Optimalizálása a diagnosztikai teljesítmény gyomor ürülését szcintigráfia különböző időpontokban

Nyílt Peer Review

Ezt a cikket nyitott Peer Review jelentéseket. Katalógusa

Hogyan megnyitása Peer Review munka?
Optimalizálása diagnosztikai teljesítmény gyomorkiürüiési szcintigráfia különböző időpontokban katalógusa Abstract katalógusa háttér katalógusa kiürülésének szcintigráfia (GES) időközönként több mint 4 óra után egy szabványos rádió jelzett étkezés gyakran tekintik az arany standard diagnosztizálására gastroparesist. A célkitűzések a tanulmány volt: 1), hogy vizsgálja a legjobb időpontban, és a legjobb kombináció a különböző időpontokban diagnosztizálására gastroparesist ismételt GES intézkedéseket, valamint 2) a kontraszt és a határokon érvényesítse Fisher lineáris diszkrimináns analízis (LDA), rangot alapú Distribution Free (DF) megközelítés, valamint az osztályozó és regressziós fa (CART) modell. katalógusa módszerek
összesen 320 beteg GES intézkedéseket az 1., 2., 3., és 4. óra (h) után egy szabványos étkezés szabványosított módszer visszamenőleg gyűjtött. Alatti terület Receiver Operating Characteristic (ROC) görbe és az arány a hamis osztályozás révén zsebkés kereszt-érvényesítés használtuk modell összehasonlítása. Katalógusa Eredmények
Mivel az erős korreláció és rendellenességével adatok eloszlása, nincs lényeges javulás a diagnosztikai teljesítmény találtuk a legjobb lineáris kombináció által LDA megközelítés még az adatok átalakítását. DF módszerrel, a lineáris kombinációja 4-H és 3-H növelte a görbe alatti terület (AUC) és a csökkent a hamis besorolások (0,87; 15,0%) az egyedi időpontokban (0,83, 0,82; 15,6%, 25,3 %, 4-H és 3-H, sorrendben) magasabb érzékenységi szint (érzékenység = 0,9). A CART modell segítségével 4 óránkénti GES mérések mellett a beteg életkorától volt a legpontosabb diagnosztikai eszköz (AUC = 0,88, hamis osztályozási = 13,8%). Betegek 4 órás gyomorban visszamaradó érték > 10% -uk 5-ször nagyobb valószínűséggel gastroparesist (179/207 = 86,5%), mint azok, ≤10% (18/113 = 15,9%). Katalógusa következtetések
a vegyes betegcsoport bármelyik említett gyanúja gastroparesist vagy vizsgált egyéb okok miatt, a CART modell erőteljesebb, mint az LDA és DF megközelítések befogadására alkalmas kovariáns hatásokat és általánosítható a határokon intézményi alkalmazásokhoz, de lehet instabil, ha minta mérete korlátozott.
alapon
gyomorürülés szcintigráfia időközönként több mint 4 óra elteltével egy standardizált táplálékot általában tekintik az arany standard mérésére gyomorürülés alkalommal. A gyakorlatban, egy egyszerűsített óránkénti intézkedés maradék gyomortartalom használják diagnosztizálására gastroparesis definiált késleltetett gyomorürülés (GE) hiányában a mechanikai obstrukció [1, 2]. A technika intézkedések izotóppal jelzett élelmiszer A gyomorban maradt óránként után elfogyasztása után standardizált étellel [3] indikátora a késleltetett GE. Különbségek miatt használt élelmiszert, az alkalmazott technikák és a végpontok mért GES, elemzése és értelmezése az eredmények igen intézmények között [4]. A legtöbb korábbi tanulmányok kimutatták, hogy a késleltetett gyomor kiürülését lehet a legjobban jelzi a gyomor megtartása > 10% -os 4- h étkezés után, ami jött létre, mint a 95 százalékos a gyomorban visszamaradó normál önkéntesek multicentrikus vizsgálat [5, 6] . Mint mindig, a forgalmazás-alapú diagnosztikai döntés önkényes és elkerülhetetlenül indukál hiba miatt téves besorolás. Úgy tűnik, hogy az egyszerűsített megközelítés specificitása 62%, szenzitivitása 93% [7]. Mások a százalékos visszatartás a 2-H, mint a rutin klinikai mérések GES [8], ami arra utal, GES a 2-H vagy 3-H lehet, a legjobb egyedi idő pont nagyobb diagnosztikai teljesítmény. Azonban százalék gyomor visszatartásokat különböző időpontokban is figyelemmel a beteg életkora és neme [5]. A szabványosítás hiánya lefolytatása GES együtt különbségek mennyiségi elemzés használt különböző intézmények korlátozhatják klinikai hasznosságát a vizsgálat, és problémát jelent, ha a határokon intézményi adatokat kell értékelni. 2008-ban a nevében az amerikai Neurogastroenterology és mozgékonysága Társaság és a Nukleáris Medicina Társaság kutatói 13 amerikai egészségügyi intézmények közösen kiadott egy konszenzus nyilatkozat egységesítésére GES intézmények közötti [4]. Ezen túlmenően, kérdések további vizsgálatot igénylő azonosítottunk a konszenzus amelyek a következők: 1) használata 3-H képest 2- és 4-H eredménye kimutatására késleltetett GE; és 2) a használata több időpontokban (2- és 4-H) vs. egyetlen 2- vagy 4-H értékek további megértését a klinikai értelmében disszonáns eredmények között 2- és 4-H vizsgál.
