Сертаконазол в местном лечении поверхностных микозов кожи

Итеративные алгоритмы

Итеративные алгоритмы называются так потому, что итеративно перераспределяют
объекты между кластерами.

Алгоритм k-means

Общая идея алгоритмов *-means: Минимизация расстояний между объектами в
кластерах. Останов происходит, когда минимизировать расстояния больше уже
невозможно. Минимизируемая функция в случае k-means такова: —
объект кластеризации (точка) — центр кластера
(центроид). | X | = N, | C | =
M

На момент старта алгоритма должно быть известно число С (количество
кластеров). Выбор числа С может базироваться на результатах предшествующих
исследований, теоретических соображениях или интуиции.

Описание алгоритма 0. Первоначальное распределение объектов по кластерам.
Выбираются С точек. На первом шаге эти точки считаются центрами кластеров. Выбор
начальных центроидов может осуществляться путем подбора наблюдений для
максимизации начального расстояния, случайным выбором наблюдений или выбором
первых наблюдений.

1. Итеративное перераспределение объектов по кластерам. Объекты
распределяются по кластерам путем подсчета расстояния от объекта до центров
кластеров и выбора наименьшего.

2. Когда все объекты распределены по кластерам, заново считаются их центры.
(можно считать по
каждой координате отдельно)

3. Если cj =
cj − 1, то это означает, что кластерные центры
стабилизировались и соответственно распределение закончено. Иначе переходим к
шагу 1.

Сложным является выбор числа кластеров. В случае, если предположений нет,
обычно делают несколько попыток, сравнивая результаты (скажем, сначала 2, потом
3 и т.д.). Проверка качества кластеризации После получений результатов
кластерного анализа методом k-средних следует проверить правильность
кластеризации (т.е. оценить, насколько кластеры отличаются друг от друга). Для
этого рассчитываются средние значения для каждого кластера. При хорошей
кластеризации должны быть получены сильно отличающиеся средние для всех
измерений или хотя бы большей их части. Достоинства алгоритма k-средних:

  • простота использования;
  • быстрота использования;
  • понятность и прозрачность алгоритма.

Недостатки алгоритма k-средних:

алгоритм слишком чувствителен к выбросам, которые могут искажать среднее.

Возможным решением этой проблемы является использование модификации алгоритма
— алгоритм k-медианы;

алгоритм может медленно работать на больших базах данных. Возможным
решением

данной проблемы является использование выборки данных.

Более строгой интерпретацией этого алгоритма является алгоритм hard
c-means
. Его отличия — в минимизируемой функции и строгости самого
алгоритма:

uij = 1, если , и uij = 0,, если нет. То есть
минимизируется расстояние от точек до центроида, а не от центроида до точек.

Тогда формула центроида тоже несколько меняется:

Сам же метод не меняется.

Farthest First — еще одна модификация k-means, особенностью его
является изначальный выбор центроидов — от 2 и выше они выбираются по принципу
удаленности от остальных(центроидом выбирается точка, наиболее отдаленная от
остальных центроидов).

Алгоритм Fuzzy C-Means

Нечеткие методы — это методы, основанные не на бинарной логике — где все
четко — элемент либо принадлежит одному кластеру, либо другому — а на
предположении, что каждый элемент в какой-то степени принадлежит определенному
кластеру. m — мера нечеткости, она как раз определяет нечеткость алгоритма.
Минимизируемая функция почти аналогична hard c-means:

0. Выбираем число классов M, меру нечеткости функцию расстояний
d(c,x) (обычно d(c,x) = | | x
c | | 2), критерий окончания поиска 0 . Задаем матрицу весов принадлежности
точки к кластеру с центром cj для всех точек и кластеров
(можно взять принадлежности к кластеру из k-means или просто по рандому,
ограничения для для (вытекают в общем из
определения нечеткой принадлежности)).

1. Вычисляем центроиды :

2. Перевычисляем веса :

3. Проверяем | | Uk
Uk − 1 | | (чаще всего достаточно — если да, то
заканчиваем, если нет, то переходим к шагу 1.

Инструкция по применению

Так как выпускают ряд лекарственных форм «Сертаконазола», то существует несколько способов нанесения препарата на инфицированные участки кожи или слизистой оболочки.

