Патент на изобретение №2248184

(54) СПОСОБ ДИАГНОСТИКИ УРОВНЯ И НАРУШЕНИЙ МОРФОФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ОРГАНИЗМА

(57) Реферат:

Изобретение относится к медицине, в частности к спортивной медицине, и может быть использовано для диагностики уровня морфофункционального состояния организма. Способ включает сбор морфофункциональных признаков, характеризующих состояние пациента, и последующий расчет интегральных показателей, отражающих морфофункциональное состояние пациента и его принадлежность к диагностируемой группе. Исследуют массоростовой индекс, жизненный индекс, силовой индекс становой тяги, силовой индекс кистевой динамометрии, показатель двойного произведения, относительную физическую работоспособность. Стандартизируют полученные показатели для приведения к единому виду, вычитая среднее арифметическое и поделив на среднее квадратическое отклонение показатели каждого признака. Затем подвергают кластерному анализу по методу k-средних для выявления частных коэффициентов кластерной принадлежности. Их интерпретируют, исходя из принадлежности к одному из типов оценочных шкал следующим образом: массоростовой индекс по сигмовидной шкале, жизненный индекс, силовой индекс, относительную физическую работоспособность по прямой пропорциональной шкале, и суммируют, получая общий коэффициент кластерной принадлежности. Общий коэффициент кластерной принадлежности подвергают повторному кластерному анализу по методу k-средних, чтобы выявить реально статистически различные группы обследуемых, которые относят к основной, подготовительной и специальной медицинским группам. Способ позволяет объективизировать и оптимизировать процесс определения принадлежности к медицинской группе у занимающихся спортом. 14 табл.

Изобретение относится к медицине, а именно к спортивной медицине и врачебному контролю. Может быть использовано дня диагностики функционального состояния организма и нарушений функционального состояния организма, а также для определения медицинской группы занимающихся физической культурой и спортом.

Известен способ количественного определения уровня физического здоровья организма (Апанасенко Г.Л., 1988). Однако известный способ не дает возможности отнесения исследуемого к той или иной медицинской группе.

Наиболее близким к предлагаемому является общеизвестный способ определения функционального состояния и функциональных нарушений с последующей субъективной интерпретацией медицинской группы (Дембо А.Г., 1988).

Однако данный способ имеет недостаточную точность вследствие наличия возможности привнесения субъективизации в процесс интерпретации медицинской группы, а также отсутствия возможности определить точные количественные детерминанты уровня морфофункционального состояния организма.

Целью изобретения является определение уровня морфофункционального состояния организма и степени нарушений морфофункционального состояния, а также объективизация и оптимизация процесса определения принадлежности к медицинской группе у занимающихся физической культурой и спортом.

Эта цель достигается тем, что у человека или группы людей исследуются морфофункциональные признаки, коррелирующие с уровнем физического здоровья организма: рост, вес, жизненная емкость легких, динамометрия, пульсометрия, артериальное давление, физическая работоспособность. Признаки подвергаются кластерному анализу и разделяются на статистически достоверно отличающиеся структуры данных, включающие исследуемых, схожих по уровню морфофункционального состояния и степени отклонений морфофункционального состояния.

Способ реализуется следующим образом.

Исследуемые морфофункциональные признаки переводятся в известные и описанные в литературе относительные величины (массоростовой индекс, жизненный индекс, силовой индекс, показатель двойного произведения, относительная физическая работоспособность), статистически стандартизируются (из исследуемой величины вычитается среднее арифметическое и разность делится на среднее квадратическое отклонение ((х-М/СКО)) и по отдельности подвергаются кластерному анализу (по методу кластеризации k-средних) (В.П.Боровиков, 2001). В k-методе объект относится к тому классу, расстояние до которого минимально. Расстояние понимается как евклидово расстояние, то есть объекты рассматриваются как точки евклидова пространства. Евклидово расстояние между объектами является геометрическим расстоянием в многомерном пространстве и вычисляется следующим образом:

где d – расстояние между объектами; х, у – объекты совокупности; i – численность объектов.

