Optimizacija diagnostično moč z scintigrafijo praznjenja želodca pri več časa points

Ta članek je poročil Pregled Odpri Medsebojni strokovni voljo.

Kako Odpri Peer Review delo?
Optimizacija diagnostično moč z praznjenje želodca scintigrafija na več časovnih točkah
Abstract
Ozadje
praznjenje želodca scintigrafija (ges) v presledkih več kot 4 ure po standardiziranem radioaktivno označenega obroku se običajno šteje kot zlati standard za diagnosticiranje gastroparezo. Cilji te raziskave so bili: 1), da razišče najboljši čas točko in najboljšo kombinacijo več časovnih točk za diagnosticiranje gastroparezo s ponavljajočimi ukrepi ges, in 2), kontrast in navzkrižno validacijo Fisherjev Linear Diskriminantna analiza (LDA), čin temelji Distribution Brezplačno (DF) pristop, in (CART) model Razvrstitev in regresijsko drevo.
Metode
skupaj 320 bolnikov z ukrepi ges na 1, 2, 3 in 4 uro (h) po standardu obrok z uporabo standardizirane metode so bile naknadno zbrane. Območje pod Značilen (ROC) krivulja sprejemnik operacijsko in stopnje napačno razvrstitev skozi zadrževalna navzkrižne validacije za model primerjavo so bile uporabljene.
Rezultati
Zaradi močne korelacije in nenormalnosti v porazdelitvi podatkov, ni bistvenega izboljšanja diagnostiko moč je bilo z najboljšo linearno kombinacijo, ki ga LDA pristop tudi s preoblikovanjem podatkov. Z metodo DF, linearna kombinacija 4-h in 3-h povečala površina pod krivuljo (AUC) in zmanjšalo število napačnih klasifikacij (0,87; 15,0%), preko posameznih časovnih točkah (0,83, 0,82; 15,6%, 25,3 %, za 4-h in 3-h oz) na višji nivo občutljivosti (občutljivost = 0,9). Model VOZIČEK s 4 urne ges meritve skupaj z starosti bolnika je najbolj natančno diagnostično orodje (AUC = 0,88 napačne klasifikacije = 13,8%). Bolniki, ki imajo 4-h želodčne hrambe vrednost >. 10% je bilo 5-krat bolj verjetno, da imajo gastroparezo (179/207 = 86,5%) kot tisti z ≤10% (18/113 = 15,9%)
Sklepi
z mešano skupino bolnikov, bodisi iz s sumom gastroparezo ali v preiskavi zaradi drugih razlogov, model VOZIČEK je bolj robusten od pristopov LDA in DF, lahko sprejme kovariablo učinke in lahko posplošimo na navzkrižnimi institucionalnih vlog, vendar bi lahko nestabilno velikost vzorca je omejena.
Ozadje
praznjenje želodca scintigrafije v presledkih več kot 4 ure po standardiziranem obroku se običajno šteje kot zlati standard za merjenje praznjenja želodca krat. V praksi je poenostavljeno urna ukrep ostankov vsebine želodca uporabljajo za diagnosticiranje gastropareze definiran kot zapoznelega praznjenja želodca (GE) v odsotnosti mehanično obstrukcijo [1, 2]. Tehnika ukrepi radioaktivno označena hrana ostaja v želodcu po urnih intervalih po bolnik zaužije standardiziran obrok [3] kot kazalnik zamudo GE. Zaradi razlik v hrani, ki se uporabljajo, tehnik in končne točke, merjena s ges, analizo in interpretacijo rezultatov razlikujejo med institucijami [4]. Večina prejšnje študije so pokazale, da odloži praznjenje želodca, se lahko najbolje označena z zastajanjem želodca za > 10% na 4- uri po obroku, ki je bila ustanovljena kot 95 percentila v hrambo želodca z zdravih prostovoljcih skozi multicentrični študiji [5, 6] . Kot vedno, ki temelji distribucija diagnostični odločitev arbitrarna in se neizogibno povzroči napako, zaradi napačno razvrstitev. Sporočeno je, da je poenostavljen pristop specifičnost 62% in občutljivost 93% [7]. Drugi uporabljajo ohranitev odstotka na 2-h kot rutinske klinične meritve [8] GES, kar kaže na GES na 2-h ali 3-h, bi bila najboljša posameznika časovni točki z višjo diagnostično močjo. Vendar pa lahko odstotkov želodca zadrževanja v različnih časovnih točkah pa je odvisen tudi starosti bolnika in spola [5]. Pomanjkanje standardizacije pri izvajanju GES skupaj z razlikami v kvantitativno analizo, ki se uporabljajo v različnih institucijah lahko omeji klinično koristnost testa, in predstavlja težave, če je treba navzkrižno institucionalne podatke je treba oceniti. V letu 2008 je v imenu ameriškega Neurogastroenterology in gibljivost društva in združenja za nuklearno medicino, raziskovalci iz 13 ameriških zdravstvenih ustanovah skupaj izdala izjavo soglasja za standardizacijo dobrega okoljskega stanja v vseh institucij [4]. Poleg tega so bile ugotovljene težave, ki zahtevajo dodatne preiskave, ki jih je soglasno ki vključujejo: 1), uporaba 3-h primerjavi z 2- in 4-h rezultatov za odkrivanje zakasnele GE; in 2) Uporaba različnih časovnih točkah (2- in 4-h) v primerjavi vrednosti v posameznih 2- ali 4-h za nadaljnje razumevanje kliničnega smislu neharmoničnega rezultatov med 2- in 4-h skandiranje.
