Содержание

Что такое регресс в медицине

(лат. regressus возвращение, отступление)
в биологии — упрощение строения организмов в процессе их исторического развития под влиянием изменившихся условий существования.

Смотреть значение

Регре́сс в других словарях

Регресс М. — 1. Переход от более высоких форм развития к более низким; упадок в развитии чего-л. (противоп.: прогресс).
Толковый словарь Ефремовой

Прогресс И Регресс — (от латинских слов рrоgressus — движение вперед, успех, и regrеssus — обратное движение) — широко употребляемые в политологии понятия, обозначающие противоположные направления.
Политический словарь

Регресс — ( лат. regressus возвращение, движение назад) — переход от более высоких форм развития к низшим, изменения к худшему.
Политический словарь

Вексельный Регресс — —
право
индоссанта, оплатившего опротестованный
вексель, предъявить
обратное
требование к предыдущим индоссантам и векселедателю, которые несут.

Экономический словарь

Регресс — регресса, мн. нет, м. (латин. regressus — возвращение) (книжн.). 1. Упадок в развитии, переход от более высоких форм развития к низшим, менее совершенным, движение назад; противоп.
Толковый словарь Ушакова

Право На Регресс — Право
страховщика на получение в порядке обратного
требования (
регресса) от третьих лиц, виновных в причинении
ущерба, сумм, выплаченных в качестве страхового.
Экономический словарь

Регресс — -а; м. [от лат. regressus — обратное движение] Книжн. Ухудшение в развитии чего-л., движение вспять; упадок, деградация (противоп.: прогре́сс). Экономика переживает период регресса.

Толковый словарь Кузнецова

Регресс — —
обратное
требование о возмещении уплаченной суммы, предъявляемое одним физическим или юридическим
лицом другому обязанному лицу. Р. применяется при
.
Экономический словарь

Регресс, Вексельный — —
право обратного
требования к предыдущим индоссантам и векселедержателю, которые несут по векселю солидарную
ответственность; право обратного требования.
Экономический словарь

Вексельный Регресс — — право обратного требования, принадлежащее индоссанту, оплатившему опротестованный вексель, к предыдущим индоссантам и векселедателю, которые несут по векселю солидарную ответственность.

Юридический словарь

Регресс — (лат. regressus — обратное движение) 1) процесс деградации, понижения уровня развития организации, возврат к изжившим себя формам и структурам; 2) обратное требование о возмещении.
Юридический словарь

Регресс — (лат. regressus возвращение, отступление) в биологии упрощение строения организмов в процессе их исторического развития под влиянием изменившихся условий существования.
Большой медицинский словарь

Регресс — (от лат. regressus — обратное движение) — тип развития, длякоторого характерен переход от высшего к низшему, процессы деградации,понижения уровня организации, утраты способности.

Большой энциклопедический словарь

Регресс — (от лат. regressus — возвращение, движение назад) в живой природе, упрощение организмов в процессе эволюции. В связи с использованием термина «Р.» в биологии в разных значениях.
Биологический энциклопедический словарь

Регресс — — обратное движение — тип развития, для которого характерен переход от высшего к низшему, процессы деградации, понижение уровня организации, утраты способности к выполнению.
Исторический словарь

Регресс — — 1. Переход от более высоких форм развития к низшим, движение назад, изменения к худшему. Противоположное понятие — прогресс. 2. В биологии — упрощение строения организмов.

Психологическая энциклопедия

Прогресс И Регресс — (прогресс — движение вперед; регресс — возвращение) — противоположные формы развития общества в целом или отдельных его сторон, означающие либо поступательное.
Социологический словарь

Регресс — (от лат. regressus — обратное движение) — англ. regress; нем. Regres/Ruckschritt. 1. Тип развития, для к-рого характерен переход от высшего к низшему. Содержание Р. составляют процессы.
Социологический словарь

Социальный Регресс — — процесс, противоположный социальному прогрессу.
Социологический словарь

Прогресс И Регресс — (лат. progressus — движение вперед и regressus — возвращение) — наиболее общие, противоположные по своим характеристикам, разнонаправленные и вместе с тем неотделимые друг от.
Философский словарь

Регресс — переход от более высоких форм развития к низшим, движение назад, к старым, изжившим себя формам, застой, изменения к худшему.
Философский словарь

РЕГРЕСС — РЕГРЕСС, -а, м. (книжн.). Упадок в развитии чего-н., движение назад; противоп. прогресс.
Толковый словарь Ожегова

БИОЛОГИЧЕСКИЙ РЕГРЕСС — БИОЛОГИЧЕСКИЙ РЕГРЕСС история, преобразование видов и выработка у них новых приспособлений (Северное, 1920). Регрессирующими, например, являются.

Экологический словарь

РЕГРЕСС — РЕГРЕСС (лат. regressus) в живой природе, упрощение организации организмов в процессе эволюции. А. Н. Северцов (1925) различал биологический Р. (сужение.
Экологический словарь

Содержание статьи

  • Регресс: понятие и признаки
  • Что такое эгрегор
  • Что такое регрессивный гипноз?

Понятие «регресс»

Толковый словарь определяет регресс как тип развития, характеризующийся переходом от высшего к низшему, снижением уровня организации, исчезновением способности выполнять те или иные функции или действия. Регресс подразумевает также моменты полного застоя, изменения, ведущие к возвращению прошлых форм и структур, зачастую изживших себя. Он составляет противоположность прогрессу.

Данный термин встречается в совершенно различных сферах человеческой деятельности. Оно присутствует в социологии, политологии, экономике, биологии, медицине, философии, психологии, в юридических науках и т.д.

Определения регресса в разных науках

В биологии регресс означает упрощение строения определенных живых организмов, реализуемое с целью приспособления с изменяющейся внешней среде и условиям существования.

В экономике регресс – это экономический упадок. В математике данное понятие обозначает зависимость среднего случайного значения от иных (иной) величин. В социологии регресс – это совокупность изменений в общественной сфере, ведущих к снижению общего социального уровня населения.

В психологии регресс означает определенный механизм психологической самозащиты, при котором индивид возвращается к более раннему уровню своего развития, поведения и мышления. Подобное изменение происходит в момент стрессовой или необычайно трудной ситуации. Также в психологии регресс может означать отказ индивида от принятия какого-либо решения, совершения необходимого поступка. Для людей в подобном состоянии характерна повышенная зависимость от мнения окружающих, а также нежелание замечать настоящее положение дел.

В геологии регресс – это медленное и постепенное отступание воды от берегов, происходящее как результат поднятия суши или же опускания морского дна. Или из-за снижения объема океанических вод.

В медицине регрессом называется исчезновение или уменьшение симптомов заболевания. Вплоть до наступления полного выздоровления пациента.

Признаки регресса

Несмотря на то, что данное понятие встречается во многих науках, ему все же присущи некоторые общие характерные признаки. В частности, это обязательное движение в обратную сторону, от сложного к более простому, постепенное снижение уровня системы. Возможно возвращение к более ранним формам организации.

В процессе изучения регресса раскрывается закономерность, характерная для всех наук: все в мире развивается волнообразно, циклично, и периоды подъема обязательно сменяются периодами спада. Это говорит о том, что два понятия – регресс и прогресс – не столько противоположны, сколько дополняют друг друга. Не бывает постоянного прогресса, как не бывает и постоянного снижения уровня организации.

О том, что такое регрессия, знают и программисты, и врачи разных направлений, а особенно хорошо ориентируются в этом понятии психологи. Впрочем, математики и эзотерики тоже могут рассказать, что понимать под этим термином. Самое удивительное – тот факт, что представители каждой из перечисленных областей видят в слове свое значение! Действительно, регрессия – понятие многогранное и сложное. Попробуем разобраться с некоторыми его сторонами.

Общее понимание

Разобраться с тем, что такое регрессия, проще всего, если обратиться к психологической стороне вопроса. Термином принято обозначать такой защитный механизм, который позволяет на некоторое время сбежать от реальных сложностей, беспокоящих личность, к более простым вопросам. То есть фактически регрессия – упрощение решаемых задач. Регрессия применительно к развитию вида будет означать упрощение с поколениями, деградацию.

А вот в математике, программировании и других точных науках термин применяется в том же значении, но по отношению к исследуемой области. Если прогрессия предполагает развитие и увеличение, то регрессия – полная противоположность этого термина.

Когда и зачем?

Психологи считают, что регрессия – это отличительная особенность любой человеческой личности, столкнувшейся с новой, сложной, непонятной задачей. Реакция на новую обстановку, психическое или физическое состояние могут спровоцировать такой эффект. Узнать, что такое регрессия, на своем примере можно, если человек сильно устает или заболевает.

Теория и практика

В поведении регрессия – переход к прежней стадии. Особенное внимание этому явлению уделялось в работах Фрейда – известнейшего австрийского психоаналитика прошлого столетия. Он разработал онтогенетическую теорию, в рамках которой и рассматривается, что такое регрессия.

В соответствии с психотерапией, термином следует обозначать возвращение личности к такому времени, когда ощущалась удовлетворенность от обстановки. В настоящее время психоаналитика предпочитает понимать под регрессией такой неэффективный защитный механизм, который активируется при возникновении дискомфортной ситуации. Наибольшую практическую пользу принес бы поиск выхода из ситуации, но в реальности многие люди лишь стремятся упростить комплексную задачу, тем самым загоняя себя в еще более безнадежный тупик.

Где это наблюдается?

Лучше всего знают, что такое регрессия, психотерапевты, вынужденные работать с индивидуумами, страдающими невротическими расстройствами либо инфантилизмом. Регрессия – это одна из форм, помогающая человеку справиться с эмоциональным перенапряжением. Специалисты отмечают, что она довольно сильно отличается от альтернативных способов борьбы с проблемой. Замещение, генерализация помогают сохранить структуру деятельности, а вот рассматриваемое явление меняет потребности, мотивацию. Все это приводит к деградации качеств личности. Процесс протекает очень быстро, особенно в условиях отсутствия сторонней помощи.

В то же время известны случаи, когда явление приносило индивидуумам пользу. Так, в рамках когнитивного теоретического подхода принято говорить о значимости регрессии как методики обращения к упрощенным схемам, помогающим познать себя, проблему, пути ее решения. Отталкиваясь от простого понимания, можно со временем добиться прогресса личности.

Противоречия и общий подход

Как было упомянуто выше, значение слова «регрессия» психологами, психотерапевтами определено еще с прошлого столетия. Современные методологи, однако, отмечают, что экспериментальных исследований было организовано всего несколько, поэтому каких-то реальных подтверждений теоретических выкладкок нет и по сей день, а механизмы, через которые реализуется личностная регрессия, вовсе не изучены. Еще только предстоит ознакомиться с проявлениями этого явления, сформулировать, насколько оно значимо. Позиции, которых придерживаются ведущие психоаналитики современности, во многом противоречат друг другу.

Можно сказать точно, что все виды регрессии предполагают возвращение к прошлому, в детство, к усвоенным ранее моделям поведения. То есть фактически человек с текущей ступени развития возвращается на уже пройденную им ранее. В психологии о таком явлении говорят как о понижении организационного уровня. Фактически наблюдается примитивизация.

Регрессия в онкологии

Этот термин как для врачей, работающих с онкологическими больными, так и для самих людей, столкнувшихся со злокачественными новообразованиями, исключительно важен. Чаще всего о возможности регрессии говорят, если опухоль развилась на веке либо поблизости от этой области человеческого организма. Медицина знает несколько случав, когда злокачественность была установлена и подтверждена, тем не менее, спустя некоторое время наблюдалось самостоятельное излечение больного – регрессия. Значение слова в медицине действительно важно, так как дает надежду многим больным.

Такое явление применительно к раковым заболеваниям наблюдается, если опухоль не трогать, не беспокоить. Возможность самостоятельного излечения есть только у развивающихся медленно новообразований. Процесс протекает следующим образом: сперва наблюдается медленный рост, затем его прекращение и начало обратного процесса. Происходит это обычно неожиданно и непредсказуемо. Что это такое простыми словами? Регрессия – ситуация, когда опухоль рассасывается без малейшего следа. Ни на коже, ни поблизости не будет даже намека на злокачественный процесс. В официальной литературе есть упоминания о нескольких подобных случаях, наблюдаемых квалифицированными врачами.

Официальная позиция

О том, что это такое – регрессия простыми словами – можно узнать, обратившись к работам Закса, Лиша. Именно они особенно детально рассматривали явление применительно к онкологическим больным. Как удалось выяснить в ходе экспериментального исследования, здоровый организм имеет возможности, ресурсы, позволяющие активизировать обратный рост новообразования. Это характерно не только для ранних стадий. В медицинской практике Лиша был такой случай, когда рецидив, спровоцированный слабой эксцизией, останавливался в развитии, а затем самостоятельно развивался обратно.

Как видно из опубликованных работ, метод регрессии применительно к онкологическим больным может сработать совершенно непредсказуемо. Если некоторая часть опухоли не была удалена при операции, преобразованные клетки самопроизвольно могут погибнуть. Такое наблюдалось и у больных, у которых рак проявил себя видимым участком, и на этапе лишь появления ракового комплекса в структурах ткани.

Как это работает?

Многие исследователи, обратив внимание на указанное уникальное явление, предложили объяснять его с точки зрения учения Павлова, рассматривавшего значимость головного мозга, в частности, коры этого органа как центра, регулирующего весь живой организм. Как следует из известной в настоящее время информации, это может быть фактором регрессии в силу возможности применения нервных механизмов для обеспечения различных участков тела защитой. На мозг возлагается еще и компенсаторная функция.

Как видно из онкологии, важные параметры регрессии еще только предстоит открыть, чтобы найти механизмы, активизирующие природный защитный процесс. Уже сейчас известно, что влияние нервной системы провоцирует некроз больных тканей, появление язв, рубцов. Альтернативный вариант – инкапсулирование клеток, потенциально не имеющих более возможности роста. В таком состоянии они со временем гибнут. Каким образом можно стимулировать этот механизм, пока неизвестно.

Значений множество!

Но не только в психологии, регрессия рассматривается еще и в эзотерических учениях. Характерно это в первую очередь для тех, что посвящены погружению в прошлые жизни. Как рассказывают специалисты этого направления, под термином принято понимать трансвизуализацию.

В некоторой степени явление это сходно с осознанным сновидением, в то же время имеет специфические отличия. Человек, переходя в такое состояние, полностью сохраняет под контролем собственное сознание, но может выйти из него без особенных усилий. Погружение для такого состояния характерно относительно слабое. С одной стороны, нет ощущений, деталей, присущих классическому полноценному сну, в то же время общее представление человек получает. Можно сравнить это с подсматривающим через щелку. Многие считают, что степень восприятия определяется количеством, качеством тренировок.

Можно пройти регрессию как самостоятельно, в одиночестве, так и в группе заинтересованных лиц, собравшихся в одном месте и с одной целью. В крупных городах регулярно организуют такие мероприятия для желающих. Используются специальные звуки. Принято деление на уровни, каждый из которых подбирается к конкретной ситуации на усмотрение самого ответственного и опытного участника группы или тренера.

Что это такое?

Пытаясь объяснить суть регрессии, некоторые сравнивают ее с информационным потоком, в который появляется возможность включать свое сознание. В то же время неясно, откуда берет начало этот поток. Одни считают, что из воображения, другие убеждены в его в связи с прошлыми жизнями. Кто-то готов отстаивать мнение о том, что все сведения поступают из параллельных миров, а иные убеждены, что дело лишь в памяти.

Одна из теорий гласит, что наш мир – это всего лишь симуляция. Такой подход делает наиболее вероятной правильность идеи реинкарнации, а также дает неплохое объяснение устройству вселенной. Фактически разумные сущности могут словно блуждать меж мирами, и регрессия помогает включиться в этот процесс, осознать его, стать элементом информационного потока, в рамках которого и происходят все передвижения.

Регрессия и воспитание детей

Это явление знакомо не только врачам, известным ученым, эзотерикам и стремящимся к духовным практикам, просветлению и познанию мира людям. Самые простые родители, активно воспитывающие маленьких детей, также нередко сталкиваются с регрессией. Этим термином принято обозначать такое поведение ребенка, когда уже обучившийся чему-либо малыш внезапно словно бы возвращается на ступеньку назад. К примеру, еще недавно умевший самостоятельно пользоваться горшком ребенок вдруг писает в штанишки.

Психологи объясняют это следующим образом: никаких отклонений в развитии нет, чадо вполне может пользоваться туалетом так, как его учат родители. Дело в том, что малыш, когда обучается чему-то новому, одновременно испытывает испуг от своей самостоятельности. Стремясь вернуться в тепло и безопасность родительской опеки, он пытается отринуть новое знание, умение. Со временем, если родители ведут себя правильно, малыш осознает, что страшного и опасного в пользовании новыми навыками ничего нет, и применяет их на практике. Поэтому родители, столкнувшиеся с такой проблемой, должны максимально внимательно относиться к своему чаду, поддерживать его и доказывать свою любовь и заботу.

Подводя итоги

Не зря филологи гордятся богатством русского языка. Действительно, можно встретить такие уникальные термины, значение которых исключительно богато и разнообразно. Рассмотренный пример регрессии – хорошее доказательство постулата о многообразии и многозначительности русского языка. Само слово пришло к нам из латыни, но было применено к разным областям жизни и в современности обширно используется и специалистами разных сфер, и обывателями. Сохранилось значение «обратное движение», в то же время расширилась область применения.

что такое простыми словами? :: SYL.ru

О том, что такое регрессия, знают и программисты, и врачи разных направлений, а особенно хорошо ориентируются в этом понятии психологи. Впрочем, математики и эзотерики тоже могут рассказать, что понимать под этим термином. Самое удивительное – тот факт, что представители каждой из перечисленных областей видят в слове свое значение! Действительно, регрессия – понятие многогранное и сложное. Попробуем разобраться с некоторыми его сторонами.

Общее понимание

Разобраться с тем, что такое регрессия, проще всего, если обратиться к психологической стороне вопроса. Термином принято обозначать такой защитный механизм, который позволяет на некоторое время сбежать от реальных сложностей, беспокоящих личность, к более простым вопросам. То есть фактически регрессия – упрощение решаемых задач. Регрессия применительно к развитию вида будет означать упрощение с поколениями, деградацию.

А вот в математике, программировании и других точных науках термин применяется в том же значении, но по отношению к исследуемой области. Если прогрессия предполагает развитие и увеличение, то регрессия – полная противоположность этого термина.

Когда и зачем?

Психологи считают, что регрессия – это отличительная особенность любой человеческой личности, столкнувшейся с новой, сложной, непонятной задачей. Реакция на новую обстановку, психическое или физическое состояние могут спровоцировать такой эффект. Узнать, что такое регрессия, на своем примере можно, если человек сильно устает или заболевает.

Теория и практика

В поведении регрессия – переход к прежней стадии. Особенное внимание этому явлению уделялось в работах Фрейда – известнейшего австрийского психоаналитика прошлого столетия. Он разработал онтогенетическую теорию, в рамках которой и рассматривается, что такое регрессия.

В соответствии с психотерапией, термином следует обозначать возвращение личности к такому времени, когда ощущалась удовлетворенность от обстановки. В настоящее время психоаналитика предпочитает понимать под регрессией такой неэффективный защитный механизм, который активируется при возникновении дискомфортной ситуации. Наибольшую практическую пользу принес бы поиск выхода из ситуации, но в реальности многие люди лишь стремятся упростить комплексную задачу, тем самым загоняя себя в еще более безнадежный тупик.

Где это наблюдается?

Лучше всего знают, что такое регрессия, психотерапевты, вынужденные работать с индивидуумами, страдающими невротическими расстройствами либо инфантилизмом. Регрессия – это одна из форм, помогающая человеку справиться с эмоциональным перенапряжением. Специалисты отмечают, что она довольно сильно отличается от альтернативных способов борьбы с проблемой. Замещение, генерализация помогают сохранить структуру деятельности, а вот рассматриваемое явление меняет потребности, мотивацию. Все это приводит к деградации качеств личности. Процесс протекает очень быстро, особенно в условиях отсутствия сторонней помощи.

В то же время известны случаи, когда явление приносило индивидуумам пользу. Так, в рамках когнитивного теоретического подхода принято говорить о значимости регрессии как методики обращения к упрощенным схемам, помогающим познать себя, проблему, пути ее решения. Отталкиваясь от простого понимания, можно со временем добиться прогресса личности.

Противоречия и общий подход

Как было упомянуто выше, значение слова «регрессия» психологами, психотерапевтами определено еще с прошлого столетия. Современные методологи, однако, отмечают, что экспериментальных исследований было организовано всего несколько, поэтому каких-то реальных подтверждений теоретических выкладкок нет и по сей день, а механизмы, через которые реализуется личностная регрессия, вовсе не изучены. Еще только предстоит ознакомиться с проявлениями этого явления, сформулировать, насколько оно значимо. Позиции, которых придерживаются ведущие психоаналитики современности, во многом противоречат друг другу.

Можно сказать точно, что все виды регрессии предполагают возвращение к прошлому, в детство, к усвоенным ранее моделям поведения. То есть фактически человек с текущей ступени развития возвращается на уже пройденную им ранее. В психологии о таком явлении говорят как о понижении организационного уровня. Фактически наблюдается примитивизация.

Регрессия в онкологии

Этот термин как для врачей, работающих с онкологическими больными, так и для самих людей, столкнувшихся со злокачественными новообразованиями, исключительно важен. Чаще всего о возможности регрессии говорят, если опухоль развилась на веке либо поблизости от этой области человеческого организма. Медицина знает несколько случав, когда злокачественность была установлена и подтверждена, тем не менее, спустя некоторое время наблюдалось самостоятельное излечение больного – регрессия. Значение слова в медицине действительно важно, так как дает надежду многим больным.

Такое явление применительно к раковым заболеваниям наблюдается, если опухоль не трогать, не беспокоить. Возможность самостоятельного излечения есть только у развивающихся медленно новообразований. Процесс протекает следующим образом: сперва наблюдается медленный рост, затем его прекращение и начало обратного процесса. Происходит это обычно неожиданно и непредсказуемо. Что это такое простыми словами? Регрессия – ситуация, когда опухоль рассасывается без малейшего следа. Ни на коже, ни поблизости не будет даже намека на злокачественный процесс. В официальной литературе есть упоминания о нескольких подобных случаях, наблюдаемых квалифицированными врачами.

Официальная позиция

О том, что это такое – регрессия простыми словами – можно узнать, обратившись к работам Закса, Лиша. Именно они особенно детально рассматривали явление применительно к онкологическим больным. Как удалось выяснить в ходе экспериментального исследования, здоровый организм имеет возможности, ресурсы, позволяющие активизировать обратный рост новообразования. Это характерно не только для ранних стадий. В медицинской практике Лиша был такой случай, когда рецидив, спровоцированный слабой эксцизией, останавливался в развитии, а затем самостоятельно развивался обратно.

Как видно из опубликованных работ, метод регрессии применительно к онкологическим больным может сработать совершенно непредсказуемо. Если некоторая часть опухоли не была удалена при операции, преобразованные клетки самопроизвольно могут погибнуть. Такое наблюдалось и у больных, у которых рак проявил себя видимым участком, и на этапе лишь появления ракового комплекса в структурах ткани.

Как это работает?

Многие исследователи, обратив внимание на указанное уникальное явление, предложили объяснять его с точки зрения учения Павлова, рассматривавшего значимость головного мозга, в частности, коры этого органа как центра, регулирующего весь живой организм. Как следует из известной в настоящее время информации, это может быть фактором регрессии в силу возможности применения нервных механизмов для обеспечения различных участков тела защитой. На мозг возлагается еще и компенсаторная функция.

Как видно из онкологии, важные параметры регрессии еще только предстоит открыть, чтобы найти механизмы, активизирующие природный защитный процесс. Уже сейчас известно, что влияние нервной системы провоцирует некроз больных тканей, появление язв, рубцов. Альтернативный вариант – инкапсулирование клеток, потенциально не имеющих более возможности роста. В таком состоянии они со временем гибнут. Каким образом можно стимулировать этот механизм, пока неизвестно.

Значений множество!

Но не только в психологии, регрессия рассматривается еще и в эзотерических учениях. Характерно это в первую очередь для тех, что посвящены погружению в прошлые жизни. Как рассказывают специалисты этого направления, под термином принято понимать трансвизуализацию.

В некоторой степени явление это сходно с осознанным сновидением, в то же время имеет специфические отличия. Человек, переходя в такое состояние, полностью сохраняет под контролем собственное сознание, но может выйти из него без особенных усилий. Погружение для такого состояния характерно относительно слабое. С одной стороны, нет ощущений, деталей, присущих классическому полноценному сну, в то же время общее представление человек получает. Можно сравнить это с подсматривающим через щелку. Многие считают, что степень восприятия определяется количеством, качеством тренировок.

Можно пройти регрессию как самостоятельно, в одиночестве, так и в группе заинтересованных лиц, собравшихся в одном месте и с одной целью. В крупных городах регулярно организуют такие мероприятия для желающих. Используются специальные звуки. Принято деление на уровни, каждый из которых подбирается к конкретной ситуации на усмотрение самого ответственного и опытного участника группы или тренера.

Что это такое?

Пытаясь объяснить суть регрессии, некоторые сравнивают ее с информационным потоком, в который появляется возможность включать свое сознание. В то же время неясно, откуда берет начало этот поток. Одни считают, что из воображения, другие убеждены в его в связи с прошлыми жизнями. Кто-то готов отстаивать мнение о том, что все сведения поступают из параллельных миров, а иные убеждены, что дело лишь в памяти.

Одна из теорий гласит, что наш мир – это всего лишь симуляция. Такой подход делает наиболее вероятной правильность идеи реинкарнации, а также дает неплохое объяснение устройству вселенной. Фактически разумные сущности могут словно блуждать меж мирами, и регрессия помогает включиться в этот процесс, осознать его, стать элементом информационного потока, в рамках которого и происходят все передвижения.