Расстояние от объектов до совокупности объектов определялось по методу невзвешенного попарного центроидного усреднения (UPGMC – Sneath, Sokal, 1973), где расстояние между кластерами определяется как расстояние между их “центрами тяжести”. Под “центрами тяжести” понимается среднее арифметическое векторных наблюдений объектов, входящих в кластер. Расчет данного расстояния ведется по формуле

где d – расстояние между кластерами; (1) – среднее арифметическое векторных наблюдений, входящих в кластер S1; (k) – среднее арифметическое векторных наблюдений, входящих в кластер Sk.

Метод кластеризации производится на основании общепринятых представлений о теории медицинских групп, утверждающей, что существуют три основные медицинские группы: основная, подготовительная и специальная. Интерпретация исследуемых признаков ведется с учетом типа оценочной шкалы в случае каждого исследуемого признака.

Применялись оценочные шкалы трех типов: сигмовидная, прямая пропорциональная, обратная пропорциональная. К сигмовидной относился массоростовой показатель, к прямой пропорциональной – жизненный индекс, силовые индексы (становой и кистевой) и показатель относительной физической работоспособности, к обратной пропорциональной – показатель двойного произведения. Интерпретация показателей осуществлялась по-разному, в зависимости от типа оценочной шкалы в каждом случае. Для сигмовидной шкалы алгоритм интерпретации выглядел так: чем ближе к зоне средних значений, тем более оптимальный результат; для прямой пропорциональной: чем выше показатель, тем выше результат; для обратной пропорциональной: чем ниже показатель, тем выше результат.

Деление на группы, исходя из этих предпосылок, теоретически выглядело бы следующим образом: в основную группу войдут студенты, имеющие условно максимальные показатели в прямых пропорциональных шкалах измерения, минимальные показатели в обратных пропорциональных шкалах и средние показатели в сигмовидных шкалах измерения; в подготовительную группу войдут студенты, имеющие условно средние показатели в прямых и обратных пропорциональных шкалах и средние между средними (центральными) и крайними показателями в сигмовидных шкалах; в специальную же группу попадут студенты, имеющие условно максимальные показатели в обратных пропорциональных шкалах, минимальные показатели в прямых пропорциональных шкалах и крайние показатели в сигмовидных шкалах.

Данные по массоростовому индексу соответствовали сигмовидному типу оценочных шкал, имея оптимальные показатели соотношения массы и роста в зоне средних величин, что теоретически обусловливало принадлежность к основной медицинской группе; в зоне крайних (максимальных и минимальных) величин – к специальной медицинской группе; в зоне между средними и крайними показателями – к подготовительной медицинской группе.

Данные по показателю двойного произведения соответствовали обратному пропорциональному типу оценочных шкал, имея оптимальные показатели в зоне минимальных величин, что обуславливало принадлежность к основной медицинской группе; в зоне средних величин – к подготовительной медицинской группе; в зоне максимальных величин – к специальной медицинской группе.

Данные по жизненному индексу, силовому индексу (становой тяги), силовому индексу (кистевой динамометрии), относительной физической работоспособности соответствовали прямому пропорциональному типу оценочных шкал, имея оптимальные показатели в зоне максимальных величин, что обуславливало принадлежность к основной медицинской группе; в зоне средних величин – к подготовительной медицинской группе; в зоне минимальных величин – к специальной медицинской группе.

Таким образом, исследуемые могут быть разделены на отличные друг от друга структуры данных (группы) внутри каждого признака. В зависимости от распределения в ту или иную группу исследуемый получает тот или иной интерпретирующий коэффициент соответствующего признака. Интерпретирующий коэффициент тем выше, чем более функционально оптимальным является полученный у исследуемого показатель и чем меньше выражены отклонения от нормальных величин значения морфофункциональных признаков. Для основной группы интерпретирующий коэффициент равен трем, для подготовительной – двум, для специальной – одному. Получая некое количество интерпретирующих коэффициентов у конкретного исследуемого, равное числу исследуемых признаков, и суммируя их, выводят суммарный интерпретирующий коэффициент, отражающий уровень функционального состояния, и его отклонение от нормального функционального состояния в количественном отношении у данного человека.

