Optimointi diagnostinen teho mahalaukun tyhjenemistä skintigrafialla useana ajankohtana points

Tämä artikkeli on Open vertaisarvioinnin raportteja.

Miten Open vertaisarvioinnin työtä?
Optimoimiseksi diagnostinen teho mahalaukun tyhjenemistä gammakuvaus useana ajankohtana
tiivistelmä
tausta
mahalaukun tyhjenemistä gammakuvaus (GES) välein yli 4 tunnin kuluttua standardoidun radioleimattua ateria pidetään yleisesti kultakantaan diagnosoimiseksi gastroparesis. Tavoitteet tässä tutkimuksessa olivat: 1) tutkia paras ajankohta ja paras yhdistelmä useana ajankohtana diagnosoimiseksi gastropareesi toistaen GES toimenpiteitä, ja 2) kontrastin ja rajat vahvistaa Fisherin Linear Diskriminanttianalyysi (LDA), listalla pohjainen jakelu Free (DF) lähestymistapa, ja luokitus ja Regression Tree (CART) malli. Tool menetelmät
kaikkiaan 320 potilaalla on GES toimenpiteet 1, 2, 3, ja 4 tuntia (h) jälkeen standardin ateria käyttäen standardoitua menetelmää otettiin takautuvasti talteen. Alla oleva alue Receiver Operating Characteristic (ROC) käyrä ja väärien luokittelun kautta jackknife ristivalidointi käytettiin mallin vertailuun.
Tulokset
johtuen vahva korrelaatio ja poikkeavuus tietojen jakeluun, ei merkittävää parannusta diagnostisten teho löydettiin paras lineaarinen yhdistelmä, jonka LDA lähestymistapa jopa datan muutosta. DF menetelmä, lineaarinen yhdistelmä 4-h ja 3-h lisäsi Area Under the Curve (AUC) ja vähensi väärien luokitusten (0,87; 15,0%) kuin erikseen ajankohtina (0,83, 0,82, 15,6%, 25,3 %, 4-h ja 3-h, vastaavasti) korkeammalla herkkyyttä (herkkyys = 0,9). Kärry malliin käyttäen 4 tunnin GES mittaukset yhdessä potilaan ikä oli tarkin diagnostinen työkalu (AUC = 0,88, virheelliseen luokitukseen = 13,8%). Potilaat, joilla on 4-h ventrikkeliretentio arvo > 10% oli 5 kertaa todennäköisemmin gastroparesis (179/207 = 86,5%) kuin ne, joilla on ≤10% (18/113 = 15,9%).
Johtopäätökset
kun sekoitettu joukko potilaita joko tarkoitettujen joilla epäillään gastropareesiin tai tutkittu muista syistä, CART malli on vakaampi kuin LDA ja DF lähestymistapoja, joihin mahtuu kovariaatin vaikutuksia ja voidaan yleistää rajat laitossovelluksiin, mutta voisi olla epävakaa, jos otoskoko on rajallinen.
Tausta
mahalaukun tyhjenemistä skintigrafialla välein yli 4 h kuluttua standardoidun aterian pidetään yleisesti kultakantaan mittaamiseen mahalaukun tyhjenemistä kertaa. Käytännössä yksinkertaistettu tunnin mitta jäljellä mahan sisällön käytetään diagnosointiin gastropareesi määritellään hidastunut mahalaukun tyhjeneminen (GE) ilman fyysisen esteen [1, 2]. Tekniikka toimenpiteet radioleimattujen ruokaa jäljellä mahassa tunnin välein jälkeen potilas syö standardoidun aterian [3] indikaattorina myöhässä GE. Koska erot käytettävät elintarvikkeet, tekniikat, ja päätepisteet mitattiin GES, analysointi ja tulosten tulkinta vaihtelevat toimielimissä [4]. Useimmat aiemmat tutkimukset ovat osoittaneet, että viivästynyt mahan tyhjeneminen voidaan parhaiten merkitty mahalaukun säilyttäminen > 