Регрессия и воспитание детей

Это явление знакомо не только врачам, известным ученым, эзотерикам и стремящимся к духовным практикам, просветлению и познанию мира людям. Самые простые родители, активно воспитывающие маленьких детей, также нередко сталкиваются с регрессией. Этим термином принято обозначать такое поведение ребенка, когда уже обучившийся чему-либо малыш внезапно словно бы возвращается на ступеньку назад. К примеру, еще недавно умевший самостоятельно пользоваться горшком ребенок вдруг писает в штанишки.

Психологи объясняют это следующим образом: никаких отклонений в развитии нет, чадо вполне может пользоваться туалетом так, как его учат родители. Дело в том, что малыш, когда обучается чему-то новому, одновременно испытывает испуг от своей самостоятельности. Стремясь вернуться в тепло и безопасность родительской опеки, он пытается отринуть новое знание, умение. Со временем, если родители ведут себя правильно, малыш осознает, что страшного и опасного в пользовании новыми навыками ничего нет, и применяет их на практике. Поэтому родители, столкнувшиеся с такой проблемой, должны максимально внимательно относиться к своему чаду, поддерживать его и доказывать свою любовь и заботу.

Подводя итоги

Не зря филологи гордятся богатством русского языка. Действительно, можно встретить такие уникальные термины, значение которых исключительно богато и разнообразно. Рассмотренный пример регрессии – хорошее доказательство постулата о многообразии и многозначительности русского языка. Само слово пришло к нам из латыни, но было применено к разным областям жизни и в современности обширно используется и специалистами разных сфер, и обывателями. Сохранилось значение «обратное движение», в то же время расширилась область применения.

Логистическая регрессия и ROC-анализ — математический аппарат

Введение

Логистическая регрессия — полезный классический инструмент для решения задачи регрессии и классификации. ROC-анализ — аппарат для анализа качества моделей. Оба алгоритма активно используются для построения моделей в медицине и проведения клинических исследований.

Логистическая регрессия получила распространение в скоринге для расчета рейтинга заемщиков и управления кредитными рисками. Поэтому, несмотря на свое «происхождение» из статистики, логистическую регрессию и ROC-анализ почти всегда можно увидеть в наборе Data Mining алгоритмов.

Логистическая регрессия

Логистическая регрессия — это разновидность множественной регрессии, общее назначение которой состоит в анализе связи между несколькими независимыми переменными (называемыми также регрессорами или предикторами) и зависимой переменной. Бинарная логистическая регрессия применяется в случае, когда зависимая переменная является бинарной (т.е. может принимать только два значения). С помощью логистической регрессии можно оценивать вероятность того, что событие наступит для конкретного испытуемого (больной/здоровый, возврат кредита/дефолт и т.д.).

Все регрессионные модели могут быть записаны в виде формулы:

y = F (x_1,\, x_2, \,\dots, \, x_n)

В множественной линейной регрессии предполагается, что зависимая переменная является линейной функцией независимых переменных, т.е.:

y = a\,+\,b_1\,x_1\,+\,b_2\,x_2\,+\,\dots\,+\,b_n\,x_n

Можно ли ее использовать для задачи оценки вероятности исхода события? Да, можно, вычислив стандартные коэффициенты регрессии. Например, если рассматривается исход по займу, задается переменная y со значениями 1 и 0, где 1 означает, что соответствующий заемщик расплатился по кредиту, а 0, что имел место дефолт.

Однако здесь возникает проблема: множественная регрессия не «знает», что переменная отклика бинарна по своей природе.{-y}}

где P — вероятность того, что произойдет интересующее событие e — основание натуральных логарифмов 2,71…; y — стандартное уравнение регрессии.

Зависимость, связывающая вероятность события и величину y, показана на следующем графике (рис. 1):

Рис. 1 — Логистическая кривая

Поясним необходимость преобразования. Предположим, что мы рассуждаем о нашей зависимой переменной в терминах основной вероятности P, лежащей между 0 и 1. Тогда преобразуем эту вероятность P:

P’ = \log_e \Bigl(\frac{P}{1-P}\Bigr)

Это преобразование обычно называют логистическим или логит-преобразованием. Теоретически P’ может принимать любое значение. Поскольку логистическое преобразование решает проблему об ограничении на 0-1 границы для первоначальной зависимой переменной (вероятности), то эти преобразованные значения можно использовать в обычном линейном регрессионном уравнении. А именно, если произвести логистическое преобразование обеих частей описанного выше уравнения, мы получим стандартную модель линейной регрессии.

Существует несколько способов нахождения коэффициентов логистической регрессии. На практике часто используют метод максимального правдоподобия. Он применяется в статистике для получения оценок параметров генеральной совокупности по данным выборки. Основу метода составляет функция правдоподобия (likehood function), выражающая плотность вероятности (вероятность) совместного появления результатов выборки

L\,(Y_1,\,Y_2,\,\dots,\,Y_k;\,\theta) = p\,(Y_1;\, \theta)\cdot\dots\cdotp\,p\,(Y_k;\,\theta)

Согласно методу максимального правдоподобия в качестве оценки неизвестного параметра принимается такое значение \theta=\theta(Y_1,…,Y_k), которое максимизирует функцию L.

Нахождение оценки упрощается, если максимизировать не саму функцию L, а натуральный логарифм ln(L), поскольку максимум обеих функций достигается при одном и том же значении \theta:

L\,*\,(Y;\,\theta) = \ln\,(L\,(Y;\,\theta)\,) \rightarrow \max

В случае бинарной независимой переменной, которую мы имеем в логистической регрессии, выкладки можно продолжить следующим образом.{-1}\,g_t(W_t)\,=\,W_t\,-\,\Delta W_t

Логистическую регрессию можно представить в виде однослойной нейронной сети с сигмоидальной функцией активации, веса которой есть коэффициенты логистической регрессии, а вес поляризации — константа регрессионного уравнения (рис. 2).

Рис. 2 — Представление логистической регрессии в виде нейронной сети

Однослойная нейронная сеть может успешно решить лишь задачу линейной сепарации. Поэтому возможности по моделированию нелинейных зависимостей у логистической регрессии отсутствуют. Однако для оценки качества модели логистической регрессии существует эффективный инструмент ROC-анализа, что является несомненным ее преимуществом.

Для расчета коэффициентов логистической регрессии можно применять любые градиентные методы: метод сопряженных градиентов, методы переменной метрики и другие.

ROC-анализ

ROC-кривая (Receiver Operator Characteristic) — кривая, которая наиболее часто используется для представления результатов бинарной классификации в машинном обучении. Название пришло из систем обработки сигналов. Поскольку классов два, один из них называется классом с положительными исходами, второй — с отрицательными исходами. ROC-кривая показывает зависимость количества верно классифицированных положительных примеров от количества неверно классифицированных отрицательных примеров.

В терминологии ROC-анализа первые называются истинно положительным, вторые — ложно отрицательным множеством. При этом предполагается, что у классификатора имеется некоторый параметр, варьируя который, мы будем получать то или иное разбиение на два класса. Этот параметр часто называют порогом, или точкой отсечения (cut-off value). В зависимости от него будут получаться различные величины ошибок I и II рода.

В логистической регрессии порог отсечения изменяется от 0 до 1 — это и есть расчетное значение уравнения регрессии. Будем называть его рейтингом.

Для понимания сути ошибок I и II рода рассмотрим четырехпольную таблицу сопряженности (confusion matrix), которая строится на основе результатов классификации моделью и фактической (объективной) принадлежностью примеров к классам.

  • TP (True Positives) — верно классифицированные положительные примеры (так называемые истинно положительные случаи).
  • TN (True Negatives) — верно классифицированные отрицательные примеры (истинно отрицательные случаи).
  • FN (False Negatives) — положительные примеры, классифицированные как отрицательные (ошибка I рода). Это так называемый «ложный пропуск» — когда интересующее нас событие ошибочно не обнаруживается (ложно отрицательные примеры).
  • FP (False Positives) — отрицательные примеры, классифицированные как положительные (ошибка II рода). Это ложное обнаружение, т.к. при отсутствии события ошибочно выносится решение о его присутствии (ложно положительные случаи).

Что является положительным событием, а что — отрицательным, зависит от конкретной задачи. Например, если мы прогнозируем вероятность наличия заболевания, то положительным исходом будет класс «Больной пациент», отрицательным — «Здоровый пациент». И наоборот, если мы хотим определить вероятность того, что человек здоров, то положительным исходом будет класс «Здоровый пациент», и так далее.

При анализе чаще оперируют не абсолютными показателями, а относительными — долями (rates), выраженными в процентах:

  • Доля истинно положительных примеров (True Positives Rate): TPR = \frac{TP}{TP\,+\,FN}\,\cdot\,100 \,\%
  • Доля ложно положительных примеров (False Positives Rate): FPR = \frac{FP}{TN\,+\,FP}\,\cdot\,100 \,\%

Введем еще два определения: чувствительность и специфичность модели. Ими определяется объективная ценность любого бинарного классификатора.

Чувствительность (Sensitivity) — это и есть доля истинно положительных случаев:

S_e = TPR = \frac{TP}{TP\,+\,FN}\,\cdot\,100 \,\%

Специфичность (Specificity) — доля истинно отрицательных случаев, которые были правильно идентифицированы моделью:

S_p = \frac{TN}{TN\,+\,FP}\,\cdot\,100 \,\%

Заметим, что FPR=100-Sp

Попытаемся разобраться в этих определениях.

Модель с высокой чувствительностью часто дает истинный результат при наличии положительного исхода (обнаруживает положительные примеры). Наоборот, модель с высокой специфичностью чаще дает истинный результат при наличии отрицательного исхода (обнаруживает отрицательные примеры). Если рассуждать в терминах медицины — задачи диагностики заболевания, где модель классификации пациентов на больных и здоровых называется диагностическим тестом, то получится следующее:

  • Чувствительный диагностический тест проявляется в гипердиагностике — максимальном предотвращении пропуска больных.
  • Специфичный диагностический тест диагностирует только доподлинно больных. Это важно в случае, когда, например, лечение больного связано с серьезными побочными эффектами и гипердиагностика пациентов не желательна.

ROC-кривая получается следующим образом:

  • Для каждого значения порога отсечения, которое меняется от 0 до 1 с шагом d_x (например, 0,01) рассчитываются значения чувствительности Se и специфичности Sp. В качестве альтернативы порогом может являться каждое последующее значение примера в выборке.

  • Строится график зависимости: по оси Y откладывается чувствительность Se, по оси X — FPR=100-Sp — доля ложно положительных случаев.

Канонический алгоритм построения ROC-кривой

Входы: L — множество примеров f[i] — рейтинг, полученный моделью, или вероятность того, что i-й пример имеет положительный исход; min и max — минимальное и максимальное значения, возвращаемые f; d_x — шаг; P и N — количество положительных и отрицательных примеров соответственно.

  1. t=min
  2. повторять
  3.      FP=TP=0
  4.      для всех примеров i принадлежит L {
  5.           если f[i]>=t тогда // этот пример находится за порогом
  6.                если i положительный пример тогда
  7.                     { TP=TP+1 }
  8.           иначе // это отрицательный пример
  9.                { FP=FP+1 }
  10.      }
  11.      Se=TP/P*100
  12.      point=FP/N // расчет (100 минус Sp)
  13.      Добавить точку (point, Se) в ROC-кривую
  14.      t=t+d_x
  15.  пока (t>max)

В результате вырисовывается некоторая кривая (рис.2): для каждого порога необходимо «пробегать» по записям и каждый раз рассчитывать TP и FP. Если же двигаться вниз по набору данных, отсортированному по убыванию выходного поля классификатора (рейтингу), то можно за один проход вычислить значения всех точек ROC-кривой, последовательно обновляя значения TP и FP.

Для идеального классификатора график ROC-кривой проходит через верхний левый угол, где доля истинно положительных случаев составляет 100% или 1,0 (идеальная чувствительность), а доля ложно положительных примеров равна нулю. Поэтому чем ближе кривая к верхнему левому углу, тем выше предсказательная способность модели. Наоборот, чем меньше изгиб кривой и чем ближе она расположена к диагональной прямой, тем менее эффективна модель. Диагональная линия соответствует «бесполезному» классификатору, т.е. полной неразличимости двух классов.

При визуальной оценке ROC-кривых расположение их относительно друг друга указывает на их сравнительную эффективность. Кривая, расположенная выше и левее, свидетельствует о большей предсказательной способности модели. Так, на рис. 4 две ROC-кривые совмещены на одном графике. Видно, что модель «A» лучше.

Рис. 4 — Сравнение ROC-кривых

Визуальное сравнение кривых ROC не всегда позволяет выявить наиболее эффективную модель. Своеобразным методом сравнения ROC-кривых является оценка площади под кривыми. Теоретически она изменяется от 0 до 1,0, но, поскольку модель всегда характеризуются кривой, расположенной выше положительной диагонали, то обычно говорят об изменениях от 0,5 («бесполезный» классификатор) до 1,0 («идеальная» модель).

Эта оценка может быть получена непосредственно вычислением площади под многогранником, ограниченным справа и снизу осями координат и слева вверху — экспериментально полученными точками (рис. 5). Численный показатель площади под кривой называется AUC (Area Under Curve). Вычислить его можно, например, с помощью численного метода трапеций:

AUC = \int f(x)\,dx = \sum_i \Bigl[ \frac{X_{i+1}\,+\,X_i}{2}\Bigr]\,\cdot \,(Y_{i+1}\,-\, Y_i)

Рис. 5 — Площадь под ROC-кривой

С большими допущениями можно считать, что чем больше показатель AUC, тем лучшей прогностической силой обладает модель. Однако следует знать, что:

  • показатель AUC предназначен скорее для сравнительного анализа нескольких моделей;
  • AUC не содержит никакой информации о чувствительности и специфичности модели.

В литературе иногда приводится следующая экспертная шкала для значений AUC, по которой можно судить о качестве модели:

Идеальная модель обладает 100% чувствительностью и специфичностью. Однако на практике добиться этого невозможно, более того, невозможно одновременно повысить и чувствительность, и специфичность модели. Компромисс находится с помощью порога отсечения, т.к. пороговое значение влияет на соотношение Se и Sp. Можно говорить о задаче нахождения оптимального порога отсечения (optimal cut-off value).

Порог отсечения нужен для того, чтобы применять модель на практике: относить новые примеры к одному из двух классов. Для определения оптимального порога нужно задать критерий его определения, т.к. в разных задачах присутствует своя оптимальная стратегия. Критериями выбора порога отсечения могут выступать:

  1. Требование минимальной величины чувствительности (специфичности) модели. Например, нужно обеспечить чувствительность теста не менее 80%. В этом случае оптимальным порогом будет максимальная специфичность (чувствительность), которая достигается при 80% (или значение, близкое к нему «справа» из-за дискретности ряда) чувствительности (специфичности).
  2. Требование максимальной суммарной чувствительности и специфичности модели, т.е. Cutt\underline{\,\,\,}off_o = \max_k (Se_k\,+\,Sp_k)
  3. Требование баланса между чувствительностью и специфичностью, т.е. когда Se \approx Sp: Cutt\underline{\,\,\,}off_o = \min_k \,\bigl |Se_k\,-\,Sp_k \bigr |

Второе значение порога обычно предлагается пользователю по умолчанию. В третьем случае порог есть точка пересечения двух кривых, когда по оси X откладывается порог отсечения, а по оси Y — чувствительность или специфичность модели (рис. 6).

Рис. 6 — «Точка баланса» между чувствительностью и специфичностью

Существуют и другие подходы, когда ошибкам I и II рода назначается вес, который интерпретируется как цена ошибок. Но здесь встает проблема определения этих весов, что само по себе является сложной, а часто не разрешимой задачей.

Литература

  1. Цыплаков А. А. Некоторые эконометрические методы. Метод максимального правдоподобия в эконометрии. Учебное пособие.
  2. Fawcett T. ROC Graphs: Notes and Practical Considerations for Researchers // 2004 Kluwer Academic Publishers.
  3. Zweig M.H., Campbell G. ROC Plots: A Fundamental Evaluation Tool in Clinical Medicine // Clinical Chemistry, Vol. 39, No. 4, 1993.
  4. Davis J., Goadrich M. The Relationship Between Precision-Recall and ROC Curves // Proc. Of 23 International Conference on Machine Learning, Pittsburgh, PA, 2006.

 

Другие материалы по теме:

Применение логистической регрессии в медицине и скоринге

Machine learning в Loginom на примере задачи c Kaggle

Регрессия – что такое регрессия в психологии, медицине, экономике? Регрессия поведения.

О том, что такое регрессия, знают и программисты, и врачи разных направлений, а особенно хорошо ориентируются в этом понятии психологи. Впрочем, математики и эзотерики тоже могут рассказать, что понимать под этим термином. Самое удивительное — тот факт, что представители каждой из перечисленных областей видят в слове свое значение! Действительно, регрессия — понятие многогранное и сложное. Попробуем разобраться с некоторыми его сторонами.

Общее понимание

Разобраться с тем, что такое регрессия, проще всего, если обратиться к психологической стороне вопроса. Термином принято обозначать такой защитный механизм, который позволяет на некоторое время сбежать от реальных сложностей, беспокоящих личность, к более простым вопросам. То есть фактически регрессия — упрощение решаемых задач. Регрессия применительно к развитию вида будет означать упрощение с поколениями, деградацию.

А вот в математике, программировании и других точных науках термин применяется в том же значении, но по отношению к исследуемой области. Если прогрессия предполагает развитие и увеличение, то регрессия — полная противоположность этого термина.

Когда и зачем?

Психологи считают, что регрессия — это отличительная особенность любой человеческой личности, столкнувшейся с новой, сложной, непонятной задачей. Реакция на новую обстановку, психическое или физическое состояние могут спровоцировать такой эффект. Узнать, что такое регрессия, на своем примере можно, если человек сильно устает или заболевает.

Теория и практика

В поведении регрессия — переход к прежней стадии. Особенное внимание этому явлению уделялось в работах Фрейда — известнейшего австрийского психоаналитика прошлого столетия. Он разработал онтогенетическую теорию, в рамках которой и рассматривается, что такое регрессия.

В соответствии с психотерапией, термином следует обозначать возвращение личности к такому времени, когда ощущалась удовлетворенность от обстановки. В настоящее время психоаналитика предпочитает понимать под регрессией такой неэффективный защитный механизм, который активируется при возникновении дискомфортной ситуации. Наибольшую практическую пользу принес бы поиск выхода из ситуации, но в реальности многие люди лишь стремятся упростить комплексную задачу, тем самым загоняя себя в еще более безнадежный тупик.

Где это наблюдается?

Лучше всего знают, что такое регрессия, психотерапевты, вынужденные работать с индивидуумами, страдающими невротическими расстройствами либо инфантилизмом. Регрессия — это одна из форм, помогающая человеку справиться с эмоциональным перенапряжением. Специалисты отмечают, что она довольно сильно отличается от альтернативных способов борьбы с проблемой. Замещение, генерализация помогают сохранить структуру деятельности, а вот рассматриваемое явление меняет потребности, мотивацию. Все это приводит к деградации качеств личности. Процесс протекает очень быстро, особенно в условиях отсутствия сторонней помощи.

В то же время известны случаи, когда явление приносило индивидуумам пользу. Так, в рамках когнитивного теоретического подхода принято говорить о значимости регрессии как методики обращения к упрощенным схемам, помогающим познать себя, проблему, пути ее решения. Отталкиваясь от простого понимания, можно со временем добиться прогресса личности.

Противоречия и общий подход

Как было упомянуто выше, значение слова «регрессия» психологами, психотерапевтами определено еще с прошлого столетия. Современные методологи, однако, отмечают, что экспериментальных исследований было организовано всего несколько, поэтому каких-то реальных подтверждений теоретических выкладкок нет и по сей день, а механизмы, через которые реализуется личностная регрессия, вовсе не изучены. Еще только предстоит ознакомиться с проявлениями этого явления, сформулировать, насколько оно значимо. Позиции, которых придерживаются ведущие психоаналитики современности, во многом противоречат друг другу.

Можно сказать точно, что все виды регрессии предполагают возвращение к прошлому, в детство, к усвоенным ранее моделям поведения. То есть фактически человек с текущей ступени развития возвращается на уже пройденную им ранее. В психологии о таком явлении говорят как о понижении организационного уровня. Фактически наблюдается примитивизация.

Регрессия в онкологии

Этот термин как для врачей, работающих с онкологическими больными, так и для самих людей, столкнувшихся со злокачественными новообразованиями, исключительно важен. Чаще всего о возможности регрессии говорят, если опухоль развилась на веке либо поблизости от этой области человеческого организма. Медицина знает несколько случав, когда злокачественность была установлена и подтверждена, тем не менее, спустя некоторое время наблюдалось самостоятельное излечение больного — регрессия. Значение слова в медицине действительно важно, так как дает надежду многим больным.

Такое явление применительно к раковым заболеваниям наблюдается, если опухоль не трогать, не беспокоить. Возможность самостоятельного излечения есть только у развивающихся медленно новообразований. Процесс протекает следующим образом: сперва наблюдается медленный рост, затем его прекращение и начало обратного процесса. Происходит это обычно неожиданно и непредсказуемо. Что это такое простыми словами? Регрессия — ситуация, когда опухоль рассасывается без малейшего следа. Ни на коже, ни поблизости не будет даже намека на злокачественный процесс. В официальной литературе есть упоминания о нескольких подобных случаях, наблюдаемых квалифицированными врачами.

Официальная позиция

О том, что это такое — регрессия простыми словами — можно узнать, обратившись к работам Закса, Лиша. Именно они особенно детально рассматривали явление применительно к онкологическим больным. Как удалось выяснить в ходе экспериментального исследования, здоровый организм имеет возможности, ресурсы, позволяющие активизировать обратный рост новообразования. Это характерно не только для ранних стадий. В медицинской практике Лиша был такой случай, когда рецидив, спровоцированный слабой эксцизией, останавливался в развитии, а затем самостоятельно развивался обратно.

Как видно из опубликованных работ, метод регрессии применительно к онкологическим больным может сработать совершенно непредсказуемо. Если некоторая часть опухоли не была удалена при операции, преобразованные клетки самопроизвольно могут погибнуть. Такое наблюдалось и у больных, у которых рак проявил себя видимым участком, и на этапе лишь появления ракового комплекса в структурах ткани.

Как это работает?

Многие исследователи, обратив внимание на указанное уникальное явление, предложили объяснять его с точки зрения учения Павлова, рассматривавшего значимость головного мозга, в частности, коры этого органа как центра, регулирующего весь живой организм. Как следует из известной в настоящее время информации, это может быть фактором регрессии в силу возможности применения нервных механизмов для обеспечения различных участков тела защитой. На мозг возлагается еще и компенсаторная функция.

Как видно из онкологии, важные параметры регрессии еще только предстоит открыть, чтобы найти механизмы, активизирующие природный защитный процесс. Уже сейчас известно, что влияние нервной системы провоцирует некроз больных тканей, появление язв, рубцов. Альтернативный вариант — инкапсулирование клеток, потенциально не имеющих более возможности роста. В таком состоянии они со временем гибнут. Каким образом можно стимулировать этот механизм, пока неизвестно.

Значений множество!

Но не только в психологии, регрессия рассматривается еще и в эзотерических учениях. Характерно это в первую очередь для тех, что посвящены погружению в прошлые жизни. Как рассказывают специалисты этого направления, под термином принято понимать трансвизуализацию.

В некоторой степени явление это сходно с осознанным сновидением, в то же время имеет специфические отличия. Человек, переходя в такое состояние, полностью сохраняет под контролем собственное сознание, но может выйти из него без особенных усилий. Погружение для такого состояния характерно относительно слабое. С одной стороны, нет ощущений, деталей, присущих классическому полноценному сну, в то же время общее представление человек получает. Можно сравнить это с подсматривающим через щелку. Многие считают, что степень восприятия определяется количеством, качеством тренировок.

Можно пройти регрессию как самостоятельно, в одиночестве, так и в группе заинтересованных лиц, собравшихся в одном месте и с одной целью. В крупных городах регулярно организуют такие мероприятия для желающих. Используются специальные звуки. Принято деление на уровни, каждый из которых подбирается к конкретной ситуации на усмотрение самого ответственного и опытного участника группы или тренера.

Что это такое?

Пытаясь объяснить суть регрессии, некоторые сравнивают ее с информационным потоком, в который появляется возможность включать свое сознание. В то же время неясно, откуда берет начало этот поток. Одни считают, что из воображения, другие убеждены в его в связи с прошлыми жизнями. Кто-то готов отстаивать мнение о том, что все сведения поступают из параллельных миров, а иные убеждены, что дело лишь в памяти.

Одна из теорий гласит, что наш мир — это всего лишь симуляция. Такой подход делает наиболее вероятной правильность идеи реинкарнации, а также дает неплохое объяснение устройству вселенной. Фактически разумные сущности могут словно блуждать меж мирами, и регрессия помогает включиться в этот процесс, осознать его, стать элементом информационного потока, в рамках которого и происходят все передвижения.

Регрессия и воспитание детей

Это явление знакомо не только врачам, известным ученым, эзотерикам и стремящимся к духовным практикам, просветлению и познанию мира людям. Самые простые родители, активно воспитывающие маленьких детей, также нередко сталкиваются с регрессией. Этим термином принято обозначать такое поведение ребенка, когда уже обучившийся чему-либо малыш внезапно словно бы возвращается на ступеньку назад. К примеру, еще недавно умевший самостоятельно пользоваться горшком ребенок вдруг писает в штанишки.

Психологи объясняют это следующим образом: никаких отклонений в развитии нет, чадо вполне может пользоваться туалетом так, как его учат родители. Дело в том, что малыш, когда обучается чему-то новому, одновременно испытывает испуг от своей самостоятельности. Стремясь вернуться в тепло и безопасность родительской опеки, он пытается отринуть новое знание, умение. Со временем, если родители ведут себя правильно, малыш осознает, что страшного и опасного в пользовании новыми навыками ничего нет, и применяет их на практике. Поэтому родители, столкнувшиеся с такой проблемой, должны максимально внимательно относиться к своему чаду, поддерживать его и доказывать свою любовь и заботу.

