Optimalizácia diagnostický výkon pri vyprázdňovaní žalúdka scintigrafiu v rôznych časových intervaloch

Otvorená Peer Review

Tento článok má otvorený Peer správy zistiť dostupné.

Ako funguje otvorený Peer Review práce?
Optimalizácia diagnostický výkon pri vyprázdňovaní žalúdka scintigrafiu v rôznych časových intervaloch
Abstraktné
pozadia
vyprázdňovanie žalúdka scintigrafie (GES) v intervaloch po 4 hodinách po štandardizovanom rádioaktívne značenej jedlo je všeobecne považovaný za zlatý štandard pre diagnostiku gastroparézy. Cieľom tejto štúdie bolo: 1), aby vyšetrila najlepší čas bod a najlepšiu kombináciu rôznych časových intervaloch pre diagnostiku gastroparézy s opakovanými meraniami GES, a 2) na kontrast a cross-overovať Fisherov Lineárne Diskriminačné analýza (LDA), hodnosť založená distribúcia zadarmo (DF) prístupu a (CART) model Klasifikácia a regresné strom.
Metódy
celkom 320 pacientov s GES opatrenia na 1, 2, 3 a 4 hodinovom (h) po štandard jedlo s použitím štandardnej metódy boli dodatočne zhromaždené. Plocha pod charakteristika (ROC) krivky Receiver Operating a miera falošné klasifikácia cez kudla krížovej validácie boli pre porovnanie použitého modelu.
Výsledky
Vzhľadom k silnej korelácii a abnormality v oblasti distribúcie dát, bez podstatného zlepšenia diagnostiky výkon bol nájdený s najlepšími lineárnej kombinácie podľa LDA prístupu aj s transformáciou dát. Metódou DF, lineárne kombinácie 4-H a 3-h zvýšila plocha pod krivkou (AUC) a zníženie počtu falošných klasifikáciou (0,87; 15,0%) v priebehu jednotlivých časových bodoch (0,83, 0,82; 15,6%, 25,3 %, pre 4-h a 3-h, v tomto poradí) na vyššej úrovni citlivosti (citlivosť = 0,9). Model CART pomocou 4 hodinových GES merania spolu s vekom pacienta bol čo najpresnejší diagnostický nástroj (AUC = 0,88, false klasifikácia = 13,8%). Pacienti majú 4-H žalúdočné retenčné hodnota >. 10% bolo 5 krát vyššia pravdepodobnosť, že gastroparézy (179/207 = 86,5%) než s ≤ 10% (18/113 = 15,9%)
Závery
s zmiešané skupiny pacientov buď len s podozrením na gastroparesu alebo skúmaného z iných dôvodov, model CART je robustnejšia než prístupy LDA a DF, schopný pojať účinky týchto premenných a je možné zovšeobecniť aj pre krížové inštitucionálne aplikácie, ale môže byť nestabilné, ak veľkosť vzorky je obmedzený.
pozadí
vyprázdňovania žalúdka scintigrafia v intervale viac ako 4 hodiny po štandardizovaného jedla sa všeobecne považuje za zlatý štandard pre meranie času vyprázdňovanie žalúdka. V praxi, zjednodušenej hodinové meranie zvyškových žalúdočného obsahu sa používa k diagnostike gastroparézy definovaný ako oneskorené vyprázdňovanie žalúdka (GE) v neprítomnosti mechanického obštrukcie [1, 2]. Technika opatrenia rádioaktívne označenej zostáva v žalúdku, v hodinových intervaloch po pacienta potraviny požije štandardizovaného jedla [3] ako ukazovateľ oneskorené GE. Vzhľadom na rozdiely v potravinách používaných techník, používaných, a koncových bodov meranej s GES, analýzu a interpretáciu výsledkov sa líšia medzi inštitúciami [4]. Väčšina predchádzajúce štúdie ukázali, že oneskorené vyprázdňovanie žalúdka môže byť najlepšie indikovaná žalúdočnej retencie > 10% na 4- hodiny po jedle, ktorá vznikla ako 95. percentil v žalúdočnej retencie s zdravých dobrovoľníkov pomocou multicentrickej štúdii [5, 6] , Ako vždy, distribúcia založená na diagnostická rozhodnutie je rozhodujúca a môže nevyhnutne vyvolať chybu, pretože chybné klasifikácie. Uvádza sa, že zjednodušený prístup má špecifickosť 62% a citlivosť 93% [7]. Iní používajú percento retencie pri 2-H ako rutinné klinické merania [8] GES, čo naznačuje GES na 2-h alebo 3-H by mohlo byť najlepší individuálny časový bod s vyšším diagnostickým výkonom. Avšak percent žalúdočné zrážky v rôznych časových bodoch môže byť tiež predmetom veku a pohlavia pacienta [5]. Nedostatok štandardizácie v prevedení GES spolu s rozdielmi v kvantitatívnej analýzy používaných v rôznych inštitúciách môžu obmedziť klinickú užitočnosť testu, a predstavuje problémy, ak je potrebné vyhodnotiť priečne inštitucionálnej dát. V roku 2008 menom amerického Neurogastroenterology a pohyblivosti spoločnosti a Spoločnosti nukleárnej medicíny, vedci z 13. Americké zdravotnícke inštitúcie spoločne vydal vyhlásenie konsenzus pre štandardizáciu GES naprieč inštitúcií [4]. Okrem toho problémy, ktoré vyžadujú ďalší výskum boli identifikované na základe zhody, ktoré zahŕňajú: 1) použitie 3-h v porovnaní s 2- a 4-H výsledkov detekcie oneskorených GE; a 2) Využívanie rôznych časových intervaloch (2- a 4-H) v porovnaní jednotlivých 2- alebo 4-hodinových hodnôt pre ďalšie pochopenie klinického významu nesúhlasných výsledkov medzi 2- a 4-H skenovanie.
Metodika k používaniu rôzne diagnostické markery pre odhaľovanie chorôb alebo vyhodnocovať súvisiace zdravotné riziká bol aktívne pole výskumu [9-11]. Vzhľadom na rýchly pokrok v genomických a proteomických technológií so zameraním na detekciu ochorenia biomarkerov báze a hodnotenie rizika sa teraz presunula z jedného biomarkeru na paneli biomarkerov pretože rôzne znaky môžu byť citlivé na rôzne aspekty choroby [12]. Tvrdí sa, že v porovnaní s jedným klinickým prejavom alebo genetický marker, panel viac značiek môže obsahovať vyššiu úroveň diskriminačné informácií, najmä v prípade veľkých skupín heterogénnych pacientov a pre komplexné viacstupňové ochorenie. To je dôležité preto, že použitie viacerých značiek naraz by mohlo viesť k nové diagnostické opatrenia s vyššou citlivosťou [11].
Pri viac markery sú spojité a normálne distribuovaný, Fisherov LDA poskytuje najlepšie lineárny kombinácia, ktorá maximalizuje citlivosť v celom rozsahu špecifickosti jednotne v rámci viacrozmerné normálne distribučného modelu [11]. Keď hodnoty markerov sa odchyľujú od normálu, sila transformácie Box-Cox môžu byť použité pre zlepšenie bežné nosenie [13]. Tento prístup bol nájdený účinný pri odhadovaní krivky AUC a ROC, ak podkladové pravých distribúciou, a to buď v origináli alebo v transformovanom meradle, sú v blízkosti viacrozmerného normálneho [11]. V opačnom prípade pozície založená distribúcie voľný prístup môže byť aplikovaný. Teoretické aspekty najlepšie lineárne kombinácie biomarkerov sú tiež hlásené [[9, 11, 14 až 19] a [20]]. Fisherov LDA je ľahšie vypočítať, zatiaľ čo prístup DF je robustný, aby odchýlky od normálneho rozdelenia, ale je výpočtovo neprimerane vysoká, pokiaľ sa jedná o viac ako dva markery [19]. Použili sme odhady parametrov zo LDA ako východiskový bod pre hľadanie mriežky s DF Ak ukazovateľ plocha presahuje bilaterálne. Model CART, na druhej strane, poskytuje iný prístup k optimalizácii diagnostické výkon, keď markery sú multidimenzionálne [21 až 23]. Skôr ako vytvárať nové diagnostické opatrenia, ako je LDA alebo DF, CART používa sekvenčné postup na identifikáciu súboru prognostických premenných, vo svojej pôvodnej veľkosti, ktorá najlepšie rozlíšiť skupiny medzi výstupnou premennou je predmetom záujmu. To je užitočné najmä v prípade, že je mnoho prognostických premenných, ktoré sú vysoko korelované. Je výpočtovo menej náročné a ľahko interpretovať, ale môže byť nestabilné, ak je model nedostatočne trénoval s obmedzenými údajmi.
