Optimizavimas diagnostikos galia su skrandžio ištuštinimo scintigrafija įvairiais laiko points

Šis straipsnis Atviras tarpusavio peržiūros ataskaitas laisvų.

Kaip veikia Atviras tarpusavio peržiūros darbo?
Optimizavimas diagnostikos galia su skrandžio ištuštinimo scintigrafija įvairiais laiko momentais
tezės
Background pervežimas skrandžio ištuštinimą scintigrafija (GES) intervalais per 4 valandas po standartizuoto radioaktyviu izotopu žymėto valgio dažniausiai laikoma aukso standarto diagnostika gastroparezę. Šio tyrimo tikslas buvo: 1) ištirti geriausias laikas tašką ir geriausias derinys skirtingais laiko momentais diagnozavimo gastroparezę pakartotinius GES priemones ir 2) kontrastas ir kryžminio patvirtinti Fisherio Linijinis diskriminantinis analizė (LEPA), rangas remiantis pasiskirstymas Nemokama (DF) požiūris ir klasifikacija ir Regresijos medis (KREPŠELIS) ​​modelis.
metodai
320 pacientams, sergantiems GES priemones iš viso 1, 2, 3, ir 4 valandų (h) po standartą miltai, naudojant standartizuotą metodą retrospektyviai surinkti. Plotas po ROC kreivė (ROC) kreivės ir klaidingos klasifikacijos norma per JackKnife kryžminio patvirtinimo buvo naudojami modelio palyginimas.
Rezultatai
Dėl stiprios koreliacijos ir į duomenų platinimo anomalija, ne esmės gerinti diagnostikos galia buvo rasti geriausią tiesinės kombinacijos LEPA požiūrio net su duomenų transformacija. Su DF metodą, linijinis derinys 4-h ir 3-h padidino plotas po kreive (AUC) sumažėjo klaidingų klasifikacijų skaičių (0,87; 15,0%) daugiau nei atskirų laiko kiekis (0,83, 0,82; 15,6%, 25,3 %, 4-h ir 3-h, atitinkamai) aukštesniu jautrumo lygio (jautrumo = 0,9). Krepšelis modelis naudojant 4 valandinius Ges matavimus kartu su paciento amžiaus buvo labiausiai tikslią diagnostikos įrankį (AUC = 0,88, klaidinga klasifikavimo = 13,8%). Pacientai, turintys 4-H skrandžio išlaikymo vertė >. 10% buvo 5 kartus didesnė tikimybė, kad turite gastroparezę (179/207 = 86,5%) nei tie, ≤ 10% (18/113 = 15,9%)
Išvados
su mišria grupe pacientų arba nurodytos su įtariamu gastroparezę ar tiriami dėl kitų priežasčių, į krepšelį modelis yra labiau patikimas nei LEPA ir DF metodų, galintis apgyvendinti kovariantą poveikį ir gali būti apibendrintas kryžminių institucinių programų, tačiau gali būti nestabilus, jei imties dydis yra ribotas.
faktai
skrandžio ištuštinimą scintigrafija tarpais per 4 valandas po standartizuotas maistas dažniausiai laikoma aukso standarto matavimo skrandžio ištuštinimą kartus. Praktiškai supaprastinta valandinis matas liekamųjų skrandžio turinio naudojamas diagnozuojant gastroparezę apibrėžiamas kaip uždelsto skrandžio ištuštinimą (GE) į mechaninės obstrukcijos nėra [1, 2]. Techniką priemonės radijo ženklinami maisto lieka skrandyje kas valandą po paciento suvalgo standartizuotą valgio [3] kaip uždelsto GE rodiklis. Dėl skirtumų maisto naudojamų, metodus darbuotojų ir pasekmes išmatuotų su GES, analizės ir aiškinimo rezultatus skirtis tarp institucijų [4]. Dauguma ankstesni tyrimai parodė, kad vėluoja skrandžio ištuštinimą, gali būti geriausias nurodyta su skrandžio saugojimo > 10% bent 4- h po valgio, kuri buvo įsteigta kaip 95 procentilio skrandžio susilaikymas sveikų savanorių per daugiacentrio tyrimo [5, 6] , Kaip visada, paskirstymo pagrindu diagnostikos sprendimas yra nepagrįstas ir gali neišvengiamai sukelia klaidą, nes klaidingo klasifikavimo. Ji pranešė, kad naudojamas supaprastintas metodas turi 62% specifiškumą ir 93% [7] jautrumą. Kiti naudoti