10%: iin 4- h jälkeen aterian, joka perustettiin 95 prosenttipiste mahalaukun säilyttäminen normaalilla vapaaehtoisten avulla monikeskustutkimus [5, 6] . Kuten aina, jakelu-pohjainen diagnostinen päätös on mielivaltainen ja se voi väistämättä aiheuttaa virheen takia luokitteluvirheen. On todettu, että yksinkertaistettu lähestymistapa on spesifisyys 62% ja herkkyys on 93% [7]. Toiset käyttävät pidättymisprosessia 2-h rutiini kliininen mittauksiin GES [8], mikä viittaa GES 2-h tai 3-h voisi olla paras yksittäinen ajankohtana suuremmalla diagnostinen teho. Kuitenkin prosenttia mahalaukun pidätykset eri ajankohtina voi myös edellyttää potilaan ikä ja sukupuoli [5]. Standardoinnin puute johtavassa GES yhdessä eroista kvantitatiivisen analyysin käytetään eri toimielimet voivat rajoittaa kliininen hyöty testin, ja aiheuttaa ongelmia, jos rajat institutionaalisten tietoja tarvitse arvioida. Vuonna 2008 puolesta amerikkalaisen Neurogastroenterology ja liikkuvuus Societyn ja Society of Nuclear Medicine, tutkijat 13 US hoitolaitosten yhdessä liikkeeseen konsensuslausuman standardisoida GES poikki toimielinten [4]. Lisäksi kysymyksiä, jotka edellyttävät lisätutkimuksia, todettiin konsensus joita ovat: 1) käyttö 3-h verrattuna 2- ja 4-h tulokset havaitsemiseksi viivästyneen GE; ja 2) käyttöä useana ajankohtana (2- ja 4-h) verrattuna yhden 2- tai 4-h arvoja edelleen ymmärtämistä kliininen merkitys ristiriitainen tulosten välillä 2- ja 4-h skannaukset.
Menetelmät käytöstä eri diagnostisia markkereita havaitsemiseksi sairauksia tai arvioida terveyteen liittyvien riskien on ollut aktiivinen tutkimusalue [9-11]. Kun nopea kehitys genomi- ja proteomiikka teknologioiden keskittyä biomerkkiaineiden perustuvaa sairauden havaitsemista ja riskinarviointi on siirtynyt yhdestä biomarkkeri paneeliin biomarkkereiden koska eri markkereita voivat olla herkkiä eri näkökohtia sairaus [12]. Väitetään, että verrattuna yhden kliininen tai geneettisen merkin, paneeli useita markkereita voivat sisältää korkeamman tason syrjiviä, erityisesti laajoilla heterogeeninen potilasryhmissä ja monimutkaisten monivaiheinen sairauksia. Tämä on tärkeää, koska käytössä on useita markkereita samanaikaisesti saattaa johtaa uuteen diagnostinen toimenpide suurempi herkkyys [11].
Jos useita markkereita ovat jatkuvia ja normaalisti jakautunut, Fisherin LDA on paras lineaarinen yhdistelmä, joka maksimoi herkkyyden koko spesifisyys alue yhdenmukaisesti alla monimuuttuja normaalijakaumaa malli [11]. Kun merkki arvot poikkeavat normaalista, Box-Cox teho muutos voidaan käyttää parantamaan normaali [13]. Tämä lähestymistapa on todettu tehokkaaksi arvioitaessa AUC ja ROC käyrät jos taustalla tosi jakaumia, joko alkuperäisen tai transformoidun mittakaavassa, ovat lähellä monimuuttuja normaaliin [11]. Muussa tapauksessa listalla perustuva jakelu vapaa lähestymistapaa voidaan soveltaa. Teorioihin paras lineaarinen yhdistelmä biomarkkerit ovat hyvin ilmoitetaan [[9, 11, 14-19], ja [20]]. Fisherin LDA on helpompi