Содержание к диссертации
Введение
Глава I. Компьютерный анализ биопотенциалов головного мозга человека. Основные методы и тенденции развития. (Обзор литературы) 10
1.1. Медико-биологический аспект проблемы 10
1.1.1. Общая характеристика биоэлектрической активности мозга 10
1.1.2. Механизмы генерации электрической активности мозга 12
1.1.3. Диагностическое значение ЭЭГ-сигнала 14
1.2. Основные методы обработки биопотенциалов головного мозга ... 16
1.2.1. Традиционные методы анализа ЭЭГ 16
1.2.2. Основные направления автоматизации обработки ЭЭГ 17
1.3. Применение математических методов обработки ЭЭГ
в научных и клинических исследованиях 19
1.3.1. Развитие применяемых методов автоматической обработки ЭЭГ.20
1.3.2. Спектральный анализ ЭЭГ 22
1.3.3. Топографическое картирование биопотенциалов 26
1.3.4. Экспертные системы на основе баз знаний - следующий этап применения ЭВМ в нейрофизиологии 27
1.4. Применение электрофизиологических исследований в психиатрии пограничных состояний. Постановка задачи 30
Глава II. Материалы и методы исследования 39
2.1. Материалы и методы исследования 39
2.1.1. Объект исследования 39
2.1.2. Методика ЭЭГ-мониторинга 45
2.1.3. Методы применяемой фармакотерапии 47
2.2. Методы анализа ЭЭГ 47
2.2.1. Методы обработки исходного вектора признаков 47
2.2.2. Методы статистической обработки и сжатия многомерного пространства. Метод многомерного шкалирования
2.2.2.1. Метод проверки подчинения статистических данных нормальному закону распределения 50
2.2.2.2. Критерий Фишера 50
2.2.2.3. Критерий Стьюдента 2.2.2.4. Кластерный анализ 52
2.2.2.5. Метод дискриминантный анализ 53
2.2.2.6. Метод многомерного шкалирования 56
Глава III. Результаты собственных исследований методами классической статистики 62
3.1. Биоэлектрическая активность мозга здоровых испытуемых 62
3.2. Электроэнцефалографические проявления
и мониторинг состояний психоневрологических больных 67
3.2.1. Мониторинг состояния больных принимавших моклобемид (группа II) 67
3.2.2. Мониторинг состояния больных принимавших флуоксетин (группа III) 76
3.2.3. Мониторинг состояния больных принимавших танакан (группа IV) 87
3.3. Результаты применения дискриминантного анализа данных 96
3.3.1. Результаты применения дискриминантного анализа для разделения многомерных векторов групп испытуемых II
и группы «ЭЭГ нормы» 96
3.3.2. Результаты применения дискриминантного анализа для разделения многомерных векторов групп испытуемых III
и группы «ЭЭГ нормы» 100
3.3.3. Результаты применения дискриминантного анализа для разделения многомерных векторов групп испытуемых IV и группы «ЭЭГ нормы» 105
3.3.4. Результаты применения дискриминантного анализа для попарного разделения многомерных векторов групп испытуемых и группы «ЭЭГ нормы» 108
3.3.5. Результаты применения дискриминантного анализа для разделения многомерных векторов групп испытуемых и группы «ЭЭГ нормы» ПО
Глава IV. Результаты собственных исследований методами многомерного шкалирования 112
4.1. Анализ внутригрупповых отношений 112
4.2. Исследования динамики внутригрупповых отношений 117
4.2.1. Динамика изменений усредненного вектора больных II группы в процессе действия разовой дозы моклобемида
4.2.2. Динамика изменений усредненного вектора больных III группы в процессе действия разовой дозы флуоксетина 118
4.2.3, Динамика изменений усредненного вектора больныхIV группы, при их монофармакотерапии танаканом 120
4.3. Исследования межгрупповых отношений при полном наборе компонент 122
4.4. Исследования межгрупповых отношений отдельно по каждому отведению 126
4.4.1. Исследования межгрупповых отношений в лобных отведениях 127
4.4.2. Исследования межгрупповых отношений в височных отведениях 131
4.4.3. Исследования межгрупповых отношений в теменных отведениях 135
4.4.4. Исследования межгрупповых отношений в затылочных отведениях 140
4.5. Исследования межгрупповых отношений по ритмам ЭЭГ 144
4.5.1. Исследования межгрупповых отношений в частотном диапазоне дельта-ритма 144
4.5.2. Исследования межгрупповых отношений в частотном диапазоне тэта-ритма 147
4.5.3. Исследования межгрупповых отношений в частотном диапазоне альфа-ритма 150
4.5.4. Исследования межгрупповых отношений в частотном диапазоне бета-ритма 153
Заключение 156
Выводы , 163
Список литературы
- Основные методы обработки биопотенциалов головного мозга