procentų susilaikymas nuo 2-H kaip įprastinių klinikinių matavimų [8] GES, rodo GES ne 2-h arba 3-h gali būti geriausias individualus laikas taškas su aukštuoju diagnostikos galia. Tačiau procentų skrandžio išskaitymai skirtingais laiko momentais, taip pat gali būti taikomos paciento amžių ir lytį [5]. Standartizacijos trūkumas atliekant GES kartu su skirtumų kiekybinės analizės, naudojamų įvairiose institucijose gali apriboti klinikinį naudingumą bandymą, ir kelia problemų, jei Cross instituciniai duomenys turi būti vertinami. 2008, vardu Amerikos Neurogastroenterology ir judrumas draugijos ir branduolinės medicinos draugija, mokslininkai iš 13 JAV gydymo įstaigos kartu paskelbė bendrą pareiškimą dėl standartizavimo GES visoje institucijų [4]. Be to, buvo nustatyta pagal sutarimą tarp kurių yra klausimai, kuriems reikia toliau tirti: 1) naudoti 3-h, palyginti su 2- ir 4-H rezultatų nustatymo uždelstą GE; ir 2) naudojimas skirtingais laiko momentais (2- ir 4-H), palyginti su pavienių 2 arba 4-h vertes tolesnio supratimo klinikinės reikšmės prieštaringi rezultatai tarp 2- ir 4-H nuskaito.
metodika naudojant skirtingų diagnostikos žymekliai kad aptikti ligas arba įvertinti sveikatos susijusią riziką buvo aktyvus mokslinių tyrimų srityje [9-11]. Su Sparti genomo ir proteominius technologijas, dėmesys žymenų pagrindu ligos aptikimo ir rizikos vertinimo perėjo iš vieno biologinis žymuo iki biologinių žymenų skydelyje, nes skirtingi žymenys gali būti jautrūs įvairių aspektų ligos [12]. Jis teigė, kad, palyginti su vienu klinikiniu arba genetinio žymens, iš kelių markerių panelė gali būti aukštesnio lygio diskriminacinio informacija, ypač per didelių nevienalyčių pacientų grupėms ir sudėtingų daugiapakopių ligų. Tai svarbu, nes naudojant kelių žymekliai vienu metu gali sukelti naują diagnostikos priemonė su aukštojo jautrumo [11].
Kai daug žymekliai yra tęstinis ir paprastai platinami, Fišerio LEPA teikia geriausią tiesinę kombinaciją, maksimizuoja jautrumą per visą specifiškumo diapazonas vienodai pagal daugiamatis normalaus skirstinio modelį [11]. Kai žymeklis vertės nukrypsta nuo normalaus, dėžutėje-Cox galios transformacija gali būti panaudota siekiant pagerinti įprastą tinka [13]. Šis metodas buvo nustatyta efektyvi vertinant AUC ir ROC kreives, jei pagrindinių tiesa paskirstymo, arba ant originalas arba ant transformuota mastu, yra arti daugiamatis normalus [11]. Priešingu atveju, rangas remiantis platinimas be požiūris gali būti taikomas. Teorinės aspektai geriausią tiesinę Derinys, skirtas biomarkeriai yra gerai žinoma, [[9, 11, 14-19], ir [20]]. Fišerio LEPA yra lengviau apskaičiuoti, o DF požiūris yra labiau atsparus nukrypimas nuo normaliojo pasiskirstymo, bet skaičiavimais pernelyg jei daugiau nei du žymenys yra susiję [19]. Mes naudojome parametrų įverčius iš LDA kaip atspirties taškas tinklo paiešką su DF, jei žymeklis erdvė peržengia dvišalės. Krepšelis modelis, kita vertus, yra dar vienas požiūris į optimizuoti diagnostikos energiją, kai žymekliai yra multi-dimensional [21-23]. O ne kurti naują diagnostinį priemonę kaip LDA ar DF, KREPŠELIS naudoja eilės procesą identifikuoti Predictor kintamųjų rinkinį, į jų pradinę mastu, kuris geriausiai atskirti grupes tarp baigties kintamojo interesus. Tai ypač naudinga, kai yra daugybė prognozavimo kintamieji, kurie labai susiję. Tai skaičiavimais mažiau intensyvi ir lengva interpretuoti, bet gali būti nestabilus, jei modelis yra nepakankamai apmokyti su ribotais duomenimis.
