ПРОГНОЗИРОВАНИЕ (греч.prognosis предвидение) — разработка прогноза состояния исследуемого объекта по данным информации, накопленной к настоящему моменту. П. составляет основу любой целенаправленной деятельности человека; принятие любого решения человек осуществляет фактически на основе П.

Множество задач в медицине можно сгруппировать в несколько направлений. Одним из них является П. развития научных исследований (см.Научно-исследовательские институты, планирование и координация научных медицинских исследований в СССР). К другому направлению относится П. показателей здравоохранения. Напр., опыт борьбы с эпидемиями гриппа позволяет прогнозировать уровень заболеваемости на каждый период будущего года и на этой основе принимать необходимые меры, такие как иммунизация населения, накопление банка необходимых препаратов, составление плана перепрофилирования коечного фонда и др. Методы П. активно используют в организации здравоохранения. Напр., планирование работы отдельных учреждений позволяет более полно и рационально использовать кадры, коечный фонд, лекарственные средства, санитарный транспорт, размещение подразделений, подготовку специалистов и др. (см.Планирование здравоохранения).

В процессе мед. обеспечения войск (см.Медицина военная) важной задачей является П. числа пораженных, что необходимо при расчете объема сил и средств для оказания помощи пострадавшим, проведения мед. сортировки и мед. эвакуации. Одновременно прогнозируется состояние пораженных, что имеет важное значение при установлении очередности оказания им мед. помощи.

Очень большую роль играет П. в клин, практике. На основе своих знаний, опыта, квалификации и данных обследования врач прогнозирует состояние больного и определяет тактику лечения и наблюдения (см.Прогноз). В выборе метода лечения больного также играет роль П., поскольку при назначении режима, диеты, медикаментозной терапии, физиотерапевтических процедур и др. врач, учитывая, помимо объективной симптоматики, возраст больного, его профессию, анамнестические данные, наличие сопутствующих заболеваний и т. п., выбирает именно тот комплекс леч. воздействий, который должен привести к наиболее быстрому положительному результату.

Решение задач П. часто требует большого объема вычислений, выполняемых с помощью современных быстродействующих электронно-вычислительных машин (см.Электронная вычислительная машина).

Современныематематические методы (см.), положенные в основу решения этих задач, можно условно разделить по видам используемой информации на три основные группы: методы математическогомоделирования (см.), экстраполяционные и экспертные.

В клин, практике П., основанное на математическом моделировании с помощью ЭВМ, позволяет, количественно оценивая некоторые симптомы и синдромы, предсказывать эффект лечения. Напр., прогностический анализ изменений гемодинамики в процессе развития и лечения ранних стадий гипертонической болезни позволил установить, что леч. эффект от адреноблокаторов типа пропранолола является наилучшим при гиперкинетическом типе гемодинамики и негативным при гипокинетическом. Разработаны методы оценки прогностического влияния болевого синдрома, гипертонической болезни и ряда других факторов на исход острого инфаркта миокарда.

В некоторых случаях прогноз строится на основе небольшого количества наблюдений (так называемая группа обучения). Этот прогноз может служить рекомендацией врачу в его практической деятельности.

Для применения методов экстраполяции необходимо иметь так наз. временные ряды, т. е. числовые показатели, описывающие прогнозируемое явление во время наблюдений (экспериментов). При построении графиков изменений этих показателей экстраполяция заключается в продолжении кривых на прогнозируемый период (исходя из сохранения в этом периоде сложившихся тенденций).

Ряд задач П. решается на основе математико-статистических методов обработки экспертной информации. Для их применения необходимо по установленной форме описать задачу П. и исходную информацию. Описание начинается с составления перечня входных и выходных переменных. Под выходными переменными подразумеваются те показатели, которые требуется прогнозировать, а под входными — показатели, по к-рым имеются статистические данные или данные, полученные в результате объективного обследования больного (температура, пульс и др.), а также показатели, выбираемые исследователем или врачом (напр., величина разряда при электроимпульсной терапии, вид лекарственного препарата и его дозировки и др.). Первый тип входных переменных содержит информацию, на к-рую исследователь не влияет (эти переменные называют неуправляемыми). Второй тип входных переменных содержит информацию, к-рую выбирает сам исследователь (врач); эти переменные называют управляемыми.

