«Траектории боли помогают нам понять, почему разные пациенты будут болеть в течение разного периода времени после травмы или операции», – сказал Патрик Тай, специалист по медицине.D., который возглавлял группу исследователей из Университета Флориды в Гейнсвилле, штат Флорида. «У разных анальгетиков разные фармакокинетические профили, поэтому лучшее понимание траекторий боли может помочь нам лучше подобрать анальгетики для пациентов."
Использование марковских моделей в этом контексте является новым.
Марковские модели и их производные применялись для решения ряда проблем на финансовых рынках, погодных условий, разработки настольных игр, секвенирования ДНК и распознавания речи. Модели используют последовательные данные, чтобы помочь объяснить, как системы, которые постоянно меняются, делают это вероятностным образом, пояснил Тай. Поведение вероятностной системы невозможно точно предсказать, но вероятность определенного поведения известна.
Таким образом, эти методы требуют определенных предположений о системе.
С одобрения институционального наблюдательного совета через Университет Флориды и финансирования за счет гранта Национальных институтов здравоохранения исследователи решили проверить, можно ли использовать марковские модели для прогнозирования траекторий боли. Во-первых, они изучили первые пять клинически зарегистрированных оценок интенсивности послеоперационной боли в смешанной хирургической когорте из 26 090 пациентов. Затем они измерили вероятность того, что пациент перейдет от данной оценки интенсивности боли к последующей оценке интенсивности боли между каждым из первых четырех шагов перехода.
Они обнаружили, что клинически измеренные состояния боли были стабильными с точки зрения вероятного распределения по первым пяти оценкам после операции. Таким образом, если исходная оценка боли была 0, это была наиболее распространенная оценка для всех возрастов и обоих полов (диапазон 30.7 процентов – 74.6%) матрицы последовательных переходов продемонстрировали высокую вероятность перехода в 0 для всех; действительно, наибольшая вероятность наблюдалась для значений от 0 до 0 и от 10 до 10. Все состояния боли имели высокую вероятность перехода в 0, а также в одно и то же состояние боли.
«Это было немного удивительно, учитывая, что мы надеялись увидеть увеличение вероятности перехода пациентов от более высокого болевого состояния к более низкому при каждом последовательном переходе», – сказал Тайге.
Потенциал марковских моделей для помощи в принятии медицинских решений был описан ранее. В статье в научном журнале Зонненберг и Бек писали: «Марковские модели полезны, когда проблема принятия решений связана с риском, который является непрерывным во времени, когда важен выбор времени событий и когда важные события могут происходить более одного раза.
Представление таких клинических условий с помощью обычных деревьев решений сложно и может потребовать нереалистичных упрощающих допущений. Марковские модели предполагают, что пациент всегда находится в одном из конечного числа дискретных состояний здоровья, называемых состояниями Маркова (Med Decis Making 1993; 13 (4): 322-38)."
Тиге сказал, что текущие результаты должны быть подтверждены в других контекстах и учреждениях, а затем стратифицированы по конкретным группам пациентов. Кроме того, эти предварительные исследования должны быть далее преобразованы в модели процесса принятия решений, которые уравновешивают краткосрочные выгоды с долгосрочными результатами.
"У нас еще есть пути", – сказал он.