Dauguma ankstesni tyrimai sutelkti dėmesį į kylančių geriausias derinys žymekliais, kad maksimizuoja AUC dalykų, kurių ligos statusas buvo žinoma [11 , 14-20]. Neaišku, jei diagnostikos galia tokio derinio apima gyventojų su žinomais žymeklis vertėms, tačiau nežinomos ligos statuso arba gyventojų, kurių žymeklis vertės nėra naudojamos kylančių diagnostinius parametrus. Su standartine valgio (žr Medžiagos ir metodai) ir valandinį Ges technika (penki 2 minučių vaizdo sesijas) per 4 valandų laikotarpį, mažiau kamera laiko reikia, o rezultatai gali būti atkuriamas iš ligoninės į ligoninę. Šiame dokumente vertina statistinius variantų, kad optimizuoti diagnostikos galia su GES priemones keletą laiko momentais. Naudojant pagrindinį klinikinį įvertinimą, nustatytą simptomų, tokių kaip pykinimas, vėmimas, ankstyvas sotumo, po valgio pilnatvę, pilvo diskomfortas, ir skausmo, be to, įrodymų uždelstą skrandžio ištuštinimą į mechaninį skrandžio išleidimo obstrukcija nėra, kaip tikrojo statuso gastroparezę šis tyrimas dėmesys skiriamas rasti apie geriausias tiesinės kombinacijos GES skirtingais laiko momentais su mokymo duomenų parametrus, tada, tiria ir kryžminio patvirtina savo pasirodymą bandymo duomenų, kad nebuvo naudojamas išvedant modelį.
metodai
apie ROC kreivė kreivė (ROC) ir plotas po kreive, visų pirma yra paprastas ir prasmingas priemonė įvertinti diagnostikos persekiotoją (-ų) [10] naudingumą. Per šį popieriaus, ROC ir AUC yra naudojami palyginti skirtingų metodų ir įvairių modelių už geriausią diagnostikos galios gastroparezę. , Klaidingai teigiamų ir klaidingų neigiamų diagnozių per visą bandinio suma buvo naudojamas kontrastas diagnostikos galią tarp LDA, DF ir KREPŠELĮ per JackKnife (imtis vienas iš) kryžminio patvirtinimo.
Fisher linijiniai diskriminantinis metodą (LEPA)
Tegul W
<sub>ij
atstovauja i
<sup>-asis pervežimas žymeklio vertės j
-asis
sergančio grupės klausimu; ir prieš
IK
būti i
-asis pervežimas žymeklio vertės k
-asis pervežimas kontrolinės grupės klausimu; kur aš
= 1, ..., p; j
= 1, ..., m; ir K
= 1, ..., n.
Tarkime X ir Y yra vektorius žymėtųjų vertybes daugiamatis normaliojo pasiskirstymo už sergančių ir kontrolinės grupių atitinkamai, tada (1) Koeficientas vektorius, α
p × 1, už geriausią tiesinės kombinacijos Kombinuotosios žymeklio vektorių iš sergančių ir kontrolinės grupių pagal ROC kriterijų: (2) AUC ROC kreive yra: (3) Tais atvejais, kai Φ žymi standartinio kaupiamasis . normalusis skirstinys funkcija
specifiškumą (F dalis (c)) ir jautrumas (H dalis (c)), yra: (4) (5) Reitingas remiantis pasiskirstymas Nemokama požiūris (DF)
pagal rangas remiantis paskirstymo nemokamai požiūrį [19], AUC gali būti apskaičiuojamas kaip Mann-Whitney U statistikos [24]: (6) Pastaba, nuolat paskirstymo Pr (aš
= 1/2) = 0.
Kai W
ij
yra i
-asis žymeklio vertės j
-oji tema sergančio grupės; prieš
IK
yra i
-asis žymeklio vertės k
-oji tema kontrolinės grupės; i, j, k, m
, ir n
, kaip apibrėžta ankstesniame skyriuje; AUC
(α
) yra plotas po paskirstant nemokamai požiūrio optimalaus koeficientas vektoriaus (alfa) kreivė. Nuo ROC yra invarijantiška monotoniška vis transformaciją, koeficiento vektorinės α
tiek LDA ir DF metodai gali būti susiejamos taip (1, β 2 /β 1, β 3 /β 1, ... β i /β 1), kur β i /β 1 reprezentuoja i
svorį -asis žymeklis vertė, palyginti su Marker 1 [19].
