3) показатель наличия показаний к применению АМП
Показатель наличия показаний к применению АМП для каждой альтернативы рассчитывается как сумма весовых коэффициентов тех показаний к применению АМП, которые одновременно встречаются как в инструкции по применению любого из АМП в составе назначения, так и среди характеристик пациента.
Поскольку формирование множества допустимых альтернатив при обоих видах терапии происходит на основе информации об основном диагнозе пациента, который, по сути, является ключевым и поэтому наиболее приоритетным показанием, то при расчёте данного частного показателя качества альтернатив он не учитывается.
Влияние всех остальных показаний, которые могут быть у пациента, считается одинаковым, поэтому коэффициент важности каждого из них принят равным единице.
Таким образом, при наличии у пациента n показаний, каждое из которых совпадает с показаниями к назначению хотя бы одного АМП в составе назначения, значение показателя равно n:
(13)
4) показатель предшествующей терапии
Значение данного частного показателя качества альтернатив P4 рассчитывается как максимум из весовых коэффициентов отдельных АМП в составе назначения, каждый из которых, в свою очередь, определяется как максимум из степеней его схожести с каждым АМП из списка предшествующей терапии пациента.
Многокритериальный выбор альтернатив. В результате работы логической модели сформирован список допустимых альтернатив с указанием рассчитанных для них значений критериальных показателей качества P1, P2, P3 и P4. Становится возможным расчёт обобщённого показателя качества альтернатив, реализуемый на основе нечёткого отношения предпочтения, который подробно изложен в [20]. Рассчитанные таким образом значения и являются основанием для ранжирования альтернатив по степени предпочтения.
Оценка соответствия возбудителя локализации и диагнозу. Список допустимых альтернатив является основным, но не единственным результатом работы логической модели. При наличии у пациента нескольких инфекционных заболеваний одновременно на вход логической модели подаются только результаты бактериологического анализа, относящиеся к выбранному пользователем основному диагнозу (т.е. зона, в которой был осуществлен забор клинического материала у пациента, совпадает с локализацией, которая соответствует его основному диагнозу).
При соответствии возбудителя локализации и диагнозу проводится подбор этиотропной терапии на основании известной по результатам данного бактериологического исследования или экстраполированной (на основе сводных статистических данных локальных или многоцентровых клинико-микробиологических исследований) активности АМП в отношении выделенного микроорганизма.
В случае выделения возбудителя из зоны, маркированной в системе как не соответствующая основному диагнозу, данные бактериологического анализа не учитываются. В этом случае система выводит сообщение о невозможности использования результатов бактериологического исследования для выбора опций терапии и предлагает пользователю перечень альтернатив эмпирической АМТ, полученных по писанному ранее алгоритму.
При выделении из соответствующей основному диагнозу зоны микроорганизма, отсутствующего в списке ассоциированных с диагнозом, данные бактериологического анализа не учитываются при подборе опций терапии по данному диагнозу в связи с невозможностью однозначно оценить причины указанного события и степень соответствия информации реальной клинической ситуации. В данном случае, аналогично предыдущему случаю, осуществляется проведение эмпирической АМТ. Однако возбудитель выделен, и оставлять его без внимания нерационально. Поэтому при возникновении описанной ситуации врачу предоставляется список АМП, активных к данному организму, формирование которого осуществляется на основании сводных статистических данных по результатам определения чувствительности (локальных или полученных в ходе многоцентровых исследований, проводимых НИИАХ). Ранжирование АМП в данном списке осуществляется по значению относительной частоты чувствительных штаммов в выборке.
Необходимо отметить, что результаты бактериологического анализа могут содержать информацию о более чем одном микроорганизме, если инфекция у пациента вызвана, так называемой, смешанной флорой (два и более возбудителей). Экспертным путём установлена необходимость обработки каждого из возбудителей отдельно с последующим выводом по каждому из выделенных микроорганизмов возможных опций терапии с указанием дополнительной информации для каждой из них, что позволит врачу самостоятельно решить, какая комбинация препаратов в итоге будет назначена пациенту.