laskea, kun DF lähestymistapa on vakaampi poikkeamiseen normaalijakaumaa, mutta on laskennallisesti kohtuuttoman jos enemmän kuin kaksi markkereita osallistuu [19]. Käytimme parametrin arvioihin LDA koska lähtökohtana ruudukkohaulla DF jos merkki tila ylittää kahdenvälistä. Cartin malli, toisaalta, on toinen lähestymistapa optimoida diagnostinen teho kun merkkiaineita ovat moniulotteisia [21-23]. Sen sijaan luoda uusi diagnostinen toimenpide, kuten LDA tai DF, OSTOSKORIIN käyttää juokseva prosessi tunnistaa joukko ennustajan muuttujia, alkuperäisessä mittakaavassa, joka parhaiten erottaa ryhmää ryhmien tulosmuuttujana kiinnostava. Se on erityisen hyödyllinen silloin, kun on olemassa monia ennustaja muuttujia, jotka korreloivat voimakkaasti keskenään. Se on laskennallisesti vähemmän intensiivinen ja helppo tulkita, mutta voi olla epävakaa, jos malli on riittämättömästi koulutettu niukasti tietoa. Dating aiemmat tutkimukset keskittyvät johtuvat paras yhdistelmä merkkiaineiden maksimoi AUC koehenkilöillä, joiden tautitilanne oli tiedossa [11 , 14-20]. On epäselvää, jos diagnostinen teho tällaisen yhdistelmän ulottuu väestön tunnettujen markkeri arvoja, mutta tuntematon sairaus tila tai väestölle joiden merkki arvoja ei käytetä johtamiseksi diagnostiikkaparametrejä. Vakioitu ateria (katso materiaalit ja menetelmät) sekä tunti- GES tekniikka (viisi 2-minuutin kuvantaminen istunnot) yli 4 tunnin aikana, vähemmän kamera aikaa tarvitaan, kun tulokset voivat olla toistettavissa sairaalasta sairaalaan. Tässä tutkimuksessa arvioidaan tilastollisten vaihtoehtoja, jotka optimoivat diagnostinen teho GES toimenpiteitä muutaman ajankohtina. Käyttäen ensisijaisena kliininen diagnoosi, joka määritellään oireita kuten pahoinvointia, oksentelua, varhainen kylläisyyden, postprandial täyteläisyys, vatsavaivat, ja kipu, lisäksi näyttöä hidastunut mahalaukun tyhjeneminen ilman mekaanista mahalaukun pistorasiaan tukkeuma, koska todellinen asema gastroparesis tämä tutkimus keskittyy löytää parametrit paras lineaarinen yhdistelmä GES eri ajankohtina koulutusta tietoa, niin, tutkii ja rajat vahvistaa sen suorituskykyä testituloksia, jota ei käytetty johtamiseksi mallia. Tool menetelmät
Vastaanottimen Operating ominaiskäyrä (ROC) ja AUC erityisesti on yksinkertainen ja mielekäs toimenpide arvioida hyödyllisyyttä diagnostisen markkerin (t) [10]. Koko tämän paperin, ROC ja AUC käytetään vertailla eri menetelmiä ja erilaisia ​​malleja paras diagnostinen teho gastroparesis. Summa vääriä positiivisia ja vääriä negatiivisia diagnooseja koko otoksen avulla vastakkain diagnostinen teho välillä LDA, DF ja CART kautta jackknife (ota yksi) rajat validointi.
Fisherin lineaarinen Erotteluanalyysi Approach (LDA) B Olkoon w
<sub>ij
edustaa i
<sup>th
merkki arvon j
th
aihe sairaaseen ryhmä; ja v
ik
olla i
th
merkki arvo k
th
aihe kontrolliryhmässä; jossa i
= 1, ..., p; j
= 1, ..., m; ja k
= 1, ..., n.
Oletetaan, X ja Y ovat vektoreita markkeri arvojen monimuuttuja normaalijakaumassa sairaat ja kontrolliryhmien vastaavasti, niin (1) kerroinvektorin, α