Módszertan használatával különböző diagnosztikai markerek kimutatására betegségek és értékeljék egészségügyi kockázatok óta aktív a kutatás terén [9-11]. A gyors fejlődés a genomikai és proteomikai technológiákat, a hangsúly a biomarker-alapú betegség felderítése és kockázatértékelés most átkerült egyetlen biomarker, hogy a testület a biomarkerek, mivel a különböző markerek lehetnek érzékenyek a különböző aspektusait a betegség [12]. Azt állítják, hogy míg egyetlen klinikai vagy genetikai marker, a testület több marker tartalmazhat egy magasabb szintű megkülönböztető információ, különösen egy másik nagy, heterogén betegpopulációknál és komplex többlépcsős betegségek. Ez azért fontos, mert ha több marker egyidejű vezethet egy új diagnosztikai intézkedés nagyobb érzékenységgel [11].
Ha több jelölő folyamatos, normális eloszlású, Fisher LDA a legjobb lineáris kombináció, amely maximalizálja az érzékenységet a teljes specificitás tartományban egységesen az többdimenziós normális eloszlás modell [11]. Amikor a Marker értékek eltérnek a normális, egy doboz-Cox teljesítmény transzformáció lehet használni, hogy javítsa a normál illeszkedés [13]. Ez a megközelítés már hatásosnak találták becslésekor az AUC és ROC görbék, ha az alapul szolgáló valódi eloszlás, vagy az eredeti vagy egy átalakított skálán, közel többdimenziós normális [11]. Ellenkező esetben, egy rang alapú disztribúció ingyenes megközelítést lehet alkalmazni. Az elméleti szempontból a legjobb lineáris kombináció biomarkerek jól ismert [[9, 11, 14-19], és a [20]]. Fisher LDA könnyebb kiszámítására, míg a DF megközelítés inkább robusztus ahhoz, hogy eltérés a normális eloszlás, de számítástechnikailag megfizethetetlen, ha több mint két-markereket nem tartalmaz [19]. Mi használt paraméter becslések LDA kiindulópontként a grid keresés DF ha marker tér túlmutat a kétoldalú. A kocsi modell, a másik viszont, biztosít egy másik megközelítés, hogy optimalizálja a diagnosztikai teljesítmény, ha markerek többdimenziós [21-23]. Ahelyett, hogy egy új diagnosztikai intézkedés, mint LDA vagy DF, CART használ szekvenciális folyamat azonosítása a készlet prediktor változók, az eredeti skála, amely a legjobban különbséget csoportok között kimeneteli változó az érdeklődés. Ez különösen hasznos, ha sok prediktor változók, amelyek erősen korrelál. Számítástechnikailag kevésbé intenzív és könnyű értelmezni, de lehet instabil, ha a modell nem kellően képzett adatok korlátozottak.