Metodologija o uporabi različnih diagnostičnih označevalcev za odkrivanje bolezni ali ocenjevanje tveganj, povezanih z zdravjem je bila aktivna področju raziskav [9-11]. S hitrim napredkom v genomskih in proteomskimi tehnologij, je poudarek na odkrivanju bolezni, ki temeljijo na biomarkerjev in oceno tveganja zdaj premaknilo iz enega samega biomarker na plošči biomarkerjev, saj lahko različne označevalce občutljivi za različne vidike bolezni [12]. To je trdil, da je v primerjavi z enim samim kliničnim ali genetskega markerja, lahko žirija več označevalcev vsebujejo višjo raven razlikovanja informacij, zlasti med velikimi heterogenih skupinah bolnikov in kompleksnih večstopenjskih bolezni. To je pomembno zato, ker lahko uporabljate več oznake hkrati privedlo do nove diagnostične ukrepa z višjo občutljivost [11].
Ko so več markerji stalno in normalno porazdeljene, Fisherjev LDA zagotavlja najboljšo linearno kombinacijo, ki poveča občutljivost v celotnem razponu specifičnosti enakomerno po multivariatne normalne porazdelitve modela [11]. Ko označevalne vrednosti odstopajo od običajnih, lahko moč preobrazbe Box-Cox se uporablja za izboljšanje normalno fit [13]. Ta pristop je našel učinkovit pri ocenjevanju krivulje AUC in ROC, če z njimi povezanih prave distribucije, bodisi na original ali na preoblikovanega lestvici, so blizu multivariatno normalno [11]. V nasprotnem primeru se lahko uporablja za distribucijo prosti pristop uvrstitev temelji. Teoretični vidiki najboljšo linearno kombinacijo za biomarkerjev so tudi poročali [[9, 11, 14-19] in [20]]. Fisherjev LDA je lažje izračunati, medtem ko je pristop DF je bolj robusten, da odstopanja od normalne porazdelitve, vendar je računsko previsoka, če gre za več kot dva markerji [19]. Uporabili smo ocen parametrov iz LDA kot izhodišče za iskanje omrežja z DF, če dvojno podajo prostora presega dvostranskimi. Model VOZIČEK, na drugi strani pa zagotavlja drug pristop za optimizacijo diagnostične moč, ko so markerji večdimenzionalno [21-23]. Namesto da ustvarja novo diagnostično ukrep, kot LDA ali DF, VOZIČEK uporablja sekvenčni proces ugotoviti niz napovedovalec spremenljivk, v prvotnem obsegu, ki najbolj razlikujejo skupine med spremenljivko sklepnega interesa. To je še posebej uporabno, ko obstaja veliko napovedovalec spremenljivke, ki so močno korelirani. To je računsko manj intenziven in enostavno razložiti, lahko pa je nestabilno, če je model neustrezno usposobljeni z omejenimi podatki.
