Расчет запаса жизненных сил. Время жизни после лечения

Основные пути снижения количества рецидивов в комплексном лечении онкологических заболеваний. Построение модели лечения солидной саркомы в компьютерной программе. Расчет времени жизни существа после лечения с учетом времени жизни объекта до лечения.

Рубрика Математика
Вид реферат
Язык русский
Дата добавления 16.05.2014
Размер файла 927,7 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

План работы

  • 1. Введение
  • 2. Задание
  • 3. Аппроксимация данных. Построение модели
  • 3.1 Выбор функции
  • 3.2 Аппроксимация в MATLAB
  • 3.3 Выбор оптимальной функции
  • 3.4 Регрессионный анализ экспоненциальной функции
  • 3.5 Регрессионный анализ степенной функции
  • 4. Расчет запаса жизненных сил. Время жизни после лечения
  • 5. Заключение
  • Список литературы
  • Приложение

1. Введение

Саркома - злокачественная опухоль, состоящая из недифференцированных, атипичных-клеток соединительной ткани. В некоторых случаях саркома развивается на месте ушиба или перелома. Источниками развития опухоли являются фибробласты, надкостницы, сухожилия. Обобщенно говоря, саркома может развиваться всюду, где имеется соединительная ткань. Саркома богата клеточными элементами при незначительном количестве межуточного вещества, содержащего множество тонкостенных кровеносных сосудов. Быстрый рост опухоли связан с обильным кровоснабжением опухоли. Тонкостенные сосуды часто разрываются, дают кровоизлияния, внутри опухоли возникают очаги некроза, сопровождающиеся образованием полостей.

Саркома - рак молодых. Очень часто это заболевание диагностируется у подростков и детей старшего возраста. Как правило, она не болезненна на первых порах и длительное время не доставляют особых неудобств больному. Нередко первыми симптомами, с которыми обращаются больные, являются общая слабость, потеря веса, утомляемость - признаки раковой интоксикации.

Болезнь различают по степени злокачественности. Малонекротизированные опухоли из высокодифференцированных клеток с низкой митотической активностью растут медленнее, прогноз при их лечении благоприятнее. Прогноз также часто зависит от происхождения заболевания, его расположения (чаще всего в нижних конечностях, но может развиться и в верхних, в туловище, брюшной полости, шее) и скорости роста.

Саркомы - не самые распространенные онкологические заболевания, хорошо поддающиеся лечению, но в то же время именно эти опухоли особо склонны к рецидиву и метастазированию в жизненно важные органы (легкие, печень).

Если посчастливилось обнаружить болезнь на ранней стадии, то ее удаляют хирургическим путем. В случае удачного расположения удаленной опухоли сохраняются все функции организма и лечение не ведет к инвалидности. Однако очень часто после удаления опухоли отмечается злокачественный рост в легких. Метастазы также удаляют, но пятилетняя выживаемость при таком течении болезни составляет не более 20%.

Для снижения количества рецидивов в комплексном лечении обязательно применяют курсы лучевой и химиотерапии.

2. Задание

Цель работы: построить модель лечения солидной саркомы в программе MATLAB7; найти время жизни существа после лечения, ориентируясь на время жизни объекта до лечения.

Основные задачи: найти функцию с минимальным СКО исходя из заданного графика (Рис.1); найти минимальные значения параметров a и b итоговой функции; вычислить запас жизненых сил объекта; включить в программу дозовую зависимость жизни объекта.

Рис. 1. Экспериментальная кривая роста солидной саркомы

Заданные экспериментальные данные:

V (t), см3

1.5

2

3.5

3.7

4.8

5

7

8

8.2

9.5

13.5

15

15.5

18

t, сутки

6.5

7

9

10

11

12

12.8

14

15.2

17

17.8

20

21

22

Дополнительные данные:

D=0.8, где D - водимая доза.

