Клинический опыт гомеопатического лечения COVID-19, информационный бюллетень 22

Байесовский анализ симптомов, 18 выпуск

LMHI Сентябрь 2021г.

Недавно мы опубликовали четвертую версию мини-репертория симптомов Covid-19 и приложение для вычисления совокупных LRs (https://hpra.co.uk/ - версия на английском; https://hpra.co.uk/es - версия на испанском).

В основу предыдущей (третьей) версии мини-репертория и приложения легли 522 клинических случая; эта, последняя, версия основывается на анализе 1161 случая заболевания. Большая часть дополнительных случаев взята из второй волны болезни в Испании и Индиии (см. «Благодарности»). В Приложении 1 вы найдете новый мини-реперторий, состоящий из 59 симптомов, 35 из которых были выбраны для нашего приложения. Теперь данные включают в себя 10 препаратов, выделенных на основании анализа более 20 историй болезни: Arsenicum album (Ars), Belladonna (Bell), Bryonia alba (Bry), Camphora (Camph), Gelsemium sempervirens (Gels), Hepar sulphuris (Hep), Nux vomica (Nux-v), Phosphorus (Phos), Pulsatilla (Puls) и Rhus toxicodendron (Rhus-t).

Эти 10 препаратов использовались в 81,8% всех случаев (распределение см на Рис.1).

Рис.1. Число случаев применения препарата (Ось Y справа) и количество в процентном отношении (ось Y слева) в нисходящем порядке.

В 18-м бюллетене (Байесовский анализ симптомов, 17 выпуск) мы обсуждали обучение практикующих гомеопатов, помогающее минимизировать погрешность и повысить достоверность информации. В 17-м бюллетене (Байесовский анализ симптомов, 16 выпуск) мы объясняли, что создание «алгоритма» для комбинации симптомов оказалось не таким простым, как мы изначально думали. Авторы приложения (Tom Smedley, Galen Ives, José Eizayaga и Lex Rutten) сами учатся в процессе работы над ним. В данном бюллетене мы делимся нашими размышлениями по поводу объединения статистической информации и экспертных знаний в единый алгоритм.

Достоинства и недостатки алгоритмов

Исследование прогностических факторов ответа на терапию (Prognostic factor research, PFR) в гомеопатии основывается на постулате, что экспертные знания воспроизводимы; мы учимся на опыте, который говорит нам, что конкретные симптомы соответствуют конкретным гомеопатическим препаратам. Это соотношение можно выразить в виде коэффициента вероятности (likelihood ratio, LR)

LR = распространенность конкретного симптома в популяции пациентов, хорошо реагирующих на конкретный препарат.

LR показывает вероятность того, что этот препарат будет работать в соответствии с теоремой Байеса:

Апостериорная вероятность = LR х априорная вероятность.

Если LR больше 1, вероятность того, что препарат сработает, повышается, и чем выше LR, тем выше шансы.

Однако, все мы знаем, что выбор правильного гомеопатического препарата – это нечто большее, чем сведение нескольких симптомов репертория в простую формулу. Практикующие гомеопаты используют результаты реперторизации только для получения списка наиболее подходящих препаратов; к Байесову реперторию и приложению применим тот же принцип.

Алгоритм

Алгоритм – это последовательность реализумых компьютером инструкций, помогающих выполнять комплексное задание. Классическая (не по Байесу) «гомеопатическая реперторизация», осуществляемая с помощью компьютерной программы, фактически представляет собой алгоритм: врач выбирает несколько симптомов, компьютер показывает таблицу симптомов и препаратов, в которой препараты расположены в определенном порядке. Для препарата весомость каждого симптома обозначается пробелом или цифрами от 1 до 4. Пробел означает, что препарата нет в данной рубрике, а номер показывает ранг симптома для этого препарата. Опытные практикующие гомеопаты знают, что 3-я степень не обязательно в три раза значимее, чем 1-я. Они могут не учитывать степень 3 например, для Сульфура, в данной рубрике среди двухсот других препаратов - потому что пациент не «сульфурного» типа. С другой стороны, степень 1 в той же рубрике для редко назначаемого препарата привлечет внимание гомеопата, особенно когда в данной реперторизации эта степень 1 встречается в более чем одной рубрике. Возможно, опытный врач знает больше об этом препарате и интуитивно расценивает 1-ю степень как важный параметр.

