SAS Enterprise Guide 6.1 для врачей: корреляционный анализ

Полный текст

Введение

Одной из целей научных исследований зачастую является установление зависимости между изучаемыми параметрами, например маркером в плазме крови и концентрацией препарата. Распространено мнение, что для выявления зависимости между двумя переменными необходимо оценить корреляцию, и если она существует, то говорят, что корреляция есть. Нередко слово «зависимость» заменяют словом «корреляция», и можно услышать вопрос: «Наблюдалась ли корреляция?» Однако наличие корреляции не подразумевает прямую причинно-следственную связь, так же как и отсутствие корреляции не исключает наличия связи между двумя переменными, в том числе причинно-следственной [3]. В ходе научного исследования в кардиохирургическом центре ПСПбГМУ им. акад. И.П. Павлова возник вопрос: есть ли взаимосвязь между временем пережатия аорты при операциях коронарного шунтирования и уровнем тропонина I после операции?

В нашем примере мы взяли для анализа следующие переменные: TnIEndOp — уровень тропонина I к концу операции, TnI1 — уровень тропонина I на первые сутки после операции коронарного шунтирования, AoClamp — время пережатия аорты в минутах. Было сформировано три группы пациентов: первая группа — коронарное шунтирование без искусственного кровообращения, вторая группа — коронарное шунтирование с искусственным кровообращением, третья группа — коронарное шунтирование на параллельном искусственном кровообращении.

Цель данной работы состояла в написании алгоритма обработки базы данных проспективного нерандомизированного исследования AMIRI–CABG (ClinicalTrials.gov Identifier: NCT03050489) в программном пакете SAS Enterprise Guide 6.1, позволяющего выполнить корреляционный анализ.

Материалы и методы

В проспективное нерандомизированное исследование AMIRI–CABG (ClinicalTrials.gov Identifier: NCT03050489) в Научно-исследовательском центре сердечно-сосудистой хирургии ПСПбГМУ им. И.П. Павлова с 2016 по 2019 г. включено 336 пациентов с ишемической болезнью сердца, имеющих показания к операции коронарной реваскуляризации. Создана база данных с результатами клинических, лабораторных и инструментальных исследований. Статистическая обработка базы данных проведена с использованием лицензионного программного обеспечения SAS Enterprise Guide 6.1.

Результаты и их обсуждение

Как и в ранее рассмотренных примерах, прежде чем выполнять корреляционный анализ, необходимо определить тип распределения изучаемых переменных [1]. Если распределение отличается от нормального, стоит попробовать привести его к нормальному распределению. Как это сделать, было рассмотрено ранее [1]. В нашем случае к нормальному виду удалось привести распределение переменной TnIEndOp (уровень тропонина I к концу операции) с помощью логарифмирования. Переменные TnI1 (уровень тропонина I на первые сутки после операции) и AoClamp (время пережатия аорты) привести к нормальному распределению не удалось. В случае нормально распределенных переменных и предположения о линейной связи между переменными корреляцию рассчитывали с помощью коэффициента Пирсона. Если распределение переменных отличается от нормального, то следует использовать коэффициент корреляции Спирмена. Следует отметить, что коэффициент корреляции Пирсона позволяет выявить линейную связь. Если связь носит нелинейный характер, то данный метод покажет отсутствие корреляции [2].

Далее представлен код, с помощью которого можно определить характер распределения, а также привести распределение к нормальному, если оно отличается от нормального.

ods graphics on;

/* Выполняем проверку на нормальность распределения по критериям Колмогорова - Смирнова или Шапиро - Уилка, если p>0,05 то распределение нормальное */

Proc UNIVARIATE DATA=WORK.’20_06_2019 work’n normaltest plots;

where CPBType=2;

VAR TnIEndOp TnI1 AoClamp;

run;

/* приведем к нормальному распределению с помощью логарифмирования */

DATA NEWDATASET; /* Создаем новую таблицу данных */

SET WORK.’20_06_2019 work’n;

/* переносим в новую таблицу все наши данные */

LGTnI1=LOG10(TnI1); /* логарифмируем с целью “нормализации” */

LGTnIEndOp=LOG10(TnIEndOp);

LGAoClamp=LOG(AoClamp);

RUN;

/* TnIEndOp - уровень тропонина к концу операции

TnI1 - уровень тропонина на 1-е сутки после операции

AoClamp - время пережатия аорты; */

После определения характера распределения переменных построим скатерограмму (рис. 1). Оценим, существует ли корреляция между повышением уровня тропонина I к концу операции и на первые стуки после операции.

