Методы исследования

2.2.1 Методы исследования заболеваемости и смертности больных бронхиальной астмой

Для исследования заболеваемостибольных бронхиальной астмой нами проанализированы сводная отчетная форма №12 МЗ РК с 2003 по 2012 годы орегистраций больных с впервые выставленным диагнозом бронхиальной астмы по всем областям Казахстана и в целом по Республике.

Для изучения смертности больных бронхиальной астмой нами выкопированы данные Агентства Республики Казахстан по статистике об умерших от бронхиальной астмы по полу и возрасту, также были использованы данные о численности всего, мужского и женского населения республики Казахстан по данным Агентства статистики РК. Изучаемый период составил 10 лет (2004-2013).

В работе использованы следующие методы исследования:

1) документально-исторический метод и контент-анализ (информационный анализ литературных источников, государственных и статистических данных, анализ нормативно-правовых актов);

2) описательный (дескриптивный анализ) включает создание частотной таблицы, вычисление статистических характеристик или графическое представление;

3) статистические методы с использованием программ EpiInfo.

Показатели заболеваемости бронхиальной астмы были рассчитаны на 100 000 населения.

В качестве основного метода при изучении заболеваемости бронхиальной астмы использовалось ретроспективное исследование с применением дескриптивных и аналитических методов современной эпидемиологии. Заболеваемость бронхиальной астмы были определены по общепринятой методике, применяемой в современной медико-биологической статистике. Обоснование основных формул расчета в настоящей работе мы не проводили, поскольку они подробно изложены в методических рекомендациях и учебниках по санитарной статистике [251-258], тем не менее, ниже приводятся некоторые из них, формула (1, 2):

где n- число случаев из генеральной совокупности N

где n- число заболеваний;

N- средняя численность населения.

Стандартизованный показатель вычислен прямым методом, при этом использован стандарт мирового возрастного состава населения.

Динамика показателей заболеваемости бронхиальной астмой изучена за 10 лет, при этом тренды заболеваемости определены методом наименьших квадратов, формула (3):

где: у - выравненный показатель;

x- условный ряд чисел, симметрично расположенный в отношении нуля;

a- условная средняя;

b- коэффициент выравнивания.

Для вычисления среднегодовых темпов прироста/убыли динамического ряда применялась средняя геометрическая, равная корню степени nиз произведения годовых показателей темпа, формула (4): где T- годовые показатели темпа прироста/убыли;

n- число показателей.

Применен способ составления картограммы, предложенный в 1974 г. Игисиновым С.И. [261], основанный на определении среднеквадратического отклонения (σ)от среднего (х). Шкала ступеней вычислена так: приняв σза интервал, определили максимальный и минимальный уровни заболеваемости согласно формуле: x±1,5σ,причем минимальный показатель равен x-1,5σи

39

максимальный равен x+1,5σ.После чего определили шкалу ступеней картограммы:

1) (x-1,5σ)+σ;

2) (x-1,5σ)+2σ;

3) (x-1,5σ)+3σи т.д., а группировку показателей произвели по формуле x±0,5σ,соответствующую среднему уровню (x-0,5σи x+0,5σ),а значения, отстоящие от среднего уровня заболеваемости на σ, показывают пониженный ((x-0,5σ)-σ)и повышенный ((x-0,5σ)+σ)показатели заболеваемости.

При группировке параметрического ряда для построения равных интервалов использована формула (5), предложенная Боярским А.Я. [255]:

где: X_max- максимальный показатель заболеваемости;

X_min- минимальный показатель заболеваемости;

n- численность совокупности, т.е.

Для оценки связи между заболеваемостью БА и отдельными факторами использован так называемый метод анализа относительного риска на основе четырехпольной таблицы, где OP=ad∕bc.