Klasifikavimas ir Regresinė Medžiai (KREPŠELIS) ​​Modelis
Skirtingai LDA ar DF, KREPŠELIS metodika identifikuoja prognostinius rinkinį iš visų kintamųjų, kurie geriausiai diferencijuoja klases palūkanų rezultatais eilės procese. Kiekviename etape (mazgo), CART algoritmas pirmiausia nustato geriausią prognozuoti iš visų kandidačių kintamųjų ir tada ieško per visus vertes geriausia prognozuoti, tačiau naudoja tik vieną lizdu į mėginį per mazgą padalinti į dvi šakas. Tada jis ieško per visus Predictor kintamųjų ir nustato geriausią lizdu iš geriausių prognozuoti kiekvienos apendiksu ir kartoja procesą, kol bus įvykdyti tam tikri kriterijai, pavyzdžiui, minimalus dispersija arba minimalaus grupės dydį, visų terminalo mazgų. Kiekviename mazge KREPŠELIS siekia klasifikuoti mėginį į grupes taip, kad būtų pasiektas maksimalus homogeniškumas Vaiko mazgų. Pasiekus terminalas mazgas, modelis suteikia priklausymo tam tikros kategorijos visų likusių dalykų, kurie patenka į tą mazgą tikimybę. Praktikoje, minimalus mazgas dydis yra paprastai nustatytas 10% mokymosi mėginio, kad būtų išvengta gali būti daugiau nei montavimo modelį, pavyzdžiui, kad galutinis sprendimas medis yra labiau tikėtina, kad būti naudinga klasifikavimo populiacijas, turinčių panašias savybes, kaip ir mokymosi mėginio bet buvo nenaudojamas išvesti į krepšelį modelį. Skirtingai LDA požiūrio, KREPŠELIS gali būti ypač naudinga, kai koreliacijos įpročius Predictor kintamųjų nėra nuoseklūs per visą spektrą, nes tai nėra būtina, tas pats kintamasis turi būti optimalus visų filialų mazgai visą medį [22].
Parametras įvertinimas
dėl LDA požiūrio, mes parašė SAS /IML programą [25] skaičiuojant vidurkį (m), dispersijos (-ų) sergančių ir kontrolinės grupės, o visi parametrų įverčiai yra aprašyti metodo skyrius. Pirma, koeficientas vektoriaus α
, AUC tiesinės kombinacijos, taip pat, kaip ir atskirus žymenų, buvo gautas su lygtis (2) ir (3) iš mokymo duomenų. Tada, koeficientas α
buvo taikomas į atitinkamas bandymų duomenis, kad gautų linijinį derinys rezultatą. Trys ribinės vertės, atitinkančios jautrumo lygių 0,7, 0,8, ir 0,9 tiesinės kombinuotą rezultatą buvo gauti su gastroparezę duomenų naudojant lygtį (5). Kiekvienas ribinė vertė buvo naudojami ant paliktas duomenų klasifikuoti bylą į vieną sergančio ar ne sergančio grupės. Prognozuojama statusas buvo kryžminiu lentelėse su žinomu ligos kategorijas.
DF požiūris prasidėjo savavališkai atspirties taškas ir tada tinklelis ieškoma koeficientų, kuri geriausiai Mann-Whitney U statistika su mokymo duomenų šiuos veiksmus.
1) tiesinė kombinacija balus dėl kiekvieno stebėjimo metu buvo gauta padauginus žymeklis vektoriaus X su pradinės koeficientas vektorių, α
(1, α
).
2) AUC, atitinkantis koeficientas vektorius α
skaičiuojamas lygtį (6).
3) Pakartokite pirmus du veiksmus visų galimų koeficientas vektoriaus ir kaupti atitinkamą AUC ir alfa
.
4) Pasirinkite koeficientą, maksimaliai AUC ir nustatyti ypatingos svarbos tiesinę kombinaciją rezultatą vertės 0,7, 0,8 ir 0,9 jautrumo lygiais.
5) taikant koeficientą nuo 4 žingsnio į bandymų duomenis, kad gautų geriausią tiesinę kombinaciją rezultatą.