Далее суммарные интерпретирующие коэффициенты подвергаются повторной кластеризации, разделяясь на группы, отличающиеся друг от друга по уровню морфофункционального состояния организма исследуемых (из-за разных типов оценочных шкал, к которым относятся исследуемые признаки, одноэтапное применение кластерного анализа сразу ко всем признакам привело бы к нарушению физиологически верной трактовки степени вклада разных признаков в общую картину диагностируемого функционального состояния, поэтому кластеризация проводилась в два этапа). Группа с наиболее низким уровнем морфофункционального состояния относится к специальной медицинской группе, группа со средним – к подготовительной, а группа с высоким – к основной. Причем важным условием является то, что получаемые группы статистически достоверно отличаются друг от друга по совокупности значений суммарных интерпретирующих коэффициентов для каждой из групп (р<0,001).

Для выявления правил классификации в исследуемой группе применяется дискриминантный анализ. При этом рассчитываются решающие правила для каждой медицинской группы, что позволяет выработать правила классификации для данной выборки обследуемых, что дает возможность интерпретировать медицинскую группу у вновь исследуемых. При помощи дискриминантного анализа выстраивается “модель”, позволяющая лучше всего предсказать, к какой совокупности будет принадлежать тот или иной образец исследуемой выборки. В условиях данной “модели” возможно автоматически определять некоторые оптимальные комбинации переменных, в которых функции будут независимыми или ортогональными, то есть их вклады в разделение совокупностей не будут перекрываться. Они могут быть интерпретированы следующим образом: чем больше стандартизованный коэффициент, тем больше вклад соответствующей переменной в дискриминацию совокупностей.

Существуют функции классификации, которые возможно использовать для прямого вычисления показателя классификации для некоторых новых значений. В данном способе применяется линейная дискриминантная фукнция.

Функции классификации предназначены для определения того, к какой группе наиболее вероятно может быть отнесен каждый объект. Имеется столько же функций классификации, сколько групп. Каждая функция позволяет для каждого образца и для каждой совокупности вычислить веса классификации по формуле

S_i=с_i+w_i1*х₁+w_i2*х₂ +…+W_im*X_m,

где индекс i обозначает соответствующую совокупность, а индексы 1, 2, …, m обозначают m переменных; с_i являются константами для i-ой совокупности, w_ij – веса для j-ой переменной при вычислении показателя классификации для i-ой совокупности; х_j – наблюдаемое значение для соответствующего образца j-ой переменной. Величина S_i является результатом показателя классификации.

Таким образом, осуществляется деление исследуемой выборки на медицинские группы по выявленным морфофукнциональным признакам.

Предложенный способ применен при определении медицинской группы у 1560 человек мужского и женского пола в возрасте от 16 до 28 лет. При этом отмечено, что процент правильно классифицированных объектов исследования согласно выявленным правилам классификации достаточно велик и составляет в среднем 75% от общего числа случаев, что свидетельствует о высокой точности и надежности предложенного метода. Корреляция методики распределения по медицинским группам на основании исследования морфофункциональных показателей определенной выборки проведена в сравнении с методикой определения показателя активности регуляторных систем (ПАРС), являющегося интегральным показателем общего состояния организма в целом (P.M. Баевский, 1984). Результаты выявили статистически достоверную (р<0,05) высокую степень корреляции в прямой пропорциональной зависимости между состоянием ПАРС и распределением в медицинскую группу исследованных. То есть у представителей основной группы, показатели ПАРС отражали высокий уровень состояния систем адаптации организма, у представителей подготовительной это уровень был ниже, а у представителей специальной медицинской группы был низким и соответствовал уровню “функционального напряжения” или более выраженному состоянию стресса.