Алгоритм приложения для COVID-19.

Компьютерные алгоритмы могут быть и полезными, и коварными. Реперторизация – полезный инструмент только в руках опытного гомеопата. В этом приложении нет всей информации, содержащейся в большом компьютерном репертории просто потому, что у нас не было такой цели. Наше приложение было задумано как вычислительный инструмент, базирующийся на мини-репертории, приведенном в Приложении 1. Без этого мини-репертория приложение превращается в черный ящик; оно просто показывает наиболее подходящие препараты, а не рецепты, как в поваренной книге. Однако, это бесплатное приложение предлагает другую интересную возможность – оно помогает обычным врачам отобрать пациентов с COVID-19, которым может помочь гомеопатическое лечение. Таких пациентов можно отправить к практикующим гомеопатам для дополнительной консультации и назначения правильного препарата. Подобная возможность интересна, например, для врачей домов престарелых или карантинных центров. В этом смысле приложение служит посредником между гомеопатией и современной медициной, показывая, что гомеопатия по сути своей – логичная система, которая частично может быть переведена на язык алгоритма.

Использование в алгоритме практического опыта

Опытные гомеопаты знают, что при реперторизации число означает нечто совершенно иное, чем, например, число в лабораторных показателях. Эти числа основываются на абсолютной встречаемости симптомов, а не на распространенности данного симптома среди соответствующего ряда препаратов. В репертории Байеса эта проблема решена, поскольку LR основывается на распространенности. Однако, в репертории Байеса пробелы представляют собой проблему, если заменять их нулем. Когда мы комбинируем симптомы, мы должны перемножать соответствующие LR; ноль среди выбранных симптомов приведет к нулевом результату для комбинации симптомов.

В 17-м бюллетене мы обсуждали, что прежде всего трактуем ноль как симптом без информации, как среднюю распространенность, то есть, для пробела LR = 1. Однако ноль сам по себе ничего не значит, поскольку не найти симптом, хорошо отвечающий на конкретный препарат, более вероятно, если распространенность симптома среди этого конкретного препарата на самом деле ниже среднего, то есть LR находится в диапазоне от 0 до 1. Таки образом, в предыдущей версии для нуля мы взяли значение LR=0,5. Однако нас все равно не устраивала стандартизация LR=0,5 для нуля. Интуитивно мы чувствовали, что есть разница в ситуациях, когда симптом, для которого распространенность в популяции составляет 20%, не встречается в 50 случаях назначения конкретного препарата, и когда симптом с распространенностью 2% не проявляется в 20 случаях конкретного препарата. В нашей базе данных, состоящей из 1161 случая, симптом «дискомфорт в груди» встречался в 17 случаях, но ни в одном из 47 случаев назначения Belladonna (Bell). Симптом «желание теплых напитков» обнаруживался в 17 случаях, но ни в одном из 20 случаев применения Rhus Toxicodendron (Rhus-t). Получается, то, что следующий очередной случай Belladonna будет иметь «дискомфорт в груди», менее вероятно, чем то, что следующий случай Rhus-t будет испытывать «желание теплых напитков».

По статистике, вероятность обнаружения одного случая с симптомом, который имеет конкретную распространенность среди определенного числа случаев, можно рассчитать с помощью двухчленного уравнения. Дополнение в нем (то есть вероятность не найти ни одного случая) – один минус эта вероятность. В новой версии приложения мы используем дополнение этого двучлена как новую основу для вычисления LR. В результате получаем более низкое значение для Bell (LR=0,11) относительно «дискомфорта в груди», чем для Rhus-t относительно «желания теплых напитков» (LR=0,87), как мы и предполагали.