Учёт возможного наличия анаэробных возбудителей и подбор опций антианаэробной терапии. При ряде инфекционных заболеваний в перечне возможных возбудителей присутствуют анаэробныеАнаэробные микроорганизмы - микроорганизмы, осуществляющие процессы жизнедеятельности при отсутствии свободного кислорода. микроорганизмы изолированно или в сочетании с аэробнымиАэробные микроорганизмы - микроорганизмы, которые нуждаются в свободном молекулярном кислороде для осуществления процессов жизнедеятельности. микроорганизмами. В клинических рекомендациях, на основании которых формируется перечень средств эмпирической терапии указанных инфекций, данная возможность изначально учтена и все режимы обладают необходимой антианаэробной активностью.
В то же время, подбор средств этиотропной АМТ в рамках предложенной логики осуществляется исключительно в отношении выделенных при бактериологическом исследовании микроорганизмов. Однако в рутинной клинической практике исследования, направленные на выявление анаэробов, как правило, не проводятся, что не позволяет подобрать этиотропную АМТ для возбудителей данной группы.
В связи с вышеуказанным, на этапе выбора вида терапии в логической модели проводится проверка присутствия в списке основных возбудителей инфекции анаэробов, при положительном результате которой в дополнение к перечню опций этиотропной терапии, активной в отношении аэробных возбудителей, дополнительно формируется и ранжируется множество альтернатив эмпирической антианаэробной терапии. В дальнейшем проводится проверка наличия у выбранных средств этиотропной терапии антианаэробной активности и, при её отсутствии, предлагается дополнительное назначение одной из альтернатив с антианаэробной активностью из сформированного списка.
Анализ лекарственных взаимодействий. При выборе АМТ для снижения риска возникновения НЛР крайне важно учесть взаимодействие предлагаемых опций терапии с антибактериальными лекарственными препаратами, которые в настоящее время пациент уже принимает по тем или иным причинам или которые могут быть ему назначены одновременно с текущей АМТ. Для этого в системе заложена справочная информация о клинических рекомендациях об известных взаимодействиях АМП друг с другом. В результате работы данного модуля для каждого назначения осуществляется вывод справочной информации о существующих ограничениях по ондовременному приёму АМП.
Выбор альтернатив на основе клинических рекомендаций осуществляется по МНН, однако в системе заложена возможность назначения АМП с указанием конкретных торговых наименований. При интеграции с аптечным модулем ЛПУ врачу одновременно с МНН могут предоставляться сведения о доступных торговых наименованиях АМП в составе назначения с указанием их закупочной стоимости.
Все этапы получения рекомендаций о возможных назначениях (выбор эмпирической терапии или этиотропной терапии, несоответствие выделенного возбудителя диагнозу и др.) протоколируются и выводятся врачу в качестве справочной информации.
Заключение
Таким образом, предложена гибридная модель многокритериального выбора, отличающаяся совместным применением следующих частных моделей:
- логической модели выбора варианта расчёта и обоснования частных показателей качества,
- модели учёта взаимного влияния показателей, учитывающей стохастическую и нестохастическую неопределённость,
- модель свёртки разноуровневых факторов влияния на значение показателя на основе каскада функций суммирования и насыщения,
- модели выбора на основе нечёткого отношения предпочтения, позволяющая решить задачу многокритериального выбора и ранжирования альтернатив в условиях совместного влияния разнонаправленных факторов и обосновать полученное решение.
Данная модель предназначена для оказания помощи врачу в интерпретации данных пациента при первичном выборе АМТ с целью повышения качества принятия клинических решений.
Литература
1) Андрейчиков А.В., Андрейчикова О.Н. Анализ, синтез, планирование решений в экономике - М.: Финансы и статистика, 2000. -- 368 с.: ил.