6) Naudokite kiekvienas kritinis vertė nuo 4 žingsnis bandymų duomenis prognozuoti kiekvieną atvejį į vieną ligoti ar ne ligoti grupės, tada kirsti tabuliuoti su žinomu ligos kategorijas.
dėl CART modelį, mes naudojome medžio paketą per R [26] aplinka už kiekvieną iš keturių valandos priemonių ir jų derinys kartu su paciento amžių ir lytį nustatyti geriausią modelį. Kryžminis patvirtinimas su minimalaus dydžio 10 dalykų kiekvieno terminalo mazgas buvo optimizuoti sprendimų medį modelį, naudojant visas pastabas [27]. AUC kiekvieno optimizuotas sprendimų medį buvo apskaičiuojamas palyginti visose modeliuose. Tada vienas pastebėjimas buvo paimtas iš visos imties, o likę dalykai naudojamos sukurti sprendimų medį, kuris, savo ruožtu, buvo naudojamas prognozuoti ligos statusą paliktas stebėjimui. Veiklos kiekvienam sprendimų medį buvo apibendrinti visų neteisingų prognozių visame mėginyje.
Gastroparezę duomenys
320 diagramas viso nuo metų amžiaus pacientams, 16 ~ 89 (42,8 ± 14,3 (vidurkis ± STD)), 255 (79%) moterų, su GES priemones 1 h, 2 h, 3 h ir 4 h po standartinio valgio, naudojant standartizuotą metodą (5) buvo retrospektyviai surinkta Kanzaso medicinos centro universiteto (KUMC). Tyrimo protokolas buvo patvirtintas institucinės priežiūros valdyba (IRB) ne KUMC. GES matavimo metu miltų frakcija suvartojama ir laikas, vartojimo buvo įrašyta. Asmenims, kuriems buvo neįprastas proc valgio suvartoti (pvz < 20% miltus) /vartojimas laikas (pvz > 30 minučių) buvo pašalinti. Visi pacientai buvo arba nurodytos su įtariamu gastroparezę ar tiriami dėl kitų priežasčių, nes savarankiškai pranešė simptomų, tokių kaip pykinimas, pilnumo, ankstyvo sotumo, vėmimas, pilvo pūtimas ir. Remiantis bendrą vertinimą, be to valandinio GES priemones, studijų gydytojai diagnozavo 197 (62%) iš 320 pacientų, sergančių gastroparezę kaip pagrindinė priežastis, dėl pirmiau minėtų klinikinių simptomų ir jų apsilankymų ligoninėje. Nepaisant panašių medicinos patirtimi, išskyrus gastroparezę ligos buvo laikomi pirminių diagnozių dėl likusių 123 pacientų. Nėra didelio skirtumo, amžiaus vidurkis (p = 0,12, T-testas) ir lyties (p = 0,99, pagal χ 2 testas) buvo rasta tarp grupių su ir be gastroparezę. Kiekvienam pacientui, skrandžio išsituštinimo scintigrafija buvo atliktas rytą po to, kai per naktį greitai su prokinetics nutraukiamas mažiausiai 3 dienas. Standartizuotas metodas skrandžio ištuštinimo susideda iš dviejų kiaušinienės (kiaušinių pakaitalų), pažymėto ekvivalento 99mTc sieros koloidų, 2 vnt skrudinta duona su želė ir 4 uncijos vandens, iš viso kaloringumą 255 kcal. Priekinė ir užpakalinė vaizdai skrandyje buvo imtasi iš karto po valgio, tada valandinis 4 valandas [28].
Rezultatai
Per pakartotinį matavimą skrandžio išsituštinimą, proc išskaitymai iš AT 1-h skrandžio izotopo, 2-h, 3-h, ir 4-h po valgio sumažėjo su laiku ir buvo labai koreliuoja, ypač vyrų ir pacientams, sergantiems gastroparezę. Šķēpnesis koreliacijos koeficientas svyruoja nuo 0,34 (p < 0,001) tarp 1-h ir 4-h pacientams, kuriems nepasireiškia gastroparezę iki 0,93 (p < 0,001) tarp 3-h ir 4-h pacientams, sergantiems gastroparezę. Apskritai, į saugojimo proc platinimas nukrypo nuo normalaus, su pirmaisiais dviem valandinių verčių iškreipimo link pigesnių, o antrasis dvi valandas iškreipimo link aukštojo pabaigoje (1 paveikslas). 1 pav procentų skrandžio susilaikymas ne 1-h, 2-h, 3-h ir 4-h po valgio už teismo (žalias) vs kontrolės (pilkos spalvos). 1-H-C, 2-H-c, 3-H-C, 4-H-C reiškia procentų skrandžio ištuštinimo (Ge) AT 1-h, 2-h, 3-h, ir 4-h po valgio pacientams, kuriems diagnozuotas gastroparezę; Ūsas yra 70% interkvartilinis spektrą.