- Методы статистической обработки и сжатия многомерного пространства. Метод многомерного шкалирования
- Мониторинг состояния больных принимавших флуоксетин (группа III)
- Динамика изменений усредненного вектора больных III группы в процессе действия разовой дозы флуоксетина
Введение к работе
Актуальность и новизна. Диагностика заболеваний в значительной мере базируется на данных многочисленных инструментальных исследований, обычно объединяемых в общее понятие "функциональная диагностика". Широкое внедрение в клиническую практику электроэнцефалографии, реоэнцефалографии и других методов исследования обуславливает растущий спрос на такие показатели данных методик, которые объективно оценивают функциональное состояние человека. Ставится вопрос об использовании интегральных показателей включающих наиболее информативные параметры (Жирмунская Е.А., Лосев B.C., 1984, Зенков Л.Р., 1996, Michel СМ. et al. 2004). Интегральный подход к диагностике функциональных состояний в настоящее время используется все шире и шире. Современные методы математического анализа позволяют выделить наиболее информативные показатели исследуемых биоэлектрических сигналов с целью диагностики и прогнозирования функциональных состояний организма. Использование новых информационных технологий и математических методов позволяет в значительной степени облегчить задачу врачу-исследователю по выявлению анормальностей имеющихся в биоэлектрической активности мозга и проявляющихся в изменении амплитуды, спектрального состава, организации ритмов, фазовых соотношений и т.д.
Важно в целом определить функциональное состояние мозга, степень отличия его биоэлектрической активности от общепринятых показателей нормы. Для этого удобнее использовать интегральные показатели, которые учитывают все отклонения от нормы и представляют собой точку в многомерном признаковом пространстве. Тогда, по расстоянию до гиперсферы показателей практически здоровых испытуемых, возможно оценить текущее состояние пациента и его изменение в процессе проводимой терапии (Омельченко В.П., 1990)
Для диагностики функционального состояния головного мозга в процессе лечения, целесообразно привлечь к исследованию комплексный подход, включающий в себя методы обработки сигналов, методы классической и многомерной статистики.
Целью исследований является поиск информативных показателей биоэлектрической активности отражающих функциональные состояния головного мозга больных с депрессивными состояниями и дисциркуляторнои энцефалопатией, разработка, на их основе, комплексных критериев диагностики функционального состояния и визуализации динамики показателей ЭЭГ в процессе фармакотерапии.
Задачами диссертационного исследования являлись:
Создание информационной базы данных ЭЭГ и анализа функционального состояния головного мозга больных с дисциркуляторнои энцефалопатией, участвовавших в ликвидации последствий аварии на Чернобыльской АЭС, и больных с депрессивными состояниями.
Выявление информативных показателей ЭЭГ, достоверно отличающихся у больных по сравнению с показателями практически здоровых испытуемых, и на их основании разработка метода дифференциальной диагностики функционального состояния больных.
3. Поиск интегрального показателя биоэлектрической характеристики головного мозга для оценки функционального состояния головного мозга больных в процессе лечения.
4. Разработка метода визуализации динамики изменений функционального состояния головного мозга больных в процессе их фармакотерапии.
Научной новизной являются следующие положения и результаты работы.
Выявлены информативные показатели ЭЭГ, полученные в результате применения методов многомерного шкалирования, позволяющие классифицировать по ЭЭГ функциональные состояния головного мозга и визуализировать их изменения в процессе фармакотерапии.
Практическая значимость и внедрение результатов исследования.
Рассмотренная методика может быть использована в практических целях для визуализации динамики изменения функционального состояния головного мозга человека по записям ЭЭГ в процессе фармакотерапии. Полученные результаты позволяют получить предикторы исследованных патологических состояний головного мозга больных, а также проводить прогнозирование эффективности применения медикаментозной терапии на ранних стадиях.