Večina prejšnje študije osredotočajo na izpeljavo najboljšo kombinacijo markerjev, ki poveča AUC za predmete, pri katerih je bolezen stanje je znano, [11 , 14-20]. Ni jasno, če je diagnostična moč za takšno kombinacijo razteza na populacijo z znanimi vrednostmi označevalcev, vendar stanje neznano boleznijo ali prebivalcev, ki imajo dvojno podajo vrednosti se ne uporablja za pridobivanje diagnostičnih parametrov. S standardiziranim obrokom (glej Materiali in metode) in urne GES tehniko (pet 2 minut slikanja sej) več kot 4 urah, je potrebno manj časa kamera rezultate, medtem ko je lahko ponovljiv iz bolnišnice v bolnišnico. Ta dokument ocenjuje statistične možnosti, ki optimizirajo diagnostičnih moč z ges ukrepov na nekaj časovnih točkah. S primarnim klinične diagnoze, določeno s simptomi, kot so slabost, bruhanje, zgodnje sitosti, po obroku polnosti, nelagodje v trebuhu in bolečine, poleg dokazil o zakasnelo praznjenje želodca v odsotnosti mehanskega želodca obstrukcijo izstopni kot resnično stanje gastroparezo ta študija osredotoča na iskanje parametre najboljšo linearno kombinacijo dobrega okoljskega stanja v različnih časovnih točkah s podatki za usposabljanje, nato pa, raziskuje in navzkrižno preverja svoje delovanje v podatkih preskusov, ki niso bila uporabljena za izpeljavo modela.
Metode
sprejemnik Operacijski značilno krivuljo (ROC) in območje pod krivuljo zlasti je preprost in pomembno merilo za ocenjevanje uporabnost diagnostičnega markerja (-e) [10]. V tem dokumentu, ROC in AUC se uporablja za primerjavo v različnih metod in različnih modelov za najboljšo diagnostično močjo gastroparezo. Vsota lažno pozitivnih in lažno negativnih diagnoz v celotnem vzorcu je bila uporabljena za kontrast diagnostične moči med LDA, DF in CART preko zadrževalna (traja eno out) navzkrižno preverjanje.
Linearna diskriminantna pristop Fisherjevega (LDA)
Let w
<sub>ij
predstavlja i
<sup>th
označevalne vrednosti j
th
temo v obolelo skupini; in v
ik
biti i
th
marker vrednost K
th
temo v kontrolni skupini; kjer je i
= 1, ..., p; j
= 1, ..., m; in k
= 1, ..., n.
Recimo, da X in Y so vektorji orientacijskih vrednostih z multivariatne normalne porazdelitve za bolne in kontrolnih skupin oziroma, potem (1) Koeficient vektor α
p × 1, za najboljšo linearno kombinacijo kombiniranega marker vektorja iz obolelih in kontrolne skupine v skladu z merili ROC je: (2) AUC pod krivuljo ROC je: (3) Če Φ pomeni standard kumulativni . normalno porazdelitev funkcija
specifičnosti (F a (c)) in občutljivosti (H a (c)), so: (4) (5) uvrstitev temelji Distribution Prosti pristop (DF)
pod distribucijskega temelji prostem pristopu ranga [19], lahko AUC se izračuna kot Mann-Whitney U statistiko [24]: (6) Opomba, za trajno distribucijo, Pr (I
= 1/2) = 0.
Če ij
je w
i
th marker vrednost za j
th temo v obolelo skupini; v
ik
je i
th marker vrednost za K
th temo v kontrolni skupini; i, j, k, m
in n
kot je definirano v prejšnjem poglavju; AUC
(α
) je površina pod krivuljo, ki ga distribucijsko prostem pristopu z optimalnim koeficientom vektorja (alfa). Ker ROC je invariantna na monotonem večjo preobrazbo, je koeficient vektorski α
tako LDA in DF pristopi lahko raztegnjeno kot (1, β 2 /β 1, β 3 /β 1, ... β i /β 1), kjer je β i /β 1 predstavlja težo za i
th dvojno podajo vrednosti glede na oznake 1 [19].