p × 1, paras lineaarinen yhdistelmä yhdistetyn merkki vektori sairaat ja verrokkiryhmien alla ROC kriteerit on: (2) AUC alla ROC käyrä on: (3) Jos Φ tarkoittaa standardi kumulatiivinen normaalijakaumafunktion.
spesifisyys (F (c)) ja herkkyys (H (c)) ovat: (4) (5) Sijoitus perustuu Distribution Free lähestymistapa (DF) B alle sijoitus pohjainen jakelu vapaa lähestymistapa [19], AUC voidaan laskea Mann-Whitney U tilaston [24]: (6) Huomautus, jatkuvaan jakeluun, Pr (I
= 1/2) = 0.
Jos w
ij
on i
th merkki arvon j
th aihe sairaaseen ryhmä; v
ik
on i
th merkki arvon k
th aihe kontrolliryhmässä; i, j, k, m
, ja n
määritelty edellisessä jaksossa; AUC
(α
) on AUC jakamalla ilmaiseksi lähestymistavan optimaalisen kerroinvektorin (α). Koska ROC on muuttumaton monotoninen kasvava muutos, kerroin vektori α
sekä LDA ja DF lähestymistapoja voidaan uudelleenskaalataan kuin (1, β 2 /β 1, β 3 /β 1, ... β i /β 1), jossa β i /β 1 edustaa painoa i
th merkki arvo suhteessa merkki 1 [19].
luokittelu ja regressio Trees (cART) malli
Toisin LDA tai DF, OSTOSKORIIN menetelmiä tunnistaa joukko ennustavia kaikista muuttujista, jotka parhaiten erottavat luokat tulos kiinnostusta juokseva prosessissa. Kussakin vaiheessa (solmu), OSTOSKORIIN algoritmi ensin tunnistaa paras ennustaja kaikkien ehdokas muuttujista ja sitten etsii kaikkien arvot voidaan ennustaa parhaiten, mutta käyttää vain yhtä cutoff pisteen jakamaan näyte sisällä solmu kahteen osa-alojen. Sitten se etsii kaikkien ennustaja muuttujia ja tunnistaa parhaat sulku pisteen paras ennustaja kussakin osa-haara ja toistaa prosessi, kunnes tietyt kriteerit, kuten minimivarianssisäätö tai vähintään ryhmäkoko, kaikissa terminaali solmut täyttyy. Jokaisessa solmussa, OSTOSKORIIN pyrkii luokitella näytteen ryhmiin siten, ettei suurimpia homogeenisuus lapsen solmut on saavutettu. Kun napaliitäntä saavutetaan, malli antaa todennäköisyys kuuluvat tiettyyn ryhmään kaikille jäljellä aiheista, jotka kuuluvat tähän solmuun. Käytännössä pienin solmukokoa tavallisesti asetettu 10% oppimisen näytteen välttää mahdollisesti yli istuva malli siten, että lopullinen päätös puu on todennäköisesti hyötyä luokittelemiseksi väestön kanssa samanlaiset ominaisuudet kuin oppimisen näytteen, mutta oli ei käytetä johtamiseksi CART mallia. Toisin kuin LDA lähestymistapaan, OSTOSKORIIN voi olla erityisen hyödyllinen, kun korrelaatio kuviot joukossa ennustaja muuttujat eivät ole yhdenmukaisia ​​koko alueella, koska se ei ole tarpeen saman muuttujan optimaaliseksi kaikkien haara solmut koko puusta [22].
Parametriestimointi
for LDA lähestymistapa, kirjoitimme SAS /IML-ohjelman [25] laskemiseksi keskiarvo (m) varianssi (S) varten sairaiden ja kontrolliryhmien, ja kaikki parametriestimaatit on kuvattu menetelmässä osiossa. Ensimmäinen, kerroinvektorin α
, AUC lineaarisen yhdistelmän sekä yksittäisiä markkereita, saatiin yhtälöiden (2) ja (3) harjoitusdata. Sen jälkeen kerrointen α