Крем

«Сертаконазол» в форме крема, как этого требует инструкция по применению данного медикамента, необходимо применять для обработки непосредственно пораженных заболеванием областей. Средство требуется наносить тонким слоем около 2 раз в день. Во время процедуры многие медики рекомендуют дополнительно захватывать примерно 1 см здоровой кожи, чтобы предупредить распространение инфекции.

Перед началом процедуры в обязательном порядке нужно очистить проблемный участок тела при помощи теплой воды и мыла. После эту зону необходимо просушить.

Продолжительность лечения грибка кремом зависит от нескольких факторов. Обычно учитывается локализация инфекции и степень тяжести ее протекания. В среднем терапевтический курс ограничивается 4 неделями.

Крем нужно наносить на вымытую и высушенную кожу

Свечи

Использование суппозиторий назначается только женщинам. Свечи следует вводить 1 раз интравагинально. Допускается повторное проведение процедуры примерно через неделю.

Введение суппозитории рекомендуется осуществлять перед сном. Допускается такое лечение даже во время менструации. Кровь никак не повлияет на эффективность активного вещества.

Специалисты настоятельно советуют пациенткам воздерживаться от интимной близости на протяжении всего курса терапии. Также следует провести параллельное лечение партнеру. Это позволит паре избежать повторного заражения во время секса.

Раствор

Дети, которым уже исполнилось 12 лет, и взрослые могут использовать в лечении грибковой инфекции раствор «Сертаконазола»

Его следует осторожно наносить на проблемные зоны равномерным слоем. Процедуру нужно проводить дважды в день

В процессе обработки желательно затрагивать не только инфицированный участок, но и область рядом с ним, чтобы не допустить распространения болезни.

Длительность лечения таким раствором в среднем составляет около 4 недель.

Если требуется лечение отрубевидного лишая, то обработку рекомендуется начинать от шеи и постепенно спускаться вниз. Нужно проследить, чтобы кожа была сухой. На половые органы наносить раствор нежелательно. Данную процедуру проводят 2 раза в сутки на протяжении месяца.

Типология задач кластеризации[править]

Типы входных данныхправить

  • Признаковое описание объектов. Каждый объект описывается набором своих характеристик, называемых признаками (англ. features). Признаки могут быть как числовыми, так и категориальными;
  • Матрица расстояний между объектами. Каждый объект описывается расстоянием до всех объектов из обучающей выборки.

Вычисление матрицы расстояний по признаковому описанию объектов может быть выполнено бесконечным числом способов в
зависимости от определения метрики между объектами. Выбор метрики зависит от обучающей выборки и поставленной задачи.

Цели кластеризацииправить

Классификация объектов. Попытка понять зависимости между объектами путем выявления их кластерной структуры. Разбиение выборки на группы схожих объектов упрощает дальнейшую обработку данных и принятие решений, позволяет применить к каждому кластеру свой метод анализа (стратегия «разделяй и властвуй»). В данном случае стремятся уменьшить число кластеров для выявления наиболее общих закономерностей;
Сжатие данных. Можно сократить размер исходной выборки, взяв один или несколько наиболее типичных представителей каждого кластера

Здесь важно наиболее точно очертить границы каждого кластера, их количество не является важным критерием;
Обнаружение новизны (обнаружение шума). Выделение объектов, которые не подходят по критериям ни в один кластер

Обнаруженные объекты в дальнейшем обрабатывают отдельно.

Методы кластеризацииправить

  • Графовые алгоритмы кластеризации. Наиболее примитивный класс алгоритмов. В настоящее время практически не применяется на практике;
  • Вероятностные алгоритмы кластеризации. Каждый объект из обучающей выборки относится к каждому из кластеров с определенной степенью вероятности:
  • Иерархические алгоритмы кластеризации. Упорядочивание данных путем создания иерархии вложенных кластеров;
  • Алгоритм -средних (англ. -means). Итеративный алгоритм, основанный на минимизации суммарного квадратичного отклонения точек кластеров от центров этих кластеров;
  • Распространение похожести (англ. affinity propagation). Распространяет сообщения о похожести между парами объектов для выбора типичных представителей каждого кластера;
  • Сдвиг среднего значения (англ. mean shift). Выбирает центроиды кластеров в областях с наибольшей плотностью;
  • Спектральная кластеризация (англ. spectral clustering). Использует собственные значения матрицы расстояний для понижения размерности перед использованием других методов кластеризации;
  • Основанная на плотности пространственная кластеризация для приложений с шумами (англ. Density-based spatial clustering of applications with noise, DBSCAN). Алгоритм группирует в один кластер точки в области с высокой плотностью. Одиноко расположенные точки помечает как шум.

