От лабораторния резултат към софтуерни технологии при чернодробни заболявания



01/04/2015

Доц. д-р Аделаида Русева, дм

Клинична лаборатория, УМБАЛ Д-р Г. Странски - Плевен, adi-ruseva@dir.bg

Интерпретацията на резултатите от лабораторни тестове дава възможност за приемане или отхвърляне на най-вероятната диагноза. За надеждната интерпретация на лабораторния резултат е необходимо добро познаване на характеристиките на диагностичния тест, отразени в концепциите за чувствителност, специфичност и предиктивна стойност.

За клинициста, от особено значение е предиктивната стойност на определен тест, която зависи от чувствителността и специфичността на теста, но и от предтестовата вероятност за заболяване.

Поради липса на симптоми, голяма част от хроничните чернодробни заболявания не могат да се предскажат на по-ранен етап. Това обяснява усилията на не малко изследователи да използват софтуер (компютърни програми) за „интелигентно“ диагностициране на чернодробни заболявания.

Използването на клинично-лабораторните резултати в диагностичното вземане на решения е неразделна част от клиничната медицина. Менюто от клинично значими лабораторни тестове е внушителен масив, който се разширява от 1920 година, когато Folin и Wu създават първия тест за количествено определяне на концентрацията на серумната глюкоза (1).

Въпреки непрекъснато разширяващо се изобилие от полезни и надеждни клинични лабораторни тестове за диагностика и мониторинг на заболявания, все повече се поставя акцент върху намаляване на разходите за здравеопазване, в частност чрез ограничаване на излишните лабораторни назначения.

Целенасоченото ограничаване на „ненужни“ лабораторни назначения поставя критичен въпрос, пред който са изправени клиницистите: какво е ненужния лабораторен тест? Това е всеки тест, за който резултатите не са „необходими по медицински причини“ в конкретното клинично състояние на пациента.

Разбирането за това, кои лабораторни тестове са подходящи за назначаване с оглед диагностика и проследяване на медицинското състояние, трябва да включва предварителните отговори на въпросите: Защо се назначава тестът? Какви са последиците, ако не се назначи тестът? Колко добре този тест разграничава между здраве и болест? Как се интерпретират резултатите от теста? Как ще повлияят резултатите от теста менажирането на пациента и изхода от терапията (2, 3).

Интерпретацията на резултатите от тези тестове дава възможност за приемане или отхвърляне на най-вероятната диагноза, докато вероятността за дадено заболяване стане достатъчно висока, така че клиницистът да вземе решение за лечение на пациента или достатъчно ниска - за изоставяне на тази диагноза.

Когато вероятността за заболяване надхвърли прага за лечение, клиницистът решава да приеме най-вероятната диагноза и да започне терапия. Когато вероятността за определено заболяване спадне под този праг, тогава заболяването се отхвърля и клиницистът е убеден, че вероятността за това заболяване е достатъчно ниска и не е необходимо по-нататъшно оценяване.

Проведените диагностични тестове А и В не променят вероятността и тя остава умерена - между двата прага. Ситуацията се променя от резултата на тест С, с който вероятността за възможната диагноза се покачва над прага за лечение. След провеждането на този тест се започва терапия (4).

За надеждната интерпретация на лабораторния резултат е необходимо доброто познаване на характеристиките на диагностичния тест, отразени в концепциите за чувствителност, специфичност и предиктивна стойност (следтестова вероятност).

Чувствителността на даден тест е свързана с възможността за идентифициране на положителен резултат, а специфичността - с възможността за идентифициране на негативен резултат.

Приема се, че даден тест има определени чувствителност и специфичност при определено заболяване. От съществено значение е използването на подходящ контингент от пациенти.

Например, ако чувствителността на даден тест се изследва при пациенти с краен етап на чернодробно заболяване, то тя е значително по-висока, ако се сравнява с тази, определена за обща група пациенти с чернодробно заболяване.

Специфичността на даден тест, определен в популация от здрави хора, би била надценена, в сравнение със специфичността на същия тест, определена за пациенти, които може да имат чернодробно заболяване.