Подводя итоги

Не зря филологи гордятся богатством русского языка. Действительно, можно встретить такие уникальные термины, значение которых исключительно богато и разнообразно. Рассмотренный пример регрессии — хорошее доказательство постулата о многообразии и многозначительности русского языка. Само слово пришло к нам из латыни, но было применено к разным областям жизни и в современности обширно используется и специалистами разных сфер, и обывателями. Сохранилось значение «обратное движение», в то же время расширилась область применения.

Психологический ликбез. Психологические защиты. Регрессия.

Пора вернуться к моим психологическим запискам и психологическом ликбезу.Времени стало немного больше, череда тренингов и семинаров прошла, я отдохнул и воспрял духом.Видимо я соскучился по этому занятию, потому, что неожиданно получилось много буковок с отклонениями и лирическими научными отступлениями.

С Регрессией знакомы все.

Родители замечают, когда их ребенок плохо себя чувствует, расстроен, голоден или обижен он «скатывается» к поведению и привычкам, присущим ему на более ранних ступенях развития.
Когда ваша девушка обижается, «надувает губы» и начинает вести себя, в лучшем случае, как 13-летний тинэйджер, а то и как капризная 5-летняя девочка — это регрессия.
Когда ваш молодой человек заболел и с легким насморком улегся в постель, заявив, что он, наверное, умирает, но при этом требует, чтобы вы суетились вокруг, готовили ему вкусности, гладили по голове и говорили, что он хороший мальчик — это тоже она, Регрессия.

РЕГРЕССИЯ — форма психологической защиты. Она характеризуется тем, что при ее реализации происходит возврат к более примитивным формам поведения и мышления, которые были свойственны для более ранней стадии развития. Развиваясь, ребенок переходит с одной ступеньки своего развития на другую. Во время регрессии он делает шаг-другой назад, на предыдущие ступеньки. Например, когда человек в экстремальной ситуации начинает вести себя как ребенок — можно говорить, что он регрессировал. По мнению психоаналитиков, регрессия присуща практически каждому человеку. Например, находясь в состоянии сильной усталости, многие из нас начинают хныкать, читай, слегка регрессируют.

Эта тенденция берет свое начало в Подфазе воссоединения (“репрошман”) в процессе сепарации-индивидуации,

Маргарет Малер описывала развитие ребенка как проходящее три последовательные фазы —фазу нормального аутизма, фазу симбиоза и фазу сепарации-индивидуации . В последней она выделяла четыре подфазы.

Аутистическая фаза (1-й месяц жизни ребенка).
Новорожденный описывается как, в основном, как биологическое существо обладающее рефлекторными реакциями на стимулы. Его Эго (Я) примитивно и неинтегрированно. Защитные механизмы не сформированы и функционируют на соматическом уровне (типа переполнение — разрядка). Поведение направлено на поддержание гомеостаза (равновесия во внутренней среде организма). Выживание ребенка целиком зависит от матери (или того, кто ее заменяет), т.е. от внешнего окружения. Ребенок помещен во «внешнюю матрицу материнской заботы», и его главная задача — войти в состояние некоего «социального симбиоза» с матерью.
На этой стадии ребенок не может различать внутренние и внешние стимулы. Нет разницы между тем, что происходи внутри и снаружи, младенец не выделяет себя из своего окружения.

Симбиотическая фаза (2-ой — 5-ый месяцы жизни).
Неспособный провести четкое различие между собой и матерью, ребенок переживает (видимо в виде галлюцинация) соматическое и психическое слияние с матерью. Мать «симбиотически» организует личность младенца.
Примерно на третьем месяце жизни первичный нарциссизм ребенка начинает уступать место идентификации с матерью. Возникает смутное осознание, что потребности удовлетворяются не потому, что мир таков, а удовлетворяются «внешним» объектом.
Термин «симбиоз» Малер употребляет скорее метафорически (не в биологическом смысле), описывая его как состояние всемогущего слияния с образом матери.

Фаза сепарации-индивидуации

Подфаза дифференциации (5 — 9 мес.).
Иногда называется стадией «вылупления». Ребенок как-бы «вылупляется» из скорлупы своего аутизма. Он начинает, пока физически, (еще не эмоционально) отделять себя от внешних объектов. Малыш становится более активным, его внимание направлено «вовне», он учится использовать собственное тело. Ребенок начинает ползать, делает первые попытки ходить, учится контролировать свои сфинктеры.
Ребенок покидает границы «двойного единства» с матерью, «прорываясь» в телесное чувство. В это время он вовлекается в процессы сравнивания и узнавания (характерный для 8-и месяцев «страх незнакомцев» и радостная улыбка, видя знакомое лицо).

Подфаза практики (10 — 15-16 мес.). Ребенок радостно исследует мир. Он тренирует свою «отдельность» и растущие моторные навыки. Нередко он удаляется от матери, вовлекается в самостоятельную деятельность, но всегда возвращается для очередной «эмоциональной подзарядки».
На этой стадии, как считает Малер, ребенок переживает пик своего нарциссизма. Он «очарован собственными способностями и тем, как влечет его окружающий мир». В обычном состоянии у него практически отсутствует страх потери объекта (например, матери). В негативных случаях, скажем, при случайном ударе или падении, возникает сепарационная тревога и ребенок ищет помощи у матери.

Подфаза воссоединения («репрошман») (16 — 24 мес.).
Ребенок все лучше понимает и оценивает реальность. Он научается дифференцировать (отделять) представления о себе (в психоанализе их называют «Я-репрезентации») от представлений о других людях — объектах («объектные репрезентации»).
Одновременно с этим ребенок перестает ощущать себя «хозяином мира», а чувствует себя маленьким, практически беспомощным существом. От этого растет сепарационная тревога и он, естественно, обращается за помощью и поддержкой к матери. Бывает, что делает это довольно навязчиво. Некоторые неопытные и неразумные мамочки не способны принять возросшую в этот период требовательность ребенка к их вниманию (у ребенка возникают «капризные приступы»). Некоторым матерям это сложно понять особенно после относительной самостоятельности и автономности их малыша в подфазе практики . С другой стороны, некоторые матери неспособны смириться с растущей самостоятельностью и отделением ребенка. Все это может стать источником проблем в процессе развития ребенка.
Внешне это выглядит так, что ребенок, который уже научился прилично ходить, убегает от матери, провозглашая этим свою отдельность и независимость, а затем бегом возвращается к ней и «прячется под юбкой».
Процесс развенчания собственного всемогущества и одновременного обретения самостоятельности непростой и болезненный. В это период ребенку нужна поддержка матери, а не драматическая борьба с ее непониманием.
Успешное преодоление этих сложностей — залог будущего нормального развития. Поддержка матери в этот период — неоценимый ресурс.

Подфаза консолидации объектов(24 — 36 мес.).

Постепенно психика ребенка развивается, он достигает «постоянства объектов» — его представления о себе самом и собственном Я (Я-репрезентация) и представление об окружающих (объект-репрезентации) структурируются, обретают четкую постоянную форму.
Ребенок все более независим от матери и активно интересуется другими людьми. Его Эго, личность, психический аппарат становятся цельными, более интегрированным. Ребенок уже умеет нейтрализовывать свои агрессивные импульсы, а не их на окружающих.
Если раньше образы родителей были и состояли из «хороших» и «плохих» образов, теперь они становятся едиными и цельными.

Которую описывала Маргарет Малер, как универсальную особенность ребенка, проявляющуюся в конце второго года жизни — малыш, провозгласивший свою самостоятельность и начинающий ходить, отбегает от матери и вскоре возвращается обратно и прячется под ее юбкой, тем самым возвращаясь к предыдущему уровню. По мнению психоаналитиков такой образ действий становится одной из тенденций, присущих каждому человеку — возвращение к знакомому способу действия после того, как был достигнут новый уровень компетентности.

Понятие регрессии тесно связано с фрейдовской идеей о том, что «примитивные» «ранне-детские» состояния могут проявиться в любой момент, что примитивная психика никогда и никуда не исчезает. Попятное движение, то есть регрессия происходит не абы куда назад, она стремится к.
Красивую метафору, описывающую фиксацию предложил З. Фрейд: Можно лучше понять эти взаимосвязи, воспользовавшись такой аналогией: армия пытается продвинуться на территорию врага. Наибольшее число групп оккупантов будет в тех местах, где они испытывают наименьшие трудности, или в наиболее безопасных местах, там, где им приятнее всего. Однако, поступая так, наступающая армия ослабляется и, стоит ей встретить трудности на своем пути, как она возвращается на те позиции, где она оставила самые сильные оккупационные группы.

У человека фиксации возникают в тех точках-периодах развития, когда он испытывал чрезмерное удовлетворение или фрустрацию.
1. От сильных удовлетворений мало кто отказывается, особенно если они дают ощущение безопасности. Например, если мамочка очень внимательна к своему малышу, ловит каждый его жест, буквально читает его мысли, угадывает каждый жест, нет смысла учиться говорить. Или ребенок, которого анально-эротически стимулирует мать своей чрезмерной заботой о его анальной деятельности, не только получает большое чувственное удовлетворение, но также и уверенность в расположении матери к нему.
Естественно, при стрессе, проблемах, фрустрации человек будет регрессировать к способам мышления и поведения, которые были присущи ему в периоды изысканного благополучия.

2. Другой точкой фиксации могут быть периоды стресса и чрезвычайной фрустрации. Все мы знаем в себе или в близких тенденцию, во время стрессовых ситуаций, сваливаться к привычным регрессивным способам поведения. И задаем риторический вопрос: Почему это случается со мной!? Или, отпускаем реплику: «Ну вот, как всегда!».

Данная тенденция очень ярко проявляется во время долгосрочной психотерапии и психоанализа. Например, пациент, который в процессе терапии, собрал все свои силы и мужество, чтобы вести себя по-другому (особенно, если это включает в себя новое поведение в отношениях с психотерапевтом — выражение страха, ненависти или критики, просьба изменить оплату или расписание с большим самоутверждением, чем допускалось в детстве), будет часто возвращаться к старым привычным способам принимать решения, к прежнему образу мыслей и поведению.

Психотерапевт должен быть готов к таким приливам и отливам в работе и в своем контрпереносе не превращаться в привычного для клиента разъяренного родителя. Надо знать, что несмотря на регрессивные тенденции в сопротивлении пациента, общее направление изменений — вперед.

Надо понимать, что просьба о помощи и поддержке или утешении — это не регрессия. Все это сознательные процессы и сознательное поведение человека. Для того, чтобы назвать этот процесс регрессией — защитным механизмом, он должен быть бессознательным. Так женщина, которая неосознанно впадает в заискивающий тон маленькой девочки, когда она просит кого-то об одолжении или услуге; или мужчина, который удивленно хлопает глазами, глядя на свою жену после того, как только что была достигнута новая степень близости с ней, демонстрируют регрессию в психоаналитическом смысле данного термина, если только эти действия не выбираются и осуществляются сознательно.

Некоторые люди «любят» использовать регрессию как защиту больше, чем другие. Например, некоторые реагируют на стресс тем, что заболевают и ложатся в постель. В психологии такое превращение психологических проблем в соматические называется соматизацией .
Некоторые ипохондричные люди, отвлекающие врачей монотонными неясными причитаниями и периодическими меняющимися жалобами на проблемы со здоровьем, причем, эти проблемы не поддаются лечению. Эти люди используют регрессию для того, чтобы находиться в роли слабого и беспомощного, а это самый ранний способ преодоления сложных жизненных аспектов, стоит заболеть — требования родителей снижаются, они получают ласку и заботу. Такой способ поведения длится годами и к тому времени, когда такие люди решают получить психологическую консультацию у психолога или психотерапевта, они уже выстроили дополнительную и фактически непроницаемую стену защит. Свое начало она берет в обращении с ними как с избалованными детьми или своенравными людьми, ищущими постоянного внимания (что характеризует их невроз). Помимо этого такое положение веще дает массу вторичных выгод. Например, вечно хандрящую и жалующуюся на здоровье женщину родственники везде возят на машине, а окружающие уступают места или пропускают без очереди. Естественно, от подобных выгод не так просто отказаться. Следовательно, психотерапевт, чей пациент использует регрессию в позиции слабого в качестве своей любимой защиты, должен обладать сверхчеловеческими резервами такта и терпения.
Вывод, что человек, жалующийся на физическую боль или сильную усталость, пользуется регрессией как главной защитной реакцией на эмоциональный стресс, не должен быть поспешным или неотрефлексированным. Стресс, наступивший в результате заболевания как такового, может обусловить регрессивную реакцию у страдающей личности. Люди нередко заболевают потому, что бессознательно испытывают депрессию. Но они могут также впасть в депрессию и потому, что больны в медицинском смысле этого слова. Однако широко известно, что соматизация и ипохондрия, как и другие виды регрессии, являющие собой беспомощность и детские модели поведения, могут служить краеугольным камнем в характере личности.

Спасибо за ответ. Да, я посещала частного психотерапевта, я не сразу распознала что у меня депрессия, но когда у меня появились суицидальные мысли-я незамедлительно обратилась к специалисту. Всё началось в ноябре. Но знаете, я не могу сказать, что он оказал мне какую-то помощь. Я пришла к нему с депрессией и суицидальными мыслями, а он, вместо того, чтобы помогать мне справляться с этими состояниям, от которых я мучилась, сразу взялся за мою личность, за детские травмы, то есть загрузил меня ещё больше проблемами, о которых я и не подозревала, из-за чего мне стало ещё хуже, после первого сеанса по крайней мере, ну что-то там я осознавала конечно, что менялось внутри меня, но депрессия то оставалась, и он будто игнорировала этот факт, никакого медикаментозного лечения также не было, да и он всегда делал акцент на что-то другое, а не на то, что я испытывала в данный момент, меня это смущало,но терапию продолжала. Сама я тоже конечно не сидела сложа руки, и пыталась вылазить из этого сама, читала литературу, смотрела видео, многое узнала и стала использовать. Через недели 3-4 стали происходить изменения, стала прекрасно себя чувствовать, какая-то эйфория даже постоянная, хотя вспоминая это состояние сейчас, мне не кажется оно таким прекрасным. Это продержалось неделю где-то и потом началась тревога постоянная, я не могла расслабиться, ни сидеть, ни лежать, потом начали появляться страхи какие-то, и навязчивые мысли, я стала боятся того, что у меня может быть шизофрения, я ничего не могла делать, только постоянно проверяла себя на симптомы, читала про это, сама себя накручивала, в одну ночь случилась паническая атака, думала все, точно шиза, дереал/деперс, все было, потом я стала разубеждать себя сама, что никакой шизы у меня нет, и в общем получилось, я успокоилась, терапевту сказала про это все, он мне сказал прочитать одну книгу, дал какие-то методики как справляться, ну тут была польза, после этого всего стала снова восстанавливаться, занималась йогой от тревожности, не лезла в интернете лишний раз, избегала триггеров, сконцентрировалась на здоровье, все нормально, иногда находили ещё какие-то приступы тревоги, но получалось быстро устранять. Потом произошёл срыв из-за ссоры, и я снова вышла из себя, наступила апатия, несколько дней не выходила из дома, наплевала на себя, потом становилось хуже, дереал, мне это надоело, я начала опять, взялась за питание, за спорт, все снова восстанавливалось, и за все это время, не могу сказать, чтобы врач как-то мне помогал, я все делала сама. Дальше снова срыв на маму, очень сильный приступ ярости был, меня вывели,я всегда пыталась держать себя в руках, быть спокойной, медитировать, но атмосфера в семье нездоровая и поэтому постоянно случаются срывы, я всегда на нервах, потому что ни поддержки, ни заботы, хотя все знают через что я прохожу. И уже после этого всего все стало совсем плохо, у меня очень затяжной невроз на фоне этих ссор, и вообще из-за всей семьи. Мне 18 лет, кстати. Новый год я встретила в ужасном состоянии, испытывая только злость, обиду, ненависть, агрессию ко всей семье, хотя с мамой помирилась, но все же это я чувствовала. Дальше у меня снова стали появляться суицидальные мысли, иногда мне становилось лучше, я могла даже испытывать искренне хорошие эмоции, но все равно проблемы всегда висели надо мной и к вечеру начинали давить. Лучше себя чувствовать начинала когда была одна, вне дома, с кем-то, когда подрабатывала, но ближе к вечеру состояние всегда портилось. Я больше не могла уже оплачивать терапевта, но он предложил мне проводить бесплатные встречи по скайп, я согласилась, мне казалось все это бесполезным, все, что он говорил. С начала года все стало только ухудшаться с каждым днём и я уже стала неспособна справляться со всем, что меня беспокоило и началось что-то совсем странное, я думала, что начала выздоравливать и чувствовать себя лучше, хотя на самом деле, мне было крайне тяжело даже следить за своим здоровьем, но я заставляла себя заниматься, кушать, медитировать. Но проблемы со сном серьёзные были, я стала очень долго спать, позитивное мышление угасало, и тем не менее, я была уверена, что иду на поправку, я стала странно себя ощущать, чувствовала себя вроде как раньше себя, когда у меня все было хорошо, но у меня по утрам была сильная тревога, каждый день, мысли иногда появлялись суицидальные, и я не понимала почему, стала ощущать одиночество и безысходность, я сказала как-то маме, что мне становится лучше, она снова отреагировала отрешенно и наплевательски и мне было обидно после этого, и я стала ощущать ещё и это. Потом мои друзья уехали, и я осталась совсем одна, когда я проводила время с ними, я прекрасно себя чувстовала, забывала обо всём. И ко всему прочему появились ещё и чувства брошенности, покинутости. Меня стала съедать обида, злость, ненависть, одиночество и те самые мысли совсем мною овладели и я оказалась в тупике, помощи ждать не откуда и это ощущение регрессии было очень мучительно, я оказалась в какой-то ловушке, это именно уже не просто чувства и эмоции, а что-то большее, у меня стало очень суженное сознание и это мучительно больно, на следующий день меня трясло от тревоги, я не могла есть, у меня было удушье, болело сердце, моё тело будто содрогалось от каждого вздоха и я оказалась на грани самоубийства, потому что я думала только о том, что я вообще никому не нужна, я вообще по жизни нигде, у меня нет ничего, и что я не могу больше даже получать никакой помощи и это состояние было настолько мучительным, что мне хотелось только умереть и я понимала, что всем будет плевать, если я умру, но на самом деле умирать мне не хотелось, я просто не видела выхода, я не могла больше справляться, у меня кончились силы и это так больно и ощущалось все как помутнение сильное в сознании. Я не знаю, как я это пережила, перетерпела это было всегда несколько дней назад. Я вела себя очень неадекватно, я снова накручивала мыслями о шизе, из-за этого тоже хотелось покончить с собой, я в этом состоянии рассказала маме, она нифига не поняла, начала на меня орать, читать лекции, от чего моя тревога ещё сильнее усилилась, хотя я уже думала хуже не могло быть, и то, что она говорила, заставляла меня ещё сильней это сделать, я просто сидела в ужасе, хватало за голову, безысходность полнейшая, потом лихорадочно ходила, меня трясло, пыталась ещё что-то объяснить маме, что это серьёзно, что я не знаю, что мне делать, я думала либо убьюсь, либо окажусь в психушке, она сама нервничала, орала и у меня просто паника и ужас, я дала ей читать как предотвратить суицид, она читала и только после этого успокоилась и поняла что это серьёзно и потом уже успокоилась и я. Это был не просто нервный, а какой-то психически срыв, если такое есть конечно. Я потом была в странном состоянии, когда успокоилась, не могла понять, что только что было, как я докатилась до такого. В эту ночь я легла спать с мамой, я была опустошена, но никакого облегчения я не почувствовала. В следующие дни после этого приступа или как это назвать, я пребывала опять таки в ненормально состоянии, сознание было также сужено, хоть и не так как во время этого приступа, я чувствовал себя будто в другой какой реальности, другом измерении, одной ногой на том свете, действия мои были автоматические, в голове ничего, я ни о чем не думала, реагировала на что-то извне очень отрешенно, но критичность оставалась, я понимала, что надо делать что-то с этим, я не могу так, очень мучительное ощущение, я позвонила своему терапевту сказала про это все, ему вообще плевать было видимо, не воспринял это всерьёз даже и более того, когда я ему позвонила, она даже не узнал меня, хотя я ему сказала, кто я, он меня переспросил потом, это был шок, я разозлилась, и думала вот до чего довели меня, а теперь сама справлялся. Мама более внимательно ко мне стала относится, но я вообще ничего не чувствовала от неё, все равно, ни обеспокоенности, ни заботы, ни любви, все было у неё как на автоматизме, не чувствовал что её это как беспокоит, а я вообще уже в другой реальности какой-то нахожусь, было ещё что она срывалась и начинала орать на меня снова и я уже просто не знала как реагировать. Короче, вчера только мы нашли, что это называется психогения, типо затяжного невроза у меня или депрессивный эпизод, и мне стало спокойно от этого, потому что легче знать, что с тобой, и я успокоилась, когда поняла что это лечится, если не затягивать. Всё, сейчас мне уже лучше, я более мене ощущаю себя ЗДЕСЬ, и реагирую хоть на что-то, а оглядываясь на то, что мои мной происходило в те дни, я странно себя чувствую, будто я реально не в себе была, и все как-то размыто, но даже тогда я понимала, что что-то со мной не так, и хотела помощи, и время как-то сильно растянулось, будто это уже годы длится. Наверное, лучше идти к психиатру, да? Думаете, тут без медикаментов не обойтись?

Описание

В основе этой защиты лежит объективный факт, что маленького ребёнка люди обычно склонны защищать в большей степени, чем взрослого человека. Сохраняя воспоминания о чувстве безопасности, которое было у большинства из нас в детстве, мы, порой, бессознательно используем, на первый взгляд, парадоксальный способ защиты от неприятностей — начинаем проявлять детские, не адаптивные черты характера и модели поведения. Зачастую это действительно приводит к тому, что окружающие начинают защищать «беззащитного ребёнка», но не всегда: регрессия может срабатывать даже тогда, когда рядом попросту никого нет.

Демонстрация болезненности, ущербности и др. также относится к регрессии, так как содержит то же послание: «Я больной, я не способен о себе позаботиться, защитите меня». Как следствие, у некоторых людей, злоупотребляющих регрессией, это может действительно приводить к хроническим болезням и хронической неуспешности, перерастать в ипохондрию и сопровождаться соматизацией . Когда регрессия становится краеугольным камнем личности, жизненной стратегией преодоления проблем, такая личность называется инфантильной личностью.

Также регрессия характерна для истероидных личностей.

Виды нормальной детской регрессии

Выделяют следующие виды нормальной регрессии, проявляющейся у детей:

Литература

  • Мак-Вильямс, Нэнси . Психоаналитическая диагностика: Понимание структуры личности в клиническом процессе = Psychoanalytic diagnosis: Understanding personality structure in the clinical process. — Москва: Класс, 1998. — 480 с. — ISBN 5-86375-098-7

Примечания

Защитные механизмы психики
Человек :психика
Первичные
Вторичные
Смежные понятия
Наука :Психология /Психиатрия

Wikimedia Foundation . 2010 .

Смотреть что такое «Регрессия (психология)» в других словарях:

    В Викисловаре есть статья «регрессия» Регрессия (лат. regressio «обратное движение, возвращение») многознач … Википедия

    регрессия — 1. Процесс и результат некоего регресса. 2. В общем плане возвращение либидо к уже пройденным стадиям психосексуального развития. Согласно З. Фрейду, выделяются два типа регрессии: 1) возвращение к объектам инцестуального характера, кои были… … Большая психологическая энциклопедия

    психология я — ПСИХОЛОГИЯ Я (эго психология) одно из направлений психоаналитической психологии, возникшее в середине 20 в., нашедшее свое отражение в работах А. Фрейд, X. Хартманна и ориентированное на изучение защитных механизмов Я, а также их связей и … Энциклопедия эпистемологии и философии науки

    ПСИХОЛОГИЯ Я (ЭГОПСИХОЛОГИЯ) — – одно из направлений психоаналитической психологии, ориентированное на изучение защитных механизмов Я, а также их связей и отношений с другими процессами, имеющими место в психике человека. Психология Я характеризуется смещением акцента… … Энциклопедический словарь по психологии и педагогике

    У этого термина существуют и другие значения, см. Регрессия. Статистическая регрессия частный случай ошибки селекции, когда группы отбираются на основе крайних показателей. «Эффекты статистической регрессии означают дрейф крайних,… … Википедия

    Это статья о неакадемическом направлении исследований. Пожалуйста, отредактируйте статью так, чтобы это было ясно как из её первых предложений, так и из последующего текста. Подробности в статье и на странице обсуждения … Википедия

    У этого термина существуют и другие значения, см. Проекция. Проекция (лат. projectio бросание вперед) психологический процесс, относимый к механизмам психологической защиты, в результате которого внутреннее ошибочно воспринимается как… … Википедия

    — (нем. Tiefenpsychologie), обозначение ряда направлений совр. зарубежной психологии, сделавших предметом своего исследования т. н. глубинные силы личности, её влечения и тенденции, которые противопоставляются процессам, происходящим на… … Философская энциклопедия

    Статьи на тему Психоанализ Концепции Метапсихология Психосексуальное развитие Психосоциальное развитие Сознание Предсознание Бессознательное Психический аппарат Оно Я Сверх Я Либидо Вытеснение Анализ сновидений Защитный механизм Перенос … Википедия

    — (нем. Tiefenpsychologie) обозначение ряда направлений современной зарубежной психологии, сделавших предметом своего исследования т. н. глубинные силы личности, её влечения и тенденции, которые противопоставляются процессам, происходящим… … Большая советская энциклопедия

Регрессия является относительно простым защитным механизмом, знакомым каждому родителю, который наблюдал, как его ребенок соскальзывает к прежним привычкам (присущими более ранним стадиям развития), когда он устал или голоден. Социальное и эмоциональное развитие никогда не идет строго прямым путем; в процессе роста личности наблюдаются колебания, которые с возрастом становятся менее драматичными, но никогда полностью не проходят. Практически каждый человек, находясь в состоянии сильной усталости, начинает хныкать. Подфаза воссоединения (“репрошман”) в процессе сепарации-индивидуации, которую Малер описала как универсальную особенность, проявляющуюся в конце второго года жизни каждого ребенка (когда ребенок, начинающий ходить и только что провозгласивший свою независимость от матери, возвращается обратно и прячется под ее юбкой), становится одной из тенденций, присущих каждому человеку. Это возвращение к знакомому способу действия после того, как был достигнут новый уровень компетентности.

