переработать. Невозможно перечесть все
книги и статьи во всех научных журналах, пусть даже и по узкой специально-
сти. Но кроме повышения квалификации, которой постоянно должен зани-
маться врач, ему необходимо справляться еще и с огромным объемом отчет-
ной документации, которая, к сожалению, не уменьшается, а продолжает рас-
ти [3].
Возрастает объем информации и вследствие разработки новых средств ди-
агностики. Раньше, чтобы поставить диагноз, врачу было достаточно фонен-
доскопа, тонометра, глаз для осмотра и пальцев для пальпации. Сейчас до-

22. 22
бавлено огромное число современных методов исследования, среди которых
есть много достаточно агрессивных (инструментальные методы исследова-
ния), без которых постановка диагноза невозможна. Но, наряду с позитивны-
ми моментами, из-за резко возросшего объема информации одновременно ус-
ложнилась диагностика, потому что приходится «переваривать» огромное ко-
личество информации. Так, например, если состояние больного лептоспиро-
зом характеризуется несколькими десятками клинико-лабораторных показа-
телей, то врач должен выделить из этого количества показателей наиболее
информативные и по сочетанию значений этих показателей верифицировать
состояние больного. Поэтому, врачу необходимо уметь работать не только с
приборами для исследования тех или иных систем организма, но и с компью-
тером, и с соответствующими прикладными программами, иметь понятие о
компьютерном моделировании и уметь им пользоваться. Сегодня ни один
технический проект невозможен без компьютерного моделирования. Но по-
чему-то считается, что изменить что-то в больном организме без предвари-
тельного компьютерного моделирования – это нормальное явление и вполне
нам под силу, хотя организм человека невообразимо сложнее любого техни-
ческого проекта [3].
В некоторых случаях аналитические способы диагностики дают ту инфор-
мацию, которую невозможно получить никаким другим способом. Так, ещё
более двадцати лет назад был обнаружен синдром перегрузки миокарда у
больных хроническими неспецифическими заболеваниями лёгких и останов-
ками дыхания во сне при использовании соответствующей математической
модели [3]. Причём открыт был не путём прямого измерения каких-либо па-
раметров миокарда, а с помощью использования некоторых формул и физио-
логических неинвазивных методов измерений. Такой же синдром был открыт
у больных артериальной гипертонией, а у больных с артериальной гипоксе-
мией при поражении лёгочных сосудов был открыт синдром перегрузки ко-
ронарного кровообращения.
Было бы абсолютно неверным утверждать, что медицинские информаци-
онные технологии (МИТ) не развиваются. Напротив, медицинская информа-
тика – стремительно развивающаяся область знаний, предоставляющая меди-
цине ценнейшие технологии [5]. Создана Ассоциация Развития Медицинских
Информационных Технологий, на сайте которой (ARMIT.ru) представлены мо-
нографии и учебные пособия по медицинской информатике, приведены ана-
литические обзоры разработанных информационных систем с указанием
фирм-разработчиков, выпущен каталог «Медицинские информационные тех-
нологии 2006», проводятся выставки и конференции, защиты диссертацион-
ных работ. Создана Медицинская информационная система Кондопога, пред-
назначенная для автоматизации работы медицинских учреждений независимо

23. 23
от принадлежности (государственное, ведомственное или частное) и специа-
лизации. При этом она разработана с учетом возможности ее использования в
поликлинике, многопрофильном стационаре с различными клиническими и
диагностическими отделениями, санатории. Функционируют специализиро-
ванные сайты для врачей, например, Российский сайт врачей ультразвуковой
терапии (ACUSTIC.ru), Поволжский портал для специалистов-медиков
(MedPFO.ru), Клуб радиологов и врачей функциональной и ультразвуковой
терапии (Radiology.ru, узи.ru), Русская онкологическая сеть (Onconet.ru) и др.
Есть сайты интересные и полезные как врачам, так и их пациентам, например,
Русский онкологический форум (Oncoforum.ru), сайт MedLinks.ru и др.
Таким образом, МИТ развиваются столь же интенсивно, как и современные
компьютерные технологии. Проблема во внедрении в практическую медици-
ну. Нужна, по-видимому, глубоко продуманная государственная программа,
которая позволит выбрать и внедрить наиболее достойные и эффективные из
разработанных медицинские информационные системы, обучить медицин-
ский персонал грамотному пользованию ими. Очевидно, что разработка, вне-
дрение МИТ должны осуществляться на основе системного подхода [6]. В
противном случае возможен сценарий предыдущих не очень успешных ре-
форм в здравоохранении, реализованных по принципу «хотелось как лучше, а
получилось как всегда" – вместо уменьшения рутинной работы значительно
возрастет ее объем за счет необходимости ввода большого количества ин-
формации в компьютер.
Развитие и внедрение в здравоохранение информационных технологий (в
том числе и через разработанные автоматизированные рабочие места специа-
листов) позволит [7]:
– внедрить сетевые технологии управления в медицинские учреждения с
созданием специальных баз данных;
– обеспечить доступ специалистов к информации о новейших медицинских
технологиях через Интернет (специализированные консультационные сайты
и форумы для врачей);
– внедрить электронные формы документов, что частично автоматизирует
ведение истории болезни и другой отчетной документации;
– разрабатывать и внедрять в практическую медицину программы для ком-
пьютерного моделирования динамики состояния больного вследствие приме-
нения тех или иных препаратов или методов лечения;
– разрабатывать и внедрять в практическую медицину диагностические
программы, направленные на оказание помощи врачу в идентификации со-
стояния больного и т.д.
Не вызывает сомнения тот факт, что правильная и своевременная диагно-
стика заболевания, а также диагностика и прогнозирование состояния боль-
ного являются решающими факторами в его успешном лечении. В пользу