Diagnostikos įgaliojimus LEPA ir DF požiūris
valandiniams priemones 3 h 4 h buvo pranešta anksčiau kaip turintis geriausią diagnostikos įrankį, mes kontrastuoja savo geriausią tiesinę kombinaciją tiek LDA ( 2 paveikslas) ir DF metodai (1 lentelė). Pirma, mes apskaičiuota AUC dviejų matavimų, kartu su optimaliu koeficiento jų geriausia tiesinės kombinacijos ir ribinių verčių tiesinės derinys balas 0,7, 0,8 ir 0,9 jautrumo lygiai tiek LDA ir DF metodų visi, bet 1 iš 320 subjektai. Optimalus koeficientas, kartu su trimis ribines vertes tada buvo taikomas į kairę iš subjekto. Lyginant ribines vertes su apskaičiuota tiesinis derinys rezultatas, užfiksuotas prognozuojama gastroparetic statusas kairėje Išregistruotas. Klaidingai neigiamų bei klaidingai teigiamų normos buvo gautas kartojant JackKnife procesą visų 320 tiriamųjų. Tada, buvo taikomas langelis-Cox galia transformacija ir tas pats analizė buvo pakartota transformuotų duomenų. 2 pav Gavėjo Veiklos apibūdinimas (ROC) kreivė valandinis proc paliekamos 2-h, 3-h, 4-h, o jų geriausias linijinis derinys. Plotas po kreive (AUC) padidėjo nuo 2-h 4-h ir maksimaliai geriausią tiesinės kombinacijos visų trijų valandinių matavimų
1 lentelė Parametras įverčiai. (Plotas po kreive (AUC) ir koeficiento geriausia tiesinės kombinacijos ) su Fišerio Linear Diskriminantinis analizė (LEPA) ir paskirstymo Nemokama (DF) požiūrių

4 val
3 val
Linijinis derinys DF
Linear kartu LEPA

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
Pastaba: Žalias stendai AUC matavimo originalo mastu;
Tran atstovauja AUC matavimo transformuota mastu;
α yra koeficientas už geriausią tiesinės kombinacijos matavimui 3 h po valgio
geriausią linijinė. deriniai dviejų valandos priemonių padidino diagnostikos galią jos atskirų sudedamųjų dalių tiek požiūrių (2 lentelė), tačiau pelnas buvo ribojamas, 3,9% už DF, ir 0,4% už LDA požiūrio. Kaip ir tikėtasi, dėžutė-Cox galios transformacija atskirų žymenų pagerino diagnostikos galią geriausia tiesinės kartu su LEPA požiūrio 4,7% nei žalio measures.Table 2 klaidinga klasifikatorius (%) su JackKnife kryžminio patvirtinimo Fisher linijiniai diskriminantinis analizė (LEPA) ir platinimas Nemokama (DF) metodus
kriterijai
3- h DF
4 val DF
Linijinis derinys DF
Linijinis derinys LEPA
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%)
0.9
60 (48,8%)
21 (10,7%)
27 (21,9%)
23 (11,7%)
28 (22,8%)
20 (10,2%)
27 (22.0%)
22 (11,2%)
Pastaba:: modelis prognozavo ligos statusą (1 už Taip, 0 ne);
Y
: diagnozuota liga statusas (1, taip, 0 ne)
su pirminiais duomenimis, į sumą klaidingų teigiamų ir klaidingų neigiamų kursų skirtumus geriausią. linijiniai deriniai buvo 0,2%, 1,6%, ir -6,5% tarp DF ir LDA priėjimus 0,7, 0,8, ir 0,9 jautrumo lygiais. Nors klaidingi neigiami rodikliai pagal LEPA požiūrį parodė didelį nukrypimą nuo to, kuris atitinka iš anksto nustatytus ribinius lygius (≤3.0%), ir tie, kuriuos DF požiūris yra gana arti (≤ ± 0,2%).