Статистика и экспертное мнение

Мы хотели бы подчеркнуть, что создание этого мини-репертория и приложения – новый опыт для всех нас, как и будущее [проспективное] ведение записи гомеопатического лечения для большинства практикующих врачей. Нам всем еще предстоит учиться. Разработчики приложения стараются решить решить проблему отсутствующих данных, а специалисты, предоставляющие клинические случаи, учатся разбираться с погрешностями и ошибками. Еще одна вещь, затрудняющая работу – это ситуация с противоречащими значениями «полярных симптомов», т.е. симптомов с противоположными характеристиками. В таблице Приложения 1 видно, что у некоторых препаратов LR>1 для симптома «продуктивный кашель» и LR<1 для симптома «сухой кашель»; это означает, что такие препараты больше показаны при продуктивном кашле. Такие противоположные значения подтверждают друг друга. При этом у Gels LR=0,54 для продуктивного кашля и 0,84 для сухого кашля, что кажется противоречащим друг другу. На первый взгляд, это означает, что Gels не показан не при продуктивном, ни при сухом кашле, но более вероятное объяснение – «кашель» вообще реже встречается или реже отмечается (за счет более высокого порогового уровня) у пациентов, которым назначается Gels. В данном случае сухой или влажный характер кашля имеет у Gels наименьшее значение и указывает на то, что оба симптома редко встречаются у пациентов. Следовательно, мы придаем наибольшую значимость обеим противоположностям.

Эти примеры показывают необходимость комбинировать экспертные знания и фактические данные. Иногда фактические данные противоречат экспертным знаниям, возможно, по причине субъективных погрешностей. В таких случаях мы стараемся найти объяснение и, по возможности, статистическое решение, как в ситуации с отсутствующими данными. Если статистического решения нет, мы обращаемся к традиционному здравому смыслу, как в ситуации с конфликтующими степенями для полярных симптомов. Такой способ решать проблему полярных симптомов подтверждается «анализом полярности» (polarity analysis, PA), предложенным Heiner Frei, который помогает повысить показатели эффективности гомеопатии в РКИ (рандомизированном контрольном исследовании, RCT). Мы считаем, что статистический и клинический опыт следует считать равными партнерами, и любой противоречивый результат должен становиться основанием для дальнейшего изучения и анализа.

Новое приложение с новой структурой и функцией

Наш программист Tom Smedley серьезно поработал над последней версией приложения. Обновление структуры было необходимо из-за увеличения количества препаратов (до 10), но, кроме этого, был улучшен и функционал. В предыдущей версии приложения вы видели результат после завершения выбора симптомов. В новой версии вы видите результаты с того момента, когда комбинация симптомов достигла LR=2,5 – в окне с правой стороны от окна симптомов. Эти результаты меняются, когда вы вносите дополнительные симптомы или удаляете имеющиеся. Появляется новая интересная возможность – сначала обдумать наиболее важные или наиболее выраженные симптомы. Чтобы воспользоваться этой функцией, следует кликнуть мышкой на наиболее важный или выраженный симптом, затем на второй по важности или выраженности симптом, и так далее. Вы также можете удалить какой-либо симптом, если вы или пациент решили изменить порядок ранжирования симптомов.

Подтверждающие симптомы

Для удобства работы мы постарались сделать приложение как можно более лаконичным. Мы выбрали 35 симптомов из 59 путем подсчета LR, который наиболее точно отражает различия между препаратами. Наше приложение дает представление о возможности гомеопатического лечения и предлагает наиболее вероятные препараты. Рекомендованные предложением препараты можно проверить, изучая другие симптомы, имеющиеся в нашей базе данных:

• Arsenicum: бессонница; страх смерти; беспокойство о семье/финансах; ухудшение в ночное время; кашель < при смехе; ощущение холода в груди

• Belladonna: конъюнктивит; кашель >лежа; выраженная лихорадка

• Bryonia: жажда большого количества воды; кашель < при разговоре; кашель < глубоком вдохе; кашель > от теплых напитков; боль в груди < при кашле; боль в горле < при кашле; желание отдыха; сухость в глазах; головная боль во время лизорадки; головная боль < при движении; ухудшение от движения; беспокойство о финансах/семье; улучшение лежа