on sovellettu vastaavaan testituloksia saada lineaarisen yhdistelmän pisteet. Kolme kynnysarvot vastaavat herkkyystasot 0,7, 0,8, ja 0,9 lineaarisen yhdistelmän pisteet saatiin kanssa gastropareesi tietoja käyttämällä yhtälössä (5). Jokainen kynnysarvo käytettiin vasemmalla pois tiedot luokitella kyseessä kumpaankaan sairaat tai ei-sairaiden ryhmä. Ennustettu tila sitten ristiin taulukoitu tunnetun sairauden luokka.
DF lähestymistapa alkoi mielivaltaisen lähtökohta ja sitten verkkoon etsitään kertoimet, jotka maksimoivat Mann-Whitney U tilaston kanssa harjoitusdatasta seuraavissa vaiheissa.
1) lineaarinen yhdistelmä pisteet kullekin havainnon saatiin kertomalla markkeri vektorin X lähtöaineena kerroinvektorin, α
(1, α
).
2) AUC vastaava kerroin vektori α
lasketaan yhtälöllä (6).
3) Toista kaksi ensimmäistä vaihetta jokaista mahdollista kerroinvektorin ja yhdistettävä vastaava AUC ja α
.
4) Valitse kerroin että maksimoitu AUC ja tunnistaa kriittiset lineaarinen yhdistelmä pisteet arvoon 0,7, 0,8, ja 0,9 herkkyysastetta.
5) Soveltamalla kerrointa vaihe 4 testituloksia saada paras lineaarinen yhdistelmä pisteet.
6) Käytä kukin kriittinen arvo vaiheessa 4 testituloksia ennustaa tapauskohtaisesti kumpaankaan sairaat tai ei-sairaiden ryhmä, sitten ristiin taulukoida tunnetun sairauden luokkaan.
kärryn mallia, käytimme TREE paketin sisällä R [26] ympäristöä kunkin neljän tunnin toimenpiteitä, ja niiden yhdistäminen sekä potilaan iän ja sukupuolen tunnistaa paras malli. Ristiinvalidointi jonka koko on vähintään 10 koehenkilön kustakin napaliitäntä käytettiin optimoimaan päätöspuumallia käyttäen kaikkia havaintoja [27]. AUC kullekin optimoitu Päätöksentekokaaviota laskettiin verrata kaikkien mallien. Sitten yksi havainto otettiin pois koko näytteen ja muiden aineiden tarkoitus rakentaa päätöksen puu, joka puolestaan ​​käyttää ennustamaan sairauden tilan jätetty pois havainto. Suorituskyky kunkin päätöksen puu kiteytettiin kokonaismäärä väärä ennusteita koko näyte.
Gastroparesis tiedot
yhteensä 320 kaaviomalli potilasta iältään 16 ~ 89 (42,8 ± 14,3 (keskiarvo ± std)), 255 (79%) nainen, jolla on GES toimenpiteet 1 h, 2 h, 3 h ja 4 h normaalin aterian jälkeen käyttäen standardoitua menetelmää (5) on takautuvasti kerättiin Kansasin yliopistossa Medical Center (KUMC). Tutkimuksen protokolla hyväksyi Institutional Review Board (IRB) at KUMC. Aikana GES mittaus, osa aterian kulutetaan ja aika, joka kuluu kulutuksen kirjattiin. Potilaat, joilla on epätavallinen prosenttia aterian kulutetaan (esim. ≪ 20%: n ateria) /kulutus aika (esim. ≫ 30 minuuttia) jätettiin pois. Kaikki potilaat saivat joko tarkoitetun joilla epäillään gastropareesiin tai tutkittu muista syistä johtuen itse raportoitu oireita, kuten pahoinvointia, täyteläisyys, varhainen kylläisyyden, oksentelu ja turvotus. Perustuen kokonaisarviointi, tuntimäärän lisäksi GES toimenpiteitä, tutkimuksessa lääkärit diagnosoitu 197 (62%) ja 320 potilasta gastroparesis ensisijaisena syynä edellä mainittuja kliinisiä oireita ja niiden sairaalakäyntejä. Huolimatta