Legtöbb korábbi tanulmányok középpontjában a felmerülő legjobb markerek kombinációját, amely maximalizálja az AUC alanyok, akiknek a betegsége állapota ismert volt [11 14-20]. Nem világos, hogy ha a diagnosztikai teljesítményt egy ilyen kombináció kiterjed a lakosság ismert marker értékek, de ismeretlen betegség állapot vagy a lakosság, akinek marker értékek nem használják származtatásához a diagnosztikai paraméterek. Standard étkezéssel együtt (lásd Anyagok és Módszerek) valamint az óránkénti GES technika (öt 2-perces képalkotó ülés) több mint 4 óra alatt kevesebb kamera idő szükséges, amíg eredményeket lehet reprodukálható a kórházból a kórházba. Ez a tanulmány értékeli a statisztikai lehetőségeket, hogy optimalizálja a diagnosztikai teljesítmény GES intézkedések néhány időpontokban. A primer klinikai diagnózis, által definiált tünetek, mint a hányinger, hányás, a korai jóllakottság, az étkezés utáni teltség, hasi diszkomfort és fájdalom, továbbá a bizonyíték a késleltetett gyomorürülés hiányában a mechanikai gyomor kivezető elzáródás, mint az igazi állapotát gastroparesis ez a tanulmány a megállapítás a paramétereket a legjobb lineáris kombinációja GES különböző időpontokban edzési adatok, akkor vizsgálja és határon érvényesíti annak teljesítményét a vizsgálati adatok nem használtak származó modell. katalógusa módszerek
a Receiver Operating jelleggörbe (ROC) és a görbe alatti terület különösen egy egyszerű és értelmes intézkedés értékeléséhez hasznosságát diagnosztikai marker (ek) [10]. A dokumentumban a ROC és AUC arra használjuk, hogy a különböző módszerek és különböző modellek a legjobb diagnosztikai ereje gastroparesisben. Az összeg a hamis pozitív és hamis negatív diagnózist a teljes mintát használnak ellentétben a diagnosztikai készülékek közötti LDA, DF és CART keresztül zsebkés (vegye egyet) kereszt érvényesítés.
Fisher lineáris diszkrimináns módszer (LDA) hotelben Let w katalógusa <sub>ij katalógusa jelenti i katalógusa <sup>th katalógusa marker értéke j katalógusa th katalógusa tárgya a beteg csoport; és v katalógusa ik
az i katalógusa th katalógusa marker értéke k katalógusa th katalógusa tárgya a kontroll csoportban; ahol i
= 1, ..., p; J
= 1, ..., m; és K
= 1, ..., n.
Tegyük fel, X és Y vektorok marker értékek többváltozós normális eloszlás a beteg és a kontroll csoport, illetve, akkor (1) az az együttható vektor, α katalógusa p × 1, a legjobb lineáris kombinációja az egyesített marker vektort a beteg és a kontroll csoportok alatt a ROC kritériumoknak: (2) az AUC ROC görbe alatti jelentése: (3) Ha Φ jelöli a standard kumulatív normális eloszlásfüggvény.
A specificitás (F a (c) pont), és érzékenység (H a (c)): (4) (5) Rang alapú Distribution Free megközelítés (DF) hotelben az rang alapú disztribúció mentes megközelítést [19], az AUC lehet számítani, mint a Mann-Whitney U statisztika [24]: (6) Megjegyzés, a folyamatos forgalmazás, Pr (I
= 1/2) = 0.