Duomenų transformacija pagerino diagnostikos galią iš geriausių linijinių derinių tiek LEPA ir DF metodus, sumažinant klaidingų neigiamų ir klaidingai teigiamų rodiklių suma. Sumažinimas 2,2%, 2,8%, 13,8%, o -0.9%, -1,1%, 20,1%, kai DF ir LEPA metodų, atitinkamai. Įdomu tai, kad didžiausias pagerėjimas diagnostikos galia yra aukštesnio lygio jautrumo abiem būdais.
Diagnostikos įgaliojimais krepšelis požiūris
Septynių Sprendimų medis modelių, įskaitant visą modelio (4 valandos matavimų kartu su paciento amžiaus), į 2-h ir 4-h, 3-h ir 4-h deriniai, kartu su kiekvienos valandos priemones, buvo optimizuotas per medžių genėjimas su minimalaus dydžio galutinį mazgas 10 dalykų [26]. Visiems vieno laiko momentą, modelių, proc sulaikymo 4-h turi didžiausią AUC 0,865, o po to 3-h, 2-h, ir 1-h, atitinkamai (3 lentelė). Klaidingos diagnozės sprendimu medžio modelį su 4-h greitis yra 14,4% (28 iš 123 pacientų be gastroparezę, o 18 iš 197 tiems, kurie su gastroparezę), mažiau nei pusė iš tų, kurie bus neteisingai diagnozavo 1- h 2-h taškai ir 37% ((73-46) /73) mažiau nei tuo -AT 3 val. Įskaitant 2-H arba 3-h kartu su 4-h su sprendimų medį nepadidino teisingų diagnozių skaičius per naudojant tik 4-H kaip nurodyta Surenkamas dvigubai kryžminio patvirtinimo. Jie skiriasi nuo gautų rezultatų iš LDA ir DF metodų, kuriame linijinis derinys 3-h ir 4-h parodė nežymų pagerėjimą per naudojant tik 4-H. Tačiau sprendimų medis modelis su atskirai 4-h arba jo kartu su 2-h arba 3-h nepatyrė diagnostikos įrankis, palyginti su analogiškų modelių nustatytas arba su LEPA ar DF ​​požiūrio, neatsižvelgiant į duomenų transformacija. Krepšelis modelis naudojant visus keturis valandinis GES priemones kartu su paciento amžių, buvo labai įdomu. Už skrandžio turinio susilaikymo >kriterijus; 10%, esant 4-h ir < 53% nuo 2-H, pacientams, > 47.5 metų amžiaus buvo beveik 2 kartus mažiau tikėtina, kad turi gastroparezę (tikimybė = 0,44), kaip tie, su amžiumi < 47.5 (tikimybė = 0,85) .table 3 Klaidingi klasifikatorius (%) su JackKnife kryžminio patvirtinimas optimizuotas klasifikavimo ir regresijos medis (KREPŠELIS) ​​modeliai
tipas klaidingi

1-h
2-h
3 val
4 val

2-h + 4 val
3-h + 4 val
4-h + 3 h + 2 h + 1 h + Amžius

76 (61,8%)
28 (22,8%)
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%)
viso Klaidinga
100 (31,3%)
97 (30,3%)
73 (22,8%)
46 (14,4 %)
46 (14,4%)
46 (14,4%)
44 (13,8%)
AUC Optimizuotas Modelis
0.724 pervežimas 0.753 pervežimas 0,825 pervežimas 0.867
0,865
0,858
0,881
Pastaba:: modelis prognozavo ligos statusą (1, Taip, 0 ne);
y
: diagnozuota liga statusą (1, Taip, 0 ne ).
Diskusijos
Linijinis derinius diagnostikos žymekliai gautų LDA ar DF ​​požiūris paprastai lemia didesnes diskriminuoti įgaliojimų (didesni AUC) nei su jos atskirų sudedamųjų dalių. Modeliavimo tyrimais (rezultatai nerodo čia) nurodė, kad stipresnis ryšys tarp atskirų žymenų, tuo mažesnis AUC padidėjo jų tiesinės kombinacijos. Galimas pelnas diagnostikos galia, tačiau mažėja, kai tarp atskirų žymenų koreliacijos padidės iki 0,7 ir aukščiau. Iš naudojant tiesinę kombinaciją veiksmingumas mažėja į dydžio disproporciją kovariacijų matricų tarp sergančių ir kontrolinės grupės padidėjimą.