samanlainen lääketieteen kokemuksia, tauteja kuin gastropareesi katsottiin ensisijaiseksi diagnoosit jäljellä 123 potilasta. Mitään merkittävää eroa keski-ikä (p = 0,12, t-testi) ja sukupuoli (p = 0,99, jonka χ 2 testi) havaittiin ryhmien välillä ja ilman gastropareesi. Kunkin potilaan mahalaukun tyhjenemistä gammakuvaus tehtiin aamulla yön yli paastoamisen jälkeen, jossa prokinetics pysähtyi vähintään 3 päivää. Standardoitu menetelmä mahan tyhjenemistä koostuu vastaa kahta munakokkelia (muna korvike), joissa on 99mTc rikki-kolloidi, 2 kpl paahtoleipää hyytelön, ja 4 dl vettä, jonka kokonaiskaloriarvolle 255 kcal. Edestä että takaa vatsan otettiin heti syömisen jälkeen, ja sen jälkeen tunnin välein 4 tuntia [28].
Tulokset
Toistuvia mittaus mahalaukun tyhjenemistä, prosenttia pidätyksiä isotoopin mahassa 1-h, 2-h, 3-h, ja 4-h kuluttua aterian väheni ajan ja korreloivat voimakkaasti, erityisesti miehillä ja potilailla, joilla on gastropareesi. Spearmanin korrelaatiokerroin vaihtelivat 0,34 (p < 0,001) välillä 1-h ja 4-h potilailla, joilla ei gastropareesi 0,93 (p < 0,001) välillä 3-h ja 4-h potilailla, joilla gastropareesi. Kaiken jakelu pidättymisprosessia poikkesi normaalista, jossa kaksi ensimmäistä tuntiarvojen vinouttaa kohti alapäätä, ja toinen kahden tunnin vinouttaa kohti yläpäähän (kuva 1). Kuvio 1 Prosenttia ventrikkeliretentio 1-h, 2-h, 3-h, ja 4-h kuluttua aterian tapauksessa (vihreä) vs. kontrolli (harmaa). 1-h-c, 2-h-c, 3-h-c, 4-h-c edustaa prosenttia mahalaukun tyhjenemistä (GE) 1-h, 2-h, 3-h, ja 4-h kuluttua aterian potilaille, joilla on diagnosoitu gastropareesi; Whisker edustaa 70% kvartiilivälejä.
Diagnostic toimivallan LDA ja DF lähestymistapa
tunneittain toimenpiteitä 3-h ja 4-h aiemmin raportoitu olevan paras diagnostinen apuohjelma, me ristiriitaisia ​​parhaimmillaan lineaarinen yhdistelmä sekä LDA ( kuva 2) ja DF lähestymistavat (taulukko 1). Ensin arvioitiin AUC kahden mittauksen yhdessä optimaalinen kerroin parhaansa lineaarinen yhdistelmä ja kynnysarvoja lineaarisen yhdistelmän pisteet 0,7, 0,8, ja 0,9 herkkyystasosta sekä LDA ja DF lähestymistapoja kaikki vaan 1 ulos 320 aiheista. Optimaalinen kerroin, yhdessä kolmen raja-arvojen levitettiin sitten vasemmalle pois aihe. Vertaamalla kynnysarvoa lasketun lineaarisen yhdistelmän pisteet, ennustettu gastroparetic tilan vasemmalle pois aihe kirjattiin. Määrien vääriä negatiivisia ja vääriä positiivisia saatiin toistamalla jackknife prosessi kaikille 320 aiheita. Sitten Box-Cox teho muutos on sovellettu, ja sama analyysi toistettiin muunnetulle datalle. Kuvio 2 Vastaanottajan Toiminta (ROC) käyrä tunnin pidättymisprosessia 2-h, 3-h, 4-h, ja niiden paras lineaarinen yhdistelmä. Area Under the Curve (AUC) kasvoi 2-h 4-h ja maksimoida paras lineaarinen yhdistelmä kaikkien kolmen tunnin mittausta.
Taulukko 1 parametriestimaatit (alue käyrän alla (AUC) ja kerroin paras lineaarinen yhdistelmä ) Fisherin Linear diskriminanttianalyysi (LDA) ja Distribution Free (DF) lähestyy

