Цифровая медицина
Шрифт:
При выписке меня три дня обучали специальному комплексу физических упражнений, которые должны были за три месяца помочь вернуть, а возможно – и улучшить физическую форму.
Мы улетели домой и уже через три недели после выполнения упражнений, все негативные последствия операции исчезли, жизненная система нормализовалась и все мои переживания о моей неполноценности прекратились.
Началась нормальная рабочая жизнь, которую я стал особенно ценить за ее обыкновенную необыкновенность.
Но мысли о возможном рецидиве меня не оставляли. Успокаивало то обстоятельство, что каждые три месяца я должен был проходить обследование в клинике Марка Шрадера.
Для очередного
Для себя я решил: что угодно, но только не облучение. Наверное, в каких-то патологических случаях облучение дает эффект, но для меня, для моего осознания облучения моих тканей – это мутация клеток, не только патологических, но главным образом нормальных клеточных масс.
С такими мыслями по приезду домой я долго ворочался и не мог уснуть. Был февраль 2011-го, где-то в час ночи. Вот тогда, ночью мне и пришла, будто явилась откуда-то «сверху», мысль: а что, если описать меня математико-статистически индивидуально, а не как часть огромного массива данных большого числа пациентов. То есть создать математико-статистическую матрицу данных моих индивидуальных анализов крови, гистологии, анамнеза моей карциномы.
Вначале я эту мысль отгонял, поскольку для того, чтобы в классической математической статистике описать любой объект для исследования математико-статистическим методом надо иметь совокупность как минимум десяти объектов… То есть, если рассуждать строго по-научному, то надо взять в едином масштабе времени данные, например, анализов крови и гистологии пациента 1, пациента 2, пациента 3 и так далее до, минимум № 10. На основе собранной подобной информации построить матрицу, в которой строки – это ряд пациентов, а колонки – это данные общего клинического анализа крови, биохимии, данные гистологии, описания патологии и т. д. и т. п. И уже всю совокупность данных обработать при помощи прикладных математических программ, соответственно получив результат и интерпретируя его, пытаясь определить возможные закономерности.
Все это гладко на бумаге, как говорил мой отец – Валентин Владимирович – замечательный математик и строитель, только не надо забывать про ОВРАГИ. Под оврагами Батя понимал необходимость нестандартных решений.
В нестандартность математического определения причин и составляющих параметров патологии в моем случае?
Не стандартный подход должен был базироваться на решении двух проблем. Во-первых, как раз проблема отсутствия стандарта. Большинство моих, и не только моих, медицинских данных являются не сравнимыми. То есть одни измерены в граммах на литр, другие миллиграммах на миллилитр, третьи ммоль на литр, четвертые в мкмоль на литр, пятые даны в относительных величинах, и так далее. Для сведения всех параметров анализов к относительным, то есть сравнимым величинам, необходимо проделать большую работу по стандартизации на международном уровне, которая еще даже и не начиналась. Поэтому большинство врачей могут использовать для диагностики параметры анализов крови, гистологии и КТ только как бы частично. Когда, например, опытный врач понимает, что если лейкоциты в анализе крови выше среднего уровня о развитии воспалительного процесса. У каждого набирающего опыт врача свои навыки сравнения несравнимых результатов параметров, например, крови.
Во-вторых, множества
И вдруг, мне пришла в голову мысль, одна из всевозможных нерешабельных ситуаций идея. Некий симбиоз из теории вероятностей, закона больших чисел, матричной алгебры и факториала – n! Все можно сделать сравнимым, если медицинские параметры перевести в вероятностную, цифровую форму. Абсолютная сравнимость данных достигается транспонированием параметров и данных в вероятностную форму.
Что это значит? Какова цель перевода данных в цифровую форму? Цели просты. Сравнить и измерить, для того чтобы обнаружить взаимосвязи параметров крови на клеточно-молекулярном уровне и патологий. Для того, чтобы, в свою очередь, обнаружить истинные, а не фантазийные или придуманные причины моей болезни. Именно моей, а не некой средней болезни, которую могут придумать из совокупности массовых данных. И для этого уже не требовалось множества объектов. Одна идея решала обе неразрешимых проблемы.
И я сделал это! В ту волшебную ночь мне удалось за несколько часов создать индивидуальную матрицу только моих индивидуальных данных и свести все параметры патологии в несимметричную матрицу 40 на 60. Одни поля матрицы имели исключительно измерительный характер параметров, например, обозначались колебания вокруг средней 0,0 %, 1,0 %, 2,0 %, 3,0 % и т. д. Сам уровень измерений – мое патентное ноу-хау, и просто так его использовать невозможно, ибо мои права защищены.
Другие поля матрицы отражали качественный характер параметров, например, гемоглобин, гематокрит, эритроциты, тромбоциты, заболевание, и так далее.
Любой из обозначенных полей может быть как зависимой, так и независимой переменной.
Все что написано выше означает следующее: зависимая переменная – это Y, а Y моя онкологическая патология. Независимые переменные: Х1 – это гемоглобин, Х2 – гематокрит, Х3 – эритроциты и так до Хn – клинических клинические параметров крови, биохимических параметров крови, параметры коагулограммы.
Думаю, понятно, что чисто формально-логически и математически любая из независимых переменных может стать зависимой. Короче говоря, нам ни что не мешает любой Х сделать Y, как, впрочем, и наоборот, и измерить расстояние между ними между Y так и Х, в равной степени как измерить расстояние между совокупностью Х1, Х2, Х3… Хn. Вспомните, как в школе вам задавали преобразовать уравнение, выразив одно неизвестное через другое. Очень грубо: если х=4y, следовательно, y=x/4. Систему своих уравнений я решал целую ночь сделал, решая уравнения целую ночь. Результат получился, прямо скажем, неожиданным.
А именно.
После решения вручную сотен уравнений моя онкологическая патология, в роли которой выступал онкоген, показатели которого увеличивался сумасшедшими темпами, оказалась линейно зависимой от печеночного фермента гамма-глютамилтрансферазы (гамма-ГТ). Посмотрел на свой анализ крови, который мне сделали две недели назад в Германии, обнаружил, что гамма-ГТ у меня находится в пределах референсных значений, правда, ближе к его верхней границе.
Говоря о линейной зависимости онкогена от гамма-ГТ, я не ошибся и не применил математическую фигуру речи. Суть в том, что утверждения в том, что увеличение гамма-ГТ приводит к росту и онкогена. То есть, понятно, что если найти медицинский препарат, который уменьшает гамма-ГТ, то можно предположить, что и, соответственно, уменьшится и онкоген.