Измерение связи производилось вычислением коэффициента корреляции по следующей формуле (6):

где xи у - коррелируемые ряды;

dxи dy- отклонения каждого из чисел этих рядов отих средних

Средняя ошибка коэффициента корреляции вычислена по формуле (7):

где r- коэффициент корреляции;

n- число парных членов в корреляционном ряде.

Для оценки статистической значимости корреляции использована формула (8):

Дисперсионный анализ - анализ изменчивости признака под влиянием каких-либо контролируемых переменных факторов.

Обработка двухфакторного статистического комплекса осуществляется по следующей схеме:

1. Вычисление общей суммы квадратов отклонения (C_y)производится по формуле (9):

где у - результативный признак (показатель заболеваемости).

2. Вычисление суммы квадратов отклонений по случайным факторам (C_z), формула (10):

3. Вычисление суммы квадратов отклонений совместного действия организованных факторов, (формула (11):

где f- число наблюдений (повторность опыта).

4. Вычисление суммы квадратов отклонений по каждому фактору.

5. Вычисление доли влияния факторов и их сочетаний на уровень заболеваемости.

6. Оценка статистической значимости влияния факторов и их сочетаний.

А. Вычисление дисперсий, формула (12):

2)

где r - число градаций каждого фактора

Б. Вычисление(отношение факториальных дисперсий к случайной).

7. Оценка статистической значимости сравниваемых средних величин по градациям факторов осуществляется по формуле (13) [258]:

Компонентный анализ динамики заболеваемости бронхиальной астмой -

41

это многомерный статистический метод снижения размерности, применяемый для изучения взаимосвязей между значениями количественных переменных. Задача компонентного анализа состоит в преобразовании исходной системы взаимосвязанных переменных в новую систему некоррелированных обобщенных показателей или ортогональных показателей. Новые некоррелированные показатели называются компонентами.

Оценка изменений в динамике заболеваемости бронхиальной астмойважна организаторам здравоохранения для планирования и управления пульмонологической помощью. При этом перед ними, а также эпидемиологами, возникает вопрос, в какой мере, например, рост заболеваемости обусловлен «старением» населения и в какой - повышением риска заболеть в связи с появлением новых или интенсификацией существующих эпидемиологических факторов. Разумеется, в таком определении задача может быть сформулирована, если за изучаемый период в данной популяции не произошло существенных изменений в состоянии учета и качестве диагностики.

Если два грубых показателя заболеваемости относятся к одному и тому же населению, но в разные периоды времени, чтобы разложить прирост на составные части необходимо ответить на следующие вопросы:

1. Каким будет прирост грубого показателя заболеваемости за изучаемый период, если изменится поло-возрастная структура населения (как она фактически и изменилась), а возрастные показателя останутся на прежнем уровне.

2. Каким будет прирост грубого показателя заболеваемости, если изменятся уровни возрастных показателей (как они фактически и изменились), а структура населения останется неизменной.

3. Насколько сумма приростов грубого показателя заболеваемости за счет изменений в поло-возрастной структуре населения и уровнях возрастных показателей отличается от фактического общего прироста грубого показателя за изучаемый период времени.

Введем обозначения:

P_ij- заболеваемость в возрасте iв j-том году

N_ij- численность населения в возрасте i в j-том году

Pjи Nj- соответственно грубый показатель заболеваемости и общая численность населения в j-том году

j = 1 - начальный год наблюдения

j = 2 - конечный год наблюдения

- доля лиц возраста i в общей численности населения в j-том году

Тогда:

1 -я компонента прироста (структурная) грубого показателя заболеваемости, предполагающая неизменными возрастные показателя, будет определяться изменением в поло-возрастной структуре населения, формула (14):

2- я компонента прироста (показательная) грубого показателя заболеваемости, предполагающая неизменной поло-возрастную структуру населения, будет определяться изменением уровней возрастных показателей по формуле (15):

гдесоответственно, стандартизованные показатели

заболеваемости в начале и конце периода наблюдения (за стандарт принята возрастная структура населения в начале периода наблюдения).