 

Рис. 1. Скатерограмма зависимости уровня тропонина I на первые сутки после операции от уровня тропонина I к концу операции

Fig. 1. Scatter plot for correlation analysis of troponin I level at the end of operation and on the 1^st postoperative day

 

/* Оценим характер связи между уровнем тропонина I к концу операции и уровнем тропонина I на 1-е сутки после операции */

proc sgplot data=NEWDATASET;

WHERE CPBTYPE=2;

title “Скатерограмма»;

scatter x=LGTnIEndOp y=LGTnI1;

ellipse x=LGTnIEndOp y=LGTnI1;

label LGTnIEndOp = ‘уровень тропонина I к концу операции’;

label LGTnI1 = ‘уровень тропонина I на 1-е сутки после операции’;

run;

На рис. 1 видно, что точки стремятся распределиться вдоль наклонной прямой, следовательно, зависимость двух переменных носит линейный характер и можно применять линейный корреляционный анализ.

TITLE ‘Корреляция исходных значений тропонина I к концу операции и на 1-е сутки после операции’;

proc corr DATA=WORK.’20_06_2019 work’n pearson spearman kendall hoeffding fisher;

WHERE CPBTYPE=2;

var TnI1;

with TnIEndOp;

run;

Примечания.

pearson — указываем, чтобы рассчитать коэффициент корреляции Пирсона (две исследуемые переменные распределены нормально);

spearman — указываем, чтобы рассчитать коэффициент корреляции Спирмена (одна или две исследуемые переменные имеют распределение, отличающееся от нормального);

kendall — указываем, чтобы рассчитать коэффициент корреляции Кендалла;

fisher — указываем, чтобы рассчитать доверительный интервал корреляции.

Нажимаем кнопку «Выполнить» (рис. 2).

 

Рис. 2. Расчет корреляции

Fig. 2. Correlation analysis

 

Получаем результаты, обращаем внимание на следующую таблицу (рис. 3).

 

Рис. 3. Результаты корреляционного анализа

Fig. 3. Correlation analysis results

 

Поскольку одна из переменных имеет распределение, отличающееся от нормального, то берем результаты из раздела Spearman Correlation Statistic (см. рис. 3). Значение корреляции — 0,88 (сильная корреляция), 95 % доверительный интервал — 0,81–0,92, уровень значимости p < 0,0001. Коэффициент детерминации 0,88² = 0,77. Это означает, что одна переменная способна объяснить 77 % вариабельности другой, что свидетельствует о сильной связи двух переменных.

Таким образом, уровень тропонина I на первые сутки после операции сильно коррелирует с уровнем тропонина I к концу операции. Безусловно, исходя из патофизиологии ишемически-реперфузионного повреждения миокарда, полученный вывод предполагался, но с целью демонстрации возможностей SAS и наглядности был выбран анализ двух переменных, между которыми, очевидно, существует связь.

Теперь выполним корреляционный анализ с целью выявления связи между длительностью пережатия аорты (AoClamp) и уровнем тропонина I к концу операции (TnIEndOp). Строим скатерограмму:

TITLE ‘Зависимость уровня тропонина I от времени пережатия аорты’;

proc sgplot data=NEWDATASET;

WHERE CPBType=2;

title “Скатерограмма»;

scatter x=AoClamp y=LGTnIEndOp;

ellipse x=AoClamp y=LGTnIEndOp;

label AoClamp = ‘время пережатия аорты’;

label TnIEndOp = ‘уровень тропонина I к концу операции’;

run;

После нажатия кнопки «Выполнить» получим скатерограмму (рис. 4) зависимости уровня тропонина I к концу операции от времени пережатия аорты.

 

Рис. 4. Скатерограмма между временем пережатия аорты и уровнем тропонина I к концу операции

Fig. 4. Scatter plot aorta clamping time – troponin I level

 

Обращает на себя внимание широкий разброс точек от границ эллипса: достаточно сложно провести прямую, вдоль которой могло бы расположиться большинство точек, эллипс стремится к контуру окружности (см. рис. 4). Уже по скатерограмме понятно, что корреляция между временем пережатия аорты и степенью повышения тропонина I концу операции отсутствует.

Рассчитаем коэффициент корреляции Спирмена.

TITLE ‘Корреляция уровня тропонина I к концу операции и времени пережатия аорты’;

proc corr DATA=NEWDATASET pearson spearman kendall hoeffding fisher;

where CPBTYPE=2;

var AoClamp;

with LGTnIEndOp;

label LGTnIEndOp = ‘уровень тропонина I к концу операции’;

run;

Полученный результат представлен на рис. 5.