Väčšina doterajšie štúdie sa zameriavajú na odvodenie najlepšiu kombináciu markerov, ktoré maximalizuje AUC u subjektov, ktorých zdravotný stav bol známy [11 , 14-20]. Nie je jasné, či diagnostický výkon pre také kombinácie rozširuje na populácii so známymi hodnotami markerov, ale s neznámou stavu ochorenia alebo pre obyvateľstvo, ktorého ukazovateľ hodnoty nie sú použité pre odvodenie diagnostických parametrov. So štandardizovaným jedlom (pozri Materiály a metódy) a hodinové GES techniky (päť 2 minúty zobrazovacie zasadnutie) v priebehu 4 hodín, menej času Fotoaparát je potrebný, keď môžu byť výsledky reprodukovateľné z nemocnice do nemocnice. Tento dokument vyhodnocuje štatistické voľby, ktoré optimalizujú diagnostický výkon s GES opatrenia v niekoľkých časových bodoch. Pomocou primárneho klinickú diagnózu, definovanej príznaky, ako je nevoľnosť, vracanie, skoré sýtosti, postprandiálnu plnosti, bolesti brucha a bolesti, okrem dokladov o oneskorené vyprázdňovanie žalúdka v neprítomnosti mechanického žalúdočné obštrukcie výtoku, ako skutočný stav gastroparézy táto štúdia sa zameriava na zistenie parametrov najlepšie lineárna kombinácia GES v rôznych časových bodoch s tréningových dát, teda vyšetruje a cross-potvrdzuje svoj výkon v testovacie dáta, ktorá nebola použitá pre odvodenie modelu.
metódy
charakteristika Prijímač Prevádzkové (ROC) a plocha pod krivkou, najmä je jednoduché a významné opatrenia na posúdenie užitočnosti diagnostického markeru (ov) [10]. V celom tomto dokumente, ROC a AUC sú použité pre porovnanie v rôznych metód a rôznych modelov pre najlepší diagnostické sily gastroparézy. Súčet falošne pozitívnych a falošne negatívnych diagnóz po celej vzorky bola použitá na zväčšenie kontrastu diagnostického silu medzi LDA, DF a CART cez kudla (vziať jednu out) krížové overenie.
Fisherovho lineárny diskriminačný prístup (LDA)
Pozrime w
<sub>ij
predstavuje aj
<sup>th
markerov hodnote j
th
objekt v skupine chorých; a v
ik
byť aj
th
markerov hodnote K
th
subjektu v kontrolnej skupine; kde aj
= 1, ..., p; j
= 1, ..., m; a k
= 1, ..., n.
Predpokladajme, že X a Y sú vektory hodnôt markerov s viacrozmerného normálneho rozdelenia pre chorých a kontrolnou skupinou v tomto poradí, a potom (1) Koeficient vektora α
p x 1, pre najlepšie lineárne kombinácie kombinovanej markerového vektora z chorých a kontrolných skupín podľa kritérií ROC je: (2) AUC pod ROC krivkou je: (3) v prípade, Φ označuje štandardné kumulatívne . normálne distribučné funkcie
špecifickosti (F a (c)) a citlivosť (H a (c)) sú: (4) (5) Pozícia založená distribúcie zdarma prístup (DF)
v rámci distribúcie na báze voľného prístupu rank [19], je AUC môže vypočítať ako štatistiky Mann-Whitney u [24]: (6) Poznámka, pre kontinuálne distribúciu, Pr (I
= 1/2) = 0.
v prípade, w
ij
je aj
th markerov hodnoty pre j
teho subjektu v chorého skupine; v
IK
je aj
th markerov hodnoty pre K
teho subjektu v kontrolnej skupine; i, j, k, m
, a n
, ako je definovaná v predchádzajúcej časti; AUC
(α
) je plocha pod krivkou od distribučnej voľného prístupu s optimálnym koeficientom vektora (alfa). Vzhľadom k tomu, ROC je nemenný k nerastú transformácie, koeficient vektor α
v oboch LDA a DF prístupy môžu sa prepočítavajú ako (1, β 2 /β 1, β 3 /β 1, ... β i /β 1), kde β i /β 1 predstavuje váhu pre i
th ukazovateľ hodnotu vzhľadom k fix 1 [19].