Amennyiben w katalógusa ij katalógusa az i katalógusa th marker értéke j katalógusa th tárgya a beteg csoport; v katalógusa ik katalógusa az i katalógusa th jelölő értéke a k katalógusa th tárgya a kontroll csoportban; i, j, k, m katalógusa, és n
meghatározott az előző részben; AUC katalógusa (α katalógusa) van a görbe alatti terület az ingyenes kiosztásra megközelítés optimális együttható vektor (α). Mivel ROC invariáns monoton növekvő átalakulás, az együttható vektor α
mind LDA és DF megközelítések méretezi újra a (1, β 2 /β 1, β 3 /β 1, ... β i /β 1), ahol β i /β 1 jelenti a súlya az i katalógusa th jelölő értéke képest Marke1 [19]. katalógusa osztályozó és regressziós fák (CART) modell katalógusa eltérően LDA vagy DF, CART módszer meghatározza a készlet becsléshez minden változót, amely a legjobban különbséget osztályok eredményét érdeklődés szekvenciális folyamat. Minden lépésnél (node), CART algoritmus először azonosítja a legjobb előrejelzője az összes jelölt változók, majd végignézi az összes érték a legjobb előrejelzője de csak az egyiket használja töréspont osztani a minta a csomóponton belül két al-ága. Ezután megkeresi az összes prediktor változók, és azonosítja a legjobb töréspont a legjobb előrejelzője az egyes al-ág, és megismétli a folyamatot, amíg egy bizonyos kritériumok, mint például a minimális variancia, illetve minimális csoport mérete, mind Végpontjaink teljesül. Minden csomópont, CART törekszik, hogy osztályozzák a mintát csoportosítani, hogy a maximális homogenitás a gyermek csomópontok elérésekor. Amikor egy végpont elérésekor a modell adja a tartozás esélyét egy adott kategória összes többi tárgy, amely ebbe a csomópont. A gyakorlatban a legkisebb csomópont mérete általában 10% -ban a tanulási minta elkerülni az esetleg át illeszkedő modellt úgy, hogy a végső döntési fa sokkal valószínűbb, hogy hasznos osztályozására populációk hasonló jellemzőkkel rendelkezik, mint a tanulási minta, de volt nem használt eredő CART modell. Ezzel szemben a LDA megközelítés, CART különösen hasznos lehet, ha a korrelációs mintázatok között prediktor változók nem konzisztens az egész tartományban, mert nem szükséges, hogy ugyanazt a változót optimálisnak minden ága csomópont a teljes fa [22].
Paraméterbecslés katalógusa az LDA megközelítés, írtunk egy SAS /IML-program [25] kiszámításához az átlagos (m), a szórás (S) a beteg és a kontroll csoportban, és az összes paraméter becslések leírt módszer szakasz. Először is, az együttható vektor α
, AUC a lineáris kombináció, valamint az egyes markerek kapunk egyenletekkel (2) és (3) a képzési adatokat. Ezután az együttható α
alkalmazták a megfelelő vizsgálati adatok, így a lineáris kombináció pontszámot. Három küszöbértékek megfelelő érzékenységi szint 0,7, 0,8, és 0,9 a lineáris kombináció pontszám kaptunk a gastroparesis adatokat használ (5) egyenlet. Mindegyik küszöbérték használták a kimaradt adatokat, hogy osztályozzák a dobozt vagy beteg vagy nem beteg-csoport. Az előre jelzett állapota ezután kereszt táblázatba az ismert betegség kategória.
A DF megközelítés kezdődött egy tetszőleges kiindulási pont, majd rács keresett együtthatók, amelyek maximalizálják a Mann-Whitney U statisztika a képzési adatokat a következő lépéseket.
1) a lineáris kombináció pontszám minden megfigyelést szorzatából marker X vektort egy kezdő együttható vektor, α katalógusa (1, α katalógusa). katalógusa 2) az AUC megfelelő együttható vektor α katalógusa számítjuk (6) egyenlet. katalógusa 3) ismételje meg az első két lépést minden lehetséges együttható vektor és összekapcsolni a megfelelő AUC és α katalógusa.
4) Válassza az együttható maximalizált az AUC és a kritikus lineáris kombináció pontértéke 0,7, 0,8 és 0,9 érzékenységi szintet. katalógusa 5) együttható alkalmazásával a 4. lépés az vizsgálati adatok, hogy a legjobb lineáris kombináció pontszámot. katalógusa 6) használata minden egyes kritikus értéket a 4. lépésben a vizsgálati adatok megjósolni minden esetben be sem beteg vagy nem beteg csoportban, majd át táblázatba az ismert betegség kategória.
