Введение

В настоящее время в Российской Федерации в рамках национального проекта «Здравоохранение» реализуется федеральный проект «Борьба с онкологическими заболеваниями», целью которого является снижение смертности от онкологических заболеваний и улучшение ряда показателей онкологической помощи. С учетом комплексности системы оказания онкологической медицинской помощи в Российской Федерации для совершенствования данного вида помощи и повышения результативности управленческих решений представляются целесообразными выявление направлений и разработка мероприятий, способствующих улучшению качества онкологической помощи и достижению целевых показателей федерального проекта.

Цель исследования — выявить наиболее важные направления и разработать мероприятия для улучшения онкологической помощи посредством проведения математического анализа данных, характеризующих условия и состояние онкологической помощи на уровне субъектов Российской Федерации, с применением технологий машинного обучения, которые позволяют определить прогностические факторы, коррелирующие с показателями результативности онкологической помощи.

Материал и методы

В качестве показателей результативности, отражающих эффективность онкологической помощи на уровне субъектов, выбраны:

— показатель летальности на 1-м году с момента установления диагноза, выраженный через долю от всех выявленных пациентов в том же году (далее — одногодичная летальность);

— показатель «грубой» смертности от новообразований, в том числе злокачественных, выраженный через количество смертей на 100 тыс. соответствующего населения (далее — «грубая» смертность);

— стандартизованный показатель смертности от новообразований, в том числе злокачественных, выраженный через количество смертей на 100 тыс. соответствующего населения (далее — стандартизованная смертность).

Значения показателей результативности взяты из статистических сборников «Злокачественные новообразования в России (заболеваемость и смертность)» за 2017—2020 гг. [1—4].

Для выявления факторов, ассоциированных с достижением показателей результативности онкологической помощи, использованы данные государственных статистических наблюдений «Состояние онкологической помощи населению России» за 2017—2020 гг. [5—8], «Ресурсы и деятельность медицинских организаций здравоохранения. I часть. Медицинские кадры» за 2017—2019 гг. [9, 10], «Ресурсы и деятельность медицинских организаций здравоохранения. Коечный фонд. Часть III (число и обеспеченность населения койками различных профилей)» за 2017—2019 гг. [11, 12], данные консалтингового агентства «Aston Health» [13] и данные литературы [14]. Перечень рассмотренных показателей (потенциальных предикторов) приведен в табл. 1. Следует отметить, что для разных лет набор рассмотренных показателей различался в зависимости от доступности данных.

Таблица 1. Показатели, рассмотренные в качестве потенциальных предикторов результативности онкологической помощи

Примечание. ¹ — лекарственные препараты таргетного действия из групп L01XC моноклональные антитела, L01XE ингибиторы протеинкиназы, L01XX прочие противоопухолевые препараты, L04AA селективные иммунодепрессанты и L04AX прочие иммунодепрессанты; ² — ЛП — лекарственный препарат; ³ — ЗНО — злокачественное новообразование; ⁴ — расчетный показатель на основе деления затрат субъекта Российской Федерации на онкологическую помощь в дневном стационаре на количество случаев оказания онкологической помощи в дневном стационаре; ⁵ — расчетный показатель на основе деления затрат субъекта Российской Федерации на онкологическую помощь в круглосуточном стационаре на количество случаев оказания онкологической помощи в круглосуточном стационаре; ⁶ — показатель для моделей данного года не рассматривался.

Статистическая обработка предполагала использование методов машинного обучения. В настоящей статье описаны результаты построения моделей множественной линейной регрессии. Суммарно проанализированы 12 сценариев: по 3 сценария с каждым из показателей результативности (одногодичная летальность, «грубая» смертность, стандартизованная смертность) для каждого года за период с 2017 по 2020 г.

Для проведения регрессионного анализа выбрана модель множественной линейной регрессии. В качестве единицы наблюдения использован субъект Российской Федерации, таким образом, на момент проведения исследования максимальное количество наблюдений составило 85. В соответствии с принципами регрессионного анализа [15—17] проверка влияния потенциальных предикторов (независимых переменных) на показатели результативности (зависимая переменная) проведена в несколько этапов.