T (ж) =31, где T (ж) - время жизни или количество прожитых дней.

t1=7, где t1 - начало лечения или введение первой дозы.

n=3, где n - общее количество вводимых доз/инъекций.

td=6, где td - промежуток или количество дней между вводимыми дозами.

E=5, где E - эффект при максимально переносимой дозе.

3. Аппроксимация данных. Построение модели

3.1 Выбор функции

Визуальный анализ распределения данных позволяет предположить, что исходные данные можно аппроксимировать экспоненциальной или степенной функцией.

Экспоненциальная функция:

(2.1)

Степенная функция:

(2.2)

3.2 Аппроксимация в MATLAB

Нахождение коэффициентов производился в пакете MATLAB 7.0 с помощью функций fminsearch (). (см. приложение) x = fminsearch (fun,x0,options,P1,P2,.) - передает зависимые от задачи параметры P1, P2 и т.д. непосредственно в функцию fun. Осуществляет безусловную минимизацию функций. Если опции не определены, используется опция = [] как структурный ноль.

Расчеты в MatLab дали следующие результаты:

1. Экспоненциальная функция:

;

0.820

б = 0.1185

2. Степенная функция:

;

0.075

б =0.029

в =2.065

Рис. 2. Динамические кривые аппроксимации экспериментальных данных роста опухоли двумя функциями.

3.3 Выбор оптимальной функции

Для выбора функции с большей корреляцией с исходными данными, необходимо рассчитать сумму квадратов отклонений (СКО) между исходными точками и аппроксимированными аналитической функцией.

1. Экспоненциальная функция:

СКО1=21.35

при 0.820

б =0.1185

2. Степенная функция:

СКО2=0.922

при 0.0755

б =0.028

в = 2.065

Т.к. СКО2 < СКО1, степенная функция лучше аппроксимирует исходные данные. Следовательно, для дальнейших расчетов используем степенную функцию.

Рис. 3. График изменения СКО при различных значениях объема.

Рис. 4. График изменения СКО при различных значениях объема.

3.4 Регрессионный анализ экспоненциальной функции

Формула экспоненциальной функции:

.

Приводим ее к линейному виду y=a+b*x, где вместо x выступает t, логарифмируем:

Пусть , тогда:

Продифференцируем по a и приравняем к 0, т.е.:

Пренебрегаем множителем, раскрываем скобки и выносим а за знак суммирования:

Выведем формулу для a:

(1)

Произведем численный расчет a. Для этого составим таблицу необходимых значений, учитывая, что - значения размеров опухоли, равных Взятое число точек m=14.

Таблица

V (t)

1.35

1.8

2.25

2.7

4.1

4.45

7.3

7.7

8.2

9.1

11.8

15

15.4

18.2

t

6

7

9

10

11

12

13

14

15

17

18

19

21

22

-0.02

0.27

0.49

0.67

1.17

1.66

1.72

1.78

1.88

2.14

2.38

2.32

2.41

2.58

-0.12

1.89

4.41

6.7

11.99

14.04

21.58

24.08

26.7

31.96

38.52

45.22

50.6

56.76

Из таблицы получаем:

;

;

Подставим полученные значения в формулу (1) и получим:

3.5 Регрессионный анализ степенной функции

Формула степенной функции:

;

Действуя аналогичными методами получаем:

Пусть , тогда:

Продифференцируем по a и по b и приравняем к 0, т.е.:

Пренебрегаем множителями и раскрываем скобки:

Преобразуем эти выражения:

Из полученного выразим a и b:

Произведем численный расчет a и b. Для этого составим таблицу необходимых значений, учитывая, что - значения размеров опухоли, равных Взятое число точек m=14.