 

Рис. 5. Корреляция между временем пережатия аорты и уровнем тропонина I к концу операции

Fig. 5. Correlation analysis aorta clamping time – troponin I level

 

Корреляция между временем пережатия аорты и уровнем тропонина I к концу операции — 0,4 (слабая), 95 % доверительный интервал — 0,19–0,57 — относительно широкий, уровень значимости p = 0,0002 (корреляция статистически значима). Коэффициент детерминации 0,4² = 0,16. Исходя из расчетов, одна переменная объясняет только 16 % вариабельности другой переменной, что крайне мало. Таким образом, можно заключить, что время пережатия аорты не влияет на повышение уровня тропонина I к концу операции. В случае коэффициента корреляции r < 0,4 говорят о слабой связи, при 0,4 < r < 0,8 — о связи средней силы, при r > 0,8 — о сильной связи.

Как уже упоминалось, отсутствие корреляции может говорить об отсутствии линейной связи двух переменных, но возможна нелинейная связь. Может быть, она присутствует в нашем случае? На этот вопрос помогает ответить скатерограмма, представленная на рис. 4. Разброс точек стремится к равномерности, что говорит об отсутствии не только линейной связи, но и нелинейной. В случае нелинейной зависимости корреляционный анализ покажет отсутствие корреляции, поэтому при поиске зависимости между двумя переменными следует строить скатерограммы. Пример нелинейной зависимости между двумя переменными рассмотрен на рис. 6.

 

Рис. 6. Нелинейная связь между двумя переменными

Fig. 6. Nonlinear relationship

 

Следует отметить, что корреляционный анализ широко упоминается в российской литературе, но для понимания границ его применимости и интерпретации результатов необходимы знания биостатистики [2].

Несмотря на отсутствие корреляции, нельзя исключить наличия связи между исследуемыми переменными. Возможно, стоит одну из исследуемых переменных попробовать привести к бинарному виду и применить логистическую регрессию.

Разработанный алгоритм корреляционного анализа представлен таким образом, чтобы врач, никогда не работавший с программным продуктом SAS Enterprise Guide 6.1, мог обработать свою базу данных. Одно из преимуществ SAS — возможность достаточно просто рассчитать доверительный интервал для коэффициента корреляции, следует только указать в процедуре корреляционного анализа fisher, в то время как в других программных продуктах такой возможности нет и доверительные интервалы для коэффициентов корреляции необходимо рассчитывать вручную [2]. В данной статье рассмотрены вопросы практического применения корреляционного анализа в программном пакете SAS, теоретические аспекты затронуты лишь в малой степени, так как прекрасно представлены в российской литературе [2–5].

Таким образом, SAS Enterprise Guide 6.1 предоставляет полный набор современных методов обработки данных, необходимых врачу-исследователю.

Выводы

1. SAS Enterprise Guide 6.1 позволяет быстро и удобно выполнять корреляционный анализ, что делает этот программный пакет интересным для врачей.
2. Разработанный алгоритм корреляционного анализа может применяться исследователями для обработки различных баз данных научных и клинических исследований.

Дополнительная информация

Финансирование. Работа выполнена в рамках государственного задания по теме «Оценка регенеративного потенциала пациента при операциях на сердце».

Соблюдение этических норм. Выполнение исследования одобрено протоколом локального этического комитета ФГБОУ ВО ПСПбГМУ им. И.П. Павлова.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Об авторах

Николай Сергеевич Буненков

ФГБОУ ВО «Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова»

Автор, ответственный за переписку.
Email: bunenkov2006@gmail.com
ORCID iD: 0000-0003-4331-028X

аспирант кафедры факультетской хирургии

Россия, Санкт-Петербург

Гульнара Физулиевна Буненкова

ФГБНУ «Первый Санкт-Петербургский медицинский университет им. акад. И.П. Павлова» Минздрава России

Email: gulnara533@gmail.com

клинический ординатор кафедры госпитальной терапии

Россия, Санкт-Петербург

Владимир Владимирович Комок

ФГБОУ ВО «Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова»

Email: vladimir_komok@mail.ru
ORCID iD: 0000-0002-3834-7566
SPIN-код: 3572-5180

канд. мед. наук, кардиохирург отделения кардиохирургии № 2

Россия, Санкт-Петербург

Олег Александрович Гриненко

ФГБОУ ВО «Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова»

Email: klinika@spb-gmu.ru

д-р мед. наук, проректор по лечебной работе

Россия, Санкт-Петербург

Александр Сергеевич Немков

ФГБОУ ВО «Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова»

Email: nemk_as@mail.ru
ORCID iD: 0000-0002-5152-0001
SPIN-код: 2853-4634

д-р мед. наук, профессор, кардиохирург, руководитель отделения кардиохирургии № 2

Россия, Санкт-Петербург

Список литературы

Дополнительные файлы