Klasifikácia a regresné stromy (CART) model
na rozdiel od LDA alebo DF, metodológie CART identifikuje množinu prediktorov zo všetkých premenných, ktoré najlepšie odlišujú triedy vo výsledku záujmu v postupnom procese. Na každom kroku (uzla), CART algoritmus najprv identifikuje najlepšie predpovedí zo všetkých kandidátskych premenných a potom prehľadá všetky hodnoty pre najlepšie prediktor, ale používa iba jeden limitná bod k delenie vzorky v rámci uzla do dvoch čiastkových vetiev. To potom prehľadá všetky prognostických premenných a identifikuje najlepšie medzné bod z najlepších prediktor na každej čiastkovej vetvy a opakuje proces, kým nie je splnené určité kritériá, ako sú minimálne odchýlky alebo minimálna veľkosť skupiny, vo všetkých koncovými uzlami. V každom uzle, CART usiluje o klasifikácii vzorky do skupín tak, aby bola dosiahnutá maximálna homogenita podriadené uzly. Keď sa dosiahne uzla terminál, model udáva pravdepodobnosť príslušnosti k určitej kategórie pre všetky zostávajúce subjekty, ktoré spadajú do tohto uzla. V praxi je minimálna veľkosť uzol je zvyčajne stanovená na 10% vzorky učenia, aby sa zabránilo potenciálne cez montáž modelu tak, aby finálna rozhodovací strom je väčšia pravdepodobnosť, že bude užitočná pre klasifikáciu populácií s podobnými vlastnosťami, ako je vzorky učenia, ale bol nepoužíva pre odvodenie modelu CART. Na rozdiel od LDA prístupu košíka môže byť obzvlášť užitočné, keď korelačný vzory medzi prediktorov nie sú konzistentné v celom rozsahu, pretože nie je nutné, aby rovnaké premenné, že je optimálny pre všetkých vetiev uzlov celý strom [22].
odhadu parametrov
pre LDA prístupu, napísal sme SAS /IML program, [25] pre výpočet strednej hodnoty (m), rozptyl (s), pre chorých a kontrolných skupín a všetky odhady parametrov sú popísané v metóde sekcie. Po prvé, koeficient vektor α
, AUC pre lineárne kombinácie, ako aj pre jednotlivé markery, bol získaný s rovnicami (2) a (3) z dát prípravy. Potom sa koeficient α
bol aplikovaný na zodpovedajúcich testovacích dát pre získanie lineárne kombinácie skóre. Tri prahové hodnoty zodpovedajúce úrovne citlivosti na 0,7, 0,8 a 0,9 pre lineárne kombinácie skóre boli získané s dátami gastroparézy použitie v rovnici (5). Každá prahová hodnota bola použitá na vynechal dát klasifikovať prípad buď do chorých alebo non-choré skupiny. Predpokladaná stav bol následne tabuľkovej so známou kategóriou ochorenia.
Prístup DF začať s ľubovoľným východiskový bod a mriežka hľadali koeficienty, ktoré maximalizujú štatistiku Mann-Whitney U s dátami prípravy v nasledujúcich krokoch.
1) lineárne kombinácia skóre pre každé pozorovanie bola získaná vynásobením značka vektor X s počiatočným koeficientom vektora α
(1, α
).
2) AUC zodpovedá koeficient vektor α
sa počíta s rovnicou (6). Sims 3) Opakujte prvé dva kroky pre každú možnú koeficient vektora a agregovať zodpovedajúce AUC a alfa
.
4) Vyberte koeficient, ktorý maximalizovaná AUC a identifikovať kritické lineárna kombinácia skóre na hodnotu 0,7, 0,8, 0,9 a úrovne citlivosti.
5) Uplatnenie koeficientu krok 4 až testovacích dát pre získanie čo najlepšieho lineárna kombinácia skóre.