Таблица

V (t)

1.35

1.8

2.25

2.7

4.1

4.55

7.3

7.7

8.2

9.1

11.8

15

15.4

18.2

t

6

7

9

10

11

12

13

14

15

17

18

19

21

22

0.3

0.587

0.81

0.99

1.41

1.492

1.945

2.079

2.104

2.2

2.468

2.708

2.74

2.89

ln

1.791

1.945

2.197

2.302

2.394

2.484

2.549

2.639

2.721

2.833

2.879

2.995

3.044

3.091

ln

3.2

3.783

4.826

5.299

5.745

6.17

6.497

6.964

7.403

8.025

8.288

8.97

9.265

9.554

Из таблицы получаем:

;

;

;

;

Подставим полученные значения в (2) и (3):

Исходя из произведенных расчетов можно утверждать, что расчетное значение коэффициента а для степенной функции приближенно равно значению, найденному с помощью составленной программы.

4. Расчет запаса жизненных сил. Время жизни после лечения

Геометрический смысл переменой - площадь под выбранной кривой. Следовательно, расчет запаса жизненных сил производится по формуле:

При подстановке значений в нашу программу получаем:

Далее находим эффект вводимой инъекции в зависимости от максимально допустимой дозы (МДП).

, где

Отсюда:

E (D) = D*E=4

Рис. 5. - График дозовой зависимости

Учитывая эффект от дозы, можно найти время жизни организма после лечения:

- временные интервалы, запас жизненных сил на заданном интервале, площади под кривыми зависимости от доз. Стоит отметить, что сумма численно должна быть равна . Исходя из этого вычисляем жизненные силы на каждом интервале для степенной функции.

Запас жизненных сил величина постоянная и не зависит от производимой терапии, расчёт времени жизни после лечения будет производиться по следующей формуле:

После подстановки данных получен следующий результат: T (ж) = 44,6.

Рис. 6. Кривые роста опухоли до и после лечения (при многократном введении дозы n=3)

5. Заключение

Проанализировав исходные данные и сделав определенные расчеты времени жизни при однократном введении максимально переносимой дозы и при многократном введении (n=5) дозы D=0.8 МПД с интервалом t=6 суток, я пришел к выводу, что проведение длительного лечения эффективнее, следовательно, продолжительность жизни организма увеличивается в данном случае на 10 суток.

На основании исходных данных и расчетов СКО можно сделать вывод, что развитие опухоли лучше всего аппроксимирует степенная функция.

онкологической заболевание время жизнь

Список литературы

1. Бабушкина Н.А. Математическое моделирование как метод изучение функционирования организма. М.: МИРЭА, 1995. - 63с.

2. Ван дер Варден Б.Л. Математическая статистика. - М: Эдиториал УРСС, 2006, 435 c.

3. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Множественная регрессия. Изд.2, перераб. и доп. - М.: Диалектика, 2007, 212 с.

4. Потемкин В. Введение в MATLAB CHM. М.: Диалог-МИФИ, 2000. - 256 с.

5. Пыльнов Ю.В. Регрессионный анализ полиномиальных моделей. - М.: МИРЭА, 1994, 56 с.

6. Михальский А.И. Лекционные материалы по курсу КТ в МБС, 2013 год.

Приложение

Текст программы в MATLAB:

Y1= [1.35,1.8,2.25,2.7,4.1,4.55,7.3,7.75,8.2,9.1,11.8,15,15.45,18.2]; % Значения объёма по точкам.

T1= [6,7,9,10,11,12,13,14,15,17,18, 19,21,22]; % Значения времени по точкам.

V01=1.35;

n=14;

P=fminsearch (@G1,1, [],Y1,T1,V01) % Экспоненциальная.

Y2=V01. *exp (T1*P (1));

SKO1 = (1/n) * sum ( (Y1 - Y2). ^2);

P1=fminsearch (@G2, [1,1], [],Y1,T1,V01) % Степенная.