Данную тенденцию можно легко различить, проводя долгосрочную психотерапию и психоанализ. Пациент, который наконец собрал все свое мужество для того, чтобы попытаться вести себя по-другому (особенно, если это включает в себя новое поведение в отношениях с терапевтом – выражение ненависти или критики, признание мастурбационных фантазий, просьба изменить оплату или расписание с большим самоутверждением, чем допускалось в детстве), будет часто возвращаться к прежнему образу мыслей, чувств и поведения в последующих за этим сессиях. Психотерапевт, который не принимает приливов и отливов, присущих переменам в развитии, может быть разозлен подобным явлением. Контрперенос в этом случае походит на состояние доведенного до белого каления родителя, наконец-то преуспевшего в укладывании своего маленького ребенка спать самостоятельно и затем в течение недели получающего его визиты в спальню в три часа ночи. Это может продолжаться до тех пор, пока не станет ясно, что, несмотря на регрессивные тенденции в сопротивлении пациента, общее направление изменений прогрессивно.

Строго говоря, регрессией не является ни просьба о поддержке и утешении человеком, который обеспокоен достижением столь необходимого ему внутреннего комфорта, ни намеренное выискивание способов разрядки драйва на начальных уровнях. Для классификации данного процесса как защитного механизма он должен быть бессознательным. Так, поведение женщины, которая, рассказывая о чем-то, допускает нечаянные ляпсусы и впадает в угодливый тон маленькой девочки сразу после демонстрации своих амбиций; или реакция мужчины, который удивленно хлопает глазами, глядя на свою жену после того, как только что была достигнута новая степень близости с ней, демонстрируют регрессию в психоаналитическом смысле данного термина, если только эти действия не выбираются и осуществляются сознательно.

Некоторые люди используют регрессию как защиту чаще, чем другие. Например, некоторые из нас реагируют на стресс, вызванный ростом и возрастными изменениями тем, что заболевают. Многие, у кого не диагностируется та или иная болезнь, порой физически чувствуют себя очень плохо и укладываются в постель. Этот процесс никогда не осознается (а если осознается, это называется просто симуляцией) и может причинять страдание как регрессировавшему, так и связанному с ним другому человеку. Этот вариант регрессии, известный как соматизация, обычно оказывается резистентным к изменениям и трудным для терапевтического вмешательства.

Некоторые ипохондричные люди, отвлекающие врачей монотонными неясными причитаниями и периодическими меняющимися жалобами, которые никогда не поддаются лечению, используют регрессию для того, чтобы находиться в роли слабого – самый ранний способ преодоления сложных жизненных аспектов. К тому времени, когда они должны проконсультироваться у терапевта, пациенты уже выстроили дополнительную и фактически непроницаемую стену защит, берущую начало в обращении с ними как с избалованными детьми или своенравными людьми, ищущими постоянного внимания. Они ждут, что клиницист попытается их разоблачить как симулянтов. Следовательно, терапевт, чей пациент использует регрессию в позиции слабого в качестве своей любимой защиты, должен обладать сверхчеловеческими резервами такта и терпения, – тем более, если привычка пациента постоянно занимать постель больного обрела силу благодаря и другим выгодам этого положения (“вторичная выгода”).

Вывод, что человек, жалующийся на физическую боль или сильную усталость, пользуется регрессией как главной защитной реакцией на эмоциональный стресс, не должен быть поспешным или неотрефлексированным. Стресс, наступивший в результате заболевания как такового, может обусловить регрессивную реакцию у страдающей личности. Люди нередко заболевают потому, что бессознательно депрессивны. Но они могут также впасть в депрессию и потому, что больны в медицинском смысле этого слова. Однако широко известно, что соматизация и ипохондрия, как и другие виды регрессии, являющие собой беспомощность и детские модели поведения, могут служить краеугольным камнем в характере личности. Когда регрессия определяет чью-то стратегическую линию преодоления жизненных трудностей, этот человек вполне может быть охарактеризован как инфантильная личность.

Machine Learning – не только нейронки

Нейронные сети и глубокое обучение (deep learning) у всех на слуху, но нейросети – это лишь подобласть такого обширного предмета, как машинное обучение (machine learning). Существует несколько сотен других алгоритмов, которые способны быстро и эффективно решать задачи искусственного интеллекта и в большинстве случаев являются более интерпретируемыми для человека. В этой статье рассмотрим алгоритмы классического машинного обучения, принцип работы нейросетей, подготовку данных для обучения моделей и задачи, которые решают с помощью искусственного интеллекта (ИИ).

  • Восстановление регрессии (прогнозирования) – построение модели, способной предсказывать численную величину на основе набора признаков объекта.

  • Классификация – определение категории объекта на основе его признаков.

  • Кластеризация – распределение объектов.

Допустим, есть набор данных со статистикой по приложениям. В нем есть следующие сведения: размер, категория, количество скачиваний, количество отзывов, рейтинг, возрастной рейтинг, жанр и цена. С помощью этого набора данных и машинного обучения можно решить такие задачи:

  • Прогнозирование рейтинга приложения на основе признаков: размер, категория, возрастной рейтинг, жанр и цена – задача регрессии.

  • Определение категории приложения на основе набора признаков: размер, возрастной рейтинг, жанр и цена – задача классификации.

  • Разбиение приложений на группы на основании множества признаков (например, количество отзывов, скачиваний, рейтинга) таким образом, чтобы приложения внутри группы были более похожи друг на друга, чем приложения разных групп.

Существует мнение, что лучшие идеи для изобретений человек заимствует у природы. Нейронные сети – это именно тот случай, ведь сама концепция нейросетей базируется на функциональных особенностях головного мозга.

Принцип работы

Есть определенное количество нейронов, которые между собой связаны и взаимодействуют друг с другом путем передачи сигналов. Также есть рецепторы, которые получают информацию, поступающую извне, и исполнительный орган, на который приходит итоговый сигнал. По схожему принципу работают искусственные нейросети: есть несколько слоев с нейронами и связи между ними (каждая связь имеет свой весовой коэффициент). По связям передаются сигналы в виде численных значений, первый слой выполняет собой роль рецепторов, то есть получает набор признаков для обучения, и есть выходной слой, который выдает ответ.


Нейронные связи в головном мозге («Создаем нейронную сеть», Тарик Рашид)


Пример искусственной трехслойной нейросети («Создаем нейронную сеть», Тарик Рашид)

Каждый слой нейросети оперирует разными представлениями о данных. На рисунке ниже можно увидеть пример использованиям глубокого обучения (нейросети) для распознавания образа на картинке. На входной слой нам поступают пиксели изображений, далее после вычислений между входным и первым скрытым слоем мы получаем границы, на втором скрытом слое – контуры, на третьем – части объектов, на выходном – вероятности принадлежности изображения к каждому типу объектов.


Пример использования нейросети для распознавания образа ( «Глубокое обучение», Ян Гудфеллоу)

Как настраивать

Настраивается путем задания количества узлов, скрытых слоев и выбора функции активации. В искусственных нейронных сетях функция активации нейрона отвечает за выходной сигнал, который определяется входным сигналом или набором входных сигналов.

Какие задачи решают

Нейросети применяют для решения задач классификации, регрессии и кластеризации.

K-ближайших соседей

Метод K-ближайших соседей – простой и эффективный алгоритм, его можно описать известной поговоркой: «Скажи мне, кто твой друг, и я скажу, кто ты».

Принцип работы

Пусть имеется набор данных с заданными классами. Мы можем определить класс неизвестного объекта, если рассмотрим определенное количество ближайших объектов (k) и присвоим тот класс, который имеет большинство «соседей». Посмотрим на рисунок ниже.

Есть набор точек с двумя классами: синие крестики и красные кружки. Мы хотим определить, к какому классу относится неизвестная зеленая точка. Для этого мы берем k ближайших соседей, в данном случае 3, и смотрим, к каким классам они относятся. Из трех ближайших соседей больше оказалось синих крестиков, соответственно, мы можем предположить, что зеленая точка также, скорее всего, относится к этому классу.


Как настраивать

Необходимо подобрать параметр k (количество ближайших соседей) и метрику для измерения расстояний между объектами.

Какие задачи решает

В основном – классификация, но может применяться и для задач регрессии.

Линейная регрессия

Линейная регрессия – простая и эффективная модель машинного обучения, способная решать задачи быстро и недорого.

Принцип работы

Модель линейной регрессии можно описать уравнением y =a0 + a1x1 + a2x2+…+anxn, где x – это значения признаков, y – целевая переменная, a – весовые коэффициенты признаков. При обучении модели весовые коэффициенты подбираются таким образом, чтобы как можно лучше описывалась линейная зависимость признаков от целевой переменной.

Пример: задача предсказания стоимости квартиры в зависимости от площади и удаленности от метро в минутах. Целевой переменной (y) будет являться стоимость, а признаками (x) – площадь и удаленность.

На рисунке ниже также представлен пример построения линейной регрессии. Красная прямая более точно описывает линейную зависимость x от y.


Как настраивать

Для многих моделей Machine Learning, в частности и для линейной регрессии, можно улучшить итоговое качество с помощью регуляризации.

Регуляризация в статистике, машинном обучении, теории обратных задач — метод добавления некоторых дополнительных ограничений к условию с целью решить некорректно поставленную задачу или предотвратить переобучение, то есть ситуацию, когда модель хорошо показывает себя на тренировочный данных, но перестаёт работать на новых.

Распространенные методы регуляризации для повышения качества модели линейной регрессии:

  • Ridge — один из методов понижения размерности. Применяется для борьбы с переизбыточностью данных, когда независимые переменные коррелируют друг с другом (мультиколлинеарность), вследствие чего проявляется неустойчивость оценок коэффициентов линейной регрессии.

  • LASSO — также как и Ridge, применяется для борьбы с переизбыточностью данных.

  • Elastic-Net — модель регрессии с двумя регуляризаторами L1, L2. Частными случаями являются модели LASSO L1 = 0 и Ridge регрессии L2 = 0.

Какие задачи решает

Задача регрессии.

Логистическая регрессия

Логистическая регрессия – также простая и эффективная модель машинного обучения, способная решать задачи быстро и недорого.

Принцип работы

Алгоритм логистической регрессии очень похож на алгоритм линейной регрессии. Несмотря на свое название, решает задачу бинарной классификации (классы: 1 и -1). Сумма a1x1 + a2x2+…+anxn проходит через функцию сигмоиды, которая возвращает число от 0 до 1, характеризующее вероятность отнесения объекта к классу 1. Пример: логистическую регрессию часто применяют в задачах кредитного скоринга, когда по определенным данным о клиенте нужно определить, стоит ли выдавать ему кредит.


Иллюстрация алгоритмов линейной и логистической регрессии (источник)

Как настраивать

Как и в случае с линейной регрессией, существуют реализации с коэффициентом регуляризации можно выбрать один из методов регуляризации: Ridge, LASSO, Elastic-Net.

Какие задачи решает

Задача классификации.

Метод опорных векторов (SVM)

Принцип работы

Чтобы лучше всего понять алгоритм метода опорных векторов, рассмотрим рисунок. На рисунке приведен пример двух линейно разделимых классов в двумерном пространстве. Идея алгоритма заключается в нахождении оптимальной разделяющей прямой (или гиперплоскости для более высоких пространств) для отделения объектов одного класса от другого. Пунктирные линии выделяют разделяющую полосу и проводятся через объекты, которые называют опорными. Чем шире разделяющая полоса, тем качественнее модель SVM. Чтобы определить класс объекта, достаточно определить, с какой стороны гиперплоскости он находится.


Как настраивать

Необходимо подобрать оптимальное ядро (функцию переводящую признаковое пространство в более высокую размерность), если линейная зависимость слабо выражена.

Какие задачи решает

Применяется для решения задач классификации и регрессии.

Для примера был взят датасет со статистикой приложений в Play Market. Датасет содержит следующие данные: размер приложения, возрастной рейтинг, количество скачиваний, жанр, категория и др. На данном датасете были обучены модели: линейная регрессия, метод опорных векторов, нейронная сеть (многослойный перцептрон).

В ходе экспериментов были подобраны следующие параметры для моделей машинного обучения:

  • Линейная регрессия – модели линейной регрессии с регуляризацией не показали результат, превосходящий качество классической линейной регрессии.

  • Метод опорных векторов – модель метода опорных векторов с RBF-ядром показала лучший результат по сравнению с другими ядрами.

  • Многослойный перцептрон – оптимальный результат показала модель с 4 слоями, 300 нейронами и функций активацией ReLu. При попытках увеличить количество слоев и нейронов прирост качества не наблюдался.

Была решена задача прогнозирования потенциального рейтинга приложения в зависимости от его признаков.

Результаты ошибки среднего отклонения от истинного значения целевой переменной в процентах для каждой модели:

  • Линейная регрессия – 6.13 %

  • Метод опорных векторов – 6.01%

  • Нейронная сеть – 6.41%

Таким образом, классические алгоритмы машинного обучения и нейросети показали приблизительно одинаковое качество. Это связано с тем, что нейросети хорошо обучаются на датасетах с большим размером и обычно применяются для решения задач, где зависимость в данных очень сложна. Поэтому для решения данной задачи можно обойтись применением классических алгоритмов и не прибегать к использованию нейросетей.

На гистограмме ниже представлены итоговые весовые коэффициенты a, полученные при обучении модели линейной регрессии. Чем больше столбик, тем выше влияние признака на целевую переменную. Если столбик направлен вверх, то он оказывает положительное влияние на рост целевой переменной, если вниз – то отрицательное. Другими словами, если приложение имеет жанр “Other” или “Tools”, то, скорее всего, его рейтинг будет высоким, а если у него категория “FAMILY” или “GAME” – то, вероятно, низким. Данная интерпретация весовых коэффициентов линейной регрессии бывает очень полезной при анализе данных.


Гистограмма значений коэффициентов линейной регрессии

Искусственный интеллект и машинное обучение используют для решения бизнес-задач в ритейле, медицине, промышленности и иных отраслях. Мы в своей практике тоже работаем над системами распознавания, компьютерного зрения, предиктивной аналитики. Например, в одном из проектов мы реализовали классификатор, который по фотографии тестера пользователя помогал в диагностике ряда заболеваний.

Познакомьтесь с нашими решениями Machine Learning и другими кейсами в портфолио.

Когда пневмония закончится – Наука – Коммерсантъ

Регенеративная медицина бессильна во время коронавирусной болезни, но может сыграть важнейшую роль после выздоровления: помочь вернуться к полностью здоровой жизни.

Павел Макаревич, кандидат медицинских наук, заведующий лабораторией генно-клеточной терапии Института регенеративной медицины Университетской клиники МГУ им. М. В. Ломоносова

Пока никто не знает долгосрочных последствий перенесенной коронавирусной инфекции (COVID-19) — все поглощены задачей остановить заразу. Один занят разработкой вакцины, другой перекрывает границы и пути распространения вируса, третий ищет методы лечения среди известных лекарств — на новые банально нет времени.

Количество переболевших коронавирусной инфекцией людей будет описываться цифрой в несколько миллионов человек при благоприятном варианте, а может быть, и на два порядка больше. Нельзя исключить, что у многих из них функция легких окажется, как принято говорить в медицине, «скомпрометированной» из-за фиброза или образования кист в зонах поражения. Регенеративная медицина, вероятно, пригодится таким больным.

Инфекции со шрамом

До появления антибактериальных препаратов и вакцин именно инфекции были одной из главных причин смерти населения Земли. Каждое перенесенное человеком инфекционное заболевание оставляло свой след, поражая органы, иммунную систему, переходя в хроническую форму, и в конечном счете приводя к смерти в относительно молодом по современным меркам возрасте.

Не было бы счастья, так несчастье помогло

Методы клеточной терапии и, в частности, трансплантации костного мозга получили свое развитие в наше время отнюдь не по мирным причинам, а в период расцвета радиобиологии, изучающей воздействие радиации на живое. В эпоху холодной войны каждая держава искала способы восстановить и защитить организм солдат и мирного населения от последствий ядерного удара. Возможно, и пандемия коронавируса спровоцирует прорыв в области лечения заболеваний легких, связанных с необратимым снижением дыхательной функции.

В ХХ веке мы практически полностью искоренили ряд смертоносных или калечащих возбудителей и сейчас боремся с очень многими возбудителями. Но последствия хронических инфекций — вирусного гепатита, ВИЧ-инфекции, туберкулеза и других остаются серьезной проблемой. Среди них особняком стоит фиброз органа — формирование на месте погибшей ткани рубца, состоящего из плотной соединительной ткани, которая блокирует рост нервов, сосудов и никогда не замещается на клетки органа.

Самый яркий пример, известный любому из нас,— шрамирование кожи на месте ее достаточно глубокого и обширного повреждения или ожога. Точно так же фиброзирующие заболевания, связанные с хроническими инфекциями, поражают печень, легкие, сердце и другие жизненно важные органы, выводя их из строя.

Клетка за клеткой

Исторически самым первым подходом в регенеративной медицине стала клеточная терапия с использованием стволовых клеток взрослого организма, способных делиться, чтобы поддерживать свою популяцию и при этом давать начало новым клетками органа (дифференцироваться). Этот метод блестяще показал себя в гематологии, онкологии, при некоторых заболеваниях центральной нервной системы, однако при фиброзирующем поражении ткани оказался практически бесполезен.

Использование стволовых клеток при сформировавшемся в ткани рубце разбивается о непроходимую стену соединительной ткани, из которой он состоит, а введение их на этапе поражения зачастую приводило к тому, что воспаление убивало стволовые клетки до того, как они могли выполнить свою функцию. Наконец, при инфекционных заболеваниях введение стволовых клеток может иметь совершенно непредсказуемые и даже опасные последствия, так как они обладают эволюционно выработанной способностью подавлять воспаление и, следовательно, локальную иммунную систему.

Мы можем лишь с определенной долей скепсиса сказать, что для лечения фиброза легких, вызванного коронавирусом, терапия с помощью стволовых клеток едва ли может оказаться эффективным оружием.

Вырастить новое легкое

Одним из самых ярких горизонтов в такой ситуации выглядит, конечно же, создание искусственного, так называемого тканеинженерного легкого (или пары легких) для пересадки больному в случае фиброза после излечения от инфекции. В экспериментах на животных уже были отработаны способы получения легких путем процесса, которые называет децеллюляризацией. В этом случае легкое от посмертного донора подвергали обработке поверхностно-активными веществами (детергентами) для того, чтобы уничтожить все клетки донора, несущие белки распознавания для иммунной системы.

Полученный белковый «остов», или матрикс практически невидим для иммунной системы, так как белки соединительной ткани у людей неотличимы с точки зрения иммунного ответа на них.

Далее децеллюляризованный остов легкого заселяется стволовыми клетками реципиента, причем зачастую именно клетками, способными формировать ткань легкого и сосуды, и далее начинается длительный процесс сборки органа в биореакторе. Для правильной «укладки» клеток в биореакторе моделируются дыхательные движения с растяжением стенок органа путем нагнетания жидкости. В итоге в 2010-х годах был опубликован целый ряд экспериментальных работ по созданию и успешной трансплантации таких легких мышам и крысам.

Но если говорить о задаче для человека, то следует признать, что эта технология требует посмертного донора органа. А с учетом охвата пандемии COVID-19 едва ли можно рассматривать перспективу массового применения такого метода, даже если учесть, что не все переболевшие будут поражены легочным фиброзом. Наконец, продолжительность и сложность этой процедуры, не говоря о необходимости проведения операции по трансплантации, делает такой подход чудовищно дорогим. Горизонт использования этой технологии в приемлемом для клинической практики масштабе составляет несколько десятилетий.

Органоиды — заместители органов

Создание тканеинженерных легких могло бы также найти применение для разработки методов борьбы с распространением вируса в ткани и развитием отягощенного варианта течения COVID-19. Подобные легким по структуре и клеточному составу конструкции — так называемые органоиды, представляющие собой уменьшенную копию легкого в чашке или биореакторе, могут быть полезны для оценки эффективности препаратов, блокирующих инфицирование или репликацию вируса, а также для моделирования вызываемых им патогенетических процессов.

Важным здесь является создание органоида именно из человеческих клеток для более точного воспроизведения процессов, идущих в легких после контакта с возбудителем. Не говоря уже о том, что использование органоидных культур во всем мире признано одним из самых перспективных способов уменьшения распространенности опытов на лабораторных животных.

Таким образом, для исследовательских целей можно уже сейчас выращивать модельные органоиды человека, включая модели легкого, но заменить у человека фиброзированное легкое новым сейчас представляется достаточно сложной задачей, а использование стволовых клеток может быть недостаточно эффективным. Что же тогда может предложить современная регенеративная медицина для борьбы с фиброзом легких?

Управлять фиброзом в зоне повреждения

Одним из самых перспективных путей является борьба с фиброзом на этапе его зарождения, то есть в период принятия клетками «решения» о том, запустится образование рубца на месте разрушенной ткани или нет. Этот процесс зависит от клеток, которые называют миофибробластами и являются необходимыми для заживления повреждения ткани, однако они же потом становятся и источником белков, формирующих рубец. Оказалось, что повлиять на эти клетки возможно, но не с помощью самих стволовых клеток, а посредством продуцируемых ими белков — секретома (так называют совокупность всех секретируемых клеткой белков), многие из которых обладают противофиброзным действием.

Введение этот «коктейля» в легкие может быть эффективным на ранних этапах восстановления ткани, сдвигая баланс в сторону отсутствия фиброза. Однако не следует забывать о том, что секретом обладает определенным иммуномодулирующим действием и может уменьшать активность клеток иммунной системы, необходимых для борьбы с инфекцией. В любом случае такая стратегия может оказаться очень эффективной, хотя и потребует сложного выбора и, возможно, биотехнологического процессинга секретома для модификации его биологической активности.

Таблетка от фиброза

Не менее интересной выглядит стратегия, которая получила название «регенеративной фармакологии», когда для контроля процессов регенерации используются низкомолекулярные препараты — по сути лекарственные средства, причем зачастую уже использовавшиеся для лечения других заболеваний.

В настоящее время нам гораздо больше известно о препаратах и веществах, запускающих фиброз легких,— например, блеомицин, который используется для создания мышиной модели этого заболевания. Но, коль скоро этот процесс можно подстегнуть, то с определенной долей вероятности может быть установлена и мишень для его сдерживания. Идеальным сценарием в этом направлении является своего рода «таблетка от фиброза».

В определенной степени ею является препарат пирфенидон, который хорошо известен как средство для лечения идиопатического (т.е. с неизвестной причиной) фиброза легких. Снижая продукцию участвующих в фиброзе белков, в том числе коллагенов, являющихся основой рубца, он замедляет прогресс этого смертельного заболевания на многие годы.

Смогут ли пирфенидон и подобные ему препараты найти свою нишу для лечения последствий COVID-19, нам еще предстоит выяснить. Но точно нужно задумываться о том, что в мире после пандемии коронавируса может начаться пандемия заболеваний легких, связанных с фиброзом и необратимым снижением дыхательной функции.

Как быть с ибупрофеном

По интернету ходит информация, будто популярный при вирусных заболеваниях противовоспалительный препарат ибупрофен (нурофен, адвил) может ухудшать течение COVID-19. Этому предположению в настоящее время нет экспериментальных научных подтверждений, однако теоретически ибупрофен может влиять на течение инфекции, так как он повышает количество одного из ферментов, с которым вирус связывается для проникновения в клетки (речь идет об ангиотензинпревращающем ферменте 2-го типа).

Оружие большого калибра

Конечно же, эти весьма привлекательные решения могут показаться панацеей, и необходимо немедленно начать их использование. Однако в истории с COVID-19 мы уже неоднократно сталкивались с тем, что одно чересчур оптимистичное или, скажем прямо, безответственное заявление об эффективности того или иного препарата приводило к тому, что препарат пропадал из аптечных сетей, становясь недоступным тем, кто в нем нуждается долгие годы. В области регенеративной медицины мы должны быть максимально осторожными, несмотря на заманчивость скоропалительных решений.

Препараты и методы регенеративной медицины стоят на стыке процессов регенерации, морфогенеза (создания новой ткани) и, как ни печально, канцерогенеза, который некоторые исследователи называют «неудачной пародией на регенерацию». Многие из факторов роста, транскрипционных факторов и других регуляторных молекул являются регуляторами не только обновления или восстановления ткани, но и роста злокачественных опухолей.

Более того, мы выше говорили о фиброзе, описывая его как неблагоприятный исход течение процесса заживления, однако в эволюционной биологии ряд исследователей придерживается точки зрения, заключающейся в том, что рубец является защитной реакцией, призванной сохранить целостность органа при повреждении и заблокировать возможный рост опухоли в зоне повреждения. Действительно, рубец, являясь очень эффективным барьером для любого формирования структуры ткани, не дает прорасти не только здоровым клеткам, но и опухолевым.

Сейчас мы озабочены необходимостью остановить шествие COVID-19 по планете и минимизировать жертвы, однако в дальнейшем и (хочется верить) ближайшем будущем на первое место выйдут задачи восстановления здоровья переболевших, и тогда регенеративная медицина постарается приложить все усилия для того, чтобы ее методы оказались оружием большого калибра, направленным в нужную сторону. Условия и идеи для этого есть, дело за практикой и здравым смыслом.