— Этап 1. Изучение данных и исключение выбросов на основе визуального анализа. Анализ включал построение диаграмм распределения зависимых и независимых переменных и исключение наблюдений, которые значительно отличались от остальных.

— Этап 2. Изучение распределения целевого показателя и приведение его распределения к нормальному путем исключения наблюдений с краев распределения. Для установления нормальности распределения выполнены построение диаграмм распределения и проверка нормальности при помощи нескольких статистических тестов. Тест на нормальность признавался пройденным, если показатель p хотя бы одного из тестов равнялся или превышал пороговое значение, равное 0,05.

— Этап 3. Построение матрицы линейной корреляции между целевыми переменными и независимыми переменными. Корреляционный анализ проводился по формуле Пирсона. Использовалась следующая интерпретация коэффициента корреляции Пирсона в зависимости от его величины: <0,3 — слабая связь, от 0,3 до 0,5 — умеренная, от 0,5 до 0,7 — заметная, от 0,7 до 0,9 — высокая, >0,9 — весьма высокая [18].

— Этап 4. Построение простых линейных регрессионных моделей между целевыми переменными и каждой из независимых переменных по отдельности.

— Этап 5. Построение модели множественной линейной регрессии.

Модели множественной линейной регрессии построены с использованием двух методов:

— метода включения, что подразумевало последовательное включение независимых переменных с наибольшим R², рассчитанным на предыдущем этапе, до тех пор, пока наблюдался прирост R² общей модели. Переменные с p≥0,05 в общей модели исключались из нее;

— метода исключения, что означало исходное включение в модель всех независимых переменных с последующим поочередным исключением переменных с наибольшим показателем p, превышающим значение 0,05. Модель считалась завершенной, когда в нее входили лишь переменные, оказывающие статистически значимое влияние на целевой показатель (p<0,05).

Качество построенных моделей оценивалось по следующим критериям:

— величина R² — чем значение ближе к 1, тем лучше модель объясняет целевую переменную;

— результат теста Харке—Бера [19], который позволяет оценить нормальность распределения остатков. При p≥0,05 считается, что остатки распределены нормально, если p<0,05, то распределение остатков отличается от нормального, соответственно это приводит к снижению точности модели, поэтому модели с распределением остатков, отличающимся от нормального (p<0,05 теста Харке—Бера), рассматривались как ненадежные и в итоговый набор моделей не включались;

— наличие мультиколлинеарности — в модель включены коррелирующие между собой предикторы, что снижает ее точность (повышение стандартной ошибки коэффициентов и занижение значимости влияния предикторов). Исключались и в дальнейшем не описывались модели с риском мультиколлинеарности, содержащие потенциальные предикторы с величиной связи по Пирсону 0,7 и более (определялось на этапе 3).

Анализ и построение моделей проведены в среде Jupyter Notebook (Anaconda). Язык кода — Python 3, использованные библиотеки — NumPy [20], MatplotLib [21], SciPy [22], Pandas [23], Seaborn [24], Statsmodels [25].

Этическая экспертиза плана исследования не проводилась. В работе использованы только агрегированные данные, полученные из открытых источников, маркетингового агентства [13], и собственные данные авторов [14]. Персонализированные или деперсонализированные данные людей в работе не использовались.

Результаты

В результате анализа данных без учета моделей с распределением остатков, отличным от нормального, или риском мультиколлинеарности составлены 14 предиктивных моделей: 4 — для 2017 г., по 3 — для 2018 и 2019 г., 4 — для 2020 г.

В 2017 г. одногодичная летальность коррелировала¹ с долей закупок таргетных лекарственных препаратов (ЛП) (коэффициент корреляции (r)=0,36), долей злокачественных новообразований (ЗНО), выявленных на I стадии (r=–0,33), долей выявленных ЗНО на IV стадии (r=0,62) и долей пациентов, у которых радикальное лечение впервые выявленных ЗНО закончено в отчетном году (r=–0,35). «Грубая» смертность коррелировала только с обеспеченностью онкологическими койками на 10 тыс. соответствующего населения (r=0,32). Стандартизованная смертность коррелировала с долей ЗНО, выявленных на II стадии (r=–0,29), долей ЗНО, выявленных на IV стадии (r=0,24), и долей впервые выявленных ЗНО, лечение которых проведено только лекарственными методами, от всех пролеченных (r=–0,23). Таким образом, в 2017 г. фактором с самой выраженной корреляцией с показателями эффективности была доля ЗНО, выявленных на IV стадии, которая коррелировала и с одногодичной летальностью, и со стандартизованной смертностью (табл. 2).