a CART modellben használt a fa csomagot belül R [26] környezet mindegyik négy óránkénti intézkedések és ezek kombinációja, valamint a beteg életkora és neme, mely a legjobb modell. Kereszt-érvényesítés minimális mérete 10 tárgy minden végpont használták, hogy optimalizálja a döntési fa modell segítségével az összes észrevételt [27]. AUC minden optimális döntési fa számítottuk összehasonlítani az összes modell. Ezután egy megfigyelés vették ki a teljes minta, és a fennmaradó alanyok használt építeni a döntési fa, amely viszont arra használták, hogy megjósolni a betegség állapota a kimaradt megfigyelés. Teljesítmény az egyes döntési fa foglalta össze a számát rossz előrejelzések az egész mintában. Katalógusa gastroparesis adatok
összesen 320 diagramok korú betegek 16 ~ 89 (42,8 ± 14,3 (átlag ± std)), 255 (79%) nő, a GES intézkedések 1H, 2H, 3 óra és 4 óra standard étkezés után szabványosított módszer (5) arra visszamenőlegesen összegyűjtöttük a University of Kansas Medical Center (KUMC). A vizsgálati protokollt jóváhagyta az Institutional Review Board (IRB) a KUMC. Alatt GES mérés, a frakció táplálékot fogyasztottak, és az időt, a fogyasztás vették. Témák szokatlan százalékos táplálékot fogyasztottak (például < 20% az étkezés) /fogyasztási idő (például > 30 perc) kizárták. Minden beteget sem említett gyanúja gastroparesist vagy vizsgált egyéb okból, mert az általa elmondott tünetek, mint hányinger, teltség, korai jóllakottság, hányás és puffadás. Ennek alapján átfogó értékelése, amellett, hogy óránkénti GES intézkedéseket, a tanulmány orvosok diagnosztizált 197 (62%) mennyiségben a 320 betegek gastroparesis, mint az elsődleges oka a fent említett klinikai tüneteket és a kórházi látogatások. Annak ellenére, hogy hasonló orvosi tapasztalatok kívüli betegségeit gastroparesist tekintették elsődleges diagnózis, a fennmaradó 123 betegnél. Nincs szignifikáns különbség az átlagos életkor (p = 0,12, t-teszt) és a nemi (p = 0,99, az χ 2 teszt) találtunk a csoportok között és anélkül gastroparesis. Minden beteg esetében, a gyomor ürülését szcintigráfia végeztünk reggel egy éjszakai koplalás után a prokinetikumok megállt legalább 3 napig. A szabványosított módszert gyomor kiürülését áll egyenértékű a két rántotta (tojás helyett) jelölt 99m Tc kén-kolloid, 2 db pirítós zselés, és 4 dl vízzel egy teljes kalória értéke 255 kcal. Anterior és posterior képek a gyomor vettünk közvetlenül evés után, majd óránként 4 órán [28].
Eredménye
során ismételt mérése gyomorürülés, százalék visszatartásokat az izotóp a gyomorban 1-H, 2-H, 3-H és 4-H étkezés után idővel csökkent, és nagymértékben korreláltak, különösen a férfiak és betegek számára gastroparesis. Spearman korrelációs együttható között mozgott 0,34 (p < 0,001) között 1-H és 4-H betegek nélkül gastroparesis 0,93 (p < 0,001) között 3-H és 4-H betegek számára gastroparesis. Összességében, az elosztó százalékban retenciós eltért a normális, az első két órás értékek torzításának felé az alsó végén, és a második két óra torzításának felé magasabb végét (1. ábra). Ábra 1 százalék gyomorban visszamaradó 1-H, 2-H, 3-H és 4-H étkezés után, Case (zöld) vs. kontroll (szürke). 1-H-C, 2-H-C, 3-H-C, 4-H-c jelentése százalékos gyomorürülés (GE) 1-H, 2-H, 3-H és 4-H étkezés után diagnosztizált betegek gastroparesis; Whisker 70% -át képviseli interquartilis tartományban. Katalógusa Diagnosztikai hatáskörét LDA és DF megközelítés
Óránként intézkedések 3 óra és 4-h korábban jelentve a legjobb diagnosztikai segédprogram, akkor szembe a legjobb lineáris kombináció mindkét LDA ( 2. ábra), és DF megközelítések (1. táblázat). Először is, a becslések AUC a két mérés együtt az optimális együttható legjobb lineáris kombinációja, és a küszöb értékeket a lineáris kombináció pontszám 0,7, 0,8, és 0,9 érzékenységi szint mindkét LDA és DF megközelítések az összes, de 1-ből 320 alanyok. Az optimális együttható, valamint a három küszöbértékek ezután alkalmazni a kimaradt témát. Ha összehasonlítjuk a küszöbértékeket a számított lineáris kombináció pontszám esetén az adott gastroparetic állapota a kimaradt alá került rögzítésre. Az árak az álnegatív és álpozitív kaptuk megismételve zsebkés folyamatot minden 320 alanyok. Ezután, egy doboz-Cox teljesítmény transzformáció alkalmazták, és az azonos analízist megismételtük a transzformált adatok. 2. ábra A vevőegység operating characteristic (ROC) görbe az óránkénti százalékos visszatartás 2-H, 3-H, 4-H, és a legjobb lineáris kombinációja. A görbe alatti terület (AUC) a 2-H és 4-H és maximalizált a legjobb lineáris kombinációja mindhárom óránkénti mérés.