4-h
3-h
Linear yhdistelmä DF
Linear yhdistelmä LDA

Raw

Tran

Raw

Tran

α

Raw

α

Tran

α

Raw

α

Tran

Mean
0.830
0.879
0.824
0.827
0.02
0.869
0.02
0.869
0.681
0.834
0.055
0.881
STD
0.002
0.001
0.002
0.002
0.00
0.001
0.00
0.001
0.032
0.002
0.002
0.001
Median
0.830
0.879
0.824
0.827
0.02
0.869
0.02
0.869
0.679
0.833
0.055
0.880
Range
0.013
0.009
0.011
0.009
0.00
0.008
0.00
0.008
0.284
0.012
0.017
0.009
Huomautus: Raaka sanoista AUC mittaukseen alkuperäisessä mittakaavassa;
Tran edustaa AUC mittaukseen transformoiduissa mittakaavassa;
α on kerroin paras lineaarinen yhdistelmä mittauksia 3-h kuluttua aterian.
Paras lineaarinen kahden edellisen yhdistelmät tunti- toimenpiteet lisäsivät diagnostinen teho sen yksittäisten komponenttien molemmat tavat (taulukko 2), mutta voitto oli rajoitettu, 3,9% DF, ja 0,4% LDA lähestymistapaa. Kuten odotettua, Box-Cox teho muutos yksittäisiä markkereita paransi diagnostinen teho parhaiden lineaarisen yhdistelmän kanssa LDA lähestymistapa 4,7% kuin raaka measures.Table 2 False luokitukset (%) ja jackknife ristivalidointi Fisherin Linear Erotteluanalyysi Analysis (LDA) ja Distribution Free (DF) lähestyy
Criteria
3- h DF
4-h DF
Linear yhdistelmä DF
Linear yhdistelmä LDA
0,7
24 (19,5%)
59 ( 30,0%)
16 (13,0%)
59 (30,0%)
15 (12,2%)
58 (29,4%)
15 (12,2%)
64 (32,3% )
0,8
37 (30,1%)
39 (19,8%)
21 (17,1%)
40 (20,3%)
21 (17,1%)
40 ( 20,3%)
20 (16,3%)
46 (23,4%) B 0,9
60 (48,8%)
21 (10,7%)
27 (21,9%) B 23 (11,7%)
28 (22,8%) B 20 (10,2%)
27 (22,0%)
22 (11,2%) B Huom: malli ennustaa tautinsa (1 yes, 0 ei);
y
: diagnosoitu sairaus tila (1 kyllä, 0 on ei).
kanssa raakadataa, erot summa vääriä positiivisia ja vääriä negatiivisia hinnat paras lineaarikombinaatioita olivat 0,2%, 1,6%, ja -6,5% välillä DF ja LDA lähestyy klo 0,7, 0,8, ja 0,9 herkkyysastetta. Vaikka väärien negatiivisten tulosten osuuden, jonka LDA lähestymistapa osoitti suuria poikkeama, joka vastaa ennalta kynnystasot (≤3.0%), ne joita DF lähestymistapa ovat suhteellisen lähellä (≤ ± 0,2%).
Tiedot muutosta paransi diagnostinen teho parhaista lineaariyhdistelmiä sekä LDA ja DF lähestyy vähentämällä summa vääriä negatiivisia ja vääriä positiivisia hinnat. Vähennykset ovat 2,2%, 2,8%, 13,8%, ja -0,9%, -1,1%, 20,1% DF ja LDA lähestymistapoja, vastaavasti. Mielenkiintoista, suurin parannus diagnostinen teho on korkeamman herkkyyden molemmat lähestymistavat.
Diagnostic valtuuksia OSTOSKORIIN lähestymistapa
Seitsemän päätöspuuta malleja, mukaan lukien täydellinen malli (4 tunnin välein mittaukset yhdessä potilaan ikä), yhdistelmät 2-h ja 4-h, 3-h ja 4-h, sekä jokaisen tunnin toimenpiteitä, optimoitiin kautta puiden karsinta minimikoko lopullista solmun 10 koehenkilön [26]. Kaikkien aikapisteissä malleja, prosenttia säilyttäminen 4-h on suurin AUC 0,865, ja sen jälkeen 3-h, 2-h ja 1-h, vastaavasti (taulukko 3). Väärien diagnoosi päätöspuumallia 4-h on 14,4% (28 out of 123 potilaille ilman gastropareesi, ja 18 ulos 197 niille gastropareesi), alle puolet niistä, jotka olisivat väärin diagnosoitu 1- h ja 2-h pistettä, ja 37% ((73-46) /73) pienempi kuin -at 3-h. Sisältää 2-h tai 3-h yhdessä 4-h päätöstä puu ei lisännyt useita oikeita diagnooseja yli käyttäen 4-h yksinään osoittaa jackknife rajat validointi. Nämä eroavat saadut tulokset LDA ja DF lähestymistapoja, joissa lineaarinen yhdistelmä 3-h ja 4-h osoitti lievää parannusta käyttäen 4-h yksinään. Kuitenkin päätöspuumallia joko 4-h yksinään tai sen yhdessä 2-h tai 3-h ei kärsi vianmääritysohjelmaa verrattuna sen vastine malleissa tunnistetaan joko LDA tai DF lähestymistapa riippumatta datan muutosta. Kärry malli käyttää kaikkia neljää tunnin GES toimenpiteiden ohella potilaan ikä oli erittäin mielenkiintoinen. Sillä kriteerit ventrikkeliretentio > 10% 4-h ja < 53% 2-h, potilaat > 47,5 vuotta vanha oli lähes 2 kertaa vähemmän todennäköisesti gastroparesis (todennäköisyys = 0,44) kuin iän < 47,5 (todennäköisyys = 0,85) .table 3 False luokitukset (%) ja jackknife ristivalidointi optimoidulla Luokittelu ja regressio puu (CART) mallit
tyyppi diagnosoida
1-h
2-h
3-h
4-h