Таблица 2. Результаты анализа потенциальных предикторов (независимых переменных) для 2017 г.

Примечание. ¹ — ЛП — лекарственный препарат; ² — ЗНО — злокачественное новообразование; ³ — модели простой линейной регрессии с 1 ковариатой; ⁴ — для модели простой линейной регрессии; ⁵ — жирным выделены статистически значимые результаты (p<0,05).

Результаты корреляционного анализа. В 2018 г. одногодичная летальность коррелировала с долей закупок таргетных ЛП (r=0,28), долей ЗНО, выявленных на I стадии (r=–0,27), долей ЗНО, выявленных на II стадии (r=–0,23) и долей ЗНО, выявленных на IV стадии (r=0,51). «Грубая» смертность коррелировала только с обеспеченностью онкологическими койками на 10 тыс. соответствующего населения (r=0,27). Стандартизованная смертность коррелировала с долей ЗНО, выявленных на II стадии (r=–0,31), долей ЗНО, выявленных на IV стадии (r=0,38), долей пациентов, у которых радикальное лечение впервые выявленных ЗНО закончено в отчетном году (r=–0,32), долей впервые выявленных ЗНО, лечение которых проведено только хирургическими методами, от всех пролеченных (r=0,29), долей впервые выявленных ЗНО, лечение которых проведено только лекарственными методами, от всех пролеченных (r=–0,30) и обеспеченностью онкологическими койками на 10 тыс. соответствующего населения (r=0,24). В 2018 г. вновь фактором с самой выраженной корреляцией с показателями эффективности была доля ЗНО, выявленных на IV стадии, которая вновь коррелировала и с одногодичной летальностью, и со стандартизованной смертностью (табл. 3).

Таблица 3. Результаты анализа потенциальных предикторов (независимых переменных) для 2018 г.

Примечание. ¹ — ЛП — лекарственный препарат; ² — ЗНО — злокачественное новообразование; ³ — модели простой линейной регрессии с 1 ковариатой; ⁴ — для модели простой линейной регрессии; ⁵ — жирным выделены статистически значимые результаты (p<0,05).

В 2019 г. одногодичная летальность коррелировала с долей ЗНО, выявленных на II стадии (r=–0,28), и долей ЗНО, выявленных на IV стадии (r=0,61). «Грубая» смертность коррелировала с долей закупок таргетных ЛП (r=–0,23), долей ЗНО, выявленных на II стадии (r=–0,27), долей впервые выявленных ЗНО, лечение которых проведено только хирургическими методами, от всех пролеченных (r=0,25), долей впервые выявленных ЗНО, лечение которых проведено комбинированными методами, от всех пролеченных (r=–0,24), долей впервые выявленных ЗНО, лечение которых проведено химиолучевым методом, от всех пролеченных (r=–0,27), обеспеченностью онкологическими койками на 10 тыс. соответствующего населения (r=0,35). Стандартизованная смертность коррелировала с долей ЗНО, выявленных на II стадии (r=–0,37), долей ЗНО, выявленных на IV стадии (r=0,32), долей впервые выявленных ЗНО, лечение которых проведено только хирургическими методами, от всех пролеченных (r=0,28), долей впервые выявленных ЗНО, лечение которых проведено только лекарственными методами, от всех пролеченных (r=–0,27), долей впервые выявленных ЗНО, лечение которых проведено химиолучевым методом, от всех пролеченных (r=–0,27) и обеспеченностью онкологическими койками на 10 тыс. соответствующего населения (r=0,26). В 2019 г. факторами, чаще остальных коррелировавшими с показателями эффективности и имеющими самые высокие коэффициенты корреляции, были: доля ЗНО, выявленных на IV стадии, доля ЗНО, выявленных на II стадии (табл. 4).

Таблица 4. Результаты анализа потенциальных предикторов (независимых переменных) для 2019 г.