Razvrstitev in regresijska drevesa (CART) model
razliko LDA ali DF, metodologija VOZIČEK opredeljuje niz kazalcev iz vseh spremenljivk, ki najbolj razlikujejo razrede na izid interesa v zaporednem postopku. Na vsakem koraku (vozlišča), VOZIČEK algoritem najprej ugotovi najboljši napovedovalec od vseh spremenljivk kandidatk in nato preišče vse vrednosti za najboljši napovedovalec ampak uporablja le eno cutoff točko za ločevanje vzorca v vozlišču v dveh podpodročjih. Nato preišče vse spremenljivke napovedovalec in identificira najboljše cutoff točko iz najboljše napovedovalec v vsakem pod-veje in ponovi postopek, dokler ne bodo izpolnjena nekatera merila, kot so minimalne variance ali najmanjše velikosti skupine, v vseh terminalov vozlišč. Na vsako vozlišče, VOZIČEK želi uvrstiti vzorec v skupine tako, da je dosežena maksimalna homogenost otrok vozlišča. Ko je dosežena terminal vozlišče, model daje verjetnost pripadnosti določeni skupini, za vse ostale predmete, ki spadajo v to vozlišče. V praksi, je najmanjša velikost vozlišče navadno določena na 10% učnega vzorca, da bi se izognili potencialno nad vgradnjo model tako, da je končna odločitev drevo bolj verjetno, da bo koristna za razvrščanje prebivalstva s podobnimi značilnostmi, kot da učnega vzorca pa je bila ne uporabljajo za izpeljavo modela CART. V nasprotju z LDA pristopu lahko VOZIČEK še posebej uporabna, ko korelacijske vzorce med napovedovalec spremenljivke niso skladne po celotnem obsegu, saj ni nujno, da ista spremenljivka, da je optimalna za vse regijo vozlišč celotnega drevesa [22].
ocenjevanje parametrov
za LDA pristopom smo napisal /IML programa SAS [25] za izračun srednje vrednosti (m), variance (S) za bolne in kontrolne skupine, in vse ocene parametrov so opisani v metodi oddelek. Prvo se koeficient vektorskih α
, AUC za linearno kombinacijo kot tudi za posamezne označevalcev, je bila pridobljena z enačbama (2) in (3) iz podatkov usposabljanja. Nato je bil uporabljen koeficient α
do ustreznih podatkov o preskusih za pridobitev linearni rezultat kombinacijo. Tri mejne vrednosti, ki ustrezajo ravni občutljivosti na 0,7, 0,8 in 0,9 za linearno rezultat kombinacije so bile pridobljene s podatki gastroparezo uporabo v enačbi (5). Vsaka mejna vrednost je bila uporabljena na manjkati podatkov razvrstiti zadevo v eno obolelo ali ne-obolelo skupine. Predvideni stanje se je nato navzkrižno tabeli z znanim kategorijo bolezni.
Pristop DF je začelo s poljubno izhodišče in nato omrežje iskali koeficientov za čim večji Mann-Whitney U statistiko s podatki usposabljanja v naslednjih korakih.
1), je linearna kombinacija ocena za vsako opazovanje dobi z množenjem dvojno podajo vektor X z začetnim koeficientom vektorja α
(1, α
).
2) AUC, ki ustreza koeficient vektor α
se izračuna z enačbo (6).
3) ponovite prva dva koraka za vse možne koeficient vektorja in zbrati ustrezno AUC in alfa
.
4) Izberite koeficient, ki maksimalna AUC in opredeliti kritične linearno kombinacijo rezultat vrednost na 0,7, 0,8 in 0,9 občutljivost ravneh.
5) Uporaba koeficient od korak 4 do testnih podatkov pridobiti najboljšo linearno rezultat kombinacijo.
6) Uporaba vsaka kritična vrednost iz koraka 4 v testnih podatkov napovedati vsak primer v obeh obolelih ali ne-bolne skupini, nato prečkamo Tabelirati z znanim kategorijo bolezni.
za CART modela smo uporabili paket TREE v raziskave [26] okolje za vsakega od štirih urnih ukrepov in njihovi kombinaciji, skupaj z bolnikovo starostjo in spolom identificirati najboljši model. Cross-potrditev z najmanjšo velikostjo 10 predmetov za vsako končno vozlišče je bila uporabljena za optimizacijo modela odločitev drevo z uporabo vseh stališča [27]. AUC za vsako optimizirano drevesa odločanja je bila izračunana za primerjavo vseh modelih. Nato je bilo eno opazovanje, vzeto iz celotnega vzorca, in ostale predmete za izgradnjo drevesa odločanja, ki je bil nato uporabljen za napovedovanje stanja bolezni v levo iz opazovanja. Predstava za vsakega drevesa odločanja je bil povzet s skupnim številom napačnih napovedi v celotnem vzorcu.