3- я компонента прироста (компонента взаимодействия) грубого показателя заболеваемости определяется совместным влиянием изменений в поло­возрастной структуре населения и уровнях возрастных показателей по формуле (16):

Разность между грубыми показателями заболеваемости равна сумме 3-х компонент, формула (17):

Первая из которых обусловлена изменением в поло-возрастной структуре населения, вторая - изменением за наблюдаемый период риска заболеть и третья - взаимодействием этих факторов.

Для практических и научных целей может оказаться важным разложить на составные части не прирост грубого показателя заболеваемости, а абсолютного числа заболевших. Можно выделять компоненты прироста числа заболевших, обусловленные следующими факторами:

1) ростом численности населения (ΔH)

2) изменением возрастной структуры населения (ΔB)

3) совместным влиянием изменений численности (ΔHB) населения и его возрастной структуры

4) изменением риска заболеть

^{, f} (ΔP)

43

5) совместным влиянием изменений риска заболеть и (ΔHP) численности населения

6) совместным влиянием изменений риска заболеть и

. (ΔBP)

возрастной структуры населения

7) совместным влиянием изменений риска заболеть,

численности населения и его возрастной структуры. (ΔHBP)

Первые 3 компоненты связаны с ростом численности населения, изменением его возрастной структуры и совместным влиянием этих факторов. Фактический (реальный) прирост числа заболевших, обусловленный изменением только риска заболеть, представлен 4-й компонентой. Последующие 3 компоненты связаны с совместным влиянием изменения риска заболеть с ростом численности населения, изменением его возрастной структуры и влиянием всех трех факторов. Таким образом, с ростом риска заболевания связаны последние 4 компоненты.

1-я компонента, прироста абсолютного числа заболевших, связанная с ростом численности населения, будет равна по формуле (18):

где n1 - число заболевших в начале периода наблюдения.

Если обозначить ожидаемое число заболевших в последнем году при уровнях возрастных показателей заболеваемости первого года через E(n₂), где то прирост числа заболевших за счет изменения возрастной структуры населения (при общей численности населения последнего года), составит, формула (19):

Отсюда, 2-ая компонента прироста абсолютного числа заболевших (при базовом первом годе), связанная с изменением возрастной структуры населения и стабильной его общей численности, будет равна, формула (20):

Если эту компоненту умножить на прирост численности населения, получим 3-ю компоненту, обусловленную совместным влиянием изменения численности населения и его возрастной структуры, формула (21):

Прирост абсолютного числа больных в связи с изменением риска заболеть (4-я компонента) определяется как произведение численности населения в начале изучаемого периода на разность между стандартизованными показателями, деленную на 100 000, формула (22):

гдеисоответственно стандартизованные показатели заболеваемости в конце и начале анализируемого периода.

Произведение этой компоненты на прирост населения составляет 5-ую компоненту, отражающую совместное влияние изменений риска заболеть и численности населения, формула (23):

Если из общего прироста заболевших (n₂-nι)отнять все выше-приведенные компонентыи умножить на соотношение численности населения в

начале и конце изучаемого периодато получим 6-ю компоненту,

определяемую совместным влиянием изменения риска заболеть и возрастной структуры населения, формула (24):

И, наконец, произведение А_Вр на прирост населения составит 7-ю компоненту, обусловленную взаимным влиянием всех трех факторов, формула (25):

Общий прирост абсолютного числа заболевших равен сумме компонент: или процентной доле по отношению к первоначальному числу больных.