Примечание. ¹ — ЛП — лекарственный препарат; ² — ЗНО — злокачественное новообразование; ³ — модели простой линейной регрессии с 1 ковариатой; ⁴ — для модели простой линейной регрессии; ⁵ — жирным выделены статистически значимые результаты (p<0,05).

В 2020 г. одногодичная летальность коррелировала с долей ЗНО, выявленных на II стадии (r=–0,43), долей ЗНО, выявленных на IV стадии (r=0,65), долей впервые выявленных ЗНО, радикальное лечение которых закончено в отчетном году (r=–0,33), долей впервые выявленных ЗНО, лечение которых проведено комбинированными методами (кроме химиолучевого), от всех пролеченных (r=–0,31) и долей впервые выявленных ЗНО, лечение которых проведено только хирургическими методами, от всех пролеченных (r=0,29). «Грубая» смертность коррелировала с долей закупок таргетных ЛП (r=–0,23) и долей впервые выявленных ЗНО, лечение которых проведено комбинированными методами (кроме химиолучевого), от всех пролеченных (r=–0,23). Стандартизованная смертность коррелировала с долей ЗНО, выявленных на II стадии (r=–0,29), и долей ЗНО, выявленных на IV стадии (r=0,35). В 2020 г. факторами, чаще остальных коррелировавшими с показателями эффективности и имеющими самые высокие коэффициенты корреляции, были доля ЗНО, выявленных на IV стадии, доля ЗНО, выявленных на II стадии (табл. 5).

Таблица 5. Результаты анализа потенциальных предикторов (независимых переменных) для 2020 г.

Примечания. ¹ — ЛП — лекарственный препарат; ² — ЗНО — злокачественное новообразование; ³ — модели простой линейной регрессии с 1 ковариатой; ⁴ — для модели простой линейной регрессии; ⁵ — жирным выделены статистически значимые результаты (p<0,05).

Суммарные результаты корреляционного анализа «предиктор—целевой показатель» приведены в табл. 6. Для такого предиктора, как доля закупок таргетных ЛП, результаты указывают, что в 2017 и 2018 гг. она имела умеренную и слабую прямую связь с одногодичной летальностью (комментарий об интерпретации данного результата см. в разделе «Обсуждение»). В 2019 и 2020 гг. доля закупок таргетных ЛП имела слабую обратную связь с «грубой» смертностью, что можно расценить как положительное влияние предиктора на критерий эффективности.

Таблица 6. Матрица предикторов и коррелирующих с ними целевых показателей

Примечание. Интерпретация коэффициента корреляции Пирсона в зависимости от его величин: <0,3 — слабая связь, от 0,3 до 0,5 — умеренная, от 0,5 до 0,7 — заметная, от 0,7 до 0,9 — высокая, >0,9 — весьма высокая [18]. С учетом ≪негативного≫ значения всех рассмотренных целевых показателей обратная корреляция означает снижение величины целевого показателя с ростом величины предиктора, что можно интерпретировать как положительное влияние предиктора, соответственно влияние предикторов с прямой корреляцией можно расценить как отрицательное.

Доля ЗНО, выявленных на I стадии, коррелировала в 2017 и 2018 гг. с одногодичной летальностью. Связи можно охарактеризовать как прямые умеренные и слабые — данный предиктор также положительно влиял на показатель результативности. Однако отсутствие корреляции данного предиктора с показателями результативности в последующих годах ставит под вопрос устойчивость полученного результата.

Доля ЗНО, выявленных на II стадии, коррелировала с одногодичной летальностью в 2018—2020 гг., стандартизованной смертностью в 2017—2020 гг. и «грубой» смертностью в 2019 г., что указывает на значимость данного предиктора. Связи были от слабых до умеренных и во всех случаях обратными — с ростом величины предиктора показатели результативности улучшались.

Доля ЗНО, выявленных на IV стадии, коррелировала с одногодичной летальностью и стандартизованной смертностью в течение всех рассмотренных лет. Силы связей были от слабой до заметной — данный предиктор характеризовался самыми высокими значениями коэффициента корреляции Пирсона. Все связи также были прямыми — рост величины предиктора ассоциирован с ухудшением результативности онкологической помощи и особенно одногодичной летальности — коэффициент корреляции от 0,51 до 0,65.