Сравнение алгоритмов кластеризации из пакета scikit-learn

Комплектность

Комплектность твердомеров приведена в таблице 6.

Таблица 6 — Комплектность твердомеров

Наименование

Количество,

шт.

Примечание

Твердомер Бринелля МЕТОЛАБ 601, или МЕТОЛАБ 601 — 01, или МЕТОЛАБ 602, или МЕТОЛАБ 603, или МЕТОЛАБ 604 в составе:

—    наконечник с шариком 0 10 мм

—    стол для испытаний плоский

1

1

1

В соответствии с моделью

Измерительный микроскоп МПБ

1

Для МЕТОЛАБ 601

АСИТ

1

Для МЕТОЛАБ 601-01

Персональный компьютер

1

Для МЕТОЛАБ 603

Цифровой измерительный микроскоп МПБЦ

1

Для МЕТОЛАБ 604

Сменные части

1

Принадлежности

1

Руководство по эксплуатации МЕТОЛАБ 601/60101 /604 — 01 РЭ или МЕТОЛАБ 602/603- 01 РЭ

1

В соответствии с моделью

Паспорт на меры твердости из комплекта принадлежностей

1

В соответствии с моделью

Состав и формы выпуска

В продажу поступает несколько лекарственных форм «Сертаконазола», каждая из которых располагает своими преимуществами. Под таким названием в аптеке можно увидеть:

  • Крем;
  • Раствор;
  • Вагинальные суппозитории.

Препарат в форме крема отличается гомогенной консистенцией. Он окрашен в белый цвет. Раствор представляет собой прозрачную жидкость, которая имеет специфический запах. Суппозитории характеризуются стандартной для вагинальных свечей формой и белым цветом.

В составе вагинальных суппозиториев, кроме активного компонента, которым является сертаконазола нитрат, также можно найти вспомогательные элементы. Это витепсол и диоксид кремния. Действующее вещество в свечах находится в дозировке 300 мг.

В креме также присутствует активный компонент, доза которого не превышает 20 мг на каждые 1 г медикамента местного действия. В качестве вспомогательных веществ в нем представлены очищенная вода, сорбиновая кислота, этиленгликоль, парафиновое масло и глицерина изостеарат.

Прозрачная жидкость, которой является раствор «Сертаконазола», состоит из активного компонента в количестве 15 мг.

Подробное описание лекарственного препарата можно узнать, если прочесть инструкцию к нему, приложенную производителем.

Активное вещество Сертоконазола носит та же название

Технические характеристики

Основные метрологические и технические характеристики штангенциркулей указаны в таблице 1.

Таблица 1

Серия

штангенц

иркулей

Диапазон измерений наружных размеров, мм

Диапазон измерений глубины, мм

Значение отсчета по нониусу, (цена деления круговой шкалы, шаг дискретности), мм

Размер сдвинутых до соприкосновения губок с цилиндрическими поверхностями, мм

601

от 0 до 125 вкл.

от 0 до 125 вкл.

0,02; 0,05

от 0 до 150 вкл.

от 0 до 150 вкл.

0,02; 0,05

602

от 0 до 200 вкл.

0,02; 0,05

10

от 0 до 300 вкл.

0,02; 0,05

10

603

от 0 до 500 вкл.

0,02; 0,05

10

от 0 до 1000 вкл.

0,02; 0,05

20

от 0 до 1500 вкл.

0,02; 0,05

20

от 0 до 2000 вкл.

0,02; 0,05

30

от 1000 до 2000 вкл.

0,02; 0,05

30

от 0 до 3000 вкл.

0,05

40

от 0 до 4000 вкл.

0,05

40

604

от 0 до 100 вкл.

от 0 до 100 вкл.

0,02

от 0 до 150 вкл.

от 0 до 150 вкл.

0,02

от 0 до 200 вкл.