1. táblázat paramétereinek (a görbe alatti terület (AUC) és együttható legjobb lineáris kombinációja ) a Fisher lineáris diszkrimináns analízis (LDA) és Distribution Free (DF) megközelítések katalógusa katalógusa 4-h Matton 3-h Matton lineáris kombinációja DF Matton lineáris kombinációja LDA Matton
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
Megjegyzés: A nyers jelentése AUC mérés eredeti méretben; katalógusa Tran jelent AUC mérés transzformált skála; katalógusa α az együttható a legjobb lineáris kombináció mérés 3 órás étkezés után.
A legjobb lineáris a kettő kombinációja óránkénti intézkedések növelték a diagnosztikai ereje az egyes összetevők mindkét megközelítés (2. táblázat), de a nyereség korlátozott volt, 3,9% a DF, és 0,4% az LDA megközelítés. Ahogy az várható volt, a Box-Cox energia átalakítás egyes markerek javított diagnosztikai hatalom a legjobb lineáris kombinációban LDA megközelítés 4,7%, mint a nyers measures.Table 2 False besorolások (% -ban) zsebkés kereszt-érvényesítés Fisher lineáris diszkrimináns elemzés (LDA) és Distribution Free (DF) megközelítések katalógusa kritériumok
3- h DF Matton 4-h DF Matton lineáris kombinációja DF Matton lineáris kombinációja LDA Matton 0,7 katalógusa 24 (19,5%) hotelben 59 ( 30,0%) hotelben 16 (13,0%) hotelben 59 (30,0%) hotelben 15 (12,2%) hotelben 58 (29,4%) hotelben 15 (12,2%) hotelben 64 (32,3% ) hotelben 0,8 katalógusa 37 (30,1%) hotelben 39 (19,8%) hotelben 21 (17,1%) hotelben 40 (20,3%) hotelben 21 (17,1%) hotelben 40 ( 20,3%) hotelben 20 (16,3%) hotelben 46 (23,4%) hotelben 0,9 katalógusa 60 (48,8%) hotelben 21 (10,7%) hotelben 27 (21,9%) hotelben 23 (11,7%) hotelben 28 (22,8%) hotelben 20 (10,2%) hotelben 27 (22,0%) hotelben 22 (11,2%) hotelben Megjegyzés: modell megjósolta betegség állapota (1 igen, 0 nem); katalógusa y katalógusa: diagnosztizált betegség állapota (1 igen, 0 nem).
