Прогнозирование эффективности лечения больных с повреждениями вспомогательного аппарата глаз

• Published in: Таврический медико-биологический вестник
• Date: 2013
• Main Author: Петренко, О.В.
• Format: Article
• Language: Russian
• Published: Кримський науковий центр НАН України і МОН України 2013
• Subjects: Оригинальные статьи
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/74983
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: Прогнозирование эффективности лечения больных с повреждениями вспомогательного аппарата глаз / О.В. Петренко // Таврический медико-биологический вестник. — 2013. — Т. 16, № 3, ч. 2 (63). — С. 115-116. — Бібліогр.: 9 назв. — рос.

В роботі представлена модель прогнозування ефективності лікування хворих з післятравматичними пошкодженнями допоміжного апарату ока, яка є частиною експертної системи прогнозування ефективності лікування даної категорії пацієнтів. Математична модель побудована на великій кількості факторних ознак, включаючи основні анатомо-функціональні та естетичні параметри допоміжного апарату ока, види травм, фактори, що впливають на результати реконструктивно-відновних операцій. Після оптимізації порогу прийняття/відкидання чутливість моделі на навчальній множині склала 100% (95% ДІ 93,6%–100%), специфічність – 94,1% (95% ДІ 85,9%–98,9%). На підтверджуючій множині чутливість моделі склала 81,8% (95% ДІ 50,9%–98,9%), специфічність – 68,4% (95% ДІ 44,8% –87,9%). In the paper it has been presented the model of effectiveness prediction of patients’ treatment with accessory apparatus of the eye injuries, which is the part of expert system of effectiveness prediction of treatment of such category patients. The mathematical model is based on a large number of factor signs including basic anatomical, functional and aesthetical parameters of the eye accessory apparatus, kind of injury, factors affecting the results of reconstructive operations. Model sensitivity on the training set reached 100% (95% CI, 93.6% -100%), specificity - 94.1% (95% CI, 85.9% - 98.9%), after optimizing the threshold of acceptance / rejection. Model sensitivity on the confirming set was 81.8% (95% CI: 50.9% -98.9%), specificity - 68.4% (95% CI: 44.8% -87.9%).