2) Общая и неотложная хирургия: руководство / ред. С. Патерсон-Браун; пер. с англ. под ред. В.К. Гостищева. - М.: ГЭОТАР-Медиа, 2010. - 384 с.: цв. ил. - (Серия «Руководства для специалистов хирургической практики»).
3) Рачина С.А., Фролова А.С. Андреева А.С. Анализ потребления антимикробных препаратов для системного применения в многопрофильном стационаре. КМАХ 2005; 7(Suppl 1): 49.
4) Agresti A. Approximate is better than exact for interval estimation of binomial proportions / A. Agresti, B. Coull // American statistician. - 1998. - N 52. - С. 119-126.
5) Bates D.W., Teich J.M., Lee J. and others. The impact of computerized physician order entry on medication error prevention. J Am Med Inform Assoc 1999;6:313-21.
6) Vlahoviж-Palcevski V., Dumpis U., Mitt P., et al. Benchmarking antimicrobial drug use at university hospitals in five European countries. Clin Microbiol Infect 2007; 13(3):277-83
7) Brown L. D. Interval estimation for a binomial proportion / L. D. Brown, T. T. Cai, A. Dasgupta // Statistical science. - 2001. - N 2. - P. 101-133.
8) IBM Watson [Электронный ресурс] // Википедия. - Режим доступа: https://ru.wikipedia.org/wiki/IBM_Watson, свободный (дата обращения: 28.05.2015 г.)
9) IBM Watson закончил мединститут и пошёл на работу [Электронный ресурс] // Хабрахабр. - Режим доступа: http://habrahabr.ru/company/ibm/blog/169067/, свободный (дата обращения: 28.05.2015 г.)
10) Kaushal R., Shojania K.G., Bates D.W. Effects of computerized physician order entry and clinical decision support systems on medication safety: a systematic review. Arch Intern Med 2003;163:1409-16.
11) Kharrazi H. CDSS in Clinical Practice (Intermountain Healthcare) [Электронный ресурс] // SlideServe. Режим доступа: http://www.slideserve.com/lane/info-i642-clinical-decision-support-systems, свободный (дата обращения: 28.05.2015 г.)
12) Newcombe R. G. Two-Sided Confidence Intervals for the Single Proportion: Comparison of Seven Methods / R. G. Newcombe // Statistics in Medicine. - 1998. - N. 17. - P. 857-872.
13) Oxman A.D., Thomson M.A., Davis D.A. and others. No magic bullets: a systematic review of 102 trials of interventions to improve professional practice. CMA J 1995;153:1423-31.
14) Sauro J. Estimating completion rates from small samples using binomial confidence intervals: comparisons and recommendations / J. Sauro, J. R. Lewis // Proceedings of the human factors and ergonomics society annual meeting. - Orlando, FL, 2005.
15) Shiffman R.N., Liaw Y., Brandt C.A. and others. Computer-based guideline implementation systems: a systematic review of functionality and effectiveness. J Am Med Inform Assoc 1999;6:104-14.
16) Thomson O'Brien M.A., Oxman A.D., Davis D.A. and others. Audit and feedback versus alternative strategies: effects on professional practice and health care outcomes. Cochrane Database Syst Rev 2000;2:CD000260.
17) Vlahoviж-Palcevski V., Dumpis U., Mitt P. and others. Benchmarking antimicrobial drug use at university hospitals in five European countries. Clin Microbiol Infect 2007;13(3):277-83.
18) Walton R.T., Harvey E., Dovey S. and others. Computerised advice on drug dosage to improve prescribing practice. Cochrane Database Syst Rev 2001;1:CD002894.
19) Weingarten S.R., Henning J.M., Badamgarav E. and others. Interventions used in disease management programmes for patients with chronic illness--which ones work? Meta-analysis of published reports. BMJ 2002;325:925-32.
20) Wilson E. B. Probable inference, the law of succession, and statistical inference / E. B. Wilson // Journal of American Statistical Association. - 1927. - N 22. - P. 209-212.