0,02

10

от 0 до 300 вкл.

0,02

10

от 0 до 500 вкл.

0,02

10

Серия

штангенц

иркулей

Диапазон измерений наружных размеров, мм

Диапазон измерений глубины, мм

Значение отсчета по нониусу, (цена деления круговой шкалы, шаг дискретности), мм

Размер сдвинутых до соприкосновения губок с цилиндрическими поверхностями, мм

604А

от 0 до 150 вкл.

от 0 до 150 вкл.

0,02

от 0 до 200 вкл.

0,02

10

от 0 до 300 вкл.

0,02

10

605

от 0 до 150 вкл.

от 0 до 150 вкл.

0,01

605А

от 0 до 150 вкл.

от 0 до 150 вкл.

0,01

от 0 до 200 вкл.

0,01

10

от 0 до 300 вкл.

0,01

10

от 0 до 500 вкл.

0,01

10

от 0 до 1000 вкл.

0,01

20

Пределы допускаемой абсолютной погрешности штангенциркулей при измерении наружных размеров указаны в таблице 2.

Таблица 2

Предел измерений, мм

Пределы допускаемой абсолюп измерении наружных

ной погрешности при размеров, мм,

при значении отсчета по нониусу, мм

с ценой деления круговой шкалы, мм

с шагом дискретности цифрового отсчетного устройства, мм

0,02

0,05

0,02

0,01

100

± 0,03

± 0,05

± 0,03

± 0,03

150

± 0,03

± 0,05

± 0,03

± 0,03

200

± 0,03

± 0,05

± 0,03

± 0,03

300

± 0,04

± 0,06

± 0,04

± 0,04

500

± 0,05

± 0,07

± 0,05

± 0,05

1000

± 0,07

± 0,10

± 0,07

1500

± 0,11

± 0,16

2000

± 0,14

± 0,20

3000

± 0,31

4000

± 0,40

Пределы допускаемой абсолютной погрешности при измерении глубины, равной 20 мм, указаны в таблице 3.

Таблица 3.

Пределы допускаемой абсолютной погрешности при измерении глубины, мм

при значении отсчета по нониусу, мм

с ценой деления круговой шкалы, мм

с шагом дискретности цифрового отсчетного устройства, мм

0,02

0,05

0,02

0,01

± 0,03

± 0,05

± 0,03

± 0,03

Расстояние между кромочными измерительными поверхностями губок для внутренних измерений штангенциркулей серий 601, 604, 604А, 605, 605А, установленных на размер 10 мм, и отклонение их от параллельности не должны превышать значений, указанных в таблице 4.

Таблица 4.

Расстояние между кромочными измерительными поверхностями губок, мм

Отклонение от параллельности, мм

при значении

с ценой

с шагом

при значении

с ценой

с шагом

отсчета по

деления

дискретности

отсчета по

деления

дискретности

нониусу, мм

круговой

цифрового

нониусу, мм

круговой

цифрового

шкалы,

отсчетного

шкалы,

отсчетного

мм

устройства,

мм

устройства,

мм

мм

0,02

0,05

0,02

0,01

0,02

0,05

0,02

0,01

10+°,°2

10+0,04

10+°,°2

10+°,°2

+ 0,01

+ 0,02

+ 0,01

+ 0,01

Отклонение размера, сдвинутых до соприкосновения губок с цилиндрическими измерительными поверхностями, и их отклонение от параллельности указаны в таблице 5. Таблица 5.

Отклонение размера, сдвинутых до соприкосновения губок, мм

Отклонение от параллельности, мм

при значении

с ценой

с шагом

при значении

с ценой

с шагом

отсчета по

деления

дискретности

отсчета по

деления

дискретности

нониусу, мм

круговой

цифрового

нониусу, мм

круговой

цифрового

шкалы,

отсчетного

шкалы,

отсчетного

мм

устройства,

мм

устройства,

мм

мм

0,02

0,05

0,02

0,01

0,02

0,05

0,02

0,01

± 0,01

± 0,02

± 0,01

± 0,01

0,01

0,02

0,01

0,01

Шероховатость плоских измерительных поверхностей штангенциркулей для наружных измерений, мкм    Ra

Шероховатость цилиндрических измерительных поверхностей штангенциркулей для внутренних измерений, мкм    Ra

Диапазон рабочих температур, °С    от +10 до +40;

Относительная влажность воздуха, не более    80%.