Пример 1. Я-ко А.А., 18 лет, студентка, практически здорова. Исследование проводилось с выявлением морфофункциональных показателей в группе студентов в женской подвыборке при плановом медицинском обследовании (см. таблицу №1).

Далее индивидуальные стандартизированные показатели обследованной подвергались кластерному анализу совместно со всеми показателями данной выборки для выявления общегрупповых закономерностей кластерной принадлежности (см. таблицу №2).

После этого, сравнивая общегрупповые и индивидуальные кластерные закономерности можно было выяснить индивидуальные тяготения обследуемого к определенной группе внутри каждого признака (см. таблицу №3).

От “центров тяжести” каждого кластера внутри каждого из исследуемых признаков были определены евклидовы расстояния, которые определяли границы разброса от “центра тяжести” значений, определяющих принадлежность каждого индивидуального показателя к той или иной группе.

Таким образом, отнесение к той или иной кластерной группе проводилось на основании сравнения индивидуального стандартизированного значения исследуемого с разбросом значений полученных евклидовых расстояний от “центров тяжести” каждого кластера. Данная операция проводилась автоматически в статистической компьютерной программе Statistica 6.0 (Statsoft, USA).

Далее суммируя индивидуальные интерпретационные коэффициенты как вклады в кластерную принадлежность внутри каждого признака, можно было получить общий вклад данного исследуемого в принадлежность к определенной группе:

где ОККП – общий коэффициент кластерной принадлежности исследуемого;

ЧККП – частный коэффициент кластерной принадлежности исследуемого по определенному признаку;

n – количество исследуемых признаков.

Применительно к данному случаю ОККП=(2+3+3+2+3+2)/6=2,5.

Для выяснения того, к какой медицинской группе можно отнести исследуемого с найденным общим коэффициентом кластерной принадлежности, все общие коэффициенты кластерной принадлежности всех участников данной подвыборки подвергали повторно кластерному анализу (см. таблицы №4, 5).

В данном случае по общему коэффициенту кластерной принадлежности, равному 2,5 исследуемого можно отнести к группе с интерпретационным коэффициентом (3), то есть к основной медицинской группе.

Проверим это утверждение при помощи выявления правил классификации, а именно при помощи дискриминантного анализа.

Получив кластерные принадлежности для каждого члена выборки по всем исследованным признакам в совокупности, можно выявить правила классификации конкретно для данной выборки. Применив дискриминантный анализ, получаем правила классификации в каждую группу (см. таблицу №6).

Касаемо данного примера были вычислены коэффициенты математической модели – линейной дискриминантной функции для формулировки решающего правила, представленного линейным многочленом вида

Y=A1X1+A2X2+А3Х3+…+AnXn+C,

где Xi – значения анализируемых признаков; Ai – коэффициенты; С – константа.

В результате дискриминантного анализа были выявлены формулы, которые применимы для дифференциации медицинской группы участника данной выборки. Это достигалось посредством подстановки значений исследуемых параметров участника (см. таблицу №7) в решающее правило для каждой из групп данной (мужской или женской) подвыборки и получения максимального коэффициента линейной дискриминантной функции в формуле той медицинской группы, к которой данного исследуемого следует отнести.

Применительно к данной выборке получились следующие формулы: СПЕЦжен=0,266МРИ+0,808ЖИ+0,194СИ+0,877СИкис+0,192ПДП+1,128ФРотн-100,725;

ПОДГжен=0,266МРИ+0,646ЖИ+0,158СИ+1,252СИкис+0,135ПДП+ 1,540ФРотн -105,838;

ОСНжен=0,279МРИ+0,892ЖИ+0,224СИ+0,935СИкис+0,16ПДП+1,236ФРотн-118,127.