6) Užitie každá kritická hodnota od kroku 4 v testovacích dát predpovedať každý prípad buď do chorá alebo non-choré skupiny, potom cez sploštiť sa známym kategóriu ochorení. Apartmán v CART modeli sme použili balík TREE vo výskume [26] prostredie pre každý zo štyroch hodinových opatrení a ich kombinácie spolu s vek a pohlavie pacienta určiť najlepší model. Cross-validation s minimálnou veľkosťou 10 predmetov pre každý koncový uzol bol použitý k optimalizácii modelu rozhodovací strom pomocou všetky pripomienky [27]. AUC pre každú optimalizovanú rozhodovacieho stromu bola vypočítaná nákupný u všetkých modelov. Potom, jeden bol zhotovený z celého vzorky, a zostávajúce predmety použitý na vytvorenie rozhodovací strom, ktorý zase bol použitý na predpovedať stav ochorenia ľavého von pozorovanie. Výkon pre každý rozhodovací strom bol zhrnutý s celkovým počtom chybných predpovedí v celej vzorke.
Gastroparézy údaje
celkom 320 grafov od pacientov vo veku od 16 ~ 89 (42,8 ± 14,3 (priemer ± STD)), 255 (79%) žena, s GES opatrenia na 1 hodinu, 2 hodiny, 3 hodiny a 4 hodiny po štandardnom jedle s použitím štandardizovanú metódu (5) boli retrospektívne zhromaždených na University of Kansas Medical Center (KUMC). Protokol štúdie bol schválený Institutional Review Board (IRB) na KUMC. Počas merania GES frakcie múky spotrebovaná a čas potrebný pre spotrebu bol zaznamenaný. Pacienti s neobvyklým percent jedlo spotrebovaný (napríklad < 20% z jedla) /Doba spotreby (napr. ≫ 30 minút) boli vylúčení. Všetci pacienti boli buď odvolával s podozrením na gastroparesu alebo skúmané z iných dôvodov, pretože samostatne hlásené príznaky, ako je nevoľnosť, plnosti, skoré sýtosti, zvracanie a nadúvanie. Na celkové hodnotenie na základe, okrem hodinových GES opatrenia, študijné lekári diagnostikovaná 197 (62%) zo 320 pacientov s gastroparézy ako primárny dôvod pre vyššie uvedených klinických príznakov a ich návštevami nemocnice. Napriek podobných lekárskych skúseností, ochorenie iné ako gastroparézy, boli považované za primárny diagnózy pre zvyšných 123 pacientov. Bolo zistené, žiadny významný rozdiel v priemernom veku (p = 0,12, t-testom) a pohlavia (p = 0,99, podľa × 2 testu) medzi skupinami sa bez gastroparesu. U každého pacienta, vyprázdňovanie žalúdka scintigrafia sa vykonáva ráno po celonočnom hladovaní s prokinetiká zastavil po dobu aspoň 3 dní. Štandardizovaná metóda pre vyprázdňovanie žalúdka sa skladá zo po dobu zodpovedajúcu dvom miešané vajíčka (vajíčko náhradný) s označením 99m síry koloidné, 2 toasty s želé a 4 oz vody v celkovej kalorickej hodnote 255 kcal. Predné a zadné obrazy žalúdka boli odobraté bezprostredne po jedle, a potom každú hodinu po dobu 4 hodín [28]. Výsledky
pri opakovanom meraní vyprázdňovanie žalúdka, percentuálne retencie izotopu v žalúdku na 1-h, 2-h, 3-h, a 4-h po jedle klesá s časom a boli vysoko korelované, a to najmä u mužov a u pacientov s gastroparézy. Spearmanův korelačný koeficient v rozmedzí od 0,34 (p 0,001) medzi 1-h a 4-H u pacientov bez gastroparézy do 0,93 (p 0,001) medzi 3-H a 4-H u pacientov s gastroparézy. Celkovo sa distribúcie v percento retencie odchýlil od normálu, s prvými dvoma hodinových hodnôt skosenie smerom k spodnému koncu, a druhý dve hodiny skosenie smerom k hornej hranici (obrázok 1). Obrázok 1 Percento žalúdočné retenčné 1-H, 2-H, 3-H, a 4-h po jedle pre prípad (zelená) versus kontrola (sivá). 1-H-C, 2-H-C, 3-H-C, 4-H-C predstavuje percentuálne vyprázdňovanie žalúdka (GE) v 1-H, 2-H, 3-H, a 4-h po jedle u pacientov s diagnózou gastroparézy; Chlp predstavuje 70% rozmedzím interkvartilný.