Т. о., описание начинается с выделения входных неуправляемых переменных X и входных управляемых переменных и. Прогнозирование заключается в оценке выходных переменных У при заданных значениях X и и. Если Z — количественная оценка У, то П. состоит в построении зависимости Z от X и и, т. е. нахождении функции Z(X,U).

Для сложных объектов определить точно, каким будет У при заданных X и и, обычно бывает невозможно, т. е. всегда будет расхождение между У и его оценкой Z. Встает задача выбора такого прогноза, который наиболее точен и гарантирует наименьшую ошибку. Для установления зависимости Y от X и и используют статистические и экспертные данные. Поскольку зависимость У от X и 17 носит неопределенный характер, то вводят понятие вероятности того или иного прогноза. Для определения вероятности применяют аппарат математической статистики (см.Вероятностей теория).

Таблица 1. РАЗНЫЕ СОЧЕТАНИЯ ДЕВЯТИ СИМПТОМОВ ИНФАРКТА МИОКАРДА И ЭКСПЕРТНЫЕ ОЦЕНКИ ВЕРОЯТНОСТИ НАЛИЧИЯ ЗАБОЛЕВАНИЯ ПРИ ЭТИХ СОЧЕТАНИЯХ

В таблице 1, составленной на основе экспертной информации, полученной от 11 врачей (экспертов), показана вероятность наличия инфарк та миокарда’ в зависимости от сочетания тех или иных симптомов.

Как видно, 11 экспертов (врачей) дают различные данные. Экспертная информация обобщает статистические данные, накопленные врачом в процессе работы. Поэтому, естественно, что данные каждого нового эксперта дополняют предыдущие данные. В 1-м столбце 8 экспертов всегда в своей практике при наличии данных симптомов у больных выявляли инфаркт миокарда, в то же время у трех экспертов были случаи, когда инфаркта миокарда не оказывалось. Это значит, что прогноз наличия инфаркта миокарда нельзя считать абсолютным, т. е. равным 1,0. В этом случае в качестве простейшего прогноза надо выбрать полусумму минимальной и максимальной вероятности, т. е. 1/2 (1,0+ 0,9) — 0,95. Точность этого прогноза равна + 0,05. В нижней строке таблицы 1 приведены соответствующие результаты и для других столбцов. Напр., у больного имеется сочетание симптомов, приведенных в 7-м столбце. По таблице определяем вероятность инфаркта миокарда. Она равна 0,35, а точность прогноза 0,25, т. е. точность сравнима с самой вероятностью. Поэтому значение 0,35 недостоверно и может оказаться сильно заниженным. Если взять максимальную вероятность, то она равна 0,6. Вывод: для уточнения диагноза нужна дополнительная информация. В другом случае (см. 9-й столбец) точность прогноза опять сравнима с самой вероятностью, но максимальное значение вероятности наличия инфаркта миокарда равно 0,8. Следовательно, неопределенность и опасность неточной диагностики в этом случае намного выше, чем в предыдущем, поэтому необходимо начинать лечение больного как при инфаркте миокарда и одновременно срочно получать дополнительную информацию. В случае, когда у больного имеется симптомокомплекс, приведенный в 1-м столбце, интенсивное наблюдение и лечение необходимо начинать сразу, уже на догоспитальном этапе, т. к. вероятность наличия инфаркта миокарда очень велика (0,95), а ошибка составляет только 0,05, т. е. очень мала по сравнению с вероятностью.