Подставляя в формулы данные индивидуальных морфофункциональных показателей получаем следующие коэффициенты линейной дискриминантной функции:

СПЕЦжен=0,266*332+0,808*47+0,194*147+0,877*47+0,192*75+1,128*13-100,725=116,367;

ПОДГжен=0,266*332+0,646*47+0,158*147+1,252*47+0,135*75+1,540*13-105,838=119,251;

ОСНжен=0,279*332+0,892*47+0,224*147+0,935*47+0,16*75+1,236*13-118,127=121,366.

Коэффициент линейной дискриминантной функции основной группы оказался максимальным. Следовательно, данная исследуемая принадлежит к основной медицинской группе. Это значит, что данная исследуемая обладает высоким уровнем функционального состояния и имеет минимальные морфофункциональные отклонения, которые могут вполне позволять ей заниматься по программе основной медицинской группы, а именно занятия по учебным программам физического воспитания в полном объеме, сдачу контрольных норм без ограничений, занятия в одной из спортивных секций, участие в соревнованиях.

Пример 2. Пр-с Ю.А., 17 лет, студентка, в анамнезе хронический тонзилит, вегетососудистая дистония. Исследование проводилось с выявлением морфофункциональных показателей в группе студентов в женской подвыборке при плановом медицинском обследовании (см. таблицу №8).

Далее индивидуальные стандартизированные показатели обследованной подвергались кластерному анализу совместно со всеми показателями данной выборки для выявления общегрупповых закономерностей кластерной принадлежности (см. таблицу №9).

После этого, сравнивая общегрупповые и индивидуальные кластерные закономерности, можно было выяснить индивидуальные тяготения обследуемого к определенной группе внутри каждого признака (см. таблицу №10).

От “центров тяжести” каждого кластера внутри каждого из исследуемых признаков были определены евклидовы расстояния, которые определяли границы разброса от “центра тяжести” значений, определяющих принадлежность каждого индивидуального показателя к той или иной группе.

Таким образом, отнесение к той или иной кластерной группе проводилось на основании сравнения индивидуального стандартизированного значения исследуемого с разбросом значений полученных евклидовых расстояний от “центров тяжести” каждого кластера. Данная операция проводилась автоматически в статистической компьютерной программе Statistica 6.0 (Statsoft, USA).

Далее суммируя индивидуальные интерпретационные коэффициенты как вклады в кластерную принадлежность внутри каждого признака, можно было получить общий вклад данного исследуемого в принадлежность к определенной группе:

где ОККП – общий коэффициент кластерной принадлежности исследуемого;

ЧККП – частный коэффициент кластерной принадлежности исследуемого по определенному признаку;

n – количество исследуемых признаков.

Применительно к данному случаю ОККП=(2+1+1+1+1+2)/6=1,33.

Для выяснения того, к какой медицинской группе можно отнести исследуемого с найденным общим коэффициентом кластерной принадлежности, все общие коэффициенты кластерной принадлежности всех участников данной подвыборки подвергали повторно кластерному анализу (см. таблицы №11, 12).

В данном случае по общему коэффициенту кластерной принадлежности, равному 1,33, исследуемого можно отнести к группе с интерпретационным коэффициентом (1), то есть к специальной медицинской группе.

Проверим это утверждение при помощи выявления правил классификации, а именно при помощи дискриминантного анализа.

Получив кластерные принадлежности для каждого члена выборки по всем исследованным признакам в совокупности, можно выявить правила классификации конкретно для данной выборки. Применив дискриминантный анализ, получаем правила классификации в каждую группу (см. таблицу №13).

Касаемо данного примера были вычислены коэффициенты математической модели – линейной дискриминантной функции для формулировки решающего правила, представленного линейным многочленом вида

Y=A1Х1+А2Х2+А3Х3+…+AnXn+C,

где Xi – значения анализируемых признаков; Ai – коэффициенты; С – константа.

В результате дискриминантного анализа были выявлены формулы, которые применимы для дифференциации медицинской группы участника данной выборки. Это достигалось посредством подстановки значений исследуемых параметров участника (см. таблицу №14) в решающее правило для каждой из групп данной (мужской или женской) подвыборки и получения максимального коэффициента линейной дискриминантной функции в формуле той медицинской группы, к которой данного исследуемого следует отнести.