Diagnostické právomocí LDA a DF prístup
Hodinové opatrenia v 3-H a 4-h boli predtým označená ako má najlepšie diagnostický nástroj, sme v kontraste ich najlepšie lineárne kombinácie ako LDA ( obrázok 2) a DF prístupy (tabuľka 1). Po prvé, sme odhadli AUC u oboch meraní spolu s optimálnym koeficientu pre ich najlepšieho lineárne kombinácie a prahové hodnoty pre lineárne kombinácie skóre na 0,7, 0,8 a 0,9 úrovne citlivosti oboma LDA a DF prístupy pre všetkých, ale 1 z 320 subjekty. Optimálny koeficient, spolu s tromi prahových hodnôt bol potom aplikovaný na ľavý mimo objekt. Porovnaním prahových hodnôt s vypočítanou lineárnou kombináciu skóre, bol zaznamenaný predpokladaná gastroparetic stav pre ľavý mimo objekt. Miera falošne negatívnych a falošne pozitívneho boli získané opakovaním procesu kudla pre všetkých 320 predmetov. Potom sa sila transformácie Box-Cox bola použitá a rovnaká analýza bola opakovať pre transformovaných dát. Obrázok 2 receivera Vypínacia charakteristika (ROC) krivky pre každú hodinu sa percento retencie pri 2-H, 3-H, 4-H, a ich najlepšie lineárne kombinácie. Plocha pod krivkou (AUC) sa zvýšil z 2-H na 4-H a maximalizované s najlepšou lineárnou kombinácia všetkých troch hodinových meraniach.
Tabuľka 1 Odhady parametrov (plocha pod krivkou (AUC) a koeficientu pre najlepší lineárne kombinácie ) s Fishera lineárne diskriminačný analýza (LDA) a distribúcia zadarmo (DF) prístupov

4-h
3-h
lineárna kombinácia DF
lineárna kombinácia 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
Poznámka: Raw je skratka pre AUC pre meranie v pôvodnom meradle;
Tran predstavuje AUC pre meranie v transformovanom meradle;
α je koeficient pre najlepší lineárne kombinácia pre meranie pri 3-hodiny po jedle
najlepšie lineárne. kombinácia dvoch hodinových opatrení na zvýšenie diagnostickej silu jeho jednotlivých zložiek podľa oboch prístupov (tabuľka 2), ale zisk bol obmedzený, 3,9% pre DF, a 0,4% pre prístup LDA. Ako sa dalo očakávať, sila transformácie Box-Cox na jednotlivé značky zlepšilo diagnostický výkon o najlepší lineárny kombinácii s prístupom LDA o 4,7%, ako je surový measures.Table 2 Falošná klasifikácie (%) s kudla krížovej validácie Fishera lineárna diskriminačná analýza (LDA) a distribúcia zadarmo (DF) sa blíži
kritériá
3- h DF
4 h DF
lineárna kombinácia DF
lineárna kombinácia 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%)
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%)
Poznámka :: model predpovedá stav ochorenia (1 pre áno, 0 pre nie);
y
: diagnostikovaný stav ochorenia (1 pre áno, 0 pre nie)
S surových dát, rozdiely v súčte falošne pozitívnych a falošne negatívnych ceny za najlepší. lineárna kombinácia boli 0,2%, 1,6% a -6,5% medzi DF a LDA prístupov na úrovni citlivosti 0,7, 0,8 a 0,9. Kým falošne negatívny sadzby o prístupe LDA ukázal veľkú odchýlku od zodpovedajúcich nastavených prahových úrovní (≤3.0%), tie, ktoré prístupom DF sú relatívne blízko (≤ ± 0,2%).
Transformácia dát zlepšilo diagnostický výkon z najlepších lineárnej kombinácie ako pre LDA a DF sa blíži znížením súčet falošne negatívnych a falošne pozitívnych ceny. Zníženie sú 2,2%, 2,8%, 13,8% a 0,9%, 1,1%, 20,1% pre prístupy DF a LDA, resp. Zaujímavé je, že najväčšie zlepšenie v diagnostickom výkonu je na vyššej úrovni citlivosti pre oba prístupy.