a nyers adatok, a különbségek összege hamis pozitív és hamis negatív arányok a legjobb lineáris kombinációi voltak 0,2%, 1,6% és -6,5% között DF és LDA megközelíti a 0,7, 0,8 és 0,9 érzékenységi szint. Míg a hamis negatív arányok az LDA megközelítés megmutatta nagy eltérést, amely megfelel a beállított küszöbérték (≤3.0%), azok a DF megközelítés viszonylag közel (≤ ± 0,2%). Katalógusa adatok átalakítása javította a diagnosztikai teljesítmény a legjobb lineáris kombinációi mind az LDA és DF megközelítések csökkentésével összege álnegatív és álpozitív aránya. A csökkentés mértéke 2,2%, 2,8%, 13,8% és -0,9%, -1,1%, 20,1% a DF és LDA megközelítések, ill. Érdekes, hogy a legnagyobb javulás a diagnosztikai ereje a magasabb szintű érzékenység mindkét megközelítés. Katalógusa Diagnosztikai hatásköreinek CART megközelítés katalógusa hét döntési fa modellek, beleértve a teljes modell (4 óránkénti mérések mellett a beteg korától), a kombinációk 2-H és 4-H, 3-H és 4-H, valamint a minden egyes óránkénti intézkedéseket, optimalizáltuk keresztül fa-metszés minimális méretét a végső csomópont 10 tárgy [26]. Minden egyes alkalommal, pont modellek, százalék megőrzés 4-H rendelkezik a legnagyobb AUC-értéke 0,865, majd 3-H, 2-H, és az 1-H, illetve (3. táblázat). A fals diagnózis döntési fa modell 4-h 14,4% (28 123 közül a betegek nélkül gastroparesist és 18 ki 197 azok számára, akik gastroparesist), kevesebb, mint a fele azoknak, akik tévesen diagnosztizált 1- H és 2-H pont, és 37% ((73-46) /73) kisebb, mint a -A 3-H. Beleértve a 2-H vagy 3-H együtt 4-H és a döntési fa nem számának növelése a helyes diagnózis felett használva 4-H egyedül által jelzett Jackknife kereszt érvényesítés. Ezek eltérnek a kapott eredményeknek az LDA és DF megközelítések, amelyekben a lineáris kombinációja 3-H és 4-H mutatta, enyhe javulást használva 4-H egyedül. Ugyanakkor döntési fa modell akár 4 órán önmagában vagy kombinációban 2-h vagy 3-h nem érte diagnosztikai segédprogram képest párja modellek azonosított vagy LDA vagy DF megközelítés, függetlenül attól, hogy az adatok átalakítását. A CART modell mind a négy órai GES intézkedések mellett a beteg életkora, nagyon érdekes volt. A kritériumok a gyomor retenciós > 10%, 4-H és < 53%, 2-H, a betegek > 47,5 év volt közel 2-szer kevésbé valószínű, hogy a gastroparesis (valószínűség = 0,44), mint a korral < 47,5 (valószínűség = 0,85) .table 3 hamis besorolások (% -ban) zsebkés kereszt-érvényesítés optimalizált osztályozó és regressziós fa (CART) modellek katalógusa típusa Téves diagnózis
1-h Matton 2-h Matton 3-h Matton 4-h katalógusa
2-H + 4-H
3-H + 4-H
4-H + 3-H + 2-H + 1-H + Kor Matton katalógusa 76 (61,8%) hotelben 28 (22,8%) hotelben 29 (23,6%) hotelben 28 (22,8%) hotelben 28 (22,8%) hotelben 28 (22,8%)
26 (21,1%) Matton 24 (12,2%) hotelben 69 (35,0%) hotelben 44 (22,3%) hotelben 18 (9,1%) hotelben 18 (9,1%)
18 (9,1%) hotelben 18 (9,1%) hotelben összesen Téves diagnózis
100 (31,3%) hotelben 97 (30,3%) hotelben 73 (22,8%) hotelben 46 (14.4 %) hotelben 46 (14,4%) hotelben 46 (14,4%) hotelben 44 (13,8%) hotelben AUC optimalizált Model katalógusa 0,724 katalógusa 0.753 katalógusa 0.825 katalógusa 0,867
0,865 katalógusa 0.858 katalógusa 0.881 katalógusa Megjegyzés: modell megjósolta betegség állapota (1 igen, 0 nem); katalógusa y katalógusa: diagnosztizált betegség állapota (1 igen, 0 nem ).
Vita katalógusa lineáris kombinációi diagnosztikai markerek kapott LDA vagy DF megközelítés általában vezet magasabb tegyen különbséget a hatáskörök (nagyobb AUC), mint az egyes összetevők. A szimulációs vizsgálat (az eredmények nem jelennek meg itt) jelezte, hogy minél erősebb a korreláció között egyes markerek, annál kisebb az AUC amelyet lineáris kombinációja. A potenciális nyereség diagnosztikai teljesítmény azonban fokozatosan csökken, ha a korreláció az egyes markerek növelése 0,7 felett. A hatékonyság a lineáris kombináció csökken a növekedés nagysága aránytalanság kovariancia mátrixok között a megbetegedett és a kontroll csoport.
