Многофакторные методы

Большинство клинических исходов представляет собой итог сложного взаимодействия многих переменных. Например, ИБС развивается как комплексный результат взаимодействия наруше­ний липидного обмена, артериальной гипертензии, курения, на­следственных факторов, сахарного диабета, гиподинамии и инди­видуальных особенностей.

ных таблицах сопряженности (анализ, оценивающий, как изменя­ется эффект одной переменной в присутствии или в отсутствие од­ной либо большего числа других переменных); такой способ пред­ставления данных облегчает их восприятие. Однако при большом числе переменных этот метод обычно неприемлем, поскольку из- за отсутствия достаточного числа больных с каждым сочетанием факторов невозможно получить стабильные оценки показателей. Например, в исследование включено 120 больных, по 60 в каждой из групп с разным лечением. Даже если в расчет принимается только одна дополнительная дихотомическая переменная, в каж­дой подгруппе в лучшем случае окажется лишь по 15 больных, а при неравномерном распределении некоторые подгруппы будут содержать еще меньшее число больных.

В подобной ситуации в дополнение к построению таблиц со­пряженности требуется метод оценки одновременного влияния нескольких переменных. Это многофакторное моделирование (multivariable modeling), которое обеспечивает математическое выражение сочетанного влияния многих переменных. Метод на­зывается многофакторным, так как он оценивает эффект многих переменных. Термин "моделирование” означает, что это математи­ческая конструкция, которая рассчитывается из полученных дан­ных, но основана она на упрощающих допущениях о характерис­тиках этих данных (например, все переменные имеют нормальное распределение и одинаковую дисперсию).

Математические модели могут использоваться в исследовани­ях причинно-следственных связей, когда нужно определить вклад одной переменной, независимый от влияния нескольких других (посторонних) переменных.

Основная структура многофакторной модели такова:

Переменная, характеризующая исход = константа + {β_y ?переменная 1) + (β₂х переменная2) +

где βt и β₂... - коэффициенты, которые определяются на основа­нии имеющихся данных; переменная 1, переменная 2,... - прогно­стические переменные, связанные с исходом. Самые точные зна­чения коэффициентов определяются математически, что в значи­тельной мере зависит от вычислительной возможности современ­ных компьютеров.

Моделирование включает в себя несколько этапов.

• Выявление и измерение всех переменных, которые могут быть связаны с изучаемым исходом.

• Уменьшение количества рассматриваемых в модели перемен­

ных до приемлемого числа (обычно не более нескольких). Часто это делается путем отбора переменных, которые при одновре­менном их влиянии связаны с исходом наиболее сильно. Если статистический критерий используется на этой стадии, то обыч­но ошибка совершается при включении в модель переменных, у которых связь с изучаемым исходом имеет уровень значимости p