Diagnostické sily s vozíkom prístupu,
siedmich modely rozhodovací strom, vrátane úplného modelu (4 hodinové meranie spolu s vekom pacienta) kombinácia 2-h a 4-h, 3-h a 4-h, spolu s každým hodinových opatrenia, boli optimalizované pomocou stromu-prerezávanie s minimálnou veľkosťou pre finálnu uzol 10 subjektov [26]. Pre všetky modely jednotlivých časových bodoch, sa percento retencie pri teplote 4-h má najväčší AUC 0,865, nasledovaný 3-H, 2-h, a 1-h, v danom poradí (tabuľka 3). Miera falošných diagnóz z hľadiska rozhodovací strom modelu s 4-H je 14,4% (28 z 123 pacientov bez gastroparesu a 18 z 197 pre tých, ktorí s gastroparesu), menej ako polovica z tých, ktorí by boli mylne diagnostikovaná 1- h a 2 h-body, a 37% ((73 - 46) /73), menšie ako je -Na-3 hodiny. Vrátane 2-h alebo 3-h spolu s 4-H s rozhodovací strom nezvyšoval počet správnych diagnóz cez Užívanie osamote 4-H, ako je uvedené validáciou kudla cross. Sa líši od výsledkov získaných zo LDA a DF prístupov, v ktorom je lineárna kombinácia 3-h a 4-H vykazovali mierne zlepšenie v priebehu použitia 4-H sám. Avšak, rozhodovací strom modelu s jedným 4-H samotným alebo jeho kombináciu s 2-h alebo 3-H netrpela v diagnostický nástroj v porovnaní s jeho náprotivkom modelov označených buď LDA alebo prístupu DF, bez ohľadu na to transformácie dát. Tento model CART použiť všetky štyri hodinové GES opatrenia spolu s vekom pacienta bola veľmi zaujímavá. Splnenie kritérií pre žalúdočné retencia > 10% na 4-H a < 53% na 2-H, pacienti > 47,5 rokov boli takmer 2-krát menej pravdepodobné, že gastroparézy (pravdepodobnosť = 0,44) ako tie, ktoré s vekom < 47.5 (pravdepodobnosť = 0,85) .Table 3 Falošné klasifikácie (%) s kudla krížovej validácie podľa optimalizované triedenie a regresné strom (CART) modely
Typ misdiagnosis
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%)
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%)
Celková Misdiagnosis
100 (31,3%)
97 (30,3%)
73 (22,8%)
46 (14,4 %)
46 (14,4%)
46 (14,4%)
44 (13,8%)
AUC pre optimálny model
0,724
0,753 0,825
0,867
0,865 0,858
0,881
Poznámka :: model predpovedá stav ochorenia (1 pre áno, 0 nie);
y
: diagnostikovaný stav ochorenia (1 pre áno, 0 nie
). Diskusia
lineárna kombinácia diagnostických markerov získaných LDA alebo prístupom DF obvykle vedú k vyšším diskriminovať právomocí (väčšia AUC) v porovnaní s jej jednotlivými zložkami. Štúdia simulácie (výsledky nevykazujú tu), je uvedené, že čím je korelácia medzi jednotlivými značkami, tým menšia je zvýšenie AUC ich lineárna kombinácia. Potenciálny zisk v diagnostickom výkonu, však, sa zmenšuje, keď je vzťah medzi jednotlivými značkami zvýšiť až na 0,7 a vyššie. Účinnosť použitia lineárnej kombinácie klesá s nárastom veľkosti disproporcií v kovariančnú matíc medzi chorými a kontrolnej skupiny.
Malej veľkosti vzorky vedie k veľkým rozdielom v optimálnych koeficientov za najlepšiu lineárne kombinácie a zodpovedajúce hodnoty AUC, a to najmä pre LDA prístup. So zvyšujúcou sa veľkosť vzorky, optimálny koeficienty a AUC LDA alebo DF metód môže alebo nemusí sa blíži ku každému iný v závislosti na rozloženie jednotlivých značiek.