Компоненты группируются в 3 класса, один из которых отражает различного рода изменения в населениивторой - только рост

риска заболетьи третий - взаимосвязь между этими факторами

(Δ_hp+Δ_bp+Δ_hbp).Поэтому для характеристики кумулятивного влияния изменений в населении или риска заболеть к компонентам 1 -го и 2-го класса должен быть приплюсован эффект от влияния компонент 3-го класса:

1. (Δh+Δb+Δhb)+(Δhp+Δbp+Δhbp)

2. Δp+(Δhp+Δbp+Δhbp)

Нами определены: средний возраст больных бронхиальной астмы, средние значения (M, P),средняя ошибка (m)и среднегодовые темпы прироста/убыли (T∏p∕y6, %). Вычислены 95% доверительные интервалы (95% ДИ). Критерий Стьюдента (t)и достоверность результатов (p),произведен дисперсионный и компонентный анализ заболеваемости бронхиальной астмы в Казахстане. При обработке материала использованы следующие программы: «Биостатистика» для Windows (Version 4.03 by Stanton Glantz), EpiInfo 7 для Windows и MicrosoftExell 2013.

2.2.2 Методы исследования оценки воздействия климатических и экологических факторов на течение бронхиальной астмы

Для оценки влияния уровня климатических факторов на течение бронхиальной астмы в г. Астана нами была изучена ежесуточная частота вызовов «скорой помощи» больными бронхиальной астмой с января 2006 года по декабрь 2010 года. С этой целью нами проведена выкопировка ежесуточной частоты вызовов «скорой помощи» больными бронхиальной астмой с января 2006 года по декабрь 2010 года по всем районам г. Астаны по данным, представленным статистическим отделом ГССМП г. Астаны. За период с января 2006 года по декабрь 2010 года по г. Астане было сделано 18191 вызовов скорой помощи по поводу бронхиальной астмы.

Данные ежесуточных изменений климато-метеорологических показателей (среднесуточная температура, скорость ветра, влажность воздуха, атмосферное давление) и ежесуточных изменений уровня аэрополлютантов (пыли, двуокиси серы (SO2), монооксида углерода (CO), диоксида азота (NO2) и фторида водорода (HF) за 2006-2010 годы по г. Астана выкопированы из данных отчетной документации РГП «Казгидромет».

В многочисленных зарубежных исследованиях используются показатели средней эффективной температуры (apparent temperature) и максимальной эффективной температуры (maximum apparent temperature) для оценки влияния температур в теплое время года, а также средней эффективной температуры (apparent temperature) и минимальной эффективной температуры (minimum apparent temperature) для оценки влияния температур в холодное время года, так как эффективные температуры учитывают влажность воздуха а потому считается, что они более чувствительны.

Для данного исследования они были рассчитаны по формуле (26):

Tapp = - 2.653 + 0.994 (Tair) + 0.0153 (Td_e4,t)² (26)

где Tapp - эффективная температура;

Tair - температура воздуха;

Tdewpt - точка росы.

Точка росы рассчитывалась на основании информации об относительной влажности по формуле (27):

где γ рассчитывается по формуле (28):

где Т - температура воздуха;

RH - относительная влажность;

а и b - константы, равные 17.271 и 237.7 соответственно.

Для расчета среднесуточной эффективной температуры в формулы подставляли среднесуточные значения температуры и влажности, а для расчета максимальной эффективной температуры - максимальные. Показатель эффективной температуры сочетает в себе информацию о температуре и влажности и может быть более полезным индикатором способности организма к охлаждению в жаркие дни, чем просто температура.

Одновременная оценка обычных температур и эффективных температур, а также средних, минимальных и максимальных эффективных температур невозможна по причине коллинеарности, поэтому для каждой из температур строились отдельные модели.

Учитывая влияние выходных и праздничных дней на количество вызовов, которые могут являться потенциальными конфаундинг-факторами для связи между климатическими переменными и количеством вызовов «скорой помощи», для определения выходных и праздничных дней использовались производственные календари за период 2006-2010, затем все праздники вводились в базу данных вручную и использовались в дальнейшем как дихотомические вспомогательные переменные.

Коррекцию на межгодовую вариабельность, а также на различия в количестве вызовов в зависимости от месяца производилась с помощью создания дихотомических вспомогательных переменных для каждого года и каждого месяца.