• Camphora: кашель < при разговоре; кашель < лежа; потливость спины; улучшение на открытом воздухе; головокружение/дурнота

• Gelsemium: непроизвольное мочеиспускание при кашле; боль в груди при кашле; тяжелые веки – не может держать глаза открытыми; озноб в спине; головная боль > профузного мочеиспускания; улучшение от потения

• Hepar sulphuris: потеря аппетита; желание теплых напитков

• Nux vomica: боль в спине; горечь во рту; потеря аппетита

• Phosphorus: хватает ртом воздух; страх остаться одному; кашель < от холодного воздуха; повышенный аппетит; боль в спине; боль в груди; боль в глазах; тело горячее; кашель с кровью (кровохарканье)

• Pulsatilla: потеря аппетита; хочет, чтобы ее держали (удерживали); горечь во рту; плач ; насморк;

• Rhus Toxicodendron: насморк; повышение аппетита

Внимание: вышеприведенные симптомы подтверждаются нашей базой данных, однако в Материа Медика вы найдете много других симптомов. Если пациент демонстрирует ключевые симптомы, указывающие на другой препарат, их следует изучить глубже.

Продолжайте присылать нам свои клинические случаи

Мы надеемся, что врачи-гомеопаты понимают – этот мини-реперторий и приложение созданы на основании их собственного клинического опыта. Продолжайте присылать свои клинические случаи на наши платформы:

- База данных Американского института гомеопатии (American Institute of Homeopathy, AIH): логин

(https://homeopathyusa.org/covid-19/auth/login) или email (peter_gold@goldorluk.com ) для получения сетевых реквизитов.

- Vithoulkas Compass: https://www.vithoulkascompass.com/en/Homeopathy/LMHI2020

- Clificol: https://intranet.clificol.net/

Благодарности

Мы благодарим наших коллег из Испании – докторов Marc Lluís Clapers, Manuela Velat, Josep Maria Clapers, Joan Vidal-Jové и Joan Mora за предоставленные клинические случаи для обновления приложения. А также коллег из Индии - Moumita Chakraborty, Anjali Miglani, Amrit Kalsi, Baljeet Singh Meena, Prabhjeet Kaur, Beenu Saini, Amit Arora, Cheshta Nagrath, Jitesh T K, K Ram Kumar, Rahul Vardaan, Smita Brahmachari, Yogesh Kumar, B Amitav, Pramod K, Ankit Gupta, Suresh Kumar Lolugu, Pawan Goel, Shelly Arora, Shirin Balan, Kavita Sharma, Malay Kumar Ray, Vineetha Susan Jacob, Udesh Kumar, Rahul Kumar Singh, Abhises Saha, Manjula Ghuliani, Paramjeet Kaur, Shruti Gora, Nirmal Yadav, Anurag Pandey, Debaleena Bhar, Sreelekha K, Deepika Bhatnagar, P V Mahajan, Sunita Singh и Poonam Kumari.

В приложении 2 приводится список других участников, внесших вклад в формирование базы данных, лежащей в основе мини-репертория. К сожалению, этот список не полный. Из соображений приватности многие участники пожелали остаться неизвестными, либо сообщили только свои инициалы. Мы хотим выразить глубокую благодарность всем за сотрудничество. Надеемся, что создание практического инструмента для работы на основании нашего общего опыта будет достойной наградой за их усилия.

Коллеги со всего мира, делившиеся своими знаниями

Команда LMHI по изучению COVID-19:

Lex Rutten, Peter Gold, Bernardo Merizalde, Robbert van Haselen, José Eizayaga, Raj Kumar Manchanda, Ashley Ross, Gustavo Cataldi, Altunay Agaoglu, Tiziana di Giampietro, Lefteris Tapakis, Theodore Lilas, Frederik Schroyens