Y3=V01. * (1+T1/ (P1 (1))). ^ (P1 (2));

SKO2 = (1/n) * sum ( (Y1 - Y3). ^2);

figure

plot (T1,Y1,'ko-',T1,Y2,'k+: ',T1,Y3,'k-. '),grid;

legend ('Исходные данные','Экспоненциальная','Степенная');

xlabel ('Время');

ylabel ('Объём');

figure

m1= [];

m2= [];

for V01=0.0001: 0.01: 3;

[P3,f] =fminsearch (@G1,1, [],Y1,T1,V01);

m1= [m1; V01];

m2= [m2; f];

end

plot (m1,m2,'k-. ','LineWidth',2),grid;

xlabel ('Мин. Объём');

ylabel ('СКО');

figure

n1= [];

n2= [];

for V01=0.001: 0.01: 2;

[P4,f2] =fminsearch (@G2, [1,1], [],Y1,T1,V01);

n1= [n1; V01];

n2= [n2; f2];

end

plot (n1,n2,'k-. ','LineWidth',2),grid;

xlabel ('Мин. Объём');

ylabel ('СКО');

% До лечения.

V01=0.8200;

a1=0.1440;

Y2=V01*exp (T1. *a1);

V02=0.0755;

a2=0.029;

b=2.065;

h=0.1; %Промежуток развития

Y3=V02*diag (1+ (T1/a2)) ^b; % Создадим массив объёма созданного по формуле с учётом оценки.

Y3=diag (Y3);

Y3=Y3';

figure

plot (T1,Y1,'ko',T1,Y2,'k-. ',T1,Y3,'k'); % Сравниваем получившиеся данные, на графике без лечения. В качестве проверки строим экспоненциальную оценку.

grid on

xlabel ('Время');

ylabel ('Объём');

legend ('Исходные данные', 'Экспоненциальная функция','Степенная функция');

% Без лечения.

T2m= [0: h: 32]; % Время жизни без лечения.

Y8=V02*diag (1+ (T2m/a2)) ^b; % Создадим массив объёма созданного по формуле с учётом оценки.

Y8=diag (Y8);

Y8=Y8';

zp3=sum (Y8. *h); % Считаем примерный запас жизненных сил, на примере без лечения.

% С лечением.

E= [0: 1: 5]; % Зависимость эффекта, от максимально переносимой дозы.

MPD= [0: 0.2: 1];

figure

plot (MPD,E,'k-. ');

grid on

xlabel ('Переносимая доза');

ylabel ('Эффект');

%Найдем эффект, при дозе n от переносимой.

D=0.8;

tgEMPD=E/MPD; %Находим тангенс при макс. дозе.

MPD=1;

ED=D*MPD*tgEMPD; %Находим эффект при дозе n.

t1=7; %Время начала лечения.

n1=3; %Количество инъекций.

td=6; %Промежуток между инъекциями.

tj1=t1+ (n1-1) *td; %День последней инъекции.

Y41= [];

Y42= [];

Y43= [];

Y44= [];

Tx1= [];

Tx2= [];

Tx3= [];

Tx4= [];

Tj=0; % Введём время развития, максимальное значение которого, на выходе из последнего цикла и будет временем жизни с лечением.

Taux1=t1; % Время 1-ой инъекции.

Taux2=t1+ (n1-2) *td; % Время 2-ой инъекции.

Taux3=tj1; % Время последней инъекции.

Tl=31; % Время жизни.

while Tj<Taux1

Y4=V02*diag (1+ (Tj/a2)) ^b;

Y41= [Y41; Y4];

Tx1= [Tx1; Tj];

Tj=Tj+h;

end;

Tj1=Tj-ED; % Ввод дозы 1.

while Tj<Taux2

Y4=V02*diag (1+ (Tj1/a2)) ^b;

Y41= [Y41; Y4];

Tx1= [Tx1; Tj];

Tj1=Tj1+h;

Tj=Tj+h;

end;

Tj2=Tj1-ED; % Ввод дозы 2.

while Tj<Taux3

Y4=V02*diag (1+ (Tj2/a2)) ^b;

Y41= [Y41; Y4];

Tx1= [Tx1; Tj];

Tj2=Tj2+h;

Tj=Tj+h;

end;

Tj3=Tj2-ED; % Ввод дозы 3.