Иерархические алгоритмы

Иерархические алгоритмы делятся на агломеративные и дивизимные.
Агломеративные алгоритмы — это алгоритмы, которые начинают свое выполнение с
того, что каждый объект заносят в свой собственный кластер и по мере выполнения
объединяют кластеры, до тех пор, пока в конце не получает один кластер,
включающий в себя все объекты набора. Дивизимные алгоритмы, напротив, сначала
относят все объекты в один кластер и затем разделяют этот кластер до тех пор,
пока каждый объект не окажется в своем собственном кластере.

Представление результатов иерархического
алгоритма

Представлением результата иерархического алгоритма является дендрограмма —
схема, показывающая, в какой последовательности происходило слияние объектов в
кластер/разделение объектов на кластеры.

Алгоритм ближайшего соседа

Достаточно ярким примером иерархического агломеративного алгоритма является
алгоритм «соседей». Это алгоритмы ближнего, дальнего и среднего соседей. Он
объединяет кластеры, исходя из расстояния между ближайшими, наиболее удаленными
или центральными объектами кластеров. Рассмотрим схему выполнения алгоритма
ближайшего соседа:

  1. Составление матрицы попарных расстояний между объектами. Каждому объекту
    назначается свой кластер;
  2. Нахождение в матрице наименьшего элемента (то есть наименьшего расстояния
    между соседями);
  3. Объединение кластеров, в которые входят объекты, имеющие наименьшее
    расстояние.
  4. Проверка: сколько осталось кластеров. Если один, то завершить алгоритм.
    Если два и более, то перейти к шагу 1.

Результаты выполнения этого алгоритма хорошо представимы в виде дендрограммы,
а кластеры на каждом из этапов его выполнения легко получимы путем проведения
линии, перпедикулярной направлению распространения этой дендрограммы.

Алгоритм CLOPE

Пусть имеется база транзакций D, состоящая из множества транзакций {t1,t2,…,tn}. Каждая транзакция есть набор объектов {i1,…,im}. Множество кластеров {C1,…,Ck} есть разбиение множества {t1,…,tn}, такое, что C1 … Ck={t1,…,tn} и $C_i\neq \varnothing \wedge C_i \bigcap C_j = \varnothing$, для 1i называется кластером, n, m, k – количество транзакций, количество объектов в базе транзакций и число кластеров соответственно.

Каждый кластер C имеет следующие характеристики:

D(C) – множество уникальных объектов;

Occ(i,C) – количество вхождений (частота) объекта i в кластер C;

$S(C)=\sum_{i\in\ D(C)}\ Occ\ (i, C)=\sum_{t_i\in C}\mid t_i \mid$

W(C) = |D(C)|;

H(C) = S(C)/W(C).

Гистограммой кластера C называется графическое изображение его расчетных характеристик: по оси OX откладываются объекты кластера в порядке убывания величины Occ(i,C), а сама величина Occ(i,C) – по оси OY (рис. 2).

На рис. 2 S(C), равное 8, соответствует площади прямоугольника, ограниченного осями координат и пунктирной линией. Очевидно, что чем больше значение H, тем более «похожи» две транзакции. Поэтому алгоритм должен выбирать такие разбиения, которые максимизируют H.

Однако учитывать одно только значение высоты H недостаточно. Возьмем базу, состоящую из 2х транзакций: {abc, def}. Они не содержат общих объектов, но разбиение {{abc, def}} и разбиение {{abc}, {def}} характеризуются одинаковой высотой H=1. Получается, оба варианта разбиения равноценны. Но если для оценки вместо H(C) использовать градиент G(C)=H(C)/W(C)=S(C)/W(C)2, то разбиение {{abc},{def}} будет лучше (градиент каждого кластера равен 1/3 против 1/6 у разбиения {{abc, def}}).

Обобщив вышесказанное, запишем формулу для вычисления глобального критерия – функции стоимости Profit(C):

$$Profit (C) = \frac {\sum_{i=1}^k G(C_i)\times\mid C_i\mid}{\sum_{i=1}^k \mid C_i\mid}=\frac {\sum_{i=1}^k \frac{S(C_i)}{W(C_i)^r}\times\mid C_i\mid}{\sum_{i=1}^k \mid C_i\mid}$$

|Ci| – количество транзакций в i-том кластере, k – количество кластеров, r – положительное вещественное число большее 1.