Podatki gastroparezo
skupaj 320 kart od bolnikov, starih od 16 ~ 89 (42,8 ± 14,3 (srednja vrednost ± STD)) 255 (79%) žensk, z ges ukrepov na 1 uro, 2 uri, 3 ure in 4 ure po standardnem obroku, z uporabo standardizirane metode (5) so bile naknadno zbrane na University of Kansas Medical Center (KUMC). Protokol študije je odobril revizijski odbor institucionalno (IRB) na KUMC. Med merjenjem dobrega okoljskega stanja, frakcija obrok porabi in je bil posnet čas, potreben za porabo. Osebe z nenavadno odstotkov obrokom zaužiti (npr < 20% obroka) /čas poraba (npr > 30 minut), so bili izključeni. Vsi bolniki so bodisi iz s sumom gastroparezo ali preiskava zaradi drugih razlogov, ker samozaposlenih poročali simptomi, kot so slabost, polnosti, zgodnje sitosti, bruhanje in napihnjenost. Na podlagi skupne ocene, poleg uro ges ukrepov, študijski zdravniki diagnosticirali 197 (62%) od 320 bolnikov z gastroparezo kot glavni razlog za zgoraj navedenih kliničnih simptomov in njihove bolnišnične obiske. Kljub podobnih zdravstvenih izkušenj so razen gastropareze bolezni šteje kot primarne diagnoze za preostalih 123 bolnikov. Značilne razlike v povprečni starosti (p = 0,12, ki ga je t-test) in spol (p = 0,99, s χ 2 preizkusa ) so bile ugotovljene med skupinami z in brez gastroparezo. Pri vsakem bolniku je praznjenje želodca scintigrafijo izvaja zjutraj, ko na tešče z prokinetikov mirovati vsaj 3 dni. Standardizirana metoda za praznjenje želodca sestavljajo enakovredno dvema umešana jajca (jajce nadomestnih) označeni z 99m Tc žvepla koloidne, 2 kosa toast z želejem in 4 oz vode s skupno kalorično vrednost 255 kcal. Sprednja in zadnja slike na želodcu so bili takoj po jedi, nato pa vsako uro za 4 ure [28].
Rezultati
Med ponovnem merjenju praznjenja želodca, odstotka zadrževanja v izotopa v želodcu ob 1-h, 2-h, 3-h in 4-ur po obroku zmanjšala s časom in so bili zelo povezane, zlasti za moške in za bolnike z gastropareze. Spearman koeficient korelacije giblje od 0,34 (p < 0,001) med 1-h in 4-h pri bolnikih brez gastroparezo 0,93 (p < 0,001) med 3-h do 4-h pri bolnikih z gastroparezo. Na splošno je distribucija v odstotkih zadrževanja oddaljil od običajnih, s prvih dveh urnih vrednosti nesimetričnosti proti spodnjem delu, in drugi dve uri nesimetričnosti proti zgornjem delu (slika 1). Slika 1 Odstotek zadrževanje želodca pri 1-H, 2-h, 3-h in 4-h po obroku za primer (zelena) v primerjavi s kontrolo (sivo). 1-h-c, 2-h-c, 3-h-c, 4-h-c predstavlja odstotno praznjenje želodca (GE) v 1-H, 2-h, 3-h in 4-ur po obroku za bolnike z diagnozo gastropareze; Dlak predstavlja 70% interkvartilni razpon.