Mažos imtys gali sukelti didelius variacijos optimalių koeficientų už geriausią tiesinės kombinacijos ir atitinkamos AUC, ypač už LEPA požiūris. Kaip imties dydis didėja, optimalių koeficientų ir AUC LDA ar DF ​​metodų gali arba negali priartėti vienas kitą, priklausomai nuo atskirų žymenų platinimo.
Persekiotoją vertes normalios
Kai žymeklis vertybės yra daugiamatis normali, sąmatas LEPA požiūris yra labai artima DF metodo požiūriu AUC, optimalių koeficientų ir diagnostikos galios kaip nurodyta modeliavimas. Su normaliojo pasiskirstymo ir tinkamą imties dydis, pirmieji du momentai užfiksuoti žymeklio vietą ir masto parametrą su mažais variacijos. Tokiais atvejais, LDA požiūris turi taupyti skaičiavimo laiką (daugiau kaip 100 kartus mažiau), be kančios prognozavimo galia nei DF požiūrio pranašumą. Nepaisant to, LEPA negali aplenkti DF tol, kol paieška tinklelis optimaliai koeficiento DF yra taško sąmatą LDA. Kitaip tariant, senaties su DF yra skaičiavimo, o ne metodika.
Žymeklio vertės nėra normalu
Kai žymeklis vertės nukrypti nuo normaliojo pasiskirstymo atveju DF požiūris visada veda į aukštąsias AUC už geriausią tiesinės kombinacijos Jei paieškos tinklelis optimalių koeficientų yra pakankamai gerai. Vyną žemesnei kategorijai, spektaklis su LEPA požiūris yra tiesioginis rezultatas naudojant priemones, kurios yra šališkas, nes anomalijų. Eksponentinis pasiskirstymas, pavyzdžiui, paprastai turi aukštą uodega su aukšto laipsnio pakrypusius, todėl vidutinį su teigiamu šališkumo. Kaip pasekmė, dėl žymenų dispersijos yra išpūstas ir AUC yra linkęs būti mažesnis. Dar svarbiau, kad geriausias linijinis mišinys, gaunamas su LEPA požiūris linkęs pervertinti klaidingą neigiamą greitį ir nuvertinti klaidingą teigiamą kursą mažesnę jautrumo lygį (2 lentelė), ir tai visiškai priešingai tuo didesnės jautrumo lygiu. Priešingai, geriausias linijinis derinys DF požiūris yra mažiau veikiami ekstremalių reikšmių ir paprastai turi didesnį diagnostinį galią išlaikant anksto jautrumo lygius. Tai svarbu, nes, iš tikrųjų, fiksuotas klaidingai neigiamų norma sudaro kritinės ribos tolerancijos diagnostikos medicinos. Už tokį ribos, nuostolio ir naudos santykį akcijų padidintų arba, bent jau diagnostikos sprendimas yra mažiau ekonomiškai efektyvios.
Duomenų transformacijos pervežimas Efektyvus duomenų transformacijos poveikį pagerina normalus tinka ir taip parametrų įvertinimui, LEPA požiūris, bet ar šis pagerėjimas laikys naujų duomenų, kurie yra ne prie parametro įvertinimo lieka neaiškus. Kryžminis patvirtinimas su gastroparezę duomenimis nustatyta, kad elektros energijos transformacija AUC ir stabilizavosi parametrų įverčius mokymo rinkinius, ir kad tokie pasiekimai išversti į didesnį diagnostinį galios bandymų rinkiniai (2 lentelė). Duomenų transformacija uždarė diagnostikos galios atotrūkis tarp geriausių linijinių derinius LEPA ir DF artėja su klinikiniais duomenimis. Įdomu tai, kad DF požiūris parodė pastovią pagerėjimą transformacija visose jautrumo lygių 0,7, 0,8 ir 0,9. Ši tendencija su LEPA požiūris nėra toks aiškus. Viena iš priežasčių gali būti procentas skrandžio išskaitymai vertinami 3 h 4 h yra toks iškreiptas, kad galios transformacija neužtenka įdėti matavimus beveik normaliojo skirstinio.
Optimizavimas diagnostikos galią GES priemones su CART modelio</sup></sub>