2-h + 4-h
3-h + 4-h
4-h + 3-h + 2-h + 1-h + Age

76 (61,8%)
28 (22,8%) B 29 (23,6%)
28 (22,8%)
28 (22,8%)
28 (22,8%)
26 (21,1%)
24 (12,2%)
69 (35,0%)
44 (22,3%)
18 (9,1%)
18 (9,1%)
18 (9,1%)
18 (9,1%) B Yhteensä diagnosoida
100 (31,3%)
97 (30,3%)
73 (22,8%)
46 (14,4 %)
46 (14,4%)
46 (14,4%)
44 (13,8%) B AUC varten optimoitu Model
0,724
0,753
0,825
0,867
0,865
0,858
0,881
Huom: malli ennustaa tautinsa (1 kyllä, 0 ei);
y
: diagnosoitu sairaus tila (1 kyllä, 0 ei ).
keskustelu
lineaarikombinaatioita diagnostisten markkereiden saatu LDA tai DF lähestymistapa yleensä johtaa korkeampiin syrjiä valtuuksia (suurempi AUC) kuin sen yksittäisiä komponentteja. Simulaatio tutkimus (tuloksia ei näytä täällä) osoitti, että vahvempi korrelaatiota yksittäisiä merkintöjä, sitä pienempi AUC kasvoi lineaarikombinaationa. Mahdollinen voitto diagnostinen teho kuitenkin heikkenee, kun korrelaatio yksittäisiä merkintöjä nousta jopa 0,7 ja yli. Tehokkuus käyttämällä lineaarista yhdistelmää vähenee kasvu suuruus epäsuhta kovarianssimatriiseja välillä sairaat ja kontrolliryhmiin.
Pienestä otoksesta johtaa suuriin vaihtelua optimaaliset kertoimet paras lineaarinen yhdistelmä ja vastaavat AUC, erityisesti LDA lähestymistapa. Koska otoksen koko kasvaa, optimaalinen kertoimet ja AUC LDA tai DF menetelmillä voidaan tai ei lähestyvät toisiaan riippuen jakelusta yksittäisiä merkintöjä.
Marker arvot normaali
Kun markkeri arvot ovat monimuuttujatestausta normaali, arvioiden mukaan LDA lähestymistapa on hyvin lähellä, että DF menetelmän suhteen AUC, optimaalinen kertoimia, ja diagnostinen teho kuten simuloinnin. Tavallisella jakelu ja riittävä otoskoko, kaksi ensimmäistä hetkiä vangita sijaintitietoikkunasta ja mittakaavaparametri pieniä vaihtelu. Tällaisissa tapauksissa LDA lähestymistavan etuna säästää laskenta-aika (yli 100-kertaisesti vähemmän) ilman kärsimystä ennusteita kuin DF lähestymistapaa. Kuitenkin, LDA voi päihittävät DF kunhan etsinnän verkkoon optimaalisen kertoimen DF sisältää pisteen arvio LDA. Toisin sanoen, rajoitus DF on laskenta, eikä menetelmiä.
Marker arvoja ei ole normaalia
Kun markkeri arvot poikkeavat normaalijakaumasta, DF lähestymistapa johtaa aina suurempi AUC paras lineaarinen yhdistelmä, jos haku grid optimaalinen kertoimien hienoksi. Luokituksen alentamisesta suorituskykyä LDA lähestymistapa on suoraa seurausta keinoin, joka on vääntynyt vuoksi poikkeavuus. Eksponenttijakauma Esimerkiksi yleensä on pitkä häntä, jossa korkea skewness, mikä johtaa keskimääräisen positiivisella bias. Tämän seurauksena, varianssit merkkiaineista ovat ilmalla ja AUC on yleensä pienempi. Vielä tärkeämpää on, paras lineaarinen yhdistelmä saadaan LDA lähestymistapa on taipumus yliarvioida väärien negatiivisten tulosten osuus ja aliarvioi vääriä positiivisia alemmalla herkkyyttä (taulukko 2), ja tehdä juuri päinvastoin korkeammalla herkkyystason. Päinvastoin, paras lineaarinen yhdistelmä DF lähestymistapa vaikuttaa vähemmän äärimmäisiä arvoja ja yleensä on suurempi diagnostinen teho säilyttäen asetetun herkkyyden tasoa. Tämä on tärkeää, koska käytännössä kiinteä väärien negatiivisten tulosten osuus edustaa kriittisen rajan suvaitsevaisuuden diagnostisessa lääketieteessä. Beyond tällaista rajoitusta, panos tappiota-hyötysuhteen kasvaisi, tai ainakin, diagnostinen päätös on vähemmän kustannustehokasta.
Vaikutus datamuunnos-
Tehokas datamuunnos- parantaa normaali ja siten parametrien arvioon LDA lähestymistapa, mutta onko tämä parannus pidä uutta tietoa, joka ei sisälly parametrien arviointi jää epäselväksi. Ristiinvalidointi kanssa gastropareesi tulokset osoittivat, että teho muutos AUC ja vakiintui parametriestimaatteja koulutuksessa asetetaan, ja, että tällaiset voitot johtaisi korkeampiin diagnostinen teho testissä sarjaa (taulukko 2). Datamuunnos- kiinni kuilun diagnostisten vallan välillä parhaan lineaarikombinaatioita mukaan LDA ja DF lähestyy kanssa kliiniset tiedot. Mielenkiintoista, DF lähestymistapa oli yhdenmukainen parannus muutoksen kaikilla tasoilla herkkyys on 0,7, 0,8, ja 0,9. Suuntaus kanssa LDA lähestymistapa ei ole yhtä selvä. Yksi syy voi olla prosentin mahan pidätysten mitattuna 3-h ja 4-h ovat niin vinossa, että teho muutos ei riitä laittaa mittaukset lähes normaalijakaumaa.
Optimointi diagnostinen teho GES toimenpiteitä OSTOSKORIIN malli</sup></sub>