В любом случае, несмотря на высокую готовность мировой и российской науки предложить потенциально востребованные технологии для борьбы с фиброзом ткани, мы, как врачи и ученые, обязаны настаивать и настаиваем на использовании их в соответствии с требованиями, обеспечивающими безопасность пациентов. Ускорение использования прорывных технологий или вынужденные сокращения протокола допустимы, однако дальнейшие меры по оценке баланса риска и пользы от нового метода являются необходимостью и частью этического кодекса науки.

И последнее. В условиях реальных угроз есть и положительный эффект: автоматически оказываются дезавуированными и уходят на второй план научно безответственные и при этом гротескно масштабные проекты, многие из которых, выражаясь современным сленгом, носят характер «научного хайпа». Как показывает опыт прошлого, экстремальные условия часто создают неожиданные стимулы и придают импульс направлениям, которые в «мирных условиях» планово развивались бы намного более спокойным темпом, а сплоченность ученых, отбрасывающих в борьбе с угрозой конъюнктурные и личные интересы, зачастую позволяет пасьянсу сойтись.

Таблетка для запуска регенерации

Она на самом деле намного ближе к нам, чем кажется. Сейчас в мире нарастает проблема приобретенной глухоты, связанной с распространением индивидуальных аудиоустройств. Болезнь, которая раньше была уделом шахтеров, строителей, бурильщиков, становится недугом среднего класса. Наушники появляются у человека уже в четыре-пять лет, увеличивая срок шумовой нагрузки, накапливаемой к 30–40 годам, до предела. Американская компания Frequency therapeutics создала гель, несущий два препарата, запускающие регенерацию во внутреннем ухе слухового эпителия. После введения этого лекарственного средства во внутренне ухо мышей с «шумовой глухотой» у животных произошло восстановление слуха. При микроскопическом исследовании оказалось, что у них наблюдались все признаки регенерации волоскового эпителия внутреннего уха, то есть восстановление утраченной структуры. Сейчас препарат готовится к клиническим исследованиям, и аналогичные по принципу лекарства создаются для лечения рассеянного склероза, болезней периферических нервов и других заболеваний с необратимым поражением ткани.

Классическое машинное обучение: классификация, обобщение,кластеризация

Классическое машинное обучение, или Classical Machine Learning, строится на классических статистических алгоритмах и решает вопросы, связанные с принятием решений на основе данных.

Его активно применяют как в офлайн, так и в онлайн-маркетинге для прогнозирования поведения пользователя и рекомендаций по интересам.  Например, вы гуглили «купить солнцезащитные очки». И сразу же после этого во всех соцсетях вам приходит реклама таких же моделей очков. Или вы искали жилье для покупки по вашим субъективным критериям, а затем видите рекламу от застройщиков на любом ресурсе, куда бы ни зашли. Обученная система сама подбирает варианты, которые могут вас заинтересовать. Это – яркие примеры результатов классического машинного обучения.

В классическом машинном обучении с учителем программист, обучающий систему, размечает данные, приводит машине определенные примеры и наблюдает за её прогрессом. Задачами, которые решаются при помощи обучения с учителем являются, например, классификация и регрессия.  Машинное обучение без учителя включает в себя следующие типы: кластеризация, обобщение, поиск правил. Эти алгоритмы часто применяются в Data Mining и их можно рассматривать как часть Data Science.

Рассмотрим некоторые из них.

Классификация как задача машинного обучения

Классификация – наиболее популярная задача машинного обучения. Она в чем-то схожа с тем, как ребенок учится определять форму и размер предметов, складывая их в раздельные кучки.

Задача классификации: предсказание категории объекта и разделение объектов согласно определенным и заданным заранее признакам. То есть машина сортирует данные по нужным категориям: одежду – по цветам, сезонам или ткани, книги – по жанрам, авторам, языкам написания, соусы – по степени остроты, письма – по личной или рабочей направленности, спам-составляющей и т.д.

В бизнесе классифицировать можно, например, клиентов: по количеству покупок, частоте заходов на сайт, покупательских привычках. По такой системе работают, например, письма от сети супермаркетов: каждому участнику программы лояльности приходят предложения со скидками на товары, которые они чаще всего покупают. Также подобной системой могут пользоваться банки, которым нужно на основании общего портрета соискателя кредита определить вероятность, что кредит будет возвращен.

Дополнительный продукт классификации по заданным параметрам – возможность выделить всё, что не вписывается в стандартные классы. Например, если речь о медицине, выделенным фрагментом может быть любое отклонение от нормы: утолщение, разрыв, новообразование, завышенные или заниженные показатели анализов. Если речь о финансовых рынках, то нестандартные показатели могут выдать инсайдерских игроков.

Регрессия: предсказание при помощи машинного обучения

Регрессия – это когда по заданному набору признаков необходимо спрогнозировать некую целевую переменную.

Задача регрессии: предсказание места на числовой прямой. Например, загруженность дорог в зависимости от времени суток и время на путь из пункта А в пункт Б в зависимости от пробок. Или каким будет объем рынка определенных товаров через 2 года. И даже скорость развития определенной болезни при общих показателях здоровья человека.

Поскольку регрессия запрограммирована на работу с числами, её встраивают в различные вычислительные системы, даже в классический Excel.

Интересный факт: систему классификации можно «доучить» и научить решать задачи регрессии. На практике это выглядит как понимание не только класса объекта, но и его близости к тому или иному показателю. Например, яблоко свежее или испорченное. А если ближе к испорченному, то на сколько процентов.

Кластеризация как тип обучения без учителя

Кластерный анализ (Data clustering) — задача разбиения заданной выборки данных (объектов) так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров значительно отличались друг от друга.

Задача кластеризации: используя все имеющиеся данные, предсказать соответствие объектов выборки их классам, сформировав таким образом кластеры.

Кластеризацию применяют для анализа и поиска признаков по которым можно объединить объекты, сжатия данных и поиска новизны (что не входит ни в один кластер)

В чем отличие классификации и кластеризации: при классификации у вас есть набор предопределенных классов, вы учите машину на наборе примеров и потом хотите знать, к какому классу принадлежит новый объект. При кластеризации вы используете алгоритм, который пытается сгруппировать набор объектов и определить, существует ли какая-либо взаимосвязь между объектами, машина учится сама.

Поиск ассоциативных правил как тип обучения без учителя

Поиск ассоциативных правил – метод, который активно используется в маркетинге для изучения поведения покупателя и составления типичного шаблона покупок.

Задача поиска ассоциативных правил: находить закономерности в потоке данных. Например, для анализа паттернов поведения пользователей на веб-сайтах или для правильной расстановки товаров на полках в магазине. Ведь не зря жвачки и батарейки расположены в прикассовой зоне, а сладости недалеко от чая/кофе.

Классическое обучение используется для качественного поиска контента, эффективных кросс-продаж, анализа имеющейся информации о клиентах, ускорения и автоматизации бизнес-процессов и многих других целей.

Подробный обзор машинного обучения можно прочесть в нашей статье: “Машинное обучение, искусственный интеллект, и нейросети — в чем разница, и для чего их используют”. Также мы подготовили обзор следующего типа машинного обучения “Обучение с подкреплением”.

14.01.2019

Используемые в статье картинки взяты из открытых источников и используются как иллюстрации.

определение регрессии по Медицинскому словарю

регрессия

 [ре-грешун]

1. возвращение в прежнее или более раннее состояние.

2. стихание симптомов или болезненного процесса.

3. в биологии, тенденция в последующих поколениях к среднему.

4. бессознательный защитный механизм, используемый для разрешения конфликта или фрустрации путем возвращения к поведению, которое было эффективным в предыдущие годы. Некоторая степень регрессии часто сопровождает соматическое заболевание.Психически больные могут демонстрировать крайнюю степень регрессии, полностью возвращаясь к инфантильному поведению; это называется атавистической регрессией. прил., прил. регрессивный.

Энциклопедия и словарь Миллера-Кина по медицине, сестринскому делу и смежному здравоохранению, седьмое издание. © 2003, Saunders, издательство Elsevier, Inc. Все права защищены.

регрессия

(rē-gresh’n),

1. Утихание симптомов.

2. Рецидив; возвращение симптомов.

3. Любое ретроградное движение или действие.

4. Возврат к более примитивному поведению из-за неспособности адекватно функционировать на более взрослом уровне.

5. Бессознательный защитный механизм, с помощью которого происходит возврат к более ранним моделям адаптации.

6. Распределение одной случайной величины при определенных значениях других соответствующих ей переменных (например, формула распределения веса в зависимости от роста и окружности груди).Метод был сформулирован Гальтоном в его исследовании количественной генетики.

[Л. regredior, pp. -gressus, назад]

Медицинский словарь Farlex Partner © Farlex 2012

регрессия

(rĭ-grĕsh′ən) н.

1. Процесс или пример регрессии к менее совершенному или менее развитому состоянию.

2. Психология Возвращение к более ранней или менее зрелой модели чувств или поведения.

3. Медицина Угасание симптомов или течения болезни.

4. Статистика Метод прогнозирования значения зависимой переменной как функции одной или нескольких независимых переменных при наличии случайной ошибки.

Медицинский словарь American Heritage® Copyright © 2007, 2004, компания Houghton Mifflin. Опубликовано компанией Houghton Mifflin. Все права защищены.

регрессия

Любой возврат к исходному состоянию.См. Атавистическая регрессия, Генерализованная аддитивная логистическая регрессия, Гипнотическая возрастная регрессия, Регрессия по методу наименьших квадратов, Линейная регрессия, Регрессия в прошлые жизни, Психорегрессия Medtalk Утихание болезни Sx или возвращение к состоянию здоровья Онкология Отступление СА Психиатрия Частичная, символическая , сознательное или бессознательное желание вернуться-регрессировать в состояние зависимости, как в инфантильном паттерне реагирования или мышления, который возникает при нормальном сне, игре, физическом заболевании и при различных психических расстройствах.

Краткий словарь современной медицины McGraw-Hill. © 2002 The McGraw-Hill Companies, Inc.

регрессия

(rĕ-gresh’n)

1. Угасание симптомов.

2. Рецидив; возвращение симптомов.

3. Любое ретроградное движение или действие.

4. Возврат к более примитивному поведению из-за неспособности адекватно функционировать на более взрослом уровне.

5. Склонность потомков исключительных родителей обладать характеристиками, более близкими к характеристикам населения в целом.

6. Бессознательный защитный механизм, с помощью которого происходит возврат к более ранним моделям адаптации.

7. Распределение одной случайной величины при определенных значениях других переменных, относящихся к ней (например, формула распределения веса в зависимости от роста и окружности груди).

[Л. re-gredior, pp. -gressus, , чтобы вернуться]

Медицинский словарь медицинских профессий и сестринского дела © Farlex 2012

регрессия

1. Психоаналитический термин, означающий возврат к детской или более примитивной форме поведения или мышления, например, от генитальной к оральной стадии.

2. Психологический термин, обозначающий временное возвращение к менее зрелой форме мышления в процессе обучения тому, как справляться с новой сложностью. Когнитивные психологи рассматривают такую ​​регрессию как нормальную часть психического развития.

3. Статистический термин, определяющий отношение двух переменных, при котором изменение одной (независимой переменной) всегда связано с изменением среднего значения другой (зависимой переменной).

Медицинский словарь Коллинза © Robert M. Youngson 2004, 2005

Регрессия

В психологии возврат к более ранним, обычно детским или инфантильным, моделям мышления или поведения.

Гейл Медицинская энциклопедия. Copyright 2008 The Gale Group, Inc. Все права защищены.

регрессия

(rĕ-gresh’n)

1. Уменьшение симптомов.

2. Рецидив; возвращение симптомов.

3. Любое ретроградное движение или действие.

[Л. re-gredior, pp. -gressus, , чтобы вернуться назад]

Медицинский словарь для стоматологов © Farlex 2012

определение регрессии по Медицинскому словарю

регрессия

 [ре-грешун]

1. возвращение в прежнее или более раннее состояние.

2. стихание симптомов или болезненного процесса.

3. в биологии, тенденция в последующих поколениях к среднему.

4. бессознательный защитный механизм, используемый для разрешения конфликта или фрустрации путем возвращения к поведению, которое было эффективным в предыдущие годы. Некоторая степень регрессии часто сопровождает соматическое заболевание. Психически больные могут демонстрировать крайнюю степень регрессии, полностью возвращаясь к инфантильному поведению; это называется атавистической регрессией. прил., прил. регрессивный.

Энциклопедия и словарь Миллера-Кина по медицине, сестринскому делу и смежному здравоохранению, седьмое издание.© 2003, Saunders, издательство Elsevier, Inc. Все права защищены.

регрессия

(rē-gresh’n),

1. Утихание симптомов.

2. Рецидив; возвращение симптомов.

3. Любое ретроградное движение или действие.

4. Возврат к более примитивному поведению из-за неспособности адекватно функционировать на более взрослом уровне.

5. Бессознательный защитный механизм, с помощью которого происходит возврат к более ранним моделям адаптации.

6. Распределение одной случайной величины при определенных значениях других соответствующих ей переменных (например, формула распределения веса в зависимости от роста и окружности груди). Метод был сформулирован Гальтоном в его исследовании количественной генетики.

[Л. regredior, pp. -gressus, назад]

Медицинский словарь Farlex Partner © Farlex 2012

регрессия

(rĭ-grĕsh′ən) н.

1. Процесс или пример регрессии к менее совершенному или менее развитому состоянию.

2. Психология Возвращение к более ранней или менее зрелой модели чувств или поведения.

3. Медицина Угасание симптомов или течения болезни.

4. Статистика Метод прогнозирования значения зависимой переменной как функции одной или нескольких независимых переменных при наличии случайной ошибки.

Медицинский словарь American Heritage® Copyright © 2007, 2004, компания Houghton Mifflin. Опубликовано компанией Houghton Mifflin. Все права защищены.

регрессия

Любой возврат к исходному состоянию. См. Атавистическая регрессия, Генерализованная аддитивная логистическая регрессия, Гипнотическая возрастная регрессия, Регрессия по методу наименьших квадратов, Линейная регрессия, Регрессия в прошлые жизни, Психорегрессия Medtalk Утихание болезни Sx или возвращение к состоянию здоровья Онкология Отступление СА Психиатрия Частичная, символическая , сознательное или бессознательное желание вернуться-регрессировать в состояние зависимости, как в инфантильном паттерне реагирования или мышления, который возникает при нормальном сне, игре, физическом заболевании и при различных психических расстройствах.

Краткий словарь современной медицины McGraw-Hill. © 2002 The McGraw-Hill Companies, Inc.

регрессия

(rĕ-gresh’n)

1. Угасание симптомов.

2. Рецидив; возвращение симптомов.

3. Любое ретроградное движение или действие.

4. Возврат к более примитивному поведению из-за неспособности адекватно функционировать на более взрослом уровне.

5. Склонность потомков исключительных родителей обладать характеристиками, более близкими к характеристикам населения в целом.

6. Бессознательный защитный механизм, с помощью которого происходит возврат к более ранним моделям адаптации.

7. Распределение одной случайной величины при определенных значениях других переменных, относящихся к ней (например, формула распределения веса в зависимости от роста и окружности груди).

[Л. re-gredior, pp. -gressus, , чтобы вернуться]

Медицинский словарь медицинских профессий и сестринского дела © Farlex 2012

регрессия

1. Психоаналитический термин, означающий возврат к детской или более примитивной форме поведения или мышления, например, от генитальной к оральной стадии.

2. Психологический термин, обозначающий временное возвращение к менее зрелой форме мышления в процессе обучения тому, как справляться с новой сложностью. Когнитивные психологи рассматривают такую ​​регрессию как нормальную часть психического развития.

3. Статистический термин, определяющий отношение двух переменных, при котором изменение одной (независимой переменной) всегда связано с изменением среднего значения другой (зависимой переменной).

Медицинский словарь Коллинза © Robert M. Youngson 2004, 2005

Регрессия

В психологии возврат к более ранним, обычно детским или инфантильным, моделям мышления или поведения.

Гейл Медицинская энциклопедия. Copyright 2008 The Gale Group, Inc. Все права защищены.

регрессия

(rĕ-gresh’n)

1. Уменьшение симптомов.

2. Рецидив; возвращение симптомов.

3. Любое ретроградное движение или действие.

[Л. re-gredior, pp. -gressus, вернуться]

Медицинский словарь для стоматологов © Farlex 2012

Логистическая регрессия в медицинских исследованиях связь между одной или несколькими независимыми переменными и бинарной (дихотомической) переменной результата.

Статью по теме см. на стр. 367

В этом выпуске журнала Анестезия и обезболивание Парк и др. 1 сообщают о результатах обсервационного исследования риска гипоксемии (определяемой как периферическое насыщение кислородом <90%). во время быстрой последовательной индукции (RSI) по сравнению с модифицированным методом RSI у младенцев и новорожденных, перенесших пилоромиотомию.Авторы использовали логистическую регрессию для анализа связи между методом индукции и риском гипоксемии, при этом контролируя потенциальные искажающие факторы.

Логистическая регрессия используется для оценки связи одной или нескольких независимых (прогностических) переменных с бинарной зависимой (результирующей) переменной. 2 Бинарная (или дихотомическая) переменная — это категориальная переменная, которая может принимать только 2 различных значения или уровня, например, «положительный результат на гипоксемию или отрицательный результат на гипоксемию» или «мертвый или живой».На рисунке показан простой пример только с одной независимой переменной ( X ), где зависимая переменная может иметь значение либо 0, либо 1. В этом примере по мере увеличения значения независимой переменной вероятность того, что зависимая переменная принимает значение 1 и, кажется, увеличивается. Более формально, логистическая регрессия может использоваться для оценки вероятности (или риска) конкретного исхода с учетом значения (значений) независимой переменной (переменных).

Связь между непрерывной независимой переменной X и двоичным результатом, который может принимать значения 0 (например, «нет») или 1 (например, «да»).Как показано, вероятность того, что значение результата равно 1, по-видимому, увеличивается с увеличением значений X . A. Использование прямой линии для моделирования связи независимой переменной с вероятностью дает плохое соответствие; результаты оцениваются с вероятностями <0 и >1; и грубо нарушает предположения линейной регрессии. Логистическая регрессия моделирует линейную связь независимой переменной с натуральным логарифмом (ln) шансов переменной результата. B, Это приводит к сигмовидной зависимости между независимой переменной и вероятностью результата, равного 1, с предсказанными вероятностями, соответствующим образом ограниченными между 0 и 1.

Логистическая регрессия на самом деле является расширением линейной регрессии. 2,3 Вместо моделирования линейной зависимости между независимой переменной ( X ) и вероятностью исхода (рисунок A), что неестественно, поскольку допускает прогнозируемые вероятности за пределами диапазона 0–1, предполагается, что линейная (прямая) зависимость от логита (натуральный логарифм шансов) исхода. Коэффициенты регрессии представляют точку пересечения ( b 0 ) и наклон ( b 1 ) этой линии

. При решении этого уравнения для вероятности ( P ) независимая переменная (рисунок A), и оценочные вероятности теперь должным образом ограничены между 0 и 1.

Как и в случае с линейной регрессией, логистическую регрессию можно легко расширить, включив >1 независимую (предикторную) переменную. Затем исследователи могут изучать взаимосвязь между каждой переменной и бинарным (дихотомическим) результатом, сохраняя при этом постоянными значения других независимых переменных. Это особенно полезно не только для понимания независимой связи каждой переменной с результатом, но также, как это было сделано Парком и др., 1 , для корректировки оценок влияния смешанных переменных 4 в обсервационных исследованиях.

Основное преимущество логистической регрессии по сравнению с другими подобными подходами, такими как пробит-регрессия, и, следовательно, причина ее популярности среди медицинских исследователей, заключается в том, что возведенный в степень коэффициент наклона логистической регрессии ( e b ) можно удобно интерпретировать как отношение шансов. Отношение шансов показывает, насколько шансы конкретного исхода изменяются при увеличении на 1 единицу независимой переменной (для непрерывных независимых переменных) или по сравнению с эталонной категорией (для категориальных переменных).Например, скорректированное отношение шансов, равное 2,8 (95% доверительный интервал [ДИ], 1,5–5,3), о котором сообщают Park et al. к модифицированному методу (эталонная категория в их анализе) после контроля и, таким образом, учета потенциальных помех.

Действительные выводы логистической регрессии основаны на выполнении ее допущений, которые включают

  • Для простой логистической регрессии с непрерывной независимой переменной предполагается, что ее связь с логитом является линейной.Это в основном также верно для многомерной логистической регрессии, но модель может быть определена так, чтобы приспособиться к криволинейной зависимости.

  • Наблюдения должны быть независимыми друг от друга (например, не должно быть повторных измерений у одних и тех же субъектов). Другие методы, такие как обобщенные линейные модели со смешанными эффектами, необходимы для коррелированных данных. 5

  • Модель должна быть указана правильно, как более подробно объяснено в Статистической минуте по линейной регрессии в предыдущем выпуске Анестезия и обезболивание . 3 Доступно несколько методов для оценки (а) калибровки (насколько близко наблюдаемый риск соответствует прогнозируемому риску) — обычно оценивается с помощью критерия согласия Хосмера-Лемешоу; и (b) различение (насколько хорошо можно предсказать бинарный результат) — обычно оценивается по площади под характеристической кривой оператора-приемника (также называемой c -статистикой) модели логистической регрессии. 6

Эта статистическая сводка посвящена бинарной логистической регрессии, которую обычно называют просто «логистической регрессией».Дополнительные методы доступны для категорийных данных (полиномиальная логистическая регрессия) и порядковых данных (порядковая логистическая регрессия).

Границы | Улучшение прогнозирования общего времени хирургической процедуры с помощью моделирования линейной регрессии

Введение

Операционные залы (OR) являются одними из самых ценных активов больниц, приносящих большую часть доходов больниц. Доход за операционный час варьируется в зависимости от процедуры, но оценивается в среднем от 1000 до 2000 долларов США, если не принимать во внимание переменные расходы на персонал и расходные материалы, связанные с госпитализацией (1).Это делает эффективное использование OR первостепенным. Каждая потерянная минута может привести к значительной потере дохода. Для эффективного использования операционных необходимо составить точные графики назначенного времени блокировки и последовательности лечения пациентов.

Качество этих инструментов планирования зависит от точного прогнозирования общего времени процедуры (TPT; сокращения описаны в таблице 1) для каждого случая. TPT состоит из времени, контролируемого анестезией (ACT, состоящего из фаз индукции и выхода) и времени, контролируемого хирургом (SCT, являющегося продолжительностью фактической операции, включая позиционирование пациента и наложение драпировки).ACT включен, потому что в голландских академических больницах фазы индукции и появления всегда происходят в операционной, что делает их важными для использования операционной.

Таблица 1 . Описание используемых сокращений.

Прогнозируемые TPT используются для планирования до желаемого уровня использования операционного комплекса. Секвенирование случаев заболевания пациентов на основе прогнозируемого TPT может помочь свести к минимуму вероятность недостаточного использования операционной и отмены процедур. Предыдущие исследования показали, что использование фиксированного отношения для расчета TPT на основе SCT, оцененного до операции [расчетное время, контролируемое хирургом (eSCT)], дает более точные оценки, чем добавление фиксированной продолжительности ACT к eSCT для расчета TPT (2).В этой статье мы пытаемся еще больше повысить точность прогнозов TPT, включив характеристики пациента и операции, имеющие отношение к TPT.

Материалы и методы

Мы извлекли данные из голландской сравнительной базы данных обо всех операциях, проведенных во всех восьми академических больницах Нидерландов с 2012 по 2016 год. Письменное информированное согласие пациентов не требовалось, поскольку не были включены данные об отдельных пациентах. Данные, предоставленные двумя из этих больниц, были исключены, потому что они содержали только наблюдаемые и впоследствии зарегистрированные ТЗТ вместо первоначально оцененных ТЗТ.Другие записи также не содержали eSCT, но описывали оценку TPT. Мы использовали это для аппроксимации eSCT, вычитая 20 минут, что является временем, отведенным по умолчанию для ACT во многих голландских больницах. К сожалению, точно установить точное время, отводимое на анестезию для каждой операции в каждой больнице, не представлялось возможным. Вычитание 20 минут дает нам приблизительные eSCT, которых достаточно для тестирования методов, описанных в этой статье.

Потенциальными предикторами TPT, которые были включены в последующий анализ, были eSCT, возраст пациента, тип операции (идентифицированный уникальными кодами, зарегистрированными в больницах), классификация физического состояния Американского общества анестезиологов (ASA) и тип используемой анестезии ( снова идентифицируется кодами, предоставленными больницей).В других полях базы данных описывалось наблюдаемое ТРТ, время индукции анестезии и время появления анестезии. Наблюдаемый АСТ рассчитывали путем сложения продолжительности индукции и появления. Были включены только записи, описывающие плановую операцию, потому что неотложная хирургия не получает оценку TPT/SCT.

Анализ данных и статистические расчеты были выполнены в R версии 3.3.1. Неправдоподобные или невозможные значения данных, такие как 0 для наблюдаемого TPT, помечались как отсутствующие данные. Поскольку мы подозревали, что отсутствующие данные в базе данных произошли совершенно случайно, мы исключили неполные записи из анализа.Окончательный набор данных состоял из 79 983 записей, описывающих 199 772 часа общего времени операционной. Распределение характеристик в этом наборе данных показано в таблицах 2 и 3. Данные были разделены на обучающую выборку с записями с 2012 по 2015 год и тестовую выборку за 2016 год.

Таблица 2 . Распределение характеристик в наборе данных.

Таблица 3 . Различные описательные статистические данные об используемом наборе данных.

Часто используемое эмпирическое правило гласит, что для включения в модель необходимо не менее 10 записей для каждого потенциального предиктора TPT.Недавние исследования показывают, что фактическое число может быть еще ниже (3). Учитывая, что набор данных, использованный для нашего анализа, содержал почти 80 000 записей, у нас было достаточно точности для проверки всех потенциальных предикторов и взаимодействий.