Временные лаги между климатическими переменными и количеством вызовов определяли с помощью кросскорреляционного анализа. Оценивали лаги 0-15 для воздействия холодных температур, как в предыдущих исследованиях, и после эксплораторного анализа рассчитывали среднее значение температуры за предшествующие 0-15 дней, как в исследовании Michelozzi с соавторами, так как теоретически возможны отсроченные эффекты холодных температур до 15 дней. В то же время эффект высоких температур

считается краткосрочным, поэтому рассчитывали среднее значение температуры для теплого времени года с лагами 0-3. Скорость ветра учитывалась с лагом 0. Эксплораторный анализ не выявил связей между количеством вызовов и атмосферным давлением, поэтому последнее в многомерный анализ не вводилось.

Данные анализировались не только для всего населения, но и отдельно по полу и возрастным группам. Всего использовалось 5 возрастных групп для всех вызовов «скорой помощи» по поводу бронхиальной астмы: 0-17 лет, 18-44 года, 45-59 лет, 60 лет и старше, все возраста вместе, а также только взрослые.

Для оценки независимого друг от друга влияния климатических факторов на количество вызовов «скорой помощи» в сутки, а также для коррекции на многолетние тренды, сезонность, эффект дней недели, выходных и праздничных дней и эпидемий гриппа рассматривалось применение несколько типов многомерного регрессионного анализа для дискретных зависимых переменных:

1) стандартный многомерный регрессионный анализ Пуассона (standard Poisson regression);

2) отрицательный биномиальный регрессионный анализ (negative binomial regression);

3) многомерный регрессионный анализ Пуассона с поправкой на избыток нулевых значений (zero-inflated Poisson regression);

4) многомерный биномиальный регрессионный анализ с поправкой на избыток нулевых значений (zero-inflated negarive binomial regression).

Выбор регрессионной модели определялся для каждого анализа отдельно в зависимости от соответствия исходных данных тому или иному распределению и по наличию или отсутствию избыточной дисперсии. Преимущество той или иной модели определялось с помощью графической оценки остатков, а также по значениям информационных критериев Акайке (AIC) и Байеса (BIC).

Предварительный анализ показал, что наиболее подходящими из четырех вышеперечисленных распределением является обычное распределение Пуассона. Многолетняя, внутригодичная и внутринедельная вариабельность количества вызовов «скорой помощи» моделировалась с использованием дихотомических переменных (dummy variables) для каждого года и месяца. Аналогично большинству подобных исследований также проводилась коррекция на праздничные дни, которые также вводились в модели в виде дихотомических переменных. Население использовалось в виде оффсет- переменной.

Процедуру моделирования проводили в несколько этапов с использованием основных принципов анализа временных рядов, направленных на оценку связей между климатическими и погодными факторами и показателями здоровья. На первом этапе оценивали форму зависимости между каждой из четырех температур и количеством вызовов с помощью моделирования криволинейной зависимости через каждые 5 градусов на всем диапазоне температур с использованием кубических сплайнов. Помимо температур в данные модели вводились годы, месяцы, выходные и праздничные дни для разделения эффекта

температуры и вариаций, обусловленных многолетними, сезонными и внутринедельными колебаниями количества вызовов «скорой помощи». Моделирование криволинейных зависимостей производилось с помощью процедуры uvrs (univariate regression splines), реализованной в пакете статистических программ STATA, версия 10.0 (StataCorp, TX, USA). Детальное описание принципов моделирования, используемых uvrs представлено в рисунках. Результаты моделирования представлены на рисунках для каждой возрастной группы.