С помощью параметра r, названного авторами CLOPE коэффициентом отталкивания (repulsion), регулируется уровень сходства транзакций внутри кластера, и, как следствие, финальное количество кластеров. Этот коэффициент подбирается пользователем. Чем больше r, тем ниже уровень сходства и тем больше кластеров будет сгенерировано.

Формальная постановка задачи кластеризации алгоритмом CLOPE выглядит следующим образом: для заданных D и r найти разбиение C: Profit(C,r) -> max.

Постановка задачи

Что делать, если нет обучающего материала для построения классификатора? То
есть нет учителя, который покажет, как следует классифицировать тот или иной
объект?

В этом случае следует прибегнуть к кластеризации (или кластерному анализу).
Кластеризация — это обучение без учителя. При этом она выполняет схожие с
классификацией задачи: позволяет создать определенные правила, с помощью которых
в дальнейшем можно относить объекты к различным классам (группам). Однако, в
отличие от классификации, кластеризация эти группы еще и выявляет в наборе
объектов различными способами. Объект группируются, исходя из их сходства, или
близости.

Общий алгоритм кластеризации выглядит так:

  1. Приведение исходных данных к нужному виду (подготовка данных);
  2. Выбор меры близости;
  3. Выбор алгоритма (метаалгоритма) кластеризации;
  4. Выполнение алгоритма;
  5. Представление полученных результатов;
  6. Интерпретация полученных результатов.

Рассмотрим каждый из этапов более подробно.

На первом этапе происходит подготовка данных к кластеризации. Данные для
кластеризации чаще всего представляют в виде таблиц, где каждый столбец — это
один из атрибутов, строка — объект данных.

На втором этапе выбирают, как охарактеризовать сходство объектов. Для этого
используются различные меры близости, то есть, фактически, оценки близости двух
объектов друг к другу. Меры близости выбирают, исходя из свойств объектов. Так,
популярной мерой близости является декартово расстояние (в двумерном случае):
d2( x1,y1 > , x2,y2 > ) =
sqrt((x1
x2)2 + (y1
y2)2) или метрика Минковского в многомерном
случае: dn(x,y) = | |
X,Y | | Это достаточно хорошие меры близости для
представимых на координатной плоскости значений. Для нечисленных атрибутов
подбирают такие меры близости, которые позволяют свести их к численным и
сравнить. Так, основным расстоянием для строк является метрика Левенштейна,
которая устанавливает расстояние между двумя строками равным количеству
перестановок, которые необходимо совершить, чтобы превратить одну строку в
другую. Мера близости подбирается индивидуально для конкретных типов данных.
Иногда адекватной меры близости подобрать не удается, и приходится ее
придумывать самим.

На третьем этапе выбирают алгоритм, по которому мы будем строить модель
данных, то есть группировать объекты. Выбор алгоритма сложен, и зачастую
приходится использовать несколько алгоритмов прежде, чем будет получен нужный
(интерпретируемый) результат. Иногда алгоритмы кластеризации комбинируют, чтобы
получить метаалгоритм, результат выполнения одного когда служит промежуточным
результатом выполнения другого.

На четвертом этапе алгоритм реализуется, и его результатом является
построенная модель данных, то есть группировка объектов по кластерам.

На пятом этапе полученную группировку пытаются представить в наиболее удобном
для интерпретации виде. Алгоритмы кластеризации на выходе выдают только группы и
объекты, к ним принадлежащие. Но для человека наиболее интересным является не
это чаще всего, а то, исходя из чего — каких свойств объекта — эти объекты были
отнесены к определенной группе. Представление результатов кластеризации призвано
помочь наиболее точно интерпретировать результаты выполнения алгоритма.

И, наконец, на последнем этапе кластеризации результаты выполнения алгоритма
интерпретируются, из них получается знание, то есть полезные правила, которые
можно использовать в дальнейшем для отнесения новых объектов к той или иной
группе — кластеру.