Marker hodnôt je normálne
Keď sú hodnoty markerov sú mnohorozmerné normálne, že odhadov LDA prístup sú veľmi blízko, že metódy DF, pokiaľ ide o AUC, optimálna koeficienty, a diagnostickým výkonu, ako je uvedené pomocou simulácie. S normálneho rozdelenia a dostatočného počtu vzoriek, pričom prvé dva momenty zachytiť polohy a mierky značka parametra je s malým variácie. V takýchto prípadoch je prístup LDA má výhodu v úspore času výpočtu (viac ako 100 krát nižšia), bez toho aby došlo v prediktívne sily, než je prístup DF. Avšak, LDA nemôže prekonať DF, pokiaľ vyhľadávanie mriežka pre optimálny koeficientom DF obsahuje bodový odhad pomocou LDA. Inými slovami, toto obmedzenie sa DF je vo výpočte, skôr než metodológie.
Marker hodnoty, ktoré nie sú normálne
Keď hodnoty markerov odchýliť sa od normálneho rozdelenia, prístup DF vždy vedie k vyššej hodnoty AUC pre najlepšie lineárne kombinácie, ak je vyhľadávanie mriežka pre optimálny koeficienty je dosť v pohode. Výkon znížení klasifikácie s LDA prístupu je priamym dôsledkom použitia prostriedkov, ktoré je zaujatý v dôsledku abnormality. Exponenciálne rozdelenie, napríklad, má tendenciu mať dlhý chvost s vysokým stupňom šikmosti, čo vedie k strednému s pozitívnym predpätie. V dôsledku toho, že odchýlky pre markery sú nafúknuté a AUC má tendenciu byť menšie. Ešte dôležitejšie je, že najlepší lineárna kombinácia získané s LDA prístup má tendenciu nadhodnocovať falošne negatívny sadzby, a podceňovať falošne pozitívne sadzbu nižšiu úroveň citlivosti (tabuľka 2), a robiť presný opak na vyššej úrovni citlivosti. Naopak najlepšie lineárny kombinácie podľa DF prístupu je menej ovplyvnený extrémnymi hodnotami, a má tendenciu mať vyššiu diagnostické výkon pri zachovaní prednastavené úrovne citlivosti. To je dôležité, pretože v praxi, pevnú falošne negatívnych výsledkov predstavuje kritické medze tolerancie v diagnostickom lekárstve. Nad touto hranicou je vklad pomer strát a prínosov by sa zvýšila, alebo aspoň, diagnostická rozhodnutie je menej efektívne z hľadiska nákladov.
Efekt transformácie dát
Účinná transformácie dát zlepšuje bežné nosenie a tým aj parameter odhadu podľa LDA prístup, ale či toto zlepšenie bude mať v novej údaje, ktoré nie sú zahrnuté pre odhad parametrov zostáva nejasný. Cross-validation s dátami gastroparézy ukázala, že premena energie zvyšuje AUC a stabilizovaná odhady parametrov v tréningových súpravy, a to, že takéto zisky by znamenalo vyššiu diagnostické sily v testovacích sád (tabuľka 2). transformácie dát zaplnila medzeru v diagnostickom moci medzi najlepšie lineárny kombinácie podľa LDA a DF sa blíži s klinickými dátami. Zaujímavé je, že prístup DF preukázala konzistentné zlepšenie s transformáciou naprieč všetkými úrovňami citlivosti na 0,7, 0,8 a 0,9. Tento trend s prístupom LDA nie je tak jasné. Jedným z dôvodov môže byť percentuálny žalúdočné zrážky namerané v 3-H a 4-h sú tak skosené, aby transformácie energie nestačí, aby sa merania na takmer normálnu distribúciu.
Optimalizácia diagnostického silu GES opatrenia s CART modelom
na rozdiel od predchádzajúceho výskumu s zdravých dobrovoľníkov, naša štúdia populácie sa skladala so zmiešanou skupinou subjektov buď uvedeného s podozrením na gastroparézy alebo skúmaného z iných dôvodov.</sup></sub>

• Polymorfizmy v ERCC1, GSTs, TS a MTHFR predpovedať klinické výsledky u pacientov s karcinómom žalúdka liečení chemoterapiou platina /5-Fu-založené: systematický review
• Zloženie mastných kyselín z podkožného tukového tkaniva a žalúdočnej sliznice: existuje vzťah s žalúdočnými vredmi <br> abstraktné <br> pozadia <br>: existuje vzťah s žalúdočnými v…