За клинициста от особено значение е предиктивната стойност на определен тест - каква е вероятността положителният тест да означава наличие на заболяване (положителна предиктивна стойност) и каква е вероятността отрицателният тест да означава липса на заболяване (отрицателна предиктивна стийност).

Тази вероятност зависи от чувствителността и специфичността на теста, но и от разпространението на заболяването или т.нар. претестовата вероятност за заболяване.

При ниска претестова вероятност, негативният резултат е достатъчно полезен за изключване на заболяване, докато положителният резултат дава само умерена вероятност за наличие на заболяване.

Обратно, при висока претестова вероятност, положителният тест е с потвърждаващ характер, докато отрицателен резултат може да е наличен при относително висока следтестова вероятност.

Представените характеристики на диагностичния тест се базират на постановката, че всички положителни (или отрицателни) резултати са еквивалентни. На практика това често не е така. Например, много висока активност на серумната аспартат аминотрансфераза (AST) при пациент, суспектен за хепатит, е по-убедителен, в сравнение със слабо повишен резултат.

Тази информация, която някои автори описват като „сила на сигнала”, също може да бъде използвана за вземане на решение чрез „вероятностно отношение”. Това е отношението на процента пациенти (например с хепатит) с резултати в определен диапазон (например AST:500-800 U/l) към процента пациенти, които нямат хепатит, но имат резултати в посочения ранг.

В процеса на изграждане на диагнозата, клиницистът следва определени стъпки. Един от ключовите моменти е изготвянето на диференциално-диагностичен план. Той изисква трансформация на придобита информация, включително и обширен материал от данни за заболяването, представени в количествени вероятности, които са критични при интерпретацията на резултатите от лабораторните анализи.

За някои диагнози тези вероятности са относително добре познати (5). Съществуват разработени подходи за оценка на претест-вероятностите по отношение на заболявания, които са общ медицински проблем (6).

В случаите, когато претест-вероятносттите са по-малко известни, опитният клиницист трябва да е в състояние да оцени претест-вероятността за определено заболяване поне като висока, средна или ниска. Дори това стратифициране би подпомогнало в значителна степен интерпретирането на лабораторните резултати.

Така, при наличие на иктер и вероятно чернодробно заболяване, е трудно да се подходи със специфичен алгоритъм при всички пациенти, но общият подход би включвал следните стъпки:

1. Установяване, че увеличеният билирубин се дължи на заболяване на черния дроб или на жлъчните пътища, а не на друга причина (например хемолиза)

2. Определяне на относителното нарастването на активността на AST и/или на ALT (аланин аминотрансферазата) в серума на пациента спрямо това на алкалната фосфатаза (ALР)

3. На базата на относителното нарастване на ензимните активности се определя вероятността етиологията на заболяването да е хепатоцелуларно увреждане или в резултат на холестаза (обструктивна жълтеница)

4. В повечето случаи се оценява синтетичната функция на черния дроб

При реализиране на първата стъпка (увеличеният билирубин е в резултат на чернодробно заболяване), би трябвало да се измерят както общият, така и директният билирубин.

При повечето възрастни с жълтеница поради хепатална увреда се установява повишение за сметка на конюгирания билирубин. В случаите на хипербилирубинемия с друга причина (например хемолиза) основно се повишава индиректният билирубин.

Следващата стъпка е да се оцени степента на повишаване на активността на двете трансаминази спрямо тази на ALP. В определени случаи е достатъчно измерването на една от тях, но поради по-голямата специфичност на ALT в сравнение с AST, не рядко е целесъобразно измерването на активността и на двата ензима. Това решение е целесъобразно при клинични ситуации, когато има неяснота по отношение наличието на чернодробно заболяване с алкохолна генеза.

Когато първоначално са изследвани и двете трансаминази, рядко е необходимо последващо успоредно проследяване. При установяване на първична промяна в трансаминазните активности, се има предвид хепатоцелуларна дисфункция, с особено внимание по отношение на вирусни инфекции, но също и хепатотоксични агенти (например, алкохол).

От друга страна, доминиращо нарастване на активността на APL насочва към обструктивно хепатобилиарно заболяване, при което изследването трябва да продължи за установяване на интра- или екстрахепатална обструкция (4).