Доля впервые выявленных ЗНО, радикальное лечение которых закончено в отчетном году, коррелировала с одногодичной летальностью в 2017 и 2020 гг. с умеренной силой и со стандартизованной смертностью с умеренной силой в 2018 г. Все связи были обратными — рост величины предиктора ассоциирован с повышением результативности онкологической помощи.

Доля впервые выявленных ЗНО, лечение которых проведено только хирургическими методами, от всех пролеченных, коррелировала со стандартизованной смертностью в 2018 и 2019 гг., «грубой» смертностью в 2019 г. и одногодичной летальностью в 2020 г. Все связи были слабыми и прямыми — рост величины предиктора ассоциирован с ухудшением результативности онкологической помощи.

Доля впервые выявленных ЗНО, лечение которых проведено только лекарственными методами, от всех пролеченных, коррелировала только со стандартизованной смертностью в 2017—2019 гг. Связи были прямыми и характеризовались силой от слабой до умеренной, что говорит о положительном влиянии предиктора на результативность онкологической помощи.

Доля впервые выявленных ЗНО, лечение которых проведено комбинированными методами (кроме химиолучевого), от всех пролеченных, коррелировала с «грубой» смертностью в 2019 и 2020 гг. и одногодичной летальностью в 2020 г. Связь с «грубой» смертностью была слабой и обратной, а с одногодичной летальностью — обратной и умеренной, что указывает на положительное влияние предиктора на результативность онкологической помощи.

Доля впервые выявленных ЗНО, лечение которых проведено химиолучевым методом, от всех пролеченных, коррелировала с «грубой» и стандартизованной смертностью в 2019 г. Связь была обратной и слабой — предиктор положительно влиял на результативность онкологической помощи.

Обеспеченность онкологическими койками на 10 тыс. соответствующего населения коррелировала с «грубой» смертностью в 2017—2019 гг. с прямой и от слабой до умеренной связью, а также со стандартизованной смертностью в 2018 и 2019 гг. с прямой и слабой связью (комментарий об интерпретации данного результата см. в разделе «Обсуждение»).

Результаты регрессионного анализа. На основании данных 2017 г. построены 4 модели множественной линейной регрессии с R²=0,431, R²=0,428, R²=0,147 и R²=0,113 (табл. 7). Модели прогнозирования одногодичной летальности характеризовались самыми большими значениями R² (0,431 и 0,428). Первая из этих моделей (R²=0,431) в качестве независимых переменных включала долю ЗНО, выявленных на IV стадии, и долю закупок таргетных ЛП; вторая (R²=0,428) — долю ЗНО, выявленных на IV стадии, и долю пациентов, у которых радикальное лечение впервые выявленных ЗНО закончено в отчетном году.

Таблица 7. Итоговые предиктивные модели множественной линейной регрессии, прогнозирующие результативность онкологической помощи на уровне субъекта Федерации

Примечание. ¹ — интерцепт — свободный член уравнения регрессии, на графике координат показывает величину смещения линии регрессии по вертикальной оси; ² — R² отражает величину вариативности целевого показателя, объясняемого моделью, изменяется в диапазоне от 0 до 1, чем выше R², тем более точной и применимой на практике является модель.

Для 2018 г. построены 3 модели множественной линейной регрессии с R²=0,182, R²=0,214 и R²=0,256 (см. табл. 7). Модели прогнозирования стандартизованной смертности характеризовались самыми большими значениями R² (0,214 и 0,256). Первая из этих моделей (R²=0,214) в качестве независимых переменных включала долю ЗНО, выявленных на IV стадии, и долю пациентов, у которых радикальное лечение впервые выявленных ЗНО закончено в отчетном году; вторая (R²=0,256) — долю ЗНО, выявленных на IV стадии, долю пациентов, у которых радикальное лечение впервые выявленных ЗНО закончено в отчетном году, и обеспеченность онкологическими койками на 10 тыс. соответствующего населения.

На основании данных 2019 г. построены 3 модели множественной линейной регрессии с R²=0,409, R²=0,182 и R²=0,247 (см. табл. 7). Модель прогнозирования одногодичной летальности характеризовалась самым большим значением R² (0,409). В качестве независимых переменных данная модель включала долю ЗНО, выявленных на III стадии, и долю ЗНО, выявленных на IV стадии.