Кластеризация запросов: бесплатные программы для ПК

Предлагаем две бесплатные программы для Windows:

  • Majento Кластеризатор, аналогичный нашему онлайн-сервису, с возможностью ручной группировки фраз

Majento Кластеризатор 1.4

Программа является копией нашего онлайн-сервиса, однако имеет дополнительный функционал в виде ручной группировки фраз, доступной после автоматической кластеризации поисковых запросов. Сбор данных для кластеризации берется из выдачи Яндекса и ведется с использованием лимитов Яндекс.XML. После кластеризации становится доступной функция ручной группировки запросов (перемещение запросов по группам, создание новых групп и удаление кластеров). Результаты кластериции запросов экспортируются в Excel-файл формата CSV.

В программе имеется возможность импорта данных выдачи ПС Яндекс из KeyCollector для группировки фраз без использования XML-лимитов (пример файла импорта приложен в архиве).

Основные возможности

  • Кластеризация произвольного списка запросов
  • Указание региона в Яндекс для сбора данных при кластеризации
  • Группировка запросов методами Soft и Hard, «ручное» указание порога кластеризации фраз (от 1 до 10)
  • Возможность произвольной группировки фраз
  • Импорт данных выдачи ПС Яндекс из KeyCollector для группировки фраз без использования XML-лимитов
  • Экспорт кластеризации в Excel (CSV)

Отличия от аналогов

  • Низкие требования к ресурсам компьютера, малый расход оперативной памяти
  • Кластеризация ядер любых объемов
  • Портативный формат (работает без установки на ПК или прямо со сменного носителя)

Фармакологическое действие

Противогрибковое средство для наружного и местного применения. Сертаконазол является производным имидазола и бензотиофена с широким спектром действия в отношении патогенных грибов Candida spp. (в т.ч. Candida albicans, Candida tropicalis), других патогенных грибов (Pityrosporum orbiculare, Malassezia spp.), дерматофитов (Trichophyton rubrum, Trichophyton mentagrophytes, Epidermophyton floccosum и Microsporum), грамположительных бактерий (Streptococcus spp., Staphylococcus spp.), а также Gardnerella vaginalis, Enterococcus faecalis, Bacteroides spp., Trichomonas vaginalis. Сертаконазол не подавляет жизнеспособность Lactobacillus spp. in vitro.

Сертаконазол обладает тройным механизмом действия: фунгицидным, фунгистатическим и ингибированием диморфной трансформации грибов Candida. Фунгистатический механизм действия сертаконазола (как и других производных азолов) заключается в ингибировании цитохром Р450-зависимый синтез эргостерола (основного стерола мембран грибов и дрожжей) и увеличиванием проницаемости клеточной мембраны. Фунгицидный механизм действия сертаконазола (связан с бензотиофеном — вторым компонентом двойной молекулы сертаконазола) заключается в конкурентном антагонизме с другим компонентом клеточной стенки – триптофаном, встраиванием в оболочку гриба, что приводит к разрушению грибной клетки за счет дезорганизации и увеличения проницаемости клеточной мембраны, деструкции и уничтожения патогенного микроорганизма.

Лечебные свойства

Медикамент местного действия относится к числу препаратов с противогрибковым эффектом. Он обладает свойствами, которые позволяют остановить активность патогенной микрофлоры и ее размножение.

Фунгицидное свойство препарата предназначается для подавления синтеза важной кислоты, которая поддерживает жизнедеятельность возбудителя инфекции. Речь идет о таком веществе, как триптофан

Оно находится в мембране грибка. В результате такого влияния патогенный микроорганизм быстро погибает, так как лишается условий для своего нормального существования.

Фунгистатическое свойство дает о себе знать благодаря процессу нарушения синтеза другого вещества, эргостерола. По этой причине у патогена подавляется нормальный процесс жизнедеятельности.

Лекарственное средство является активным по отношению к патогенным и условно-патогенным грибам, таким как кандида, дерматофиты, а также грамотрицательные и грамположительные микроорганизмы. Активный компонент местного медикамента считается эффективным по отношению к таким возбудителям болезни, как трихомонады.

Примерно через 30 минут после того, как мазь или раствор были нанесены на пораженные участки тела, начинает проявляться терапевтический эффект, которым характеризуется их активный компонент. Его длительность составляет около 2 дней. В крови и моче после такого лечения вещество не обнаруживается. Его не найти, даже если применять местный препарат в течение достаточно продолжительного периода.