Во-первых, мы рассчитали для каждой записи прогнозируемый TPT на основе модели с фиксированным отношением, описанной van Veen-Berkx et al. (2) Для каждого пациента eSCT умножали на 1,33. Это число основано на исследовании, проведенном van Veen-Berkx et al., Которое показало, что 33% SCT обычно является хорошим приближением к ACT.Используя как прогнозируемый, так и наблюдаемый TPT, мы вычислили среднюю абсолютную ошибку (MAE), среднеквадратичную ошибку (MSE) и соответствие модели, выраженное как скорректированное R -квадрат модели. Скорректированное R -квадрат можно интерпретировать как долю дисперсии TPT, которую можно объяснить параметрами модели.

Все модели линейной регрессии были созданы с использованием данных за 2012–2015 годы, а затем проверены как на этом наборе, так и на наборе 2016 года. Это позволило нам отдельно измерить производительность моделей на новых данных и сравнить их с их производительностью на обучающих данных.

Мы использовали p -значение каждой переменной и скорректированные значения R -квадрата, чтобы проверить все возможные модели линейной регрессии для прогнозирования TPT с использованием eSCT в сочетании с другими доступными независимыми переменными.

В качестве дополнительной альтернативы все регрессионные модели были снова протестированы без eSCT в качестве предиктора для прогнозирования ACT отдельно (что приводит к TPT при добавлении SCT). Это позволило нам сравнить наши результаты с различными предыдущими попытками предсказать ACT (4, 5).

Наконец, чтобы проверить возможное влияние пропуска неполных записей на наши результаты, мы повторно провели анализ после импутации отсутствующих данных. Линейная регрессия использовалась для вменения числовых переменных и модели пропорциональных шансов для упорядоченной переменной, описывающей классификацию ASA. Тип используемой анестезии и тип выполненной операции не могут быть определены из-за большого количества категорий.

Результаты

Используя модель с фиксированным отношением, MAE прогнозов на 2012–2015 годы составил 39.5 мин с MSE 3859,6 мин. Для прогнозов 2016 г. MAE составляла 38,5 мин при MSE 3275,9 мин.

Все переменные моделей линейной регрессии были высокозначимыми предикторами ( p < 0,01), отчасти из-за размера набора данных, за исключением некоторых уровней факторных переменных для типа анестезии и типа операции. Однако эти переменные были сохранены в модели, поскольку общее влияние факторных переменных было значительным. В конечном счете, лучшая модель была определена путем проверки, когда скорректированный R -квадрат показал лишь минимальное улучшение после добавления дополнительных предикторов.

Из всех протестированных моделей TPT наиболее точно прогнозируется с помощью модели линейной регрессии, основанной на всех доступных независимых переменных. Однако, как видно из таблиц 4 и 5, включение возраста пациента в модель существенно не улучшило качество подгонки, поэтому мы сохранили только переменные eSCT, тип операции, классификацию ASA и тип анестезии. Используя эту лучшую модель, MAE прогнозов на 2012–2015 гг. составил 29,2 мин при MSE 2320,7 мин. Для прогнозов на 2016 год MAE равнялся 31.3 мин с MSE 2366,9 мин. Скорректированное значение R в квадрате этой модели составило 0,8498.

Таблица 4 . Качество подгонки моделей линейной регрессии для прогнозирования общего времени процедуры ранжировано по наилучшему скорректированному значению R в квадрате.

Таблица 5 . Качество подгонки моделей линейной регрессии для прогнозирования контролируемого времени анестезии (ACT), ранжированное по наилучшему скорректированному значению R -квадрат.

Точно так же АСТ был наиболее точно предсказан всеми независимыми переменными, но с очень небольшим улучшением при добавлении возраста пациента.Окончательная модель, основанная на типе операции, классификации ASA и типе анестезии, не показала лучших результатов, чем прямой прогноз TPT, с MAE прогнозов 2012–2015 гг., равной 34,7, со MSE 3269,7 мин и MAE. из прогнозов 2016 г. 34,2 мин с MSE 2878,7 мин. Скорректированное значение R в квадрате составило 0,6314.

Эти основные результаты обобщены в Таблице 6. На рисунке 1 показаны графики предсказанных и фактических TPT для этих трех моделей.

Таблица 6 .Производительность модели с фиксированным отношением и наиболее эффективные модели линейной регрессии.

Рисунок 1 . Графики прогнозируемого и фактического общего времени процедуры (TPT) для модели с фиксированным соотношением и двух лучших моделей линейной регрессии для прогнозирования TPT и времени, контролируемого анестезией (ACT).

После заполнения отсутствующих данных в исходном наборе данных вместо исключения неполных записей все результаты были практически одинаковыми.

Обсуждение

Улучшение предсказания TPT наиболее эффективной модели линейной регрессии по сравнению с моделью с фиксированным отношением было убедительным.На обучающих данных MSE уменьшилась на четверть от исходного значения. Это указывает на то, что вариация ошибок прогнозирования существенно уменьшилась. Как и следовало ожидать, этот эффект был несколько менее выражен на данных тестирования 2016 года, но все же очень полезен.

Использование этих более точных прогнозов может помочь предотвратить типичные последствия недооценки и переоценки. Недооценка может привести к дорогостоящим сверхурочным или даже к отмене операций, а переоценка может привести к простою как операционной, так и ее персонала.Для больницы с наибольшим количеством полных записей в нашем наборе данных суммарная недооценка и переоценка включенных операций с 2016 года приводит к общей переоценке в 3118 часов. Если бы они использовали модель, как описано в этой статье (на основе их собственных данных), общий результат был бы завышен только на 179 часов. В зависимости от того, как эти часы были бы распределены в расписании, они могли привести к выполнению дополнительных операций.

Точность прогнозируемой продолжительности операции также напрямую влияет на уверенность, с которой специалисты по планированию могут повысить уровень использования операционных.Планирование более высокой загрузки возможно только при большей уверенности в продолжительности обращения, но оно может предложить значительные финансовые преимущества и преимущества, связанные с производительностью.

Вторым важным открытием является то, что отдельное прогнозирование ACT (с использованием тех же доступных переменных, но без eSCT) дает худшие результаты, чем прямое прогнозирование TPT.

Тот факт, что TPT является результатом ACT и SCT, демонстрируется самой эффективной моделью. Эта модель основана на eSCT, типе операции и двух наиболее важных анестезиологических переменных: классификации ASA и типе используемой анестезии.Это означает, что предсказания возможны с использованием ограниченного числа легкодоступных значений. Несмотря на то, что наша модель предназначена для использования в компьютерной системе, упрощение модели за счет меньшего количества входных данных повышает ее удобство использования, понятность и скорость.

Тот факт, что регрессионные модели были рассчитаны и протестированы с использованием фактических дооперационных оценок SCT хирургами, а не записанных, исторических SCT, придает дополнительную достоверность нашим результатам. В реальной практике планирования прогнозы также должны быть основаны на оценке SCT.Таким образом, производительность моделей, описанная в наших результатах, должна соответствовать реальной производительности, в отличие от вероятного положительного смещения, основанного на исторических данных. Особенно это касается производительности на данных 2016 года, на которых модель не обучалась. В ходе нашего исследования стало очевидно, что прогнозы TPT 2016 года становятся все более точными по мере роста нашей коллекции обучающих данных. Это говорит о том, что метод, описанный в этой статье, обладает потенциалом для повышения производительности при применении к еще большим наборам данных, которые становятся все более доступными для аналитиков данных в области здравоохранения.Кроме того, дальнейшее улучшение может быть достигнуто за счет адаптации анализа к местным условиям. Возможна подготовка пользовательских моделей для уровня отдельных больниц, отделений, типов операций или даже хирургов.

Подводя итог вышеизложенному, мы призываем аналитиков больничных данных и руководителей хирургических служб создавать модели, аналогичные тем, которые описаны в этой статье, используя как можно больше своих собственных исторических данных. Описанный метод является относительно простым и может дать им более точные прогнозы времени процедуры, чем существующие методы.

Ограничением этого исследования было то, что используемые данные были записаны только в академических центрах. Применимость к типовым графикам операционных в региональных больницах не изучалась. Кроме того, мы усреднили все подходящие данные, доступные из этих академических центров, при условии, что между этими центрами не было существенных различий, которые могли бы существенно изменить TPT.

Ручная регистрация меток времени и полуавтоматический процесс агрегирования других данных имеют два важных недостатка.Во-первых, это, скорее всего, привело к неточностям данных, возможно, к поздней регистрации ключевых моментов операций. Во-вторых, при анализе было неожиданно много отсутствующих данных. Из записей, с которых мы начали, только ок. 21% содержал полные и достоверные данные во всех обязательных полях, что делало остальные непригодными для анализа. Тот факт, что результаты после импутации отсутствующих данных были очень похожи на результаты нашего первоначального анализа, указывает на то, что удаление неполных записей имело ограниченное влияние на результаты, как описано.

Обе проблемы подчеркивают важность внедрения автоматических систем регистрации, которые интегрируются в рабочие процессы операционной для сбора большего количества данных более высокого качества. Только тогда результаты анализа этих данных будут подняты на более высокий уровень, что позволит сделать надежные выводы с оперативными последствиями.

Последнее важное замечание заключается в том, что, несмотря на то, что новая модель в целом хорошо работает в долгосрочной перспективе, все еще существует относительно высокая межиндивидуальная вариабельность.Это может ограничить полезность его прогнозов в повседневном планировании.

Заключение

Модель линейной регрессии для прогнозирования TPT на основе eSCT, типа операции, классификации пациентов по ASA и типа анестезии превосходит существующие методы использования стандартной продолжительности для ACT или фиксированного соотношения между eSCT и TPT. Второй вывод заключается в том, что прогнозирование TPT посредством отдельного прогнозирования ACT дает менее точные результаты, чем прямое прогнозирование TPT.

Вклад авторов

EE провела анализ на основе рекомендаций SK и подготовила исходную рукопись.Всемирный банк обеспечивал непосредственный надзор в течение всего проекта. AH, MK и WB внесли ценный вклад в анестезиологические аспекты проведенного исследования и внесли свой вклад в содержание статьи. GM самостоятельно провела статистический анализ во второй раз, чтобы подтвердить результаты. Он также предоставил дополнительные советы и отзывы о методах и их текстовых описаниях.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Ссылки

1. Макарио А., Декстер Ф., Трауб Р.Д. Рентабельность больницы в расчете на час работы операционной может варьироваться в зависимости от хирурга. Anesth Analg (2001) 93(3):669–75. дои: 10.1097/00000539-200109000-00028

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

2. van Veen-Berkx E, Bitter J, Elkhuizen SG, Buhre WF, Kalkman CJ, Gooszen HG, et al. Влияние времени, контролируемого анестезией, на расписание операционных в медицинских центрах голландских университетов. Can J Anesth (2014) 61(6):524–32. дои: 10.1007/s12630-014-0134-9

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

4. Декстер Ф., Юэ Дж. К., Доу А. Дж. Прогнозирование времени анестезии для диагностических и интервенционных радиологических процедур. Anesth Analg (2006) 102(5):1491–500. doi:10.1213/01.ane.0000202397.

.1b

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

5. Силбер Дж. Х., Розенбаум П. Р., Чжан С., Эвен-Шошан О.Влияние характеристик пациента и больницы на время анестезии у пациентов Medicare, подвергающихся общей и ортопедической хирургии. Анестезиология (2007) 106(2):356–64. дои: 10.1097/00000542-200702000-00025

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Обзор руководств по регрессионному моделированию в статистических сериях медицинских журналов

Ссылки: Wallisch C, Bach P, Hafermann L, Klein N, Sauerbrei W, Steyerberg EW, et al.(2022) Обзор руководящих документов по регрессионному моделированию в статистических сериях медицинских журналов. ПЛОС ОДИН 17(1): e0262918. https://doi.org/10.1371/journal.pone.0262918

Редактор: Tim Mathes, Университет Виттена/Хердеке, ГЕРМАНИЯ

Поступила в редакцию: 28 июня 2021 г.; Принято: 8 января 2022 г .; Опубликовано: 24 января 2022 г.

Авторское право: © 2022 Wallisch et al. Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Данные были собраны в рамках обзора и доступны в качестве вспомогательной информации S6.

Финансирование: CW: I-4739-B Австрийский научный фонд, https://www.fwf.ac.at/en/ LH: RA 2347/8-1, Немецкий исследовательский фонд, https://www. dfg.de/en/ WS: SA 580/10-1, German Research Foundation, https://www.dfg.de/en/ Все спонсоры не принимали участия в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовка рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Обоснование

Перенос знаний из быстро растущего массива методологических исследований в статистике в область применения в медицинских исследованиях не всегда работает должным образом [1]. Возможными причинами этой проблемы являются отсутствие руководства и то, что не все статистические анализы проводятся статистическими экспертами, а часто медицинскими исследователями, которые могут иметь или не иметь солидную статистическую подготовку. Исследователи-прикладники не могут знать обо всех статистических ловушках и самых последних разработках статистической методологии.Профессиональному исследователю биостатистики, который часто ограничивается областью основного интереса, не отставать. Кроме того, статьи по статистической методологии часто написаны в довольно техническом стиле, что еще больше затрудняет передачу знаний. Таким образом, существует потребность в статистических руководящих документах и ​​учебных пособиях, написанных более неформальным языком, интуитивно объясняющих сложные понятия и иллюстрирующих обучающие примеры. Международная инициатива STRengthening Analytical Thinking for Observational Studies (STRATOS) (http://stratos-initiative.org) направлен на предоставление доступных и точных руководств по соответствующим темам при планировании и анализе обсервационных исследований [1]. Руководство предназначено для прикладных статистиков и других медицинских исследователей с различным уровнем статистического образования, опыта и интереса. Некоторые медицинские журналы знают об этой ситуации и регулярно публикуют отдельные статистические руководства и короткие статьи или даже целые серии статей с намерением дать своим читателям методологические рекомендации.Такие статьи и серии могут иметь большую известность среди медицинских исследователей. Хотя некоторые статьи представляют собой краткие заметки или, скорее, вводные тексты, мы будем использовать фразу «статистический учебник» для всех статей в нашем обзоре.

Регрессионное моделирование играет центральную роль в анализе многих медицинских исследований, в частности наблюдательных исследований. В частности, построение регрессионной модели включает такие аспекты, как выбор типа модели, соответствующего типу переменной результата, выбор независимых переменных для включения в модель, выбор адекватного кодирования переменных, принятие решения о том, насколько гибко связывать непрерывные переменные. с результатом следует моделировать, планировать и выполнять диагностику модели, проверку модели и пересмотр модели, сообщать о модели и описывать, насколько хорошо различия в результатах могут быть объяснены различиями в ковариатах.Некоторые выборы, сделанные во время построения модели, будут сильно зависеть от цели моделирования. Shmueli (2010) [2] различает три подхода к концептуальному моделированию: описательное, прогностическое и объяснительное моделирование. На практике эти цели до сих пор часто плохо прояснены, что приводит к путанице в отношении того, какой конкретный подход полезен в рассматриваемой проблеме моделирования. Эта путаница и постоянно растущий объем литературы по регрессионному моделированию могут объяснить, почему до сих пор трудно определить общее состояние дел [3].Однако не все исследования требуют анализа с использованием самых передовых методов, и существует потребность в руководстве для исследователей, не имеющих серьезного опыта в области статистической методологии, которые могут быть «студентами-медиками или резидентами, или эпидемиологами, прошедшими лишь несколько базовых курсов по прикладным методам». статистика» по определению исследователей уровня 1 инициативой STRATOS [1].

Если бы в рецензируемых журналах было доступно подходящее руководство для исследователей уровня 1, можно было бы избежать многих неправильных представлений о построении регрессионной модели [4–6].Исследователи должны быть проинформированы о методах, которые легко реализовать, и они должны знать о сильных и слабых сторонах распространенных подходов [3]. Надлежащее руководство должно также указывать на возможные подводные камни, разъяснять, что можно и чего нельзя делать при регрессионном анализе, а также давать рекомендации по программному обеспечению и понятный код для различных методов и аспектов. В этом обзоре мы сосредоточились на низкоразмерных регрессионных моделях, в которых размер выборки превышает количество кандидатов-предикторов. Более того, мы не будем специально обращаться к области причинно-следственных связей, которая выходит за рамки классического регрессионного моделирования.

До сих пор неясно, какие аспекты регрессионного моделирования уже были хорошо освещены в соответствующих учебных пособиях, а где еще существуют пробелы. Кроме того, могут быть опубликованы подходящие учебные статьи, но они неизвестны (почти всем) клиницистам и поэтому широко игнорируются в их анализе.

Цели

Цель этого обзора состояла в том, чтобы предоставить доказательную информационную основу для оценки степени охвата регрессионного моделирования серией статистических руководств, опубликованных в медицинских журналах.В частности, мы стремились определить каталог важных аспектов регрессионного моделирования, определить серии статистических руководств в медицинских журналах и оценить, какие аспекты были рассмотрены в указанных статьях и на каком уровне сложности. Таким образом, мы уделяем особое внимание выбору типа регрессионной модели, выбору переменных, а для непрерывных переменных — функциональной форме. Кроме того, в этой статье будет представлен обзор, который поможет информировать широкую аудиторию медицинских исследователей о наличии подходящих статей, написанных на английском языке.

Оставшаяся часть этого обзора организована следующим образом: В следующем разделе описан протокол обзора. Впоследствии мы суммируем результаты обзора с помощью описательных показателей. Наконец, мы обсуждаем последствия наших результатов, предлагая потенциальные темы для будущих руководств или целых серий.

Материалы и методы

Протокол этого обзора с описанием подробного дизайна уже был опубликован Bach et al. (2020) [7]. Здесь мы суммируем его основные характеристики.

Критерии приемлемости

Во-первых, мы определили серию статистических руководств и статей, опубликованных в медицинских журналах, целевая аудитория которых в основном или исключительно состоит из медицинских исследователей или практикующих врачей. Во-вторых, мы искали статьи по регрессионному моделированию в рамках этой серии. Журналы с целевой аудиторией чисто теоретической, методологической или статистической направленности не рассматривались. Мы включили медицинские журналы, если они были доступны на английском языке, поскольку это предполагает высокое международное влияние и широкую известность.Кроме того, серия должна содержать не менее пяти или более статей, в том числе хотя бы одну статью по теме. Мы сосредоточились на статистических рядах только потому, что считали, что целые ряды имеют большее влияние и заметность, чем отдельные статьи.

Источники информации и стратегия поиска

После проведения пилотного исследования по систематическому поиску серий статистических руководств нам пришлось адаптировать нашу стратегию поиска, поскольку не удалось найти чувствительные ключевые слова для идентификации статистических серий.Поэтому весной 2018 года мы проконсультировались по электронной почте с более чем 20 участниками инициативы STRATOS, чтобы получить предложения по статистическим рядам, адресованным медицинским исследователям. Мы также попросили их переслать этот запрос коллегам, что напоминает выборку снежным комом [8, 9]. Этот призыв был повторен на двух международных встречах STRATOS летом 2018 г. и в 2019 г. Поиск был закрыт 30 июня st , 2019 г. Наш подход также включал элементы выборки, ориентированной на респондентов [10], предлагая сотрудничество и соавторство в случай соответствующего вклада в обзор.Кроме того, мы включили несколько серий, которые были дополнительно предложены рецензентом в процессе рецензирования этой рукописи и которые были опубликованы к концу июня 2019 г. в соответствии с первоначальным запросом.

Управление данными и процесс выбора

Список всех предлагаемых результирующих статистических рядов доступен в виде файла S1.

Два независимых оценщика выбрали соответствующие статистические ряды из пула серий-кандидатов, применяя критерии включения, изложенные выше.

Статья в серии считалась релевантной по теме, если заголовок содержал одно из следующих ключевых слов: регрессия , линейный , логистический , Cox , выживание , Poisson , , , , , , многомерный , или если название предполагало, что основной темой статьи было статистическое регрессионное моделирование . Оба оценщика самостоятельно определяли релевантность темы статьи и устраняли расхождения путем обсуждения.Чтобы облегчить выбор соответствующих статистических рядов, мы разработали форму отчета под названием , включающую форму (файл S2).

Процесс сбора данных

После определения релевантных серий и тематических статей был проведен контент-анализ всех тематических статей с использованием формы содержания статей (файл S3). Форма содержания статьи заполнялась двумя оценщиками независимо друг от друга для каждой идентифицированной релевантной статьи, и снова расхождения решались путем обсуждения.Результаты заполненных форм содержания статьи были скопированы в базу данных для дальнейшего количественного анализа.

Элементы данных

Всего в форме содержания статьи (файл S3) было рассмотрено 44 аспекта регрессионного моделирования, которые были связаны с четырьмя областями: тип регрессионной модели , общие аспекты регрессионного моделирования , функциональная форма непрерывных предикторов , и выбор переменных . 44 аспекта охватывают темы разной сложности.Одни аспекты можно считать базовыми, другие — более продвинутыми. Это также было прокомментировано в файле S3 для ориентации. Мы в основном сосредоточились на прогностических и описательных моделях и не рассматривали отдельные аспекты, относящиеся к этологическим моделям.

Для каждого аспекта мы оценили, упоминался ли он вообще, и если да, то степень пояснения (короткое = только одно предложение / среднее = более одного предложения в одном абзаце / длинное = более одного абзаца) [7]. Мы записывали, были ли предоставлены примеры и команды программного обеспечения, и были ли даны рекомендации или предупреждения в отношении каждого аспекта.Поле для комментариев предоставило место для заметок рекомендаций, предупреждений и других вопросов. В форме содержания статьи также можно было добавить дополнительные аспекты в каждую область. Руководство для оценщиков было создано для поддержки объективной оценки аспектов (файл S4).

Суммарные измерения и обобщение результатов

Этот обзор был разработан как исследовательское исследование и использует описательную статистику для обобщения результатов. Мы рассчитали абсолютные и относительные частоты для анализа 44 статистических аспектов.Мы использовали гистограммы с накоплением для описания порядковой переменной степени объяснения для каждого аспекта. Чтобы структурировать анализ, мы сгруппировали аспекты в вышеупомянутые области: тип регрессионной модели , общие аспекты регрессионного моделирования , определение функциональной формы для непрерывных предикторов и выбор переменных .

Мы провели вышеуказанный анализ как по статьям, так и по сериям. При постатейном анализе каждая статья рассматривалась отдельно.Для серийного анализа результаты всех статей в серии были объединены, и каждая серия рассматривалась как единица наблюдения. Это означает, что если какой-либо аспект был объяснен хотя бы в одной статье, это также учитывалось во всей серии.

Риск предвзятости

Риск систематической ошибки из-за пропуска серии широко рассматривался в протоколе этого исследования [7, 11, 12]. Более того, предвзятость могла возникнуть из-за критерия включения серии, который заключался в требовании не менее пяти статей в серии.Возможно, это привело к менее репрезентативному набору серий. Мы устанавливаем этот критерий включения, чтобы идентифицировать хорошо заметные серии. Смещение также может быть результатом конкретного выбора аспектов регрессионного моделирования, подлежащих проверке. Мы попытались свести к минимуму эту предвзятость за счет возможности ввода произвольного текста, который впоследствии можно было бы объединить в дополнительные аспекты.

Этот обзор был написан в соответствии с руководством по отчетности PRISMA [13, 14], см. контрольный список S1. Этот обзор не включает пациентов или людей.Данные, которые были собраны в рамках обзора, доступны в S1 Data.

Результаты

Подборка серий и статей

Первоначальный запрос выявил 47 серий статистических руководств (рис. 1 и файл S1). Из этих 47 серий две серии не были опубликованы в медицинском журнале, а пять серий не предназначались для аудитории с низкими статистическими знаниями. Поэтому эти серии были исключены. Пять и десять серий были исключены, поскольку они были написаны не на английском языке или не содержали как минимум пяти статей соответственно.Кроме того, мы исключили три серии, поскольку они не содержали статей по теме. Список серий и причина исключения каждой серии находятся в файле S1. Наконец, мы включили 23 серии с 57 статьями по теме.

Характеристики серии

Каждая серия содержала от одной до девяти тематических статей (в среднем две, таблица 1). Изменчивость среднего количества страниц статей в серии показывает, что объем статей был очень разным (от 1 до 10.3 страницы). В то время как серия «Статистические заметки » в BMJ обычно использовала одну страницу для обсуждения темы, следовательно, указывала только на наиболее важные вопросы, были более длинные статьи объемом до 16 страниц [15, 16]. Серия BMJ также охватывает самый длительный период времени (1994–2018 гг.). Помимо серии BMJ , только Архив болезней в детстве и Пищевая промышленность начали публиковать статьи уже в прошлом веке.На рис. 2 показано, что большинство серий были опубликованы только в течение короткого периода времени, возможно, параллельно сроку полномочий редактора.

Наиболее информативная серия в отношении нашего заранее определенного списка аспектов была опубликована в Revista Española de Cardiologia , в которой упоминалось 35 аспектов в двух статьях по регрессионному моделированию (таблица 1). Точно так же Тираж и Архив болезней в детском возрасте охватывают 31 и 30 аспектов в трех статьях каждый. Количество статей и годы публикации варьировались в зависимости от серии (рис. 2).Некоторые серии включали только пять статей, тогда как Статистических заметок из BMJ опубликовали 68 коротких статей, что было очень успешным, поскольку некоторые статьи цитировались около 2000 раз. Почти все серии посвящены многопараметрической регрессии как минимум в одной статье. Диапазон типов регрессии варьировался в зависимости от серии. Большинство статистических серий были опубликованы с целью улучшить знания своих читателей о том, как применять соответствующую методологию в анализе данных и как критически оценивать опубликованные исследования [17–19].

