Математична модель прогнозування результату лікування у хворих на деструктивний мультирезистентний туберкульоз легень
DOI:
https://doi.org/10.30978/TB2020-4-24Ключові слова:
мультирезистентний туберкульоз, дискримінантний аналіз, математична модель, ефективне лікування, прогнозування результатів лікуванняАнотація
Припинення бактеріовиділення — головна умова ефективного лікування мультирезистентного туберкульозу (МРТБ). Хірургічні методики лікування хворих на туберкульоз значно підвищують ефективність лікування таких пацієнтів. Виділення нових критеріїв відбору для хірургічного лікування МРТБ актуальне, оскільки дасть змогу підвищити ефективність лікування МРТБ, яка залишається недостатньою.
Мета роботи — спрогнозувати ефективність лікування МРТБ легень через розроблення математичної моделі для прогнозування результатів лікування.
Матеріали та методи. Було залучено 84 хворих на МРТБ легень, яких розподілили на 2 групи: група 1 (n = 56) — пацієнти з ознаками ефективного лікування туберкульозу в кінці інтенсивної фази; група 2 (n = 28) — пацієнти з ознаками неефективного лікування. Використано метод багатовимірного дискримінантного аналізу з використанням статистичного середовища STATISTICA 13.
Результати та обговорення. Під час проведеного дискримінантного аналізу було відібрано показники клінічного аналізу крові (моноцити, паличкоядерні лейкоцити, еритроцити), які були пов’язані високими (r > 0,5) статистично значущими кореляційними зв’язками з рівнями ММП-9, ТІМП-1, оксипроліну та його фракцій і альдостерону під час формування прогнозу. Математична модель дає змогу у вигляді порівняння результатів вирішення двох лінійних рівнянь і зіставлення їхніх результатів спрогнозувати результат лікування: 1 — ефективне лікування, 2 — неефективне лікування.
Висновки. Розроблена математична модель дає змогу оцінити результати лікування хворих на мультирезистентний туберкульоз на ранніх стадіях лікування, виходячи зі значень показників еритроцитів, паличкоядерних лейкоцитів та моноцитів, виявити його неефективність та рекомендувати таким пацієнтам застосовувати комбіноване лікування з хірургічними втручаннями для підвищення ефективності лікування.
Посилання
Lebid LV, Kireev IV, Poteyko PI., Liashenko AA. Using of intoxication indices for estimation of weight of current endogenous intoxication for patients of destructive forms of lung tuberculosis. Ukrainian journal of Clinical and Laboratory Medicine. 2012;7(1):184-188 (Rus.).
Rebrova OYu. Statisticheskij analiz mediczinskikh dannykh: primenenie paketa prikladnykh programm STATISTICA. M. MediaSfera; 2006:312 (Rus.).
Feshchenko YuI, Melnyk VM, Turchenko LV. Pohliad na problemu borotby z tuberkulozom v Ukraini [A fight with tuberculosis in Ukraine: view on a problem]. Ukr pulmonol zhurn. 2016;3:5-10 (Ukr.).
Khmel OV, Kalabukha IA. Long-term results of surgical interventions for pulmonary tuberculosis. Tuberculosis, Lung Diseases, HIV Infection. 2018;1(32):48-57.
Esmedlyaeva DS, Titarenko OT, Pavlova MV, Dyakova ME, Perova TL. System of matrix metalloproteinases in the evaluation of lung tissue destruction in tuberculosis. Tuberculosis and Lung Diseases. 2015;8:38-42 (Rus.). doi: 10.21292/2075-1230-2015-0-8-38-42.
Agliari E, Asti L, Barra А, et al. Application of a Stochastic Modeling to Assess the Evolution of Tuberculous and Non-Tuberculous Mycobacterial Infection in Patients Treated with Tumor Necrosis Factor Inhibitors. PLOS One. 2013. doi:10.1371/journal.pone.0055017.
Aparicio JP, Castillo-Chavez C. Мathematical modelling of tuberculosis epidemics. Math Biosci Eng. 2009;6(2):208-236. doi:10.3934/mbe.2009.6.209.