Затем определяли пороговые значения для каждой из температур с помощью так называемой «клюшкообразной модели» (hockey-stick model), которая подразумевает линейную зависимость между натуральным логарифмом количества вызовов «скорой помощи» и температурой по обе стороны от точки разделения (порогового значения). Для этого использовали вышеупомянутую процедуру uvrs, но позволяли пошаговое изменение числа степеней свободы с максимального до 2 для определения наиболее подходящей модель с одной точной разделения. Использование линейного сплайна обеспечивало моделирование линейной зависимости по обе стороны от точки разделения. Для большинства ситуаций пороговое значение определить было невозможно, а определившиеся пороги имели значительную гетерогенность, затрудняющую универсальность анализа и интерпретируемость результатов, поэтому было принято решение использовать аналитический подход, примененный Michelozzi с соавторами, когда они столкнулись с проблемой определяемости пороговых значений при анализе смертности от респираторных и сердечно-сосудистых заболеваний в 12 европейских городах.

Учитывая, что вышеупомянутое исследование включало в себя значительно более крупные города, чем Астана и значительно более валидный показатель, как смертность, по сравнению с диагнозом «скорой помощи», проблемы определения пороговых значений в настоящем исследовании были вполне ожидаемы. Итак, как и в исследовании Michelozzi с соавторами, вместо эмпирически определенных пороговых значений принималось допущение о наличии линейной связи между температурой выше 90-го процентиля и логарифмически преобразованным количеством вызовов «скорой помощи».

Так, для среднесуточной эффективной температуры теплого сезона 90-й процентиль - это 22,5°С, а для максимальной, эффективной температуры 28,6^oC соответственно. Для среднесуточной эффективной температуры холодного сезона 10-й процентиль - это -12,80°С, а для минимальной эффективной температуры -14,9°С соответственно.

На втором этапе оценивали связь между увеличением каждой из четырех температур выше пороговых значений и изменением количества изучаемых исходов с коррекцией на многолетние и внутригодовые вариации с коррекцией на выходные и праздничные дни, скорость ветра, а также с коррекцией на авторегрессию. Авторегрессионные компоненты выше первого порядка также не приводили к изменению моделей и в окончательные модели не включались.

Учитывая, что для интервалов температуры выше и ниже пороговых значений количество данных было достаточно ограниченным, что привело к

значительно более статистической мощности, чем в большинстве европейских исследований, принимая во внимание лишь незначительные отклонения от линейности как в теплое, так и в холодное время годя, был проведен повторный анализ с использование всего диапазона температур в соответствующее полугодие с допущением о наличии линейной связи между температурой и логарифмически преобразованным количеством вызовов «скорой помощи».

Поскольку зависимая переменная (количество вызовов) трансформирована с помощью натурального логарифма, значения коэффициентов после их умножения на 100 интерпретируются как процентное увеличение количества вызовов на каждый градус увеличения температуры воздуха после превышения порогового значения. Отрицательные коэффициенты свидетельствуют о снижении количества вызовов при увеличении температуры, а также об увеличении количества вызовов при снижении температуры. Все процентные увеличения количества случаев представлены с 95% доверительными интервалами.

Собственные клинические наблюдения составили 210 больных бронхиальной астмой, находившихся на стационарном лечении в пульмонологическом отделении ФАО «ЖГМК» «ЦДБ» в 2013 году. Всем больным были проведены клиническое обследование, включавшее расспрос, осмотр, перкуссию и аускультацию легких. Всем больным, за исключением лиц старше 70 лет, проведено спирографическое исследование функции легких с использованием спирографа «Спиро-Спектр Нейрософт», 2004г. (Россия).

Всем исследованным 210 больным проведено рентгенографическое исследование легких на аппарате «VYNCRIER», 2012г. (Бельгия).

При изучении влияния климатических изменений на клиническое течение больных бронхиальной астмой, находившихся на стационарном лечении в пульмонологическом отделении ФАО «ЖГМК» «ЦДБ», нами проанализированы изменения среднесуточной температуры и скорости ветра по г. Астане за 2013 год представленный РГП «Казгидромет».

3