Характеристики изделий

Первые три статьи, охватывающие наибольшее количество аспектов (от 27 до 34 из 44 аспектов) на шести-семи страницах, были опубликованы в Revista Española de Cardiologia , Deutsches Ärzteblatt International и в European Journal of Cardio- Торакальная хирургия [20–22]. В статье Nuñez et al. [22], опубликованные в Revista Española de Cardiologia , охватывали самые популярные типы регрессии (линейная, логистическая и регрессия Кокса) и объясняли не только общий аспект, но также давали представление о нелинейном моделировании и выборе переменных.Шнайдер и др. [20] охватили все типы регрессии, которые мы рассмотрели в нашем обзоре в их публикации в Deutsches Ärzteblatt International . В статье European Journal of Cardio-Toracic Surgery [21], получившей первое место в рейтинге, основное внимание уделялось разработке и проверке моделей прогнозирования.

Объяснение аспектов серии

Почти все статистические ряды включали хотя бы одну статью, в которой упоминалась или объяснялась многомерная регрессия (таблица 1). Логистическая регрессия была наиболее часто описываемым типом регрессии в 19 из 23 серий (83%), за ней следовала линейная регрессия (78%). Модель регрессии/выживания Кокса (включая регрессию пропорциональных рисков) упоминалась в двенадцати сериях (52%) и была менее подробно описана, чем линейная и логистическая регрессия. Регрессия Пуассона была покрыта тремя сериями (13%). Каждый из рассмотренных общих аспектов регрессионного моделирования упоминался как минимум в четырех сериях (17%) (рис. 3), за исключением моделей случайных эффектов , которые рассматривались только в одной серии (4%). Интерпретация коэффициентов регрессии , предположений модели и различных целей режима регрессии были охвачены в 19 сериях (83%). Аспект различных целей регрессионных моделей содержал по меньшей мере одно утверждение в статье, касающееся целей регрессионных моделей, которое можно было определить по ключевым словам, таким как предсказание, описание, объяснение, этиология или смешение. Для объяснения разных целей использовалось более одного предложения в 15 сериях (65%).В 18 сериях (78%) были описаны сообщений о результатах регрессии и диагностики регрессии , что было широко сделано в большинстве серий. Такие аспекты, как обработка бинарных ковариат , отсутствующие значения , ошибка измерения и скорректированный коэффициент детерминации упоминались довольно редко и обнаруживались в четырех-семи сериях каждая (25–30%).

Рис. 3.

Степень пояснения общих аспектов регрессионного моделирования в статистических рядах: Только одно предложение (светло-серый), более одного предложения в одном абзаце (серый) и более одного абзаца (черный).

https://doi.org/10.1371/journal.pone.0262918.g003

По крайней мере один аспект из функциональных форм непрерывных предикторов упоминался в 17 сериях (74%), но подробности почти никогда не приводились (рис. 4). Возможность нелинейного отношения и Нелинейные преобразования были поставлены в 16 (70%) и одиннадцати сериях (48%) соответственно. Дихотомизация непрерывных ковариат была обнаружена в восьми сериях (35%) и широко обсуждалась в двух (9%).Более продвинутые методы, такие как использование сплайнов или дробных полиномов , упоминались в некоторых сериях, но подробная информация о сплайнах не предоставлялась. Обобщенные аддитивные модели никогда не упоминались.

Рис. 4.

Степень пояснения аспектов функциональных форм непрерывных предикторов в статистических рядах: Только одно предложение (светло-серый), более одного предложения в одном абзаце (серый) и более одного абзаца (черный).

https://doi.org/10.1371/journal.pone.0262918.g004

Выбор переменных упоминался в 15 сериях (65%) и подробно описан в десяти сериях (43%) (рис. 5). Однако методы отбора конкретных переменных редко подробно описывались. Обратное исключение , отбор на основе фоновых знаний , прямой отбор и пошаговый отбор были наиболее часто описываемыми методами отбора в семи-одиннадцати сериях (30–48%). Однофакторный скрининг , который до сих пор популярен в медицинских исследованиях, был описан только в трех сериях (13%) в одном абзаце. Другие аспекты отбора переменных почти никогда не упоминались. Отбор на основе AIC/BIC , относящийся к выбору наилучшего подмножества или поэтапному отбору на основе этих информационных критериев, и выбор уровня значимости были обнаружены только в 2 сериях (9%). Относительная частота аспектов, упомянутых в статьях, подробно представлена ​​на рис. 1–3 в файле S5.

Рис. 5.

Объем объяснения аспектов выбора переменных в статистических рядах: Только одно предложение (светло-серый), более одного предложения в одном абзаце (серый) и более одного абзаца (черный).

https://doi.org/10.1371/journal.pone.0262918.g005

Программное обеспечение

Мы нашли общие рекомендации по программному обеспечению в девяти статьях из девяти разных серий. Авторы упоминали R, Nanostat, пакет GLIM, SAS и SPSS [75–78].SAS и R были рекомендованы в трех статьях. Только в одной статье авторы ссылались на конкретный пакет в R. Подробные примеры кода были представлены только в двух статьях [16, 58]. В статье Curran-Everett [58] файл сценария R был представлен в качестве приложения, а в статье Obuchowski [16] фрагменты кода были включены в текст, непосредственно показывая, как получить сообщаемые результаты. В целом, рекомендации по программному обеспечению были редки и в основном не были подробными.

Рекомендации и предупреждения в серии

Рекомендации и предупреждения были даны по многим аспектам нашего списка.Все утверждения перечислены в файле S5: таблица 1, а некоторые частые утверждения в статьях приведены ниже.

Заявления по общим аспектам

Мы нашли множество рекомендаций и предупреждений по общим аспектам, как описано ниже. Что касается подготовки данных, некоторые авторы рекомендовали вводить пропущенные значения в моделях с несколькими переменными, например. методом множественного вменения [20–22, 31]. Стейерберг и др. [31] и Грант и соавт. [21] не рекомендуется использовать полный анализ случая для обработки пропущенных значений.Как аспект разработки модели, 90 357 число наблюдений/событий на переменную 90 358 было спорной темой в нескольких статьях [79–81]. В семи статьях мы нашли явные рекомендации по количеству наблюдений (в линейных моделях) или событий на переменную (в логистических моделях и моделях Кокса/выживания), варьирующихся от 10 до 20 наблюдений/событий на переменную [16, 20, 22, 25, 31, 33, 55]. Было дано несколько рекомендаций и предупреждений о предположениях модели и диагностике модели .Авторы многих серий рекомендуют графически проверять допущения [24, 27, 44, 58, 72] и предупреждают, что модели могут оказаться неподходящими, если допущения не выполняются [20, 24, 31, 33, 52, 55, 56, 62]. . В контексте модели пропорциональных рисков Кокса авторы особо отметили предположение о пропорциональных опасностях [24, 44, 49, 56, 62]. Что касается отчета о результатах, некоторые авторы предупреждают, что нельзя путать отношение шансов с относительным риском или отношением опасности [25, 44, 59]. Несколько предупреждений также можно найти в отчетах о производительности модели.Большинство авторов не рекомендовали указывать коэффициент детерминации R 2 [20, 27, 51, 61] и указывали, что недостаток R 2 заключается в том, что его значение увеличивается с увеличением числа ковариат в модели [15] . Шнайдер и др. [20] и Ричардсон и соавт. [61] рекомендовали вместо этого использовать скорректированный коэффициент детерминации. Мы также нашли много рекомендаций и утверждений о проверке модели для моделей прогнозирования. Авторы оцениваемых статей рекомендовали перекрестную проверку или проверку начальной загрузки вместо проверки разделенной выборки, если выполняется внутренняя проверка [21, 22, 31, 70, 72].Было также высказано предположение, что внутренней валидации недостаточно для использования модели в клинической практике, и следует также провести внешнюю валидацию [21]. В нескольких статьях мы обнаружили, что авторы предупреждали о применении теста Хосмера-Лемешоу из-за потенциальных ловушек [31, 60, 61]. Для отчетов о результатах регрессии в двух статьях было упомянуто руководство по прозрачной отчетности многопараметрических моделей прогнозирования для индивидуального прогноза или диагностики (TRIPOD) [21, 71, 82].

Утверждения о функциональной форме непрерывных предикторов

Дихотомизация непрерывных предикторов — это аспект функциональных форм непрерывных предикторов , который часто обсуждался. Многие авторы выступали против категоризации непрерывных переменных, поскольку это может привести к потере мощности, повышенному риску ложноположительных результатов, недооценке вариации и сокрытию нелинейностей [21, 26, 31, 69]. Однако другие авторы советуют классифицировать непрерывные переменные, если отношение к результату нелинейно [24, 25, 59].

Заявления о выборе переменной

Мы также нашли рекомендации в пользу или против конкретных методов выбора переменных. В четырех статьях явно рекомендуется использовать фоновые знания для выбора переменных [15, 20, 48, 59]. Одномерный скрининг не рекомендовался в одной статье [19]. Сравнивая пошаговые методы отбора, Grant et al. [21] предпочли обратное исключение прямому отбору. Авторы предупреждали о последствиях использования пошаговых методов, таких как неустойчивый отбор и переобучение [21, 31].Было также указано, что выбранные модели следует интерпретировать с большой осторожностью, а последствия следует проверять на новых данных [28, 53].

Методологические пробелы в серии

Этот описательный анализ содержания дает основания для некоторых замечаний о важных пробелах и, возможно, вводящих в заблуждение рекомендаций. Во-первых, мы обнаружили, что один общий тип регрессионных моделей, регрессия Пуассона, не рассматривался в большинстве рядов. Это упущение, вероятно, связано с тем, что регрессия Пуассона реже применяется в медицинских исследованиях, потому что большинство результатов являются бинарными или временными, и, следовательно, логистическая регрессия и регрессия Кокса встречаются чаще.Во-вторых, несколько рядов представили возможность нелинейных отношений непрерывных ковариат с результатом. Однако было доступно лишь несколько утверждений о том, как бороться с нелинейностями путем определения гибких функциональных форм в множественной регрессии. В-третьих, мы не нашли очень подробной информации о преимуществах и недостатках методов выбора переменных на основе данных ни в одной из серий. Наконец, в рецензируемой серии почти не было руководств по статистическому программному обеспечению и конкретным примерам кода.

Вводящие в заблуждение рекомендации в серии

Оценка качества рекомендаций была бы спорной, и мы не собирались ее делать. Тем не менее, здесь мы упомянем два вопроса, которые мы считаем серьезно вводящими в заблуждение. Хотя однофакторный скрининг как метод выбора переменных никогда не рекомендовался ни в одной из серий, в одной статье был показан пример применения этой процедуры для предварительной фильтрации объясняющих переменных на основе их ассоциаций с переменной результата [47].Давно известно, что одномерного скрининга следует избегать, поскольку он может ошибочно отклонить важные переменные [83]. В другой статье было высказано предположение, что модель можно считать надежной, если результаты как обратного исключения, так и прямого выбора согласуются [20]. Такое согласие не поддерживает надежность пошаговых методов: полагаться на соглашение — плохая стратегия [84, 85].

Серии и статьи, рекомендуемые к прочтению

В зависимости от цели планируемого исследования, а также направленности и уровня знаний читателя могут быть рекомендованы различные серии и статьи.Серия Circulation включала три статьи о множественной линейной и логистической регрессии [24–26], в которых излагаются основы и описываются многие существенные аспекты одномерного и многомерного регрессионного моделирования. Для более продвинутых исследователей мы рекомендуем статью Nuñ ez et al. в Revista Española de Cardiologia [22], который дает краткий обзор аспектов и существующих методов, включая функциональные формы и выбор переменных. В серии Nature Methods были опубликованы короткие статьи, посвященные нескольким конкретным аспектам регрессионного моделирования [34–42].Эта серия может быть интересна тем, кто любит больше времени изучать регрессионное моделирование. Если кого-то особенно интересуют прогностические модели, мы рекомендуем краткую публикацию в European Heart Journal [31], в которой подробно рассказывается о разработке и проверке моделей для прогностических целей. По той же теме мы также можем порекомендовать статью Гранта и др. [21]. Мы рассматриваем все серии и статьи, рекомендованные в этом абзаце, как подходящие для чтения медицинскими исследователями, но это не означает, что мы согласны со всеми обсуждаемыми объяснениями, утверждениями и аспектами.

Обсуждение

Резюме и последствия для будущей работы

В этом обзоре обобщаются знания о регрессионном моделировании, полученные из статистических руководств, опубликованных в медицинских журналах. Всего было отобрано и оценено 23 серии с 57 статьями по теме для охвата 44 аспектов регрессионного моделирования. Мы обнаружили, что почти все аспекты регрессионного моделирования хотя бы упоминались в любой из серий. Были рассмотрены несколько аспектов регрессионного моделирования, в частности наиболее общие аспекты.Однако подробные описания и объяснения нелинейных отношений и выбора переменных в многомерных моделях отсутствовали. Только в нескольких документах были представлены подходящие методы и руководство по программному обеспечению для аналитиков с относительно слабым статистическим образованием и ограниченным практическим опытом, как это рекомендовано инициативой STRATOS [1]. Однако мы признаем, что в настоящее время нет единого мнения о современной методологии [3].

Тем не менее, читатели статистических учебных пособий должны быть не только проинформированы о возможности нелинейных отношений непрерывных предикторов с результатом, но также должны быть дано краткое представление о том, какие методы общедоступны и могут быть подходящими.Этого можно достичь с помощью учебных пособий, которые знакомят читателей с такими методами, как дробные полиномы или сплайны, объясняя сходства и различия между этими подходами, например, путем сравнительного анализа реалистичных наборов данных с комментариями. Такие документы могут также показать, как альтернативный анализ (с учетом/игнорированием потенциальных нелинейностей) может привести к противоречивым результатам, и объяснить причины таких расхождений.

Подробные руководства по выбору переменных могут быть направлены на описание механизма различных методов выбора переменных, которые можно легко применять со стандартным статистическим программным обеспечением, и должны указывать, в каких ситуациях методы выбора переменных необходимы и могут быть использованы.Например, если доступны достаточные базовые знания, предварительная фильтрация или даже выбор переменных должны основываться на этой информации, а не на использовании методов, управляемых данными, для всего набора данных. Такие руководства должны обеспечивать сравнение и интерпретацию результатов различных методов выбора переменных и предлагать адекватные методы для различных параметров данных.

Как правило, в статьях также отсутствовали сведения о программном обеспечении для проведения статистического анализа и, как правило, не приводились фрагменты кода, описания конкретных функций, приложения с комментариями кода или ссылки на программные пакеты.Будущая работа также должна быть сосредоточена на заполнении этого пробела рекомендациями по программному обеспечению, а также на предоставлении хорошо прокомментированного и задокументированного кода для различных статистических методов в формате, доступном для неспециалистов. Мы рекомендуем, чтобы программное обеспечение, пакеты и функции для применения определенных методов сообщались в каждой статистической статье. Соответствующий код для получения результатов анализа может быть предоставлен в приложении или непосредственно в тексте рукописи, если он не слишком длинный. Любой представленный в приложении код должен быть хорошо структурирован и щедро прокомментирован со ссылкой на конкретный метод и описанием всех определенных настроек параметров.Это побудит медицинских исследователей повысить воспроизводимость своих исследований, а также опубликовать свой статистический код, например, в электронных приложениях к своим публикациям. Например, рабочие примеры с открытыми наборами данных и прокомментированным кодом, обеспечивающие полностью воспроизводимые результаты, имеют большой потенциал, чтобы помочь исследователям в их собственных статистических задачах. Напротив, мы не рекомендуем использовать программы типа «укажи и щелкни», которые иногда выдают намного больше результатов анализа, чем требуется.Пользователи могут выбрать неподходящие методы или непреднамеренно сообщить о неверных результатах, что может подорвать их исследовательскую работу.

Как правило, наш обзор может стимулировать разработку целевых руководств и учебных пособий в области регрессионного моделирования, которые должны помочь исследователям-медикам несколькими способами: 1) объясняя, как правильно интерпретировать опубликованные результаты, 2) направляя их как критически оценить методологию, используемую в опубликованной статье, 3) позволяя им планировать, выполнять базовый статистический анализ и сообщать о результатах должным образом и 4) помогая им определять ситуации, в которых требуется консультация эксперта по статистике. .В файле S3: скрининг статьи CRF мы прокомментировали, какие аспекты обычно должны решаться экспертом, а какие аспекты считаются базовыми.

Сильные стороны и ограничения

Насколько нам известно, это первый обзор серии статистических руководств в области медицины с упором на регрессионное моделирование. Наш обзор следовал заранее определенному и опубликованному протоколу, в который внесли свой вклад многие опытные исследователи в области прикладного регрессионного моделирования. Одним из аспектов этого вклада был набор серий статистических руководств, которые нельзя было идентифицировать с помощью обычного поиска по ключевым словам.

Мы стандартизировали процесс выбора, разработав контрольный список включения для серии статистических руководств и предоставив руководство для формы содержания, с помощью которой мы извлекли фактическую информацию из статьи и серии. Еще одним преимуществом является то, что процесс сбора данных осуществлялся объективно, поскольку каждую статью анализировали два из трех независимых оценщиков. Разногласия были обсуждены между всеми тремя из них, чтобы найти согласие. Эта процедура позволила избежать переноса отдельных мнений в результаты этого обзора.Этот обзор информативен для многих коллег-клиницистов, которые интересуются статистическими вопросами регрессионного моделирования и ищут подходящую литературу.

Этот обзор также имеет ограничения. Автоматический систематический поиск был невозможен, поскольку серии не могли быть идентифицированы по общим ключевым словам ни на уровне названия серии, ни на уровне названия статьи. Таким образом, не все доступные серии могли быть найдены. Чтобы обогатить наш первоначальный запрос, мы также провели поиск на веб-страницах некоторых журналов и попросили нашу группу экспертов из инициативы STRATOS дополнить наш список другими сериями, о которых они знали.Мы также включили серии, предложенные одним рецензентом во время процедуры рецензирования этой рукописи. Эта стратегия отбора может вызвать перекос в сторону более качественных журналов, поскольку ряд менее престижных журналов может быть неизвестен экспертам. Тем не менее, журналы более высокого качества можно рассматривать как основной источник информации для исследователей, обращающихся за советом по статистической методологии.

Мы учитывали только серии, содержащие не менее пяти статей. Эта граница, конечно, до известной степени произвольна.Это было мотивировано тем, что мы намеревались проводить анализ на уровне серии, что разумно только в том случае, если серия охватывает достаточное количество статей. Мы также предположили, что более крупные серии более заметны и известны исследователям.

Мы также могли пропустить или исключить из нашего каталога некоторые важные аспекты регрессионного моделирования. Каталог аспектов был разработан и обсужден несколькими опытными исследователями инициативы STRATOS, работающими в области регрессионного моделирования.После подачи протокола по просьбе его рецензентов были добавлены еще некоторые аспекты [7]. Однако другие важные аспекты, такие как метарегрессия, диагностические модели, причинно-следственный вывод, воспроизводимость или открытые данные и открытый программный код, не рассматривались. Мы призываем исследователей повторить аналогичные обзоры в этих смежных областях.

Третье ограничение заключается в том, что мы искали только серии, в то время как могли быть другие учебные статьи по регрессионному моделированию, которые были опубликованы как отдельные статьи.Однако мы считаем, что средняя видимость всей серии и, следовательно, ее образовательное воздействие намного выше, чем у отдельных статей. Это не отменяет того, что могут быть отличные отдельные статьи, которые могут оказать большое влияние на подготовку медицинских исследователей. Во время работы над окончательной версией этой статьи нам стало известно о серии Колонка клинических испытаний больших данных в Анналах трансляционной медицины . До 1 января 2019 года они опубликовали 36 статей, и эта серия подходила для нашего обзора.Очевидно, что мы могли наблюдать за дальнейшими сериями, но маловероятно, что это оказало большее влияние на результаты нашего обзора.

Кроме того, существует множество вводных учебников, обучающих мастер-классов и онлайн-видеоуроков, некоторые из них отличного качества, которые здесь не рассматривались. Подробный обзор таких источников явно не входит в наши задачи.

Благодарности

Когда эта статья была написана, тематическая группа 2 STRATOS состояла из следующих участников: Георг Хайнце (сопредседатель, [email protected]), Медицинский университет Вены, Австрия; Вилли Зауэрбрей (сопредседатель, [email protected]), Фрайбургский университет, Германия; Арис Перпероглу (сопредседатель, [email protected]), AstraZeneca, Лондон, Великобритания; Михал Абрахамович, Королевский госпиталь Виктории, Монреаль, Канада; Хайко Бехер, Медицинский университетский центр Гамбурга, Эппендорф, Гамбург, Германия; Харальд Биндер, Фрайбургский университет, Германия; Daniela Dunkler, Медицинский университет Вены, Австрия; Рольф Гроенвольд, Лейденский университет, Лейден, Нидерланды; Фрэнк Харрелл, Медицинский факультет Университета Вандербильта, Нэшвилл, Теннесси, США; Надя Кляйн, Университет имени Гумбольдта, Берлин, Германия; Geraldine Rauch, Charité–Universitätsmedizin Berlin, Германия; Патрик Ройстон, Университетский колледж Лондона, Великобритания; Матиас Шмид, Боннский университет, Германия.

Мы благодарим Эдит Мотчалл (Фрайбург) за ее важную поддержку в пилотном исследовании, в котором мы пытались определить ключевые слова для идентификации статистических рядов в медицинских журналах. Мы благодарим нескольких членов инициативы STRATOS за предложение большого количества серий кандидатов, и мы благодарим Франка Коничке за редактирование английского языка в нашем протоколе.

Учебник по бинарной логистической регрессии

Введение

С самого начала семейная медицина отдавала предпочтение заботе о пациенте, а не исследованиям.1 Тем не менее, исследования занимают важное место в семейной медицине для улучшения качества, оперативности и инноваций в уходе за пациентами. 6 Среди рекомендаций по совершенствованию исследований в области семейной медицины — более активное использование соответствующих методов исследования. 6

Бинарная логистическая регрессия — это один из методов, который особенно подходит для анализа данных опросов в широко используемых схемах перекрестных исследований и исследований случай-контроль. .7–9 В журнале Family Medicine and Community Health (FMCH) 35 из 142 (24,6%) рецензируемых опубликованных оригинальных научных статей в период с 2013 по 2020 год сообщили об использовании бинарной логистической регрессии в качестве одного из аналитических методов. Учитывая высокий процент публикаций FMCH, включающих бинарную логистическую регрессию, понимание этого метода важно для авторов и обозревателей FMCH.

Модель бинарной логистической регрессии является частью семейства статистических моделей, называемых обобщенными линейными моделями.Основной характеристикой, отличающей бинарную логистическую регрессию от других обобщенных линейных моделей, является тип зависимой (или конечной) переменной10. Зависимая переменная в бинарной логистической регрессии имеет два уровня. Например, переменная, которая фиксирует, было ли у кого-либо когда-либо диагностировано такое состояние здоровья, как рак легких, может быть измерена в двух категориях: да и нет. Точно так же у кого-то может быть ишемическая болезнь сердца или нет, быть физически активным или нет, быть курильщиком или нет, или иметь любой из тысяч диагнозов или личное поведение и характеристики, которые представляют интерес для семейной медицины.

В дополнение к бинарной зависимой переменной бинарная логистическая регрессия имеет как минимум одну независимую переменную, которая используется для объяснения или прогнозирования значений зависимой переменной. Например, при диагностике рака легкого логически независимыми переменными могут быть возраст или статус курения. Люди, которые курят, имеют более высокие шансы заболеть раком легких, как и люди старшего возраста. В отличие от зависимой переменной, независимые переменные не обязательно должны быть бинарными и могут иметь две или более категории или быть непрерывными.

Существует множество способов определения и выбора переменных, которые важно включить в модель логистической регрессии, и исследователям следует тщательно продумать, какие переменные включать. Некоторые предлагаемые стратегии идентификации и выбора переменных в логистической регрессии включены в статью 2019 года Шипе и др. 11, а другие стратегии выбора переменных включены в статью 2018 года Хайнце и др. регрессии, рекомендуется сотрудничество с опытными исследователями или методистами.6

Следующие разделы представляют собой пошаговую демонстрацию того, как проводить и интерпретировать модель бинарной логистической регрессии. Анализы в этой статье проводились в R V.4.1.113 с использованием следующих пакетов: tidyverse,14ods.n.ends,15car,16finalfit,17Knitr18 и таблица 1.19. Статистический код для воспроизведения результатов или для адаптации код для проведения анализа других данных доступен по этому URL-адресу: https://github.com/jenineharris/logistic-regression-tutorial

Таблица 1

Пример таблицы, показывающей характеристики людей в небольшом наборе данных (n = 32)

Шаг 1: исследовательский анализ данных

Перед оценкой модели бинарной логистической регрессии важно провести исследовательский анализ данных (EDA).EDA может включать описательную статистику и/или графики. EDA служит нескольким целям, в том числе: подтверждение того, что данные были измерены и маркированы правильно, выявление потенциальных проблем с распределением данных (например, отсутствие случаев в важной категории), предварительный просмотр того, что могут показать результаты модели, и информация, которую можно использовать. в воспроизведении статистических результатов.20

В качестве примера рассмотрим небольшой набор данных с ответами на опрос 32 заядлых курильщиков. Набор данных включает три переменные: lungCancer, yearsSmoke и ИМТ.Переменная lungCancer является показателем того, был ли у участника опроса когда-либо диагностирован рак легких; он имеет значение 1 для да и 0 для нет. Переменная years smoke — это количество лет, в течение которых участник опроса был курильщиком, а переменная bmi — это категория индекса массы тела (ИМТ), к которой относится участник, которая включает две категории: недостаточный или нормальный ИМТ и избыточный вес или ожирение. ИМТ. Если цель состоит в том, чтобы построить модель логистической регрессии на основе этих данных, где диагноз рака легких является переменной результата и предсказывается годами курения и категорией ИМТ, первым шагом будет проведение EDA, которое сначала исследует каждую переменную, а затем исследует пересечение каждого предиктора с переменной исхода рака легких.