Для 2020 г. построены 4 модели множественной линейной регрессии с R²=0,458, R²=0,448, R²=0,113, R²=0,206 (см. табл. 7). Модели с самыми большими значениями R² (0,458 и 0,448) предназначались для прогнозирования одногодичной летальности. Первая из этих моделей (R²=0,458) в качестве независимых переменных включала долю ЗНО, выявленных на IV стадии, и долю впервые выявленных ЗНО, лечение которых проведено комбинированными методами (кроме химиолучевого), от всех пролеченных; вторая (R²=0,448) — долю ЗНО, выявленных на IV стадии, и долю впервые выявленных ЗНО, лечение которых проведено только хирургическими методами, от всех пролеченных.

Обсуждение

В соответствии с целью настоящей работы был проведен корреляционный анализ между факторами, характеризующими условия и состояние онкологической помощи на уровне субъекта, и показателями результативности онкологической помощи, а также были построены модели для предсказания результативности онкологической помощи на уровне субъекта, однако, учитывая ограниченную предсказательную способность построенных моделей множественной линейной регрессии (ни одна из моделей не объясняла и 50% изменчивости целевых показателей), далее будут обсуждены только результаты корреляционного анализа.

Перед обсуждением общих результатов корреляционного анализа необходимо прокомментировать результаты анализа корреляции между долями закупок таргетных ЛП и одногодичной летальностью, а также между обеспеченностью онкологическими койками на 10 тыс. соответствующего населения и «грубой» и стандартизованной смертностью. Для обоих потенциальных предикторов связь с целевыми показателями оказалась прямой, это означает, что с ростом доли таргетных ЛП в закупках и увеличением количества онкологических коек ухудшаются результаты онкологической помощи, что противоречит здравому смыслу. В данной ситуации выявленные прямые взаимосвязи следует рассматривать как ассоциативные, а не причинно-следственные. Для доли таргетных ЛП в закупках ассоциация заключается в том, что с ростом тяжести заболевания (лечение на поздних стадиях) возрастает частота назначения таргетной терапии, при этом выживаемость на поздних стадиях резко снижается, поэтому в анализе это и проявляется прямой связью между ростом использования таргетных ЛП и ростом смертности. В случае обеспеченности онкологическими койками на 10 тыс. соответствующего населения ассоциация могла заключаться в том, что с ростом количества коек возрастает объем оказанной помощи, а соответственно, и объем летальных случаев на данных койках; также возможным объяснением является переезд пациентов из субъектов с меньшими возможностями по оказанию стационарной помощи в субъекты с большими возможностями, что влияет на статистику последних.

Согласно данным корреляционного анализа, при исключении из рассмотрения результатов анализа между долями закупок таргетных ЛП и одногодичной летальностью и обеспеченностью онкологическими койками на 10 тыс. соответствующего населения и «грубой» и стандартизованной смертностью, получены следующие результаты. Предикторами, имеющими положительную ассоциацию с результативностью онкологической помощи на уровне субъекта, в порядке уменьшения силы связи являются: 1) доля ЗНО, выявленных на II стадии, 2) доля впервые выявленных ЗНО, радикальное лечение которых закончено в отчетном году, 3) доля ЗНО, выявленных на I стадии, 4) доля впервые выявленных ЗНО, лечение которых проведено комбинированными методами (кроме химиолучевого), от всех пролеченных, 5) доля впервые выявленных ЗНО, лечение которых проведено химиолучевым методом, от всех пролеченных, 6) доля впервые выявленных ЗНО, лечение которых проведено только лекарственными методами, от всех пролеченных и 7) доля закупок таргетных ЛП. Достижение более высоких значений данных предикторов должно положительно сказаться на результативности онкологической помощи. Предикторами, имеющими отрицательную ассоциацию с результативностью онкологической помощи на уровне субъекта, в порядке уменьшения силы связи являются: 1) доля ЗНО, выявленных на IV стадии, и 2) доля впервые выявленных ЗНО, лечение которых проведено только хирургически, от всех пролеченных. Снижение значений данных предикторов должно положительно сказаться на результативности онкологической помощи.

