English
Прогнозиро- вание эффективности терапии СНМП/ДГПЖ экстрактом Serenoa repens
DOI: https://dx.doi.org/10.18565/urology.2019.3.14-22
А.В. Сивков, С.А. Голованов, Л.В. Жукова
1 НИИ урологии и интервенционной радиологии им. Н. А. Лопаткина - филиал ФГБУ «НМИЦ радиологии» Минздрава России, Москва, Россия; 2 Национальный исследовательский университет «Высшая школа экономики», Москва, Россия
Цель настоящей работы: оценить возможность прогнозирования отдаленных результатов лекарственной терапии СНМП/ДГПЖ с использованием математического моделирования на примере лечения экстрактом Serenoa repens (ESR – Пермиксон).
Материалы и методы. Для прогнозирования с применением методов предиктивной аналитики лечебного эффекта препарата Пермиксон в отдаленные сроки использовали материалы открытого клинического исследования «Длительная клиническая и биологическая переностимость липидостеролового экстракта Serenoa repens (Permixon) пациентами с симптоматической доброкачественной гипертрофией предстательной железы» (№ P0048 95 GP 401), проведенного в 1995–1999 гг. в трех медицинских центрах Москвы: НИИ урологии МЗ РФ, урологической клинике ММА им. И. М. Сеченова и урологическом отделении ГКБ № 60. В исследование, согласно критериям, были включены 155 пациентов в возрасте от 52 до 87 лет (средний возраст – 65,3 года), которые получали препарат в капсулах по 320 мг в день на протяжении двух лет.
Целевыми показателями прогноза были определены ключевые клинические параметры: уменьшение СНМП по шкале IPSS>25%, или>3 баллов, и увеличение Qmax>25% через 12 и 24 мес. лечения. При оценке результатов использовали бинарный подход: улучшение достигнуто (1), не достигнуто (0).
Результаты. С использованием методов предиктивной аналитики построены математические модели для предсказания отдаленных результатов лечения по наиболее значимым 7 исходным критериям (предикторам): IPSS, Qmax, средняя скорость потока мочи, объем мочеиспускания, время мочеиспускания, объем остаточной мочи, объем предстательной железы. Для каждого целевого поля и временного интервала были построены математические модели с использованием ансамблей из отобранных 7 алгоритмов машинного обучения, обладающих лучшими прогностическими качествами: BNet; C5.0; SVM; KNN; NNet; CHAID; C&RT.
Проверка моделей на внутренних рандомизированных выборках продемонстрировала их высокие прогностические свойства: чувствительность – 82,4–99,0%; специфичность – 75,0–96,1%; AUC (показатель «площадь под кривой») – 0,864–0,965.
Заключение. Продемонстрирована потенциальная возможность эффективного прогнозирования методами предиктивной аналитики и Data mining отделенных результатов лекарственной терапии СНМП/ДГПЖ по основным клиническим критериям. Необходимо продолжить обучение и проверку модели с включением в набор данных новых клинических наблюдений. Данный подход применим к созданию аналогичных моделей для прогнозирования эффекта других лекарственных средств.
Литература
1. Management of Non-neurogenic Male LUTS. European Association of Urology Guidelines 2019. https://uroweb.org/guideline/treatment-of-non-neurogenic-male-luts/ 2. Xu J., Yang P., Xue S., Sharma B., Sanchez-Martin M., Wang F., Beaty K.A., Dehan E. Parikh B. Translating cancer genomics into precision medicine with artificial intelligence: applications, challenges and future perspectives. Hum Genet. 2019;138(2):109–124. Doi: 10.1007/s00439-019-01970-5. Epub 2019 Jan 22. 3. Dogan M.V., Beach S.R.H., Simons R.L., Lendasse A., Penaluna B., Philibert R.A. Blood-Based Biomarkers for Predicting the Risk for Five-Year Incident Coronary Heart Disease in the Framingham Heart Study via Machine Learning. Genes (Basel). 2018;9(12). pii: E641. Doi: 10.3390/genes9120641. 4. Bang S., Son S., Roh H., Lee J.3 Bae S., Lee K., Hong C., Shin H. Quad-phased data mining modeling for dementia diagnosis. BMC Med Inform Decis Mak. 2017;17(Suppl. 1):60. Doi: 10.1186/s12911-017-0451-3. 5. Naydenova E., Tsanas A., Howie S., Casals-Pascual C., De Vos M. The power of data mining in diagnosis of childhood pneumonia. J R Soc Interface. 2016;13(120). pii: 20160266. Doi: 10.1098/rsif.2016.0266. 6. Tseng C.J., Lu C.J., Chang C.C., Chen G.D., Cheewakriangkrai C. Integration of data mining classification techniques and ensemble learning to identify risk factors and diagnose ovarian cancer recurrence. Artif Intell Med. 2017;78:47–54. Doi: 10.1016/j.artmed.2017.06.003. Epub 2017 Jun 10; 7. Shahmoradi L., Langarizadeh M., Pourmand G., Fard Z.A., Borhani A. Comparing Three Data Mining Methods to Predict Kidney Transplant Survival. Acta Inform Med. 2016;24(5):322–327. Doi: 10.5455/aim.2016.24.322–327. 