Kis minta méretben vezetnek nagy ingadozás optimális együtthatók legjobb lineáris kombinációja, és a megfelelő AUC, különösen a LDA megközelítés. Mivel a minta mérete növekszik, optimális együtthatók és az AUC-LDA vagy DF módszerekkel lehet, hogy nem közeledik egymáshoz függően eloszlása ​​az egyes markerek. Katalógusa Marker értékek normál katalógusa A marker értékek többváltozós normális, a becslések szerint a LDA megközelítés nagyon közel áll a DF módszer az AUC, optimális együtthatók, valamint a diagnosztikai ereje által jelzett szimuláció. A normális eloszlás és megfelelő számú minta, az első két pillanat elfog marker helyét és skálaparaméterrel kis variáció. Az ilyen esetekben az LDA megközelítésnek az az előnye a megtakarítás számítási idő (több, mint 100-szor kisebb), anélkül, hogy prediktív teljesítményű, mint a DF megközelítés. Mindazonáltal, LDA nem felülmúlják DF amíg a keresést rács optimális együttható DF tartalmazza a becsült pont által LDA. Más szavakkal, a korlátozás DF van számítás helyett módszertan.
Marker értékek nem normális
Amikor a Marker értékek eltérnek a normális eloszlás, a DF megközelítés mindig vezet a magasabb AUC a legjobb lineáris kombináció esetén, ha a keresést rács optimális együtthatók elég finom. A leromlás teljesítményt LDA megközelítés közvetlen eredménye az azt jelenti, hogy elfogult miatt rendellenesség. Exponenciális eloszlás például hajlamos arra, hogy egy hosszú farok egy magas fokú ferdeség, ami az átlagos pozitív torzítást. Ennek következtében, a varianciák markerek vannak fújva és az AUC általában kisebb. Ennél is fontosabb, hogy a legjobb lineáris kombináció kapott LDA megközelítés túlbecsüli a fals negatív arány, és alábecsülik a hamis pozitív arány az alacsonyabb érzékenységi szintet (2. táblázat), és nem éppen az ellenkezője a magasabb érzékenységi szint. Éppen ellenkezőleg, a legjobb lineáris kombináció által DF megközelítés kevésbé érinti a kiugró értékek és hajlamos arra, hogy nagyobb a diagnosztikai teljesítmény fenntartása mellett egy előre beállított érzékenységi szintet. Ez fontos, mert a gyakorlatban egy fix hamis negatív arány képvisel a kritikus határérték tolerancia diagnosztikai gyógyszert. Túl a határt, a tét a veszteség-haszon arány nőne, vagy legalábbis a diagnózis felállításánál kevésbé költséghatékony.
Hatása adatátalakítást katalógusa Hatékony adatátalakítást javítja a szokásos fit, és így a paraméter becslés alapján LDA megközelítés, hanem az, hogy ez a javulás tart az új adatok, amelyek nem szerepelnek a paraméter becslésére továbbra is tisztázatlan. Kereszt-érvényesítés a gastroparesist adatok azt mutatták, hogy hatalmi átalakulás AUC és stabilizált paraméterbecslések a képzési készletek, és hogy az ilyen nyereség lenne lefordítani nagyobb diagnosztikai erő a teszt-készletek (2. táblázat). Adatátalakítást felzárkózott diagnosztikai készülékek közötti legjobb lineáris kombinációi által LDA és DF közelít a klinikai adatokkal. Érdekes, hogy a DF megközelítés megmutatta következetes javulást átalakulás minden szintjén az érzékenység 0,7, 0,8 és 0,9. A trend az LDA megközelítés nem olyan egyértelmű. Ennek egyik oka lehet, hogy a százalékos gyomor visszatartásokat mérve 3 óra és 4-h annyira ferde, hogy a hatalom átalakulás nem elég, hogy a mérések közel normális eloszlást.
Optimalizálása diagnosztikai hatalmi GES intézkedések CART modell
eltérően a korábbi kutatások egészséges önkénteseknél, a vizsgálati populáció egy vegyes csoport alanyok sem említett gyanúja gastroparesist vagy vizsgált egyéb okok miatt.</sup></sub>

• Polimorfizmusok ERCC1, GST, TS és MTHFR megjósolni klinikai eredmények gyomorrák kezelt betegek platina /5-FU-alapú kemoterápia: a rendszeres felülvizsgálat
• Zsírsavösszetétele bőr alatti zsírszövet és a gyomornyálkahártya: van kapcsolatban gyomorfekély?