Основные результаты внедрены в рамках научного сотрудничества в научно-исследовательские работы в области биофизики, медицины, медицинского приборостроения, а также в учебный процесс в следующих организациях и учреждениях России: Ростовский государственный медицинский университет (Ростов-на-Дону), ООО «Медиком MTD» (Таганрог), лечебно-реабилитационный научный Центр «Феникс» (Ростов-на-Дону), Тульский государственный университет (Тула), ГПУ НИИ новых медицинских технологий (Тула), НИИ нейрокибернетики им. А.Б. Когана при Ростовском государственном университете.
Соответствующие акты внедрения приведены в приложении к диссертации.
Работа выполнена в рамках проекта Ростовского государственного медицинского университета «Диагностический центр» в 1993 -
2005 гг.
Научные положения, выносимые на защиту. В соответствии с поставленной целью и задачами, на защиту выносятся следующие положения:
1. Классификация состояния больных с психоневрологическими расстройствами по данным ЭЭГ с помощью методов многомерной статистики.
2. Методика компьютерного мониторинга с использованием метода многомерного шкалирования, позволяющая оценить на ранних этапах лечения больных с психоневрологическими расстройствами эффективность применявших фармакологических средств.
3. Визуализация изменения функционального состояния головного мозга в процессе суточного и курсового мониторинга фармакотерапии и вычисления расстояний до нормы на основе многомерных признаков суммарной ЭЭГ активности головного мозга.
Апробация результатов работы.
Основные положения и результаты диссертационной работы докладывались и обсуждались на:
Конференции "Медицинские информационные системы ", Таганрог, 1998,2002.
Конференции "Обозрение прикладной и промышленной математики", Сочи, 2000.
55-ой итоговой научной конференция. Аннотация докладов и материалы дня науки студентов, молодых ученых и специалистов РГМУ, 2001 "XII World congress of Psychiatry." Yokohama. Japan. 2002 XIII The International Congress of Neuropsychopharmacology. Montreal. 2002.
Конференции "Современные проблемы экспериментальной и клинической медицины." Паттайа, Таиланд, 2005
Личный вклад автора заключается в постановке задач исследования; анализе современного состояния проблемы; создании базы данных ЭЭГ здоровых испытуемых, больных с депрессивными состояниями и дисциркуляторной энцефалопатией; постановке биофизических экспериментов; статистической обработке данных и анализе их результатов; разработке методики мониторинга функционального состояния головного мозга испытуемых и визуализации их динамики в двумерном пространстве; нахождении параметров ЭЭГ, пригодных для классификации функционального состояния головного мозга испытуемых и для прогнозирования результатов применения медикаментозного лечения больных.
Публикации по теме диссертации. По теме диссертации опубликовано в 1994 - 2005 гг. 17 работ, в том числе 2 статьи в центральной научной литературе, 2 статьи в зарубежной печати.
Основные методы обработки биопотенциалов головного мозга
Успешность расшифровки ЭЭГ заключена в адекватности выбранного математического аппарата и уровнем технических средств обработки информации. С другой стороны, нужно получить описание ЭЭГ исследования в терминах клинической нейрофизиологии, хотя по своей сути ЭЭГ - процесс, который должен быть описан статистическими характеристиками (средних, дисперсией, корреляционных и регрессионных функций и др.). Зенков Л.Р. и Ронкин М.А. (1991) выделяют три основных этапа обработки ЭЭГ: 1. Оценка качества записи и дифференциация артефактов от собственно электроэнцефалографических феноменов. 2. Частотная и амплитудная характеристика ЭЭГ, выделение характерных графоэлементов на ЭЭГ (спайков, комплексов "пик-волна", "острая волна" и др.), определение пространственного и временного распределения параметров ЭЭГ. 3. Интерпретация данных и формулировка ЭЭГ заключения.
Обработка ЭЭГ записей в клинической практике заключается в измерениях амплитуды пиков, числа пересечений ЭЭГ осей за единицу времени и т.д. Это довольно трудоёмкие, кропотливые, занимающие очень много времени и относительно грубые (с помощью циркуля и линейки) измерения. При этом невозможно точно оценить доминирующие частоты, так как они представляют собой результат наложения друг на друга различных составляющих ЭЭГ (Русинов B.C. и др., 1987). К тому же большинство выраженных частот остаются практически недоступными для анализа. Помимо того, при визуальном анализе ЭЭГ огромную роль играет субъективный фактор, что обусловлено большим количеством и расплывчатостью решающих для формулировки заключения правил (Жирмунская Е.А., Лосев B.C., 1984).