8. Tavares M., Paredes S., Rocha T., Carvalho P., Ramos J., Mendes D.,Henriques J., Morais J. Expert knowledge integration in the data mining process with application to cardiovascular risk assessment. Conf Proc IEEE Eng Med Biol Soc. 2015;2015:2538–2542. Doi: 10.1109/EMBC.2015.7318909 9. Fusco F., D’Anzeo G., Henneges C., Rossi A., Büttner H., Nickel C. Predictors of Individual Response to Placebo or Tadalafil 5mg among Men with Lower Urinary Tract Symptoms Secondary to Benign Prostatic Hyperplasia: An Integrated Clinical Data Mining Analysis. PLOS ONE | Doi:10.1371/journal.pone.0135484, 2015. 10. Choo M.S., Yoo C., Cho S.Y., Jeong S.J., Jeong C.W., Ku J.H., Oh S.J. Development of Decision Support Formulas for the Prediction of Bladder Outlet Obstruction and Prostatic Surgery in Patients With Lower Urinary Tract Symptom/Benign Prostatic Hyperplasia: Part I, Development of the Formula and its Internal Validation. Int Neurourol J. 2017;21(Suppl. 1):S55–65. Doi: 10.5213/inj.1734852.426. 11. Пытель Ю.А., Лопаткин Н.А., Гориловский Л.М., Винаров А.З., Сивков А.В, Медведев А.А. Результаты долгосрочного применения Пермиксона у больных с симптомами нарушения функции нижних мочевых путей, обусловленными доброкачественной гиперплазией предстательной железы. Урология. 2004;2:3–7. 12. McCormick K. IBM SPSS Modeler Cookbook. Packt Publishing. 2013, 382 p. 13. Jensen K. Use balancing to produce more relevant models and data results. Learn how and why to use SPSS Modeler in data mining to balance data. Published September 19, 2016, URL: https://developer.ibm.com/articles/ba-1608balancing-spss-modeler-trs/ 14. Chi Shu. Recipes for Predictive Modeling: Highly Imbalanced Data //January 11, 2016. URL: https://www.ironsidegroup.com/2016/01/11/recipes-predictive-modeling-highly-imbalanced-data/ 15. Hosmer D.W., Lemeshow S. Assessing the fit of the model. In: Hosmer DW, Lemeshow S. Applied logistic regression. 2nd ed. New York: John Wiley & Sons; 2005. P. 143–202. 16. DeLong E.R., DeLong D.M., Clarke-Pearson D.L. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics 1988;44:837–845. 17. Aso Y., Boccon-Gibod L., Calais Da Silva F. et al. Subjective response, objective response, impact on quality of life. The International Consultation on Benign Prostatic Hyperplasia (BPH), Proceedings, 1991. P. 87–90. 18. Barry M.J., Williford W.O., Chang Y. et al. Benign prostatic hyperplasia specific health status measures in clinical research: how much change in the American Urological Association symptom index and the benign prostatic hyperplasia impact index is perceptible to patients? J Urol. 1995;154:1770–1774. 19. American Urological Association (AUA) Benign Prostatic Hyperplasia (BPH) Guideline Update Panel. American Urological Association Guideline: management of Benign Prostatic Hyperplasia (BPH). Revised March 2010. 20. Lepor H. Phase III multicenter placebo-controlled study of tamsulosin in benign prostatic hyperplasia. Tamsulosin Investigator Group. Urology 1998;51:892–900. 21. Narayan P., Tewari A. Members of the United States 93–01 Study Group. A second phase III multicenter placebo controlled study of 2 dosages of modified release tamsulosin in patients with symptoms of benign prostatic hyperplasia. J Urol. 1998;160:1701–1706. 22. Chapple C.R., Montorsi F., Tammela T.L. et al. Silodosin therapy for lower urinary tract symptoms in men with suspected benign prostatic hyperplasia: results of an international, randomized, double-blind, placebo- and active-controlled clinical trial performed in Europe. Eur Urol. 2011;59:342–352. 23. Nickel J.C., Brock G.B., Herschorn S., Dickson R., Henneges C., Viktrup L.Proportion of tadalafil-treated patients with clinically meaningful improvement in lower urinary tract symptoms associated with benign prostatic hyperplasia – integrated data from 1 499 study participants. BJU Int. 2015;115:815–821. 24. Denis L., Griffiths S., Khaury S. et al. In: Proceedings of the 4th International consultation on benign prostatic hyperplasia (BPH). Paris; 1997;439–491. 25. Marberger M.J. Long-term effects of finasteride in patients with benign prostatic hyperplasia: a double-blind, placebo-controlled, multicenter study. PROWESS Study Group. Urology. 1998;51(5):677–686. 26. Bayne C.W., Donnelly F., Ross M., Habib FK. Serenoa repens (Pcrmixon): a 5 alpha-reductase types I and II inhibitor – new evidence in a coculture model of BPH. Prostate 1999;40(4):232–241.
Об авторах / Для корреспонденции
А в т о р д л я с в я з и: А. В. Сивков – к.м.н., заместитель директора научно-исследовательского института урологии
и интервенционной радиологии им. Н. А. Лопаткина – филиал ФГБУ «НМИЦ радиологии» Минздрава России,
Москва, Россия; e-mail: uroinfo@yandex.ru
Похожие статьи