Если объединить выявленные предикторы из общих категорий, то для улучшения результативности онкологической помощи на уровне субъекта следует повысить раннюю выявляемость ЗНО, долю лекарственной терапии впервые выявленных ЗНО, включая комбинированные методы лечения с применением лекарственной терапии, увеличить показатели применения таргетной лекарственной терапии, обеспечить максимально своевременное оказание онкологической помощи и снизить долю случаев лечения впервые выявленных ЗНО только хирургическими методами.

По конкретным показателям результативности — для снижения одногодичной летальности следует повысить раннюю выявляемость ЗНО (увеличение доли ЗНО I и II стадий и снижение — IV стадии), обеспечивать завершение радикального лечения впервые выявленных ЗНО в течение отчетного года, увеличить долю комбинированных методов лечения впервые выявленных ЗНО и сократить долю случаев лечения впервые выявленных ЗНО с применением только хирургического метода.

Для снижения «грубой» смертности следует увеличить долю применения таргетных ЛП, увеличить долю комбинированных методов лечения впервые выявленных ЗНО, включая химиолучевой метод, повысить раннюю выявляемость ЗНО (увеличение доли ЗНО II стадии относительно более поздних стадий) и сократить долю случаев лечения впервые выявленных ЗНО с применением только хирургического метода лечения.

Для снижения стандартизованной смертности следует повысить раннюю выявляемость ЗНО (увеличение доли ЗНО II стадии и снижение доли ЗНО IV стадии), увеличить долю только лекарственного лечения впервые выявленных ЗНО, увеличить долю химиолучевого метода лечения впервые выявленных ЗНО, обеспечивать завершение радикального лечения впервые выявленных ЗНО в течение отчетного года и сократить долю случаев лечения впервые выявленных ЗНО с применением только хирургического метода.

К потенциальным причинам того, что построенные модели множественной линейной регрессии характеризовались ограниченной точностью, можно отнести следующее: корреляционная зависимость между рассмотренными потенциальными предикторами и показателями результативности в подавляющем количестве случаев была слабой или умеренной, что не позволило получить высокоточную модель; не включены в анализ другие потенциально важные предикторы по причине отсутствия данных; произошло смешение данных для впервые выявленных ЗНО и ЗНО, выявленных ранее, — большинство целевых показателей касалось впервые выявленных ЗНО, а показатели «грубой» и стандартизованной смертности учитывали в том числе пациентов с установленным в предшествующие годы диагнозом ЗНО.

Анализ отечественной литературы по рассматриваемой проблеме выявил ограниченный набор схожих исследований. Большинство работ посвящено описанию и прогнозированию заболеваемости ЗНО. Ближе всего к настоящему исследованию были исследования Н.Э. Косых и соавт. [26] и В.В. Петкау и соавт. [27], в которых при помощи регрессионного анализа оценивалось влияние ряда предикторов на целевые показатели, которые частично пересекались с целевыми показателями настоящего исследования. Ключевым отличием указанных работ являлось проведение анализа на уровне районов Хабаровского края и Свердловской области соответственно, а не на уровне страны. Далее будут рассмотрены результаты только работы В.В. Петкау и соавт., так как набор потенциальных предикторов из работы Н.Э. Косых и соавт. и настоящего исследования полностью не совпал. В работе В.В. Петкау и соавт. на уровне Свердловской области при анализе данных за первое полугодие 2020 г. получены результаты, согласно которым между долей пациентов с ЗНО, выявленных на ранних стадиях, и одногодичной летальностью наблюдается обратная корреляция (r=–0,31), и между плотностью противоопухолевого лекарственного лечения² и одногодичной летальностью также наблюдается обратная корреляция (r=–0,32), что согласуется с результатами, полученными в настоящем исследовании. Кроме того, согласно работе В.В. Петкау и соавт., плотность противоопухолевого лекарственного лечения является слабым предиктором одногодичной летальности, так как простая линейная модель с ее включением имеет R²=0,1.

