Analiza komputerowa parametrów uzyskanych przy pomocy bioimpedancji elektrycznej u pacjentów hemodializowanych
Słowa kluczowe:
wyszukiwanie danych, drzewko decyzyjne, stan nawodnienia, wielkość przestrzeni zewnątrzkomórkowej, wielkość przestrzeni wewnątrzkomórkowejAbstrakt
Wstęp. Monitorowanie stanu nawodnienia pacjentów dializowanych stanowi istotny aspekt kliniczny jakości ich leczenia. Bioimpedancja elektryczna, jako metoda wykorzystującą właściwości elektryczne tkanki poddanej działaniu prądu zmiennego, jest jednym z narzędzi, które służy określaniu stanu nawodnienia.
Cel. Celem badania było użycie analizy komputerowej parametrów uzyskanych na pacjentach hemodializowanych przy pomocy bioimpedancji elektrycznej do tworzenia algorytmów – drzew decyzyjnych.
Materiał i metodyka. Pomiary zostały przeprowadzone na dwóch grupach pacjentów – 50 przewlekle hemodializowanych (grupa badana) 10 minut przed hemodializą i 46 zdrowych ochotnikach (grupa kontrolna). Badane parametry to TBW (całkowita woda ustroju), ECW (wielkość przestrzeni zewnątrzkomórkowej) i ICW (wielkość przestrzeni wewnątrzkomórkowej). Do pomiarów bioimpedancji użyto analizatora bioimpedancji (model 4000B, Xitron Technologies, San Diego, CA, USA) przy użyciu elektrod (7,7 x 1,9 cm²). Bioimpedancję mierzono w logarytmicznym spektrum 10 częstotliwości, rozpoczynając od 5 do 500 kHz.
Wyniki. Wyniki obliczeń na normalnych, dyskretyzowanych i normalizowanych danych przetwarzano w środowisku matematyczno-statystycznym R z pomocą wolnodostępnej biblioteki inteligentnych algorytmów Weka, aby wygenerować proste reguły identyfikacji wspomnianych wyżej chorób. Wykonane eksperymenty potwierdziły możliwości uzyskania za pomocą procedur J48 (decision tree) i QDA (quadratic discriminant analysis) dobrych klasyfikatorów automatycznie detekujących właściwego pacjenta po uprzednim wytrenowaniu ich na uzyskanych danych medycznych. Dzięki odpowiedniemu algorytmowi testowania klasyfikatorów uzyskano drzewa decyzyjne z błędem klasyfikacji poniżej 5%. W przyszłości będzie możliwe dalsze zmniejszenie błędu klasyfikacji poprzez zastosowanie na większej ilości danych bardziej złożonych algorytmów tworzenia klasyfikatorów.
Bibliografia
1. Perez-Garcia R, Lopez-Gomez JM, Jofre R. Haemodialysis dose, extracellular volume control and arterial hypertension. Nephrol Dial Transplant 2001;16:98-101.
2. Tattersall J. Bioimpedance analysis in dialysis: state of the art and what we can expect. Blood Purif. 2009;27(1):70-4.
3. Wizemann V, Wabel P, Chamney P, Załuska W, Moissl U, Rode C, Małecka-Massalska T, Marcelli D. The mortality risk of overhydration in haemodialysis patients. Nephrol Dial Transplant 2009;24(5):1574-9.
4. Yi-Chou Ch, Han-Hsiang Ch, Jui-Chi Y. Postdialysis extracellular volume is rational for evaluating dry weight in hemodialysis patients. Nephron 2002;90:109-110.
5. Schwenk A, Beisenherz A, Romer K. Phase angle from bioelectrical impedance analysis remains an independent predictive marker in HIV- infected patients in the era or highly active antiretroviral treatment. American Journal of Clinical Nutrition 2000;72:496-501.
6. Spinale FG, PhD, Reines HD, Cook MC. Noninvasive estimation of extravascular lung water using bioimpedance. Journal of Surgical Research 1989;47:535-540.
7. Kushner R. Bioelectrical Impedance Analysis: A Review of Principles and Applications. J Ani Coll of Nutr 1992;11(2):199-206.
8. Ripley B. D. Pattern Recognition and Neural Networks, Cambridge Univ. Press, (1996).
9. VenablesWN, RipleyBD, “Modern Applied Statistics with S”, Fourth edition, Springer, (2002).