Длительный эффект сохраняется также после интравагинального использования лекарственного средства. В данном случае активный компонент тоже не попадает в системный кровоток. За счет этой особенности препарат имеет минимальный перечень побочных эффектов и противопоказаний.

Подробное описание

Фармакологическое действие

Ингибирует цитохром Р450-зависимый синтез эргостерола (основного стерола мембран грибов и дрожжей) и увеличивает проницаемость клеточной мембраны, что приводит к лизису клетки гриба. В терапевтических дозах обладает фунгистатическим и фунгицидным действием. Активен в отношении патогенных грибов (Сandida spp., в т.ч. Candida albicans, Сandida tropicalis; Pityrosporum orbiculare), дерматофитов (Trichophyton rubrum, Trichophyton mentagrophytes, Epidermophyton floccosum и Microsporum)и возбудителей инфекций кожи и слизистых оболочек (грамположительные штаммы Staphylococcus spp.и Streptococcus spp.). Активен также в отношении Trichomonas vaginalis.

Практически не абсорбируется при интравагинальном и накожном применении. Неизмененный сертаконазол в крови и моче не обнаруживается.

Канцерогенность, мутагенность, влияние на фертильность

Длительных исследований по оценке потенциальной канцерогенности сертаконазола нитрата не проведено. Не отмечено потенциальной кластогенности в микроядерном тесте у мышей. Сертаконазола нитрат не проявлял мутагенной активности in vivo в тесте обмена сестринских хроматид у мышей, в тесте внепланового синтеза ДНК в культуре клеток гепатоцитов крыс. Сертаконазола нитрат не оказывал токсического действия и не проявлял нежелательных эффектов в отношении репродукции и фертильности у самцов и самок крыс, получавших через желудочный зонд до 60 мг/кг/сут препарата (в 16 раз выше МРДЧ в пересчете на площадь поверхности тела).

Применение при беременности и кормлении грудью

Тератогенные эффекты. Исследования репродукции при пероральном применении у крыс и кроликов не выявили токсичности для самок, эмбриотоксичности и тератогенности сертаконазола нитрата при дозах 160 мг/кг/сут (превышают МРДЧ в пересчете на площадь поверхности в 40 раз у крыс и в 80 раз у кроликов). В пери- и постнатальном исследовании у крыс при пероральном применении отмечалось снижение индекса живорождения и повышение числа мертворожденных детенышей при дозах 80 и 160 мг/кг/сут.

Адекватных и строго контролируемых исследований применения сертаконазола нитрата у беременных женщин не проведено

Принимая во внимание отсутствие системной абсорбции после интравагинального и накожного применения, применение сертаконазола нитрата во время беременности возможно в том случае, если потенциальная польза для матери превосходит возможный риск для плода и ребенка

Категория действия на плод по FDA — C.

Достаточных данных о применении сертаконазола нитрата в период лактации нет. Неизвестно, проникает ли сертаконазол в грудное молоко человека. В период лактации крем не следует наносить на область молочных желез. При необходимости применения сертаконазола в период лактации следует рассмотреть вопрос о прекращении грудного вскармливания.

Побочные действия

В клинических исследованиях при накожном применении сертаконазола нитрата в лекарственной форме в виде 2% крема побочные эффекты отмечались у 7 из 297 (2%) пациентов (у 2 из них — выраженные) и у 7 из 291 (2%) пациентов при накожном применении контроля (у 2 из них — выраженные). Неблагоприятные реакции при накожном применении включали: контактный дерматит, сухость и жжение кожи, болезненность в месте нанесения.

В исследованиях кожной чувствительности у 8 из 202 пациентов при аппликации 2% крема и у 4 из 202 пациентов при аппликации контроля (контроль — основа крема) проявлялась местная эритема.

При интравагинальном применении: ощущение жжения, зуд во влагалище, которые проходят самостоятельно. Возможны аллергические реакции.

Взаимодействие

Потенциальное взаимодействие между сертаконазола нитратом в лекарственной форме в виде крема и другими ЛС систематически не оценивалось.

Одновременное применение вагинальных суппозиториев с местными контрацептивами может привести к ослаблению спермицидного действия последних.

Adblock
detector