?
Математические модели прогнозирования конечного роста и его коэффициента стандартного отклонения у детей с дефицитом гормона роста в российской популяции
Актуальность. Прогнозирование конечного роста (КР), а следовательно и эффективности длительной терапии рекомбинантным гормоном роста (рГР) у пациентов с СТГ-дефицитом, - важное условие работы клинициста. Это позволяет осуществлять персонализированный подход к лечению пациентов с СТГ-дефицитом: контролировать регулярность введения и правильность дозирования препарата и идентифицировать факторы, от которых зависит КР. Цель исследования - разработать математические модели прогнозирования КР и его коэффициента стандартного отклонения (standard deviation score - SDS) у пациентов с СТГ-дефицитом в российской популяции. Материал и методы. Для моделирования использованы данные 121 пациента, наблюдавшегося в Институте детской эндокринологии ФГБУ ЭНЦ в период с 1978 по 2016 г. с диагнозом СТГ-дефицит и получавшего рГР от момента диагностики до достижения КР. В качестве предикторов использовались 11 признаков: пол, хронологический возраст на момент диагностики СТГ-дефицита, пубертатный статус, форма заболевания, регулярность терапии рГР, SDS роста при рождении, SDS роста на момент диагностики СТГ-дефицита, костный возраст на момент диагностики СТГ-дефицита, коэффициент костный возраст/хронологический, SDS генетически прогнозируемого роста, максимальный уровень СТГ в ходе теста с клофелином. Для построения моделей применялись методы множественной линейной регрессии и искусственные нейронные сети (ИНС). Результаты. Разработанные ИНС продемонстрировали высокую точность прогнозирования КР (среднеквадратическая ошибка - 4,4 см, доля объяснимой дисперсии - 76%) и меньшую точность прогнозирования SDS КР (среднеквадратическая ошибка - 0,601, доля объяснимой дисперсии - 42%). Линейные регрессионные модели, построенные только на количественных предикторах, имели существенно худшее качество. Для наилучшей ИНС разработана программная реализация, доступная в Интернет. Заключение. Программно реализованная модель прогнозирования КР на основе ИНС использует в качестве предикторов показатели, доступные для любого врача-клинициста, и может применяться для индивидуального прогнозирования КР. В перспективе анализ более крупных баз данных позволит улучшить качество прогнозирования эффективности терапии рГР.