Все выше сказанное заставляет исследователей обращаться к методам автоматического анализа и логической обработки экспертных знаний. Из-за большого количества данных эту проблему невозможно решить без применения современной вычислительной техники.
В настоящее время выделены две основные тенденции применения ЭВМ в нейрофизиологии. Во-первых, создание так называемых систем "человек-машина", решающие множество вопросов количественной обработки сигнала, распознавания и представления информации в удобной для человека-оператора (в данном случае врача-нейрофизиолога) форме. При этом максимально используются колоссальные возможности человека по распознаванию зрительных образов, умению осмысливать неполную информацию и создавать ее цельное представление, обобщать частные и анализировать маловероятные, взаимно исключающие события, находить и использовать эвристические методы решения. Во-вторых, работы в области создания искусственного интеллекта, включающие разработку полностью автоматизированных "интеллектуальных" экспертных систем, на выходе которых можно получить готовое нейрофизиологическое заключение (Омельченко В.П., 1980), причем второе направление является логическим продолжением первого.
Автоматизация обработки ЭЭГ с помощью ЭВМ состоит в следующем: 1. Преобразование аналогового сигнала малой амплитуды и низкой частоты в цифровой вид при помощи аналого-цифрового преобразователя (АЦП); 2. Архивация и хранение цифровых данных ЭЭГ в памяти компьютера; 3. Осуществление поиска и регистрации участков ЭЭГ, содержащих диагностически значимые феномены (спайки и острые волны), определяемые на основе комбинированной оценки амплитуды, крутизны фронтов, остроты и длительности волн.
Амплитуды графоэлементов определяют из исходной кривой ЭЭГ, крутизну фронтов и временные параметров волн и отдельных их фаз - из исходной волны и первой ее производной; остроту - из второй производной ЭЭГ (Зенков Л.Р., Ронкин М.А., 1991). При этом точность получаемых количественных параметров неизмеримо выше, чем при визуальной оценке.
4. Применение математического и статистического аппарата позволяет получить устойчивые статистические или детерминированные характеристики ЭЭГ, количественно определить и проанализировать распределение амплитуд, спектральную плотность, автокорреляционные функции и др. (Зенков Л.Р., Ронкин М.А., 1991). При этом, главное, значительно ускоряется процесс обработки больших массивов электрофизиологических данных с возможностью выделения информативных признаков для оценки патологических процессов, изменений функционального состояния мозга при различных воздействиях (Омельченко В.П, 1990), получать качественное визуальное представление поля потенциалов мозга.
5, Проводить анализ ЭЭГ методами распознавания образов и формулировать заключения на основе полученных характеристик и экспертных знаний электроэнцефалографистов.
Методы статистической обработки и сжатия многомерного пространства. Метод многомерного шкалирования
Для получения ЭЭГ заключений рассмотренные выше методы вносят весомый вклад, но ни один из них не позволяет сделать это заключение. Решение таких задач автоматизации обработки электроэнцефалограмм, как-то описание паттернов ЭЭГ, сравнение их с нормой, выявление патологических графоэлементов, оценка степени нарушенное ЭЭГ остается все же за врачом-нейрофизиологом (Омельченко, 1990).
Совершенствование математических методов распознавания образов и работы, ведущиеся в области создания искусственного интеллекта, позволяют надеяться на уменьшение роли субъективного фактора при расшифровке биопотенциалов головного мозга. Одним из направлений такого рода исследований является создание экспертных систем на основе эвристических моделей, однако, до настоящего времени, в силу трудностей при формализации ЭЭГ-данных, остаются нерешенными вопросы создания таких систем, которые бы полностью удовлетворяли потребности врачей-нейрофизиологов.
Облегчить в этом смысле труд врачей, призвана медицинская экспертная система. Она может оказать поддержку врачебному персоналу при анализе и правильной интерпретации биомедицинских данных, а также в формировании медицинского заключения, содержащего оценку степени патологии, либо обеспечивающего дифференциальную ЭЭГ диагностику.