Таблица 2 а. СОЧЕТАНИЯ СИМПТОМОВ ИНФАРКТА МИОКАРДА И ЛЕКАРСТВЕННЫХ СРЕДСТВ, ПРИМЕНЯЕМЫХ ДЛЯ ЛЕЧЕНИЯ БОЛЕЗНИ В ОСТРОМ ПЕРИОДЕ

В таблицах 2а и 26 приведены экспертные оценки вероятности благоприятного исхода инфаркта миокарда в остром периоде в зависимости от симптомов и выбора лекарственных средств. Как видно, даже один и тот же эксперт не мог обойтись указанием одной вероятности. В нижней строке таблицы 2а указаны значения средних вероятностей благоприятного исхода, а также приведена точность этих значений. При анализе таблицы становится ясно, что, напр, по данным 7-го столбца, вероятность благоприятного исхода велика, и следовательно, при указанной симптоматике выбор приведенной терапии оправдан. В то же время, по данным 3-го столбца, выбор лекарственных средств нельзя считать эффективным и необходимо проводить более активную терапию. По данным девятого и десятого столбцов, применение приведенных лекарств ненадежно, однако причиной неблагоприятного исхода может быть не только лекарственная терапия, но и недостаток информации о больном. Действительно, точность прогноза сравнима в этих случаях с самой вероятностью и для уточнения прогноза необходимо провести дополнительные исследования.

Следует отметить, что в основе математических методов П. на основе статистической и экспертной информации лежат разные статистические подходы. В тех случаях, когда неопределенность ситуаций, с к-рыми сталкивается исследователь, слишком велика, возрастает роль игровых методов, дополняющих и развивающих классические статистические методы. Напр., каждый эксперт (врач) делает вывод на основании своего опыта и данных статистики, а обработка экспертной информации может производиться игровыми методами, как это было показано на приведенных примерах.

Созданы и успешно эксплуатируются системы, в которых процесс сбора информации, ее ввода в ЭВМ, обработки и выдачи результатов полностью автоматизирован (см.Идентификация), что оказывает большую помощь врачу, особенно при оказании ургентной помощи больному.

См. такжеДиагностика машинная,Прогнозирование эпидемиологическое.

Библиография: Брейдо М. Д., Неймарк Ю. И. и Дурново А. Н. Минимаксные алгоритмы обучения и классификации, в кн.: Автоматизация, Организация, Диагностика, под ред. В. В. Па-рина, ч. 1, с. 231, М., 1971; Вычислительные системы и автоматическая диагностика заболеваний сердца, пер. с англ., под ред. Ц. Касереса и Л. Дрейфуса, М., 1974; Инфаркт миокарда, под ред. Э. Кордэя и X. Дж. К. Свона, пер. с англ., М., 1977; Каменский Е. И., Мартынова 3. И. и Алексеева 3. М. Опыт использования операционно-квалиметрической методики для медико-географической оценки маляриогенности территорий, Мед. паразитол., т. 47, № 5, с. 61, 1978; Машинная диагностика и информационный поиск в медицине, под ред. А. А. Вишневского и др., М., 1969; Р я б-кова Л. Б., Саакян В. Г. и Яшин А. И. Об одном способе прогнозирования показателей системы здравоохранения, Автоматика и телемеханика, № 12, с. 125, 1978; Симонов П. В., Анисимов С. А. и Райбман Н. С. Игровой подход при обработке физиологических данных на примере исследования эмоциональной реакции человека, Журн. высш. нервн. деятельн., т. 28, в. 4, с. 675, 1978; Соколов Д. К. Математическое моделирование в медицине, М., 1974; Xалфен Э. Ш. и Заферман Д. М. Прогноз исходов инфаркта миокарда, в кн.: Применение математ. методов в изуч. сердечно-сосуд. патол., под ред. Э. Ш. Хал-фена, с. 3, Саратов, 1971.

^

Источник: Большая Медицинская Энциклопедия (БМЭ), под редакцией Петровского Б.В., 3-е изданиеаркан матрица судьбы