Chen Y, Wang J, Ge P, et al. Tissue inhibitor of metalloproteinases 1, a novel biomarker of tuberculosis. Mol Med Rep. 2017;15:483-487. doi:10.3892/mmr.2016.5998.
Datta S, et al. Sputum Microscopy With Fluorescein Diacetate Predicts Tuberculosis Infectiousness. J Infect Dis. 2017;216(5):514-524. doi:10.1093/infdis/jix229.
Doan TN, et al. Predicting the Outcomes of New Short-Course Regimens for Multidrug-Resistant Tuberculosis Using Intrahost and Pharmacokinetic-Pharmacodynamic Modeling. Antimicrob Agents Chemother. 2018;62(12):1487-1518. doi:10.1128/AAC.01487-18.
European Centre for Disease Prevention and Control Technical Report. Mathematical modelling of programmatic screening strategies for latent tuberculosis infection in countries with low tuberculosis incidence. Stockholm: ECDC; 2018:86.
Goletti D, et al. Can we predict tuberculosis cure? What tools are available? Eur Resp J. 2018;52:1801089.
Goletti D, Lee M-R, Wang J-Y, et al. Update on tuberculosis biomarkers: from correlates of risk, to correlates of active disease and of cure from disease. Respirotol. 2018;23:455-468.
Kuaban C, Noeske J, Rieder HL, et al. High effectiveness of a 12-month regimen for MDR-TB patients in Cameroon. Int J Tuber Lung Dis. 2015;19(5);517-524. doi:10.5588/ijtld.14.0535.
Kübler A, Luna B, Larsson C et al. Mycobacterium tuberculosis dysregulates MMP/TIMP balance to drive rapid cavitation and unrestrained bacterial proliferation. J Pathol. 2015;235(3):431-444. doi:10.1002/path.4432.
Lu P, et al. Time to sputum culture coversion and treatment outcome of patients with multidrug-resistant tuberculosis: a prospective cohort study from urban. Eur Respir J. 2017;49(3):1601558. doi:10.1183/13993003.01558-2016.
Mai M, et al. Outcome Prediction in Mathematical Models of Immune Response to Infection. Plos One. 2015;10(8). doi:10.1371/journal.pone.0135861.
Mathema B, et al. Molecular Epidemiology of Mycobacterium tuberculosis among South African Gold Miners. Ann Am Thor Soc. 2014;12(1):12-20. doi:10.1513/AnnalsATS.201404-150OC.
Merle CS, et al. A Four-Month Gatifloxacin-Containing Regimen for Treating Tuberculosis. N Engl J Med. 2014;371:1588-1598. doi:10.1056/NEJMoa1315817.
Nkamba LN, et al. Mathematical model to assess vaccination and effective contact rate impact in the spread of tuberculosis. J Biol Dyn. 2019;13(1):26-42. doi:10.1080/ 17513758.2018.1563218.
Shevchenko OS, et al. Dynamics of aldosterone, connective tissue reorganization and glucose level as markers for tuberculosis treatment effectiveness. Archives of the Balkan Medical Union. 2019;54(2):11-17.
Sigal GB. Biomarkers of Tuberculosis Severity and Treatment Effect: A Directed Screen of 70 Host Markers in a Randomized Clinical Trial. EBio Medicine. 2017;25:112-121. doi:10.1016/j.ebiom.2017.10.018.
Tadokera R. et al. Matrix metalloproteinases and tissue damage in HIV-tuberculosis immune reconstitution inflammatory syndrome. Eur J Immunol. 2014;44(1):127-136.
Wallis RS, Peppard T, Hermann D. Month 2 Culture Status and Treatment Duration as Predictors of Recurrence in Pulmonary Tuberculosis: Model Validation and Update Published. Plos One. 2015. doi:10.1371/journal.pone.0125403.
World Health Organisation. Global TB Report 2018. Geneva. WHO, 2018:277 p.
World Health Organisation. The role of surgery in the treatment of pulmonary TB and multidrug- and extensively drug-resistant TB 2014 update: WHO. http://www.euro.who.int/pubrequest.