Применение новых методологических подходов, в частности, структурного описания ЭЭГ-сигнала (Савайя, 1994) и теории распознавания образов (Дуда, Харт, 1976; Ту, Гонсалес, 1978) к проблеме анализа биопотенциалов головного мозга, а также возможностей современного программного обеспечения позволяет создавать не только базы данных, но и базы знаний, использующие обширный опыт, накопленный в клинической и экспериментальной нейрофизиологии. Однако для реализации подобных проектов необходимо выполнить большой объем работ, связанный с систематизацией и формализацией огромного эмпирического опыта, накопленного за все время использования ЭЭГ в клинике (Омельченко, 1990). Возможности применения методов распознавания образов для обработки ЭЭГ рассмотрено в обзорах (Lopes da Silva, 1982; Ktonas, 1983; Жирмунская, Лосев, 1984; Gevins A., Morgan N., 1986). Наиболее часто применяют дискриминантный (Coger et. al., 1976; Itil, 1979), факторный анализ или близкий к нему метод главных компонент (Douglas, Rogers, 1983; Монахов и др., 1983; Никифоров, Бочкарев, 1985), кластерный анализ (Броневич, 1994; Козлов, 1994).
Таким образом, имеются предпосылки для разработки компьютерных системы, позволяющих на формализованных методах принятия решений, на которые обычно основываются врач-специалист, автоматизировать ЭЭГ исследования в клинической практике (Омельченко, 1990). Целенаправленная работа в этой области проводится более трех десятков лет, и к настоящему времени уже имеются единичные программные средства (Jansen, 1985; Омельченко и др., 1989; Chang et al., 1989; Геппенер и др., 1993), позволяющие анализировать ЭЭГ с формированием врачебного заключения. При этом первичная классификация анализируемых ЭЭГ, как правило, проводится по следующим градациям: норма, легкие, умеренные, грубые и очень грубые нарушения ЭЭГ (Жирмунская, Лосев, 1984), что, конечно, недостаточно для современной диагностики.
В основу формирования медицинской базы знаний экспертной системы анализа ЭЭГ должна быть положена первичная оценка количественных и качественных характеристик ЭЭГ и, в случае выявления отклонений от нормы, их классификация по степени нарушений ЭЭГ (Жирмунская, Лосев, 1984). Помимо этого, база знаний должна располагать и пополняться литературными и экспертными сведениями, позволяющими оценивать по обнаруженным на ЭЭГ нарушениям возможный уровень и характер психоневрологической патологии, а также предлагать врачу перечень нозологических форм патологии, для которых выявленные изменения ЭЭГ наиболее характерны. Конечным продуктом экспертной системы должно быть нейрофизиологическое заключение, формируемое на основе последовательной оценки ЭЭГ параметров, сравниваемых с базой признаков нормальной ЭЭГ и последующим использованием современных медицинских знаний в области клинической нейрофизиологии. При этом, учитывая нозологическую неспецифичность колебаний биопотенциала, может быть, имеет смысл создавать более узкие (специализированные) экспертные системы в нейрофизиологии, ориентированные как на определенные возрастные группы, так и на отдельные клинические специализации, например невропатология, нейрохирургия, реаниматология, психиатрия и др., использующие в своей практике метод клинической электроэнцефалографии.
Мониторинг состояния больных принимавших флуоксетин (группа III)
Для лечения больных III группы лечащим врачом в качестве монотерапии был назначен препарат флуоксетин (продеп) -антидепрессант, блокатор обратного захвата серотонина в центральных (ЦНС) синапсах, разовая доза препарата 40 мг. Так же, как и в группе II, был проведен дискретный суточный мониторинг и получены записи ЭЭГ при выписке. Данные нормированных спектров приведены в приложении А, таблицы А.9 - А. 16.
Почастотное сравнение мониторированых состояний с фоновым спектральных мощностей по методу Стьюдента приведены в таблице 3.4 в виде карт по восьми отведениям с уровнем значимости р 0,05—0,001.
Статистически значимые различия, при сравнении нормированных спектральных мощностей через 3 ч. с фоновым состоянием, отмечались только в диапазоне 6-ритма. На остальных частотах значимых различий выявлено не было.