Один из способов изучить каждую переменную отдельно перед моделированием — создать таблицу описательной статистики, выбрав наиболее подходящую статистику для каждого типа переменной. Поскольку количество лет курения ближе к непрерывной переменной (а не к категориальной), наилучшей описательной статистикой будет либо среднее значение и стандартное отклонение, либо медиана и IQR. Способ выбора между этими двумя вариантами состоит в том, чтобы определить, являются ли данные о годах курения нормально распределенными или нет. Непрерывные переменные, которые имеют относительно нормальное распределение, лучше всего описываются средним значением и стандартным отклонением, в то время как те, которые не имеют нормального распределения, лучше описываются медианой и IQR.

Гистограмма (рисунок 1) показывает, что переменная смещена вправо, а не в норму, поэтому медиана и IQR были бы более подходящим выбором для описательных статистических данных для переменной годового дыма. Две другие переменные, ИМТ и рак легких, являются категориальными, поэтому наиболее подходящей описательной статистикой являются проценты и частоты. В таблице 1 показан пример полезного исследования данных перед моделированием бинарной логистической регрессии.

Рисунок 1

Гистограмма, показывающая распределение лет курения для выборки из 32 курильщиков.

Таблица 1 показывает, что рак легких когда-либо был диагностирован менее чем у половины участников, около 40% имеют избыточный вес, а средний стаж курения составляет немногим более 19 лет. что вы знаете о выборке или измерении, вы можете просмотреть данные и любые шаги по управлению данными, чтобы убедиться, что все было правильно записано и маркировано. После получения одномерной описательной статистики следующим шагом может быть вычисление описательной статистики по группе результатов.Этот шаг дает некоторое представление о том, что может обнаружить статистическое моделирование.

Из таблицы 2 видно, что люди, у которых был диагностирован рак легких, были курильщиками в течение более высокого медианного количества лет. Также оказалось, что распределение людей по группам ИМТ различно для групп с раком легких и без рака легких. Для тех, у кого не было рака легких, более высокий процент был в группе с недостаточным или нормальным ИМТ и меньше в группе с избыточным весом или ожирением ИМТ по сравнению с людьми, равномерно разделенными на эти две группы ИМТ для участников с раком легких.

Таблица 2

Пример стратифицированной таблицы, показывающей характеристики людей в зависимости от статуса рака легких в небольшом наборе данных (n=32)

Таблицы 1 и 2 содержат некоторые сведения, полезные для регрессионного моделирования. Во-первых, данные кажутся очищенными и соответствующим образом помеченными. Во-вторых, данные показывают, что модель может показать, что шансы рака легких выше с увеличением количества лет курения. Модель также может выявить более высокие шансы рака легких у людей с избыточным весом или ожирением по сравнению с людьми с недостаточным весом или нормальным ИМТ, но это менее ясно из описательного анализа.Если результаты модели сильно отличаются от того, что предполагает описательная статистика, стоит потратить время на дальнейшее изучение данных, чтобы убедиться в отсутствии ошибок при записи и правильном управлении ими, а также в том, что настройки модели соответствуют ожиданиям.

Шаг 2: проверка предположений бинарной логистической регрессии

Статистические модели, такие как бинарная логистическая регрессия, разрабатываются с определенными исходными предположениями о данных. Допущения — это характеристики данных, которые необходимы для того, чтобы модель работала должным образом, и, если одно или несколько допущений не выполняются, модель может давать вводящие в заблуждение результаты.Например, рассмотрим среднее значение как базовую статистическую модель. Среднее — это один из способов объяснить, где находится середина в наборе непрерывных чисел. Чтобы среднее значение работало должным образом и давало значение, которое находится посередине, предполагается, что числа следуют нормальному распределению. Если числа смещены вправо, как переменная лет курения на рисунке 1, расчетное среднее значение будет выше центра данных. Если числа смещены влево, рассчитанное среднее значение будет ниже центра данных.С ненормальными данными другая модель, такая как медиана, вероятно, будет более точным показателем центральной тенденции.

Бинарная логистическая регрессия опирается на три основных предположения, чтобы быть верным:

  • Наблюдения должны быть независимыми.

  • Не должно быть идеальной мультиколлинеарности среди независимых переменных.

  • Непрерывные предикторы линейно связаны с преобразованной версией результата (линейность).

Перед проведением логистического регрессионного анализа проверьте эти три предположения.Модель должна соответствовать всем допущениям, чтобы ее можно было считать беспристрастной и поддающейся обобщению за пределами выборки.

Проверка предположений

Допущение о независимости наблюдений требует, чтобы каждое наблюдение в наборе данных не было связано с другими наблюдениями в наборе данных. Есть по крайней мере два разных способа, которыми данные обычно не соответствуют этому предположению. Первый способ заключается в том, что набор данных включает несколько наблюдений одного и того же человека (или мыши, или организации, или любого другого типа наблюдения).Второй способ заключается в том, что данные включают какую-либо группу, например несколько членов семьи, проживающих в одном доме, несколько человек из одного класса в школе или несколько человек, которые живут близко друг к другу в одном районе. Когда люди принадлежат к одной семье, классу или району, они с большей вероятностью имеют общие характеристики, что может ограничить степень изменчивости данных и внести систематическую ошибку в результаты. Для проверки этого предположения необходимо знать, как были собраны данные, чтобы убедиться, что наблюдения не связаны между собой.

Предположение об отсутствии идеальной мультиколлинеарности требует, чтобы независимые переменные не полностью коррелировали друг с другом. Переменные, которые сильно или совершенно коррелируют друг с другом, статистически измеряют одно и то же (или подобные вещи) и поэтому по существу избыточны. Включение избыточных переменных в модель может привести к нестабильным результатам модели. Коэффициенты корреляции часто используются для проверки корреляции между независимыми переменными; две переменные, которые коррелируют при r=0.7 или выше разделяют 49% или более дисперсии и считаются несколько избыточными и проблематичными для включения в единую модель в качестве отдельных независимых предикторов.

Существует несколько способов проверки предположения об отсутствии совершенной мультиколлинеарности. Одним из наиболее часто используемых является коэффициент инфляции дисперсии или VIF. Оценка VIF для переменной количественно определяет, насколько хорошо эта переменная объясняется другими переменными в модели. Для бинарной логистической регрессии оценка VIF является обобщенной (GVIF) и принимает большие значения.21 Чтобы использовать GVIF аналогично VIF, часто вычисляют новое значение: . Хотя, по-видимому, нет единого мнения о пороговом значении для , наиболее часто используемым пороговым значением для является два. Если это используется, переменные со значением два или выше могут считаться проблематичными, в то время как переменные со значением меньше двух не имеют проблем с мультиколлинеарностью. В R функция vif() в пакете car печатает модели логистической регрессии. Вывод дает значение для каждой переменной, например:

## yearsSmoke bmi

## 1.783835 1,783835

Два значения меньше двух, поэтому проблем не возникает. Для этой модели не выполняется предположение об идеальной мультиколлинеарности.

Предположение о линейности требует, чтобы непрерывные независимые переменные или предикторы имели линейную связь с логарифмическими шансами предсказанных вероятностей исхода. Линейные отношения — это отношения, которые, как кажется, следуют относительно прямой линии. Один из способов проверить эту взаимосвязь — создать диаграмму рассеяния с непрерывным предиктором на оси x и логарифмическими шансами предсказанных вероятностей на оси y.Добавьте кривую лёсса и линию, представляющую линейную зависимость между двумя переменными, к диаграмме рассеивания. Кривая лесса показывает взаимосвязь между предиктором и преобразованным результатом более тонким образом, в то время как подобранная линия показывает, какой была бы взаимосвязь между ними, если бы она была линейной. Если кривая лёсса и аппроксимированная линия примерно одинаковы, предположение о линейности выполнено. Если кривая лёсса отклоняется от линии, предположение о линейности не выполняется.

Кривая лёсса очень близка к линейной зависимости, поэтому допущение о линейности кажется выполненным (рис. 2).Предполагая, что эти данные были собраны с использованием приемлемой основы выборки без соответствующих наблюдений (допущение о независимости наблюдений), данные соответствуют предположениям, чтобы представить модель как несмещенную.

Рисунок 2

Графическая проверка предположения о линейности.

Шаг 3: оценка модели бинарной логистической регрессии

Зависимая переменная для бинарной логистической регрессии представляет собой категориальную переменную с двумя категориями (обозначается как y в уравнении 1). В статистической модели она преобразуется с помощью логит-преобразования в вероятность в диапазоне от 0 до 1 (уравнение 1).

Уравнение 1. Статистическая форма модели бинарной логистической регрессии.

В уравнении 1 p(y) обозначает вероятность одной категории (часто наличие поведения или состояния) зависимой переменной y, b — коэффициенты независимых переменных или предикторов, а x являются независимыми переменными. Те, кто знаком с линейной регрессией, могут заметить, что статистическая форма модели линейной регрессии находится внутри круглых скобок показателя степени e в знаменателе правой части уравнения.

Визуализация логистической функции может помочь понять, почему эта статистическая форма полезна для изучения бинарного результата. На рис. 3 логистическая функция показана в виде кривой, соединяющей точки данных. Каждая точка данных отображается со значением результата по оси Y. Поскольку результат является бинарным с двумя значениями 0 и 1, точки нанесены на график при y=0  и y=1. Переменная-предиктор показана вдоль оси X и кажется непрерывной. Каждая точка данных принимает значение x, которое, по-видимому, находится в диапазоне от примерно 10 до примерно 35.Понятно, что точки данных в категории результата y=0 обычно имеют более низкие значения x, чем точки данных в категории y=1. Эта закономерность предполагает, что по мере увеличения x вероятность того, что человек имеет значение результата y = 1 , также увеличивается.

Рисунок 3

Логистическая функция с примерами данных.

Серая линия логистической функции представляет собой модель логистической регрессии для этих данных. Строка определяет прогнозируемую вероятность y=1 для каждого значения x. Например, если x=17, прогнозируемая вероятность y будет равна .18. Это можно перевести в проценты с утверждением, например, существует 18%-ная вероятность того, что кто-то со значением х, равным 17, будет иметь значение ау, равное 1. Более конкретным примером может быть представление о значении х как о годах. человек ежедневно курит сигареты и y как вероятность того, что у него будет диагностирован рак легких. Так, у человека, который курит ежедневно в течение 17 лет, вероятность заболеть раком легких составляет 18%. Обратите внимание, что эти данные не являются фактическими данными о раке легких; это всего лишь пример, помогающий развить интуицию в отношении значения логистической функции.Если бы эти данные были годами курения, предсказывающими диагноз рака легких, уравнение 1 можно было бы переписать как уравнение 2:

Уравнение 2. Применение статистической формы модели бинарной логистической регрессии.

Шаг 4: вычисление ОШ и отчет о результатах

Хотя спрогнозированные вероятности из логистической функции могут быть полезны для измерения того, насколько хорошо модель предсказывает или объясняет результат, результаты логистической регрессии обычно сообщаются с ОШ и КИ.Подобно интерпретации коэффициента в линейной регрессии, ОШ количественно определяют изменение шансов получить результат (т. е. шансы того, что наблюдение имеет значение 1 для переменной результата) с изменением предиктора на одну единицу. Шансы рассчитываются с использованием вероятностей (уравнение 3).

Уравнение 3. Вычисление шансов на основе вероятностей.

Поскольку для вычисления вероятностей используется логистическая функция (см. рис. 1), добавьте логистическую модель из уравнения 1 в уравнение 3, чтобы получить уравнение 4, показывающее, как вычисляются шансы для модели логистической регрессии.

Уравнение 4. Вычисление шансов на основе модели логистической регрессии.

После того, как и оценены с помощью пакета статистического программного обеспечения, такого как SAS, R или SPSS, эти значения можно подставить в упрощенную версию уравнения 4 для расчета шансов. Однако это не последний шаг, поскольку шансы и шансы различаются. ОШ представляет собой отношение двух шансов и вычисляется путем деления шансов исхода при одном значении предиктора на шансы исхода при предыдущем значении.Так, например, чтобы вычислить ОШ для рака легких в нашем предыдущем примере, разделите шансы того, кто курил 15 лет, на шансы того, кто курил 14 лет. Результатом будет увеличение или уменьшение шансов рака легких с каждым 1 годом увеличения возраста. Уравнение 5 показывает статистическую форму этого вычисления.

Уравнение 5. Использование коэффициентов для вычисления ОШ из модели логистической регрессии.

В качестве примера рассмотрим вывод R, показывающий оценки для регрессионной модели, использованной на рисунке 2.

##

## Call:

## glm(formula=lungCancer ~ (yearsSmoke), family=binomial(«logit»),

## data=lungCancerData)

##

## Deviance Остаточные:

## MIN 1Q Median 3Q MAX

## -2.2127-0.5121 -0.2276 0.6402 1.6980

##

## Коэффициенты:

## Оценить SE Z Value PR (> | z |)

## (Перехват) −8,8331 3,1623 –2,793 0,00522 **

## летДым 0,4304 0,1584 2,717 0.00659 **

## —

## Обознач. коды: 0 ‘***’ 0,001 ‘**’ 0,01 ‘*’ 0,05 ‘.’ 0,1 ‘ ‘ 1

##

## (Параметр дисперсии для биномиального семейства принят равным 1)

##

## Нулевая девиация: 43,860 на 31 степени свободы

## Остаточная девиация: 25,053 степеней свободы

## AIC: 29.533

##

## Количество итераций оценки Фишера: 6

Коэффициент за годы курения равен 0,4304. Подставьте это значение в уравнение 5, чтобы получить ОШ, равное 1.54. Таким образом, на каждый 1 год увеличения времени, проведенного курильщиком, шансы заболеть раком легких у участника нашей выборки примерно в 1,54 раза выше. Хотя ОШ полезен для понимания направления и величины взаимосвязи между предиктором и результатом, требуется больше информации, чтобы понять, предполагает ли ОШ для выборки взаимосвязь в популяции, из которой взята выборка. Чтобы понять это, 95% CI обычно вычисляется и сообщается с каждым OR.

95% ДИ для OR показывает диапазон значений, в котором, вероятно, находится истинное значение популяции для OR.То есть, если из генеральной совокупности было отобрано 100 образцов и с использованием данных каждой выборки был рассчитан 95% ДИ, 95 из этих ДИ содержали бы истинное значение ОШ (при соответствующих методах исследования). Большинство пакетов статистического программного обеспечения вычисляют 95% CI с OR как часть выходных данных логистической регрессии. Например, выходные данные модели рака легких могут выглядеть следующим образом:

## (перехват) 0,0001458295 0,00000005391304 0,02024744

## yearsSmoke 1,5378933421 1,20314425841351 2.28063266

Этот результат включает 1,54 ОШ для лет курения вместе с 95% ДИ от 1,2 до 2,28. Таким образом, шансы заболеть раком легких увеличиваются примерно в 1,54 раза с каждым годом, в течение которого участник курит, и в популяции, из которой была взята эта выборка, истинное ОШ, вероятно, находится между 1,20 и 2,28. Поскольку диапазон 95% ДИ не включает 1, это указывает на то, что ОШ статистически значимо отличается от 1. Если бы ДИ включал 1, ОШ не отличался бы статистически значимо от 1.ОШ, равное 1, указывает на отсутствие разницы в шансах. Так, например, у человека с 14-летним стажем курения вероятность рака легкого будет не выше и не ниже, чем у человека с 15-летним стажем курения, если 95% ДИ для ОШ включает 1.

Модель логистической регрессии с одним предиктором в он дает нескорректированные ОШ, демонстрирующие взаимосвязь между предиктором и результатом без учета других независимых предикторов или смешанных переменных. Представление нескорректированных ОШ для основного предиктора или интересующих предикторов может способствовать пониманию того, как ковариаты влияют на взаимосвязь между предиктором и результатом.22 23

Модели логистической регрессии также могут включать категориальные предикторы. Например, добавив переменную ИМТ с двумя категориями, недостаточным весом или нормальным ИМТ и избыточным весом или ожирением BMI, к модели рака легких, приводит к следующему выпуску:

## (перехват) 0,0000030355556 0.00000000001397127 0.003054554

## Tadesmoke 1.975695588843285321 3.860461189

## bmiOverwei 0,049426238402 0,00109959322745114 0,739726723

Оба ДИ показывают, что связь между предиктором и раком легкого является статистически значимой.На каждый дополнительный год курения вероятность рака легких увеличивается примерно в 1,98 раза (95% ДИ от 1,36 до 3,86). По сравнению с людьми в группе с недостаточным или нормальным ИМТ, у лиц с избыточным весом или ожирением ИМТ примерно в 0,05 раза выше шансы заболеть раком легких (95% ДИ от 0,001 до 0,74). Если ОШ меньше единицы, другим способом сообщить об ОШ является вычитание значения из единицы и представление результата в виде процентного снижения шансов, например: классифицируются как лица с избыточным весом или ожирением, ИМТ которых составляет примерно 95.На 06% ниже вероятность рака легких (95% ДИ от 0,001 до 0,74). Помните, что данные, показанные здесь, предназначены только для демонстрационных целей, и эти результаты моделирования не следует воспринимать как истинные отношения между предикторами и раком легких.

Значимость модели и соответствие модели

В дополнение к сообщениям о результатах проверки допущений, OR и CI, значимость модели и соответствие модели являются полезными инструментами для понимания того, насколько хорошо ваша модель отражает то, что наблюдалось в данных.Во-первых, значимость модели определяет, объясняет ли ваша модель данные лучше, чем базовый процент людей с результатом, который объяснил бы данные. Значимость модели определяется статистикой χ 2 , которая вычисляется путем сравнения нулевой модели, в которой нет предикторов (и, следовательно, это процент людей с интересующим результатом), с моделью, в которой есть предикторы. Статистика χ 2 вычисляется путем взятия вероятности исхода и вычитания значения исхода для каждого участника.Итак, с данными о раке легких процент людей, у которых рак легких, составляет 43,75%, поэтому прогнозируемая вероятность для каждого человека в наборе данных иметь рак легких будет 0,4375. Это значение вычитается из фактического значения результата каждого человека (0 или 1), и результат возводится в квадрат. Затем все эти возведенные в квадрат значения складываются в значение, называемое нулевым отклонением. Нулевое отклонение количественно определяет, насколько далеки предсказанные вероятности из модели без предикторов (нулевая модель) от истинных значений результата.Затем тот же процесс повторяется для предсказанных вероятностей из модели с предикторами. Это отклонение от модели.

Разница между нулевым отклонением и отклонением модели подчиняется распределению χ 2 , где число df является числом коэффициентов в модели. Если χ 2 является статистически значимым, это указывает на то, что модель значительно лучше предсказывает вероятность того, что кто-то получит результат, по сравнению с использованием в качестве модели только процента людей с результатом.Большинство статистических программ предоставляют модель χ 2 и ее значимость. Например, пакет R odds.n.ends дает следующую значимость модели:

## 23,214 2 <0,001

Модель, использующая категорию ИМТ и количество лет курения для объяснения статуса рака легких, статистически значимо лучше, чем исходный уровень при прогнозировании статус рака легкого [(2)=23,214; р<0,001].

В то время как значимость модели показывает, лучше ли модель, чем базовый процент людей с результатом, метрики соответствия модели полезны для определения того, насколько лучше, чем базовый уровень, модель предсказывает значения результата.Один из способов понять, подходит ли модель для бинарной логистической регрессии, — это вычислить процент наблюдаемых значений результата, который ваша модель правильно предсказала. Используемая здесь таблица непредвиденных обстоятельств вычисляет предсказанные вероятности на основе модели, а затем классифицирует вероятности с использованием отсечки 0,5. Таким образом, любая прогнозируемая вероятность 0,5 или выше классифицируется как наличие результата, а любая прогнозируемая вероятность ниже 0,5 классифицируется как отсутствие результата. В примере с раком легких, какой процент людей, у которых был рак легких, по прогнозам, будет иметь рак легких, и какой процент людей, у которых не было рака легких, по прогнозам не будет.Изучение таблицы непредвиденных обстоятельств или таблицы, показывающей наблюдаемые и прогнозируемые значения, может помочь понять, насколько хорошо модель объяснила наблюдаемые данные (таблица 3).

Таблица 3

Таблица непредвиденных обстоятельств, показывающая наблюдаемые и прогнозируемые значения исхода для модели рака легких ). Трем людям, у которых не было результата (наблюдаемый = 0), был ошибочно предсказан результат (прогнозированный = 1).Десять человек, у которых был результат, были предсказаны правильно, а четыре человека, у которых был результат, были предсказаны неправильно. В целом, 15 + 10   или 25 из 32 наблюдений имели результат, правильно предсказанный моделью, на процент правильно предсказанных 78,12%. Итак, для 78,12% людей в наборе данных, использованном для оценки модели рака легких, модель затем правильно предсказала, есть ли у участников рак легких.

Общий процент правильно предсказанных результатов дает представление о том, насколько хорошо модель объяснила или предсказала значение результата для всех участников.Иногда может быть полезно знать, насколько хорошо модель работала для тех, у кого был результат, или насколько хорошо она работала для тех, у кого не было результата. Термин, обозначающий, насколько хорошо модель предсказывает тех, у кого есть результат, называется чувствительностью, а специфичность — насколько хорошо модель предсказывает тех, у кого нет результата. При этом 10 из 14 человек с раком легкого были правильно идентифицированы моделью при чувствительности 0,714 или 71,4%. Специфичность модели была выше: 15 из 18 (83,3%) людей без исхода были правильно предсказаны моделью.

Резюме

Окончательный отчет модели должен включать:

  1. Описательную статистику по переменной результата и каждому из предикторов.

  2. Информация о том, какие предположения были проверены и были ли они выполнены.

  3. Заявление о значимости модели.

  4. Заявление о соответствии модели.

  5. Оценки модели, включая ОШ и их 95% ДИ.

  6. Интерпретация результатов.

В качестве примера показанная здесь модель рака легких может быть описана следующим образом:

Мы использовали бинарную логистическую регрессию, чтобы выяснить, помогли ли годы курения и ИМТ объяснить диагноз рака легких у выборки из 32 человек. В выборку вошли 14 человек с раком легкого и 18 без него. Данные соответствовали предположениям бинарной логистической регрессии о независимых наблюдениях, отсутствии идеальной мультиколлинеарности и линейной зависимости между непрерывным предиктором (количество лет курения) и логитом результата.Модель была статистически значимо лучше, чем базовый уровень, для объяснения статуса рака легких [(2)=23,214; p<0,001] и правильно предсказал статус рака легкого у 78,1% участников, включая 71,4% с раком легкого и 83,3% без него. Согласно модельным оценкам, на каждый дополнительный год курения вероятность рака легких примерно в 1,98 раза выше (95% ДИ от 1,36 до 3,86). Кроме того, по сравнению с людьми в группе с недостаточным или нормальным ИМТ, у тех, кто классифицируется как имеющий избыточный вес или страдающий ожирением, ИМТ приблизительно равен 0.в 0,5 раза выше шансов рака легких (95% ДИ от 0,001 до 0,74).

ОШ и ДИ часто указываются в таблицах для более крупных моделей, но для модели с несколькими предикторами включение ОШ и ДИ в текст дает ту же информацию и занимает меньше места.

Исследователи, использующие логистическую регрессию, должны учитывать, что результаты логистической регрессии, независимо от размера, направления или значимости ОШ, не подразумевают причинно-следственную связь между предикторами и результатом.24 Кроме того, хотя в этом учебном пособии описываются основы проведения логистического регрессионного анализа и составления отчетности, существует гораздо больше подробностей, которые необходимо знать об этих моделях и их надлежащем использовании.

Авторы хорошо квалифицированы в своей области. Профессор Звиндерман — бывший президент Международного общества биостатистики (2012–2015 гг.), а профессор Клеофас — бывший президент Американского колледжа ангиологии (2000–2002 гг.).

Профессор Звиндерман является одним из главных исследователей Академического медицинского центра Амстердама, и его исследования связаны с разработкой статистических методов для новых исследовательских проектов в биомедицинских науках, в частности с интеграцией омических данных, таких как геномика, протеомика, метаболомика, и инструментов анализа, основанных на по параллельным вычислениям и использованию кластерных компьютеров и распределенных вычислений.

Профессор Клеофас является членом Академического комитета Европейского колледжа фармацевтической медицины, который от имени 22 европейских университетов проводит магистерские курсы «Фармацевтическая медицина» и «Разработка лекарственных средств».

Благодаря своему опыту они должны быть в состоянии сделать адекватный выбор современных методов анализа клинических данных в интересах врачей, студентов и исследователей. Авторы работают и публикуются вместе уже 18 лет, и их исследование можно охарактеризовать как непрерывную попытку продемонстрировать, что анализ клинических данных — это не математика, а скорее дисциплина на стыке биологии и математики.

Авторы как профессора и преподаватели статистики в университетах Нидерландов и Франции на протяжении большей части своей жизни обеспокоены тем, что их студенты находят регрессионный анализ более сложным, чем любую другую методологию в статистике.Это серьезно, потому что почти все новые методологии в современной добыче и анализе данных включают элементы регрессионного анализа, и они надеются, что текущая версия «Регрессионный анализ для начинающих и 2-го уровня» будет полезным помощником для этой цели. .

 

Пять учебников, дополняющих текущую продукцию и написанных теми же авторами: 

Статистика, применяемая в клинических исследованиях, 5-е издание, 2012 г., 

Машинное обучение в медицине: полный обзор, 2015 г., 

SPSS для начинающих и продолжающих 2-й уровень, 2-е издание , 2015,

Анализ клинических данных на карманном калькуляторе 2-е издание, 2016,

Современный метаанализ, 2017,

Регрессионный анализ в медицинских исследованиях, 2018,

Современная байесовская статистика в клинических исследованиях, 2018,

Анализ Данные о безопасности испытаний лекарств, 2019 г.

Добавить комментарий

Ваш адрес email не будет опубликован.