Применительно к данной выборке получились следующие формулы:

СПЕЦжен=0,266МРИ+0,808ЖИ+0,194СИ+0,877СИкис+0,192ПДП+1,128ФРотн-100,725;

ПОДГжен=0,266МРИ+0,646ЖИ+0,158СИ+1,252СИкис+0,135ПДП+1,540ФРотн-105,838;

ОСНжен=0,279МРИ+0,892ЖИ+0,224СИ+0,935СИкис+0,16ПДП+1,236ФРотн-118,127.

Подставляя в формулы данные индивидуальных морфофункциональных показателей, получаем следующие коэффициенты линейной дискриминантной функции:

СПЕЦжен=0,266*433+0,808*28+0,194*70+0,877*28+0,192*128+1,128*8-100,725=101,59;

ПОДГжен=0,266*433+0,646*28+0,158*70+1,252*28+0,135*128+1,540*8-105,838=99,86;

ОСНжен=0,279*433+0,892*28+0,224*70+0,935*28+0,16*128+1,236*8-118,127=96,68.

Коэффициент линейной дискриминантной функции специальной группы оказался максимальным. Следовательно, данная исследуемая принадлежит к специальной медицинской группе. Это значит, что данная исследуемая обладает низким уровнем функционального состояния и имеет значительные морфофункциональные отклонения, которые могут ограничивать ее физические возможности, быть причиной нарушений состояния здоровья, что требует ограничения физических нагрузок и проведения занятий не по учебным программам физического воспитания в полном объеме, а по специальным учебным программам, освобождается от сдачи контрольных нормативов в полном объеме и от участия в соревнованиях.

Литература:

3. Баевский P.M., Кириллов О.И., Клецкин С.З. Математический анализ изменений сердечного ритма при стрессе. – М.: Наука, 1984.

4. Боровиков В.П. Программа STATISTICA для студентов и инженеров. М.: ООО “КомпьютерПресс”, 2001.

5. Боровиков В.П., Боровиков И.П. “STATISTICA – статистический анализ и обработка данных в среде Windows”. – М.: “Филин”, 1998. – с.608.

6. Дембо А.Г. Врачебный контроль в спорте. – М.: Медицина,1988.- 278 с.

Формула изобретения

Способ диагностики уровня морфофункционального состояния организма, включающий сбор морфофункциональных признаков, характеризующих состояние пациента и последующий расчет интегральных показателей, отражающих морфофункциональное состояние пациента и его принадлежность к диагностируемой группе, отличающийся тем, что исследуют морфофункциональные признаки: массоростовой индекс, жизненный индекс, силовой индекс становой тяги, силовой индекс кистевой динамометрии, показатель двойного произведения, относительную физическую работоспособность, стандартизируют полученные показатели для приведения к единому виду, вычитая среднее арифметическое, и поделив на среднее квадратическое отклонение показатели каждого признака, подвергают кластерному анализу по методу k-средних, для выявления частных коэффициентов кластерной принадлежности, их интерпретируют, исходя из принадлежности к одному из типов оценочных шкал следующим образом: массоростовой индекс по сигмовидной шкале, жизненный индекс, силовой индекс, относительную физическую работоспособность по прямой пропорциональной шкале и суммируют, получая общий коэффициент кластерной принадлежности, общий коэффициент кластерной принадлежности подвергают повторному кластерному анализу по методу k-средних, чтобы выявить реально статистически различные группы обследуемых, которые относят к основной, подготовительной и специальной медицинским группам.

MM4A – Досрочное прекращение действия патента СССР или патента Российской Федерации на изобретение из-за неуплаты в установленный срок пошлины за поддержание патента в силе

Дата прекращения действия патента: 01.05.2006

Извещение опубликовано: 10.05.2007 БИ: 13/2007