При сравнении нормированных спектральных мощностей состояния через 6 ч после принятия разовой дозы флуоксетина с фоновым состоянием получены следующие различия: 5-ритм: о 1-3 Гц «+» во всех отведениях, кроме правого теменного; о 1-3 Гц «-» в правом теменном; 0-ритм: о 4 Гц «+» в обоих затылочных и лобных, а также правом височном; о 4 Гц «-» в правом теменном; о 5 Гц «+» в левом затылочном и правом теменном; о 5 Гц «-» в правом затылочном; о 6 Гц «+» в левом полушарии головного мозга и правом затылочном; о 7 Гц «+» во всех отведениях, кроме левого височного; а-ритм: о 8 Гц «+» в левом полушарии головного мозга и правых теменном и затылочном; о 9 Гц «+» в правом полушарии головного мозга и левых теменном и затылочном; о 10 Гц «+» в обоих затылочных и левом теменном отведениях; о 10 Гц «-» во всех передних отведениях головного мозга; о 11 Гц «-» во всех отведениях; о 12 Гц «-» в обоих лобных и левом височном отведениях; о 12 Гц «+» в обоих теменных и правом височном; о 13 Гц «+» в обоих теменных, левых височном и затылочном; р-ритм: о 14 Гц «+» в левых височном, теменном и затылочном отведениях; о 14 Гц «-» в нравом височном; о 15 Гц «-» во всех отведениях, кроме обоих затылочных и левого височного; о 16 Гц «-» во всех отведениях, кроме левого височного; о 17 Гц «-» в обоих теменных и правом височном; о 17 Гц «+» в обоих затылочных; о 18 Гц «+» в правом лобном, левом теменном и обоих затылочных отведениях; о 19 и 20 Гц «+» в левых височном, теменном и обоих затылочных отведениях; о 20 Гц «-» в правом височном; о 21 и 24 Гц «+» в левом височном и обоих затылочных; о 21 Гц «-» в левом теменном; о 22, 23 и 26 Гц «+» в левом височном; о 22 Гц «-» во всех правых и левом теменном отведениях; о 23 Гц «-» в обоих лобных, правых височном и теменном; о 24 Гц «+» в левом височном и обоих затылочных; о 25 Гц «+» в левых височном и затылочном; о 25 Гц «-» в обоих теменных, правых лобном и височном; о 26 Гц «-» в обоих лобных, обоих теменных и правом височном. Через 24 часа значимые изменения отмечались только в диапазоне S-активности в задних отделов головного мозга. При выписке же больных III были выявлены следующие различия: 5-ритм: о 1-3 Гц «+» во всех отведениях; 0-ритм: о 4 Гц «+» в обоих затылочных и лобных, правом височном и теменном; о 5 Гц «-» в правом затылочном и теменном; о 5 Гц «+» в левом затылочном; о 6 Гц «+» в левом полушарии головного мозга и правом затылочном; о 7 Гц «+» во всех отведениях, кроме левого височного; а-ритм; о 8 Гц «+» в левом полушарии головного мозга и правых теменном и затылочном; о 9 Гц «+» в правом полушарии головного мозга и левых теменном и затылочном; о 10 Гц «+» в обоих затылочных отведениях; о 10 Гц «-» во всех отведениях передней части головного мозга; о П Гц «-» во всех отведениях; о 12 Гц «-» в левых лобном, височном и теменном отведениях; о 12 Гц «+» в правых теменном и височном; о 13 Гц «+» в обоих теменных, левых височном и затылочном; р-ритм: о 14 Гц «+» в левых височном, теменном и затылочном отведениях; о 14 Гц «-» в правом височном; о 15 Гц «-» во всех отведениях, кроме обоих затылочных и левого височного; о 16 Гц «-» во всех отведениях, кроме левого височного;
Динамика изменений усредненного вектора больных III группы в процессе действия разовой дозы флуоксетина
Как следует из данных таблицы 4.8, расстояния до «ЭЭГ нормы» в фоновых ЭЭГ больных в группах ІІДІІ и IV достоверно не отличались по модулю друг от друга, хотя наибольшее отклонение от ЭЭГ нормы было отмечено у больных, принимавших танакан, причем из всех фоновых R у них максимальное удаление от «ЭЭГ нормы», В то же время, многомерные вектора, соответствующие «ЭЭГ норме» и фоновым состояния каждой группы, разделены в пространстве и имеют различимые друг от друга координаты.