Выводы настоящего исследования согласуются с рекомендациями по совершенствованию оказания онкологической помощи, приведенными в работах других исследователей. Так, к первоочередному направлению повышения результативности онкологической помощи, согласно нашим результатам, можно отнести совершенствование раннего выявления ЗНО, что также отмечалось в ряде работ коллег [28—30]. Другим важным направлением является повышение частоты использования лекарственной терапии, лучевой терапии и их комбинаций друг с другом или с хирургическим лечением ЗНО, что также отмечается в работе В.П. Гордиенко и соавт. [30].

Важным выводом из результатов анализа может быть то, что набор собираемых в настоящее время статистических данных на уровне страны не содержит всех потенциальных предикторов, и при планировании будущих исследований необходимо проводить отдельные исследования по оценке дополнительных предикторов для каждого из субъектов Российской Федерации. Представляет интерес построение моделей для рассмотренных показателей результативности онкологической помощи на основе других методов биостатистики и машинного обучения.

Ограничения исследования

Анализ проведен в условиях ограниченной доступности данных, так как перечень потенциальных предикторов был в значительно мере ограничен лишь теми из них, которые отслеживаются на уровне государственных статистических наблюдений, а показатели, отражающие подготовленность врачей, практику диагностики и лечения, следование клиническим рекомендациям, фактические организационные возможности субъекта, логистические и маршрутизационные характеристики онкологической помощи в субъекте и т.д., не могли быть учтены ввиду отсутствия таких данных для каждого из субъектов Российской Федерации. На точность полученных оценок также могло повлиять качество статистических наблюдений и данных, полученных из прочих источников. К ограничениям анализа также относятся малый объем наблюдений (максимальное количество наблюдений составило 85), что может считаться недостаточно большим объемом, вследствие чего выявлены не все истинные ассоциации (малая статистическая мощность); потенциальная возможность несоблюдения одного из базовых допущений регрессионного анализа — наблюдаемые объекты анализа (субъекты Российской Федерации) должны быть независимыми, что в случае субъектов страны не так — пациенты могут мигрировать между субъектами или получать помощь не в том субъекте, в котором стоят на учете, оценить влияние данного ограничения не представляется возможным.

Важным внешним фактором, точное влияние которого оценить также не представляется возможным, является пандемия новой коронавирусной инфекции (COVID-19), которая нарушила сложившуюся практику онкологической медицинской помощи в стране и потенциально могла оказать влияние на величины как показателей результативности, так и рассмотренных предикторов.

Важным ограничением исследования могла быть исходная гетерогенность наблюдений — субъекты страны имеют разные ресурсные возможности, в них сложилась разная эпидемиологическая обстановка, что также могло снизить точность полученных оценок.

Заключение

Проведен корреляционный анализ между рядом потенциальных предикторов и показателями результативности онкологической помощи на уровне субъектов, построен ряд предиктивных моделей на основе множественной линейной регрессии. Из полученных результатов особый интерес представляют итоги корреляционного анализа, согласно которым для улучшения результативности онкологической помощи на уровне субъекта следует повысить раннюю выявляемость ЗНО, а также долю лекарственной терапии впервые выявленных ЗНО, включая комбинированные методы лечения с применением лекарственной терапии, увеличить частоту применения таргетной лекарственной терапии, обеспечить максимально своевременное оказание онкологической помощи и снизить долю случаев лечения впервые выявленных ЗНО только хирургическим методом. Полученные результаты могут быть использованы при планировании онкологической помощи на уровне субъекта, а также будущих национальных и региональных проектов по борьбе с онкологическими заболеваниями.

Участие авторов:

Концепция и дизайн исследования — Горкавенко Ф.В., Щуров Д.Г.

Сбор и обработка материала — Горкавенко Ф.В.

Статистическая обработка — Горкавенко Ф.В.

Написание текста — Горкавенко Ф.В.

Редактирование — Щуров Д.Г., Омельяновский В.В.

Авторы заявляют об отсутствии конфликта интересов.

¹ В статье рассматривалась только линейная корреляция, соответственно, ее отсутствие говорит об отсутствии линейной связи между показателями, что не исключает возможного наличия нелинейных связей.

² Показатель, предложенный авторами работы, рассчитан как отношение количества проведенных курсов противоопухолевой лекарственной терапии пациентам, проживающим на определенной территории, к числу состоящих на учете онкологических пациентов на данной территории.