Zp=sum (Y41. *h);

while Zp<zp3; % Рассчитаем график, до летального объёма.

Zp=Zp+Y4*h;

Y4=V02*diag (1+ (Tj3/a2)) ^b;

Y41= [Y41; Y4];

Tx1= [Tx1; Tj];

Tj3=Tj3+h;

Tj=Tj+h;

end;

figure

plot (T2m,Y8,'k-. ',Tx1,Y41,'k');

grid on

xlabel ('Время');

ylabel ('Объём');

legend ('Без лечения','С лечением');

M-файл G1 для расчета экспоненциальной функции:

function out=G1 (P,V1,T1,V01)

a=P (1);

Y=V01. *exp (T1*a);

out=V1-Y;

out=sum (out. *out);

M-файл G2 для расчета степенной функции:

function out=G2 (P1,V1,T1,V01)

a=P1 (1);

b=P1 (2);

Y=V01. * (1+T1/a). ^b;

out=V1-Y;

out=sum (out. *out);

Размещено на Allbest.ru


Подобные документы

  • Решение дифференциальных уравнений математической модели системы с гасителем и без гасителя. Статический расчет виброизоляции. Определение собственных частот системы, построение амплитудно-частотных характеристик и зависимости перемещений от времени.

    контрольная работа [1,6 M], добавлен 22.12.2014

  • Однородный Марковский процесс. Построение графа состояний системы. Вероятность выхода из строя и восстановления элемента. Система дифференциальных уравнений Колмогорова. Обратное преобразование Лапласа. Определение среднего времени жизни системы.

    контрольная работа [71,2 K], добавлен 08.09.2010

  • Моделирование непрерывной системы контроля на основе матричной модели объекта наблюдения. Нахождение передаточной функции формирующего фильтра входного процесса. Построение графика зависимости координаты и скорости от времени, фазовой траектории системы.

    курсовая работа [1,5 M], добавлен 25.12.2013

  • Анализ исследований в области лечения диабета. Использование классификаторов машинного обучения для анализа данных, определение зависимостей и корреляции между переменными, значимых параметров, а также подготовка данных для анализа. Разработка модели.

    дипломная работа [256,0 K], добавлен 29.06.2017

  • Средние величины как обобщающие показатели, выражающие типичные для определенного места и времени размеры и количественные соотношения явлений общественной жизни. Знакомство с основными способами определения дисперсии в статистике, анализ этапов.

    дипломная работа [1,2 M], добавлен 11.12.2013

  • Округление заданного числа до шести, пяти, четырех и трех знаков. Расчет погрешностей после каждого округления. Определение абсолютной и относительной погрешности вычисления значений функции u с учетом того, что все знаки операндов a, b, c и d верны.

    контрольная работа [131,5 K], добавлен 02.05.2012

  • Этапы развития теории описания пространства, сущность принципа относительности, сформулированного Галилеем. Геометрия Минковского как описание пространства – времени, основные понятия ее описания. Разработка практических занятий по данным темам.

    дипломная работа [354,6 K], добавлен 24.02.2010

  • Предмет и задачи исследования операций. Основные понятия и принципы исследований, математические модели. Детерминированная задача согласования по определению минимального времени выполнения комплекса работ, времени начала и окончания каждой операции.

    курсовая работа [233,9 K], добавлен 20.11.2012

  • Определение среднего квадратичного отклонения. Расчет значения критерия Стьюдента, значения доверительных границ с его учетом. Обоснование выбора математической модели прогнозирования. Параметры по методу наименьших квадратов, наработка до отказа.

    контрольная работа [394,1 K], добавлен 18.06.2014

  • Теория графов. Параметры сетевого графика. Наиболее ранний из возможных сроков совершения того или иного события. Расчет основных временных параметров. Путь в сетевом графике. Опасность срыва наступления завершающего события. Частный резерв времени.

    курсовая работа [3,3 M], добавлен 14.03.2009

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.