Поради липса на симптоми, голяма част от хроничните чернодробни заболявания не могат да се предскажат на ранен етап. Това обяснява усилията на изследователите да използват софтуер за „интелигентно“ диагностициране на чернодробни заболявания.

През последните години в процеса на вземане на решения при анализиране на данни и поставяне на медицинска диагноза софтуерът играе все по-голяма роля. Предлага се класифицирането и определянето на типа на заболяването да бъдат резултат от процеси, включени в три фази.

През първата фаза за класифициране на чернодробното заболяване се прилага компютърна невронна мрежа - ANN (Artificial Neural Network). ANN са група много мощни инструменти (статистически алгоритми), прилагани за предсказване, класифициране и клъстърен анализ в различни области.

През втората фаза се прилага индукция на серия от груби правила с оглед създаване на класификационни правила. През третата фаза се използ ват друг тип правила, базирани на математическа логика, с оглед идентифициране типа на чернодробното заболяване.

Така алгоритъмът за ефективен еволюционно-обучителен модел - ЕLEM (Effective Learnable Evolution Model) включва следните пет правила (знакът & означава логическо сумиране):

Правило 1: (ALP, норма) & (AST, висока) & (GGT*, норма) & (резултат, заболяване)

Правило 2: (ALP, норма) & (AST, норма) & (GGT, висока) & (резултат, заболяване)

Правило 3: (ALP, висока) & (AST, норма) & (GGT, норма) & (резултат, заболяване)

Правило 4: (ALP, ниска) & (AST, норма) & (GGT, норма) & (резултат, заболяване)

Правило 5: (ALP, норма) & (AST, норма) & (GGT, норма) & (резултат, здрав черен дроб)

В третата фаза се прилагат правила, базирани на „размита“ логика за идентифициране на типа на чернодробното заболяване:

Правило 1: Ако (MCV**, висок) & (APL, норма) & (AST, норма) & (GGT*, висока) & (ALT, норма) = Тип 1

Правило 2: Ако (MCV, висок) & (APL, норма) & (AST, норма) & (GGT, норма) & (ALT, висока) = Тип 2

Правило 3: Ако (MCV, висок) & (APL, норма) & (AST, висока)& (GGT, норма) & (ALT, норма) = Тип 3

Правило 4: Ако (MCV, висок) & (APL, висока) & (AST, норма) & (GGT, норма) & (ALT, норма) = Тип 4

Като:

Тип 1 = хроничен хепатит

Тип 2 = заболяване на жлъчните пътища

Тип 3 = мастна инфилтрация (стеатоза) на черния дроб

Тип 4 = алкохолна болест на черния дроб (7, 8, 9)

Подобни алгоритми би трябвало да се разработват съвместно от клиницисти и лабораторни специалисти за постигане на оптимален резултат.

* GGT - гама глутамил транспептидаза

** MCV - среден обем на еритроцитите

Използвани източници:

1. Wians, F. Luminaries in laboratory medicine. Otto Folin Lab Med 2009; 40: 1-2

2. Wians F, Baskin L. Chapter 2: The use of clinical laboratory tests in diagnostic decision-making. Handbook of Clinical Pathology. ASCP Press: Chicago; 2000: 9-24

3. Wians, F. Clinical Laboratory Tests: Which, Why, and What Do The Results Mean? http://labmed.ascpjournals.org/content/40/2/105.full.pdf

4. Black Е. Diagnostic strategies and test algorithms in liver disease. Clinical Chemistry 1997; 43 (8):1555-1560

5. Diamond G., Forrester J. Analysis of probability as an aid in the clinical diagnosis of coronary artery disease. N Engl J Med 1979; 300: 1350-1358

6. Panzer R., Griner B. Diagnostic strategies for common medical problems. 1991:1-509 American College of Physicians Philadelphia

7. Karthik S., Priyadarishini A., Anuradha J., Tripathy B. Classification and rule extraction using rough set for diagnosis of liver disease and its types. Advances in Applied Science Research 2011; 2 (3): 334-345

8. Rong-Ho Lin, Chun-Ling Chuang. Computers in biology and medicine 2010; 40: 665-670

9. Aci M., Inan C., Avci M. Expert systems with applications 2010; 37: 5061-5067