Пояснения к мини-реперторию

Байесовский мини-реперторий по симптомам COVID-19 охватывает 59 симптомов и 10 препаратов: Arsenicum album (Ars), Belladonna (Bell), Bryonia alba (Bry), Camphora (Camph), Gelsemium sempervirens (Gels), Hepar sulphuris (Hep), Nux vomica (Nux-v) Phosphorus (Phos), Pulsatilla (Puls) и Rus Toxicodendron (Rhus-t). Все симптомы следует рассматривать как подрубрики для соответствующих симптомов репертория, например: «раздражительный» следует читать как «ПСИХИКА – РАЗДРАЖИТЕЛЬНОСТЬ – при заболевании Covid-19». Этот Байесовский мини-реперторий отличается от классического репертория (Кента) в нескольких моментах:

1. Значимость симптома для соответствующего препарата выражается как коэффициент вероятности (likelihood ratio, LR). LR = распространенность симптома среди пациентов с данным заболеванием/ распространенность симптома среди остального населения. Если LR> 1 – распространенность выше средней (среди всего населения), если LR<1 – распространенность ниже средней.

2. LR представляет собой часть теоремы Байеса:

Апостериорная вероятность = LR х априорная вероятность.

Вероятность= шанс/1-шанс; шанс=вероятность/1+вероятность.

Если LR=1 – шанс и вероятность того, что препарат сработает при наличии этого симптома, возрастает. Если LR<1 – шанс и вероятность снижаются. Более высокое значение LR означает более высокий шанс/вероятность эффективности препарата.

3. При комбинировании симптомов соответствующие LR нужно перемножить. Это делает само приложение (Английская версия https://hpra.co.uk/, испанская версия - https://hpra.co.uk/es).

4. Некоторые симптомы, имеющие высокий LR для одного препарата, например «тяжелые веки» и «ощущение озноба в спине» у Gels, следует оценивать с осторожностью. В таких случаях ключевые симптомы приводят к погрешности - переоцененивание LR у одного препарата и недооценивание у остальных.

Рисунок 1. Число случаев назначения препарата (ось Y слева) и процент случаев, в котором назначался препарат (ось Y справа), в нисходящем порядке

Дополнительные препараты.

- число случаев назначения препарата

- количество случаев в процентах

Приложение 1.

Таблица 1. Мини-реперторий симптомов при COVID-19, основанный на анализе 1161 случая (июль 2021 г) вычисления LR (коэфффициента вероятности) симптомов. См. объяснение в тексте.

Приложение 2. Список участников, внесших вклад в создание базы данных по COVID-19 . 

Список неполный, т.к. данные по некоторым участникам отсутствуют.

Christoph Abermann

Altunay Agaoglu

Lisa Amerine

Anthony Aurigemma

Candace Benyei

Antonella Bevere

Doug Brown

Ellie Camp

Vishal Chadha

Samantha Conboy

Dan Cook

Anna Cox

Ciro D'Arpa

Tiziana Di Giampietro

Michelle Dossette

Sergiy Druganov

Ron Dushkin

Jose Eizayaga

Rebecca Elmaleh

Tim Fior

Yvonne Fok

Lauren Fox

Catherine Gaucher

Kay Gilanyi

Peter Gold

Alicia Gonzales

Susana Gutierrez

Susana Gutierrez

Ifeoma Ikenze

Sema Ilhan

Joe Kellerstein

David Kirk

Michael Knapp

Reetha Krishnan

Sandy Kubel

Kristina Lewis

Domenick Masiello

Flo McPherson

Charlotte Mendes da Costa

Barbara Mimoto

Resie Moonen

Lisette Narragon

Jamie Oskin

Navin Pawaskar

Philippe Peyronnet

Reneé van

der Reijden

Hélène Renoux

Karl Robinson

Wim Roukema

Andre Saine

Lisa Samet

Léon Scheepers

Fred Schmitt

Jenn Schuppe

Tim Shannon

Sharum Sharif

Bill Shevin

Kathleen Slonager

Denise Straiges

Marliese Symons

Michael Teut

Michelle Thatcher

Aaron To

Gabrielle Traub

Anja Troje

Shailendra Vaishampayan

Kristin van Konynenburg

Nazanin Vassighi

Gyandas Wadhwani

Ron Whitmont

Huib Wijtenburg

Kathy Zimmerman

Givon Zirkdi