Несмотря на существенные отличия пространственного расположения фоновых векторов, следует отметить очень высокую степень схожести суточной динамики эффектов антидепрессантов моклобемида и флуоксетина, а именно: минимальные изменения расстояний их векторов до «ЭЭГ нормы» по отношению к фону через 3 и 24 часа после получения больными разовых доз соответствующих препаратов, достоверное (р 0,01) уменьшение R практически до нормы через 6 часов и устойчивое расположение их векторов в области «ЭЭГ нормы» перед выпиской больных, получавших данные препараты в качестве курсовой фармакотерапии. Значительное приближение векторов к «ЭЭГ норме» через 6 часов после введения больным разовых доз моклобемида и флуоксетина свидетельствует в пользу того, что, в соответствии с фармакокинетикой этих препаратов, максимальная концентрация и пик действия их приходится на 6-8 часов после поступления в организм. В то же время для танакана такой пик отмечается через 1-3 часа после его введения, что подтверждается динамикой векторов его эффектов (рис. 4.8.). Приблизившись в двухмерном пространстве через 3 часа, уже через 6 часов векторы эффектов танакана отдаляются от «ЭЭГ нормы», а к 24 часам возвращаются к фоновым значениям. Увеличение показателей R и тенденция возвращения их к фону к концу суток обусловлены, по всей видимости, значительным снижением концентрации исследуемых препаратов в крови больных и, следовательно, нивелированием их фармакологических эффектов. Дальнейшее курсовое лечение данными препаратами у больных приводит к стойкому положительному клиническому эффекту, что манифестируется соответствующей положительной ЭЭГ динамикой и подтверждается (рис. 4.8) высокой близостью двухмерных векторов и моклобемида, и флуоксетина, и танакана с вектором «ЭЭГ нормы» при выписке соответствующих пациентов из стационара.
Таким образом, проведенный нами с использованием метода многомерного шкалирования суточный мониторинг суммарных ЭЭГ эффектов различных психофармакологических средств свидетельствует в пользу надежности такого подхода при выборе индивидуальной фармакотерапии психоневрологических больных.
Анализ распределения многомерных векторов в двумерном пространстве позволяет визуализировать эти состояния, а также проследить динамику изменения этих состояний в процессе лечения.
Результаты предыдущего раздела позволили показать распределение мониторируемых состояний в двумерном пространстве и динамику изменения этих состояний в процессе различной фармакотерапии. Однако для правомочности подобного заключения мы посчитали необходимым провести аналогичный мониторинг по отдельным ЭЭГ отведениям, используя при этом в качестве первичных не 208 суммарных признаков-векторов, а 26, преследуя тем самым цель оценить вклад каждого из регистрируемых отведений мозга в суммарную динамику фармакотерапии.
На рисунках 4.9 и 4.10 приведены результаты многомерного шкалирования для усредненных векторов, полученных из нормированных спектров симметричных лобных отведений F1 и F2. Значения координат векторов, отклонения их от «ЭЭГ нормы» и эвклидовы расстояния до «ЭЭГ нормы» сведены в таблицы 4.9 и 4.10 соответственно.
Вектора фоновых состояний в двумерном пространстве имеют существенные различия координат (р 0,05) относительно «ЭЭГ нормы». Взаимное распределение векторов «ЭЭГ нормы», II, III и IV групп описываются матрицами эвклидовых расстояний Дрі и Дрг: Лп = (0 1,26 1,43 2,18") 0 2,48 1,38 0 2,78 0 J kF2 Дг-,= (0 1,04 1,54 2,07 0 2,26 1,12 0 2,83 0 у где каждый столбец и строка матрицы соответствуют анализируемым группам, а каждое значение - эвклидовым расстояниям между группами. Через 3 часа координаты векторов, соответствующих группе больных, принимавших моклобемид, незначительно изменяли свои положения в обоих лобных отведениях. В отведении F1 усредненный вектор группы больных, принимавших флуоксетин, практически не менял своего эвклидова расстояния, хотя отмечалось смещение в направлении, перпендикулярном направлению к «ЭЭГ норме». В отведении F2 наблюдалось увеличение этого расстояния. Для вектора, соответствующего группе больных, принимавших танакан, выявлено значимое (р 0,01) смещение в направлении к «ЭЭГ норме».