Diagnostični pooblastil LDA in DF pristop
po urah ukrepe na 3-h in 4-h so že poročali, da imajo najboljši diagnostični pripomoček, smo v nasprotju svojo najboljšo linearno kombinacijo tako LDA ( Slika 2) in DF pristopi (tabela 1). Najprej smo ocenili AUC pri dveh meritev skupaj z optimalnim koeficientom za njihovo najboljšo linearno kombinacijo in mejnimi vrednostmi za linearno kombinacijo rezultatom 0,7, 0,8 in 0,9 stopnje občutljivosti, ki jih tako LDA in DF pristopov za vse, ampak 1 od 320 subjekti. Optimalna koeficient, skupaj s tremi vrednostmi praga smo nato nanese na levo od predmeta. S primerjavo vrednosti praga z izračunano rezultat linearne kombinacije, je bila zabeležena napovedano gastroparetic status levo od predmeta. Stopnje lažnih negativnih rezultatov in lažna pozitivna smo dobili tako, da ponovimo postopek zadrževalna vseh 320 predmetov. Nato je bila uporabljena moč preoblikovanje Box-Cox in isto analizo smo ponovili za transformirane podatke. Slika 2 prejemnika Operacijski Značilen (ROC) krivulja za urni odstotka zadrževanja pri 2-h 3-h, 4-h, ter njihova najboljša linearna kombinacija. Površina pod krivuljo (AUC) večjo od 2-h do 4-h in kar najbolj povečala z najboljšo linearno kombinacijo vseh treh urnih meritev.
Tabela 1 ocene parametrov (površina pod krivuljo (AUC) in koeficienta za najboljšo linearno kombinacijo ) z linearnim diskriminantna analiza Fisherjevega (LDA) in distribucijo brezplačne (DF) približa

4-h
3-h
linearno kombinacijo DF
linearni kombinaciji 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
Opomba: Raw stoji za AUC za merjenje v prvotnem obsegu;
Tran predstavlja AUC za merjenje v preoblikoval lestvici;
α je koeficient za najboljšo linearno kombinacijo za merjenje pri 3-h po obroku
najboljšo linearno. kombinacije dveh urnih ukrepov povečala diagnostično moč njene posamezne komponente s obeh pristopov (tabela 2), vendar je dobiček je bil omejen, 3,9% za DF in 0,4% za pristop LDA. Kot je bilo pričakovati, Box-Cox moč transformacije na posameznih oznakami izboljšala diagnostično moč z najboljšo linearno kombinaciji s pristopom LDA za 4,7%, kot je surovega measures.Table 2 Lažni razvrstitve (%) s zadrževalna navzkrižno potrditve Fisherjevega Linearni discriminant analiza (LDA) in distribucija Brezplačno (DF) pristopov
Merila Poslovni
3- h DF
4-h DF
Linearna kombinacija DF
Linearna kombinacija 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%)
Opomba:: model napovedal stanje bolezni (1 za da, 0 za ne);
y
: status diagnosticirali bolezen (1 za ja, 0 za ne)
s neobdelanih podatkov, razlik v znesku lažno pozitivnih in lažno negativnih stopenj za najboljše. linearne kombinacije so bile 0,2%, 1,6% in -6,5% med DF in LDA pristopov na 0,7, 0,8 in 0,9 ravni občutljivosti. Medtem ko so lažna negativna stopnja po metodi LDA pokazala velik odmik od tistega, ki ustreza nastavljenih mejnih vrednosti (≤3.0%), tistih, ki jih pristop DF so relativno blizu (≤ ± 0,2%).
Preoblikovanje podatkov izboljšala diagnostično moč najboljših linearnih kombinacij tako za LDA in DF pristopov z zmanjšanjem vsote lažno negativnih in lažno pozitivnih stopnjah. Znižanja so 2,2%, 2,8%, 13,8% in -0,9%, -1,1%, 20,1% za pristope DF in LDA oz. Zanimivo je, da je največje izboljšanje v diagnostičnem moči je na višjo stopnjo občutljivosti za obeh pristopov.
Diagnostični Pooblastila košarico pristop
Sedem odločitev drevesnih modelov, vključno s polnim modelom (4 urne meritve skupaj z bolnikovo starost), kombinacije 2 urah in 4-h, 3-h do 4-h, skupaj z vsako uro ukrepi, so optimizirali skozi drevo-obrezovanje z najmanjšo velikostjo za končno vozlišče 10 predmetov [26]. Za vse modele enojnih časovnih točk, odstotek zadrževanja pri 4 h, je največji AUC 0,865, nato pa 3 ure, 2-h in 1-h, oziroma (tabela 3). Stopnja lažno diagnozo s sklepom z drevesa modela s 4-h je 14,4% (28 od 123 za bolnike brez gastroparezo, in 18 od 197 za tiste z gastroparezo), manj kot polovica tistih, ki bi napačno diagnosticirali z 1- h in 2-h točk in 37% ((73-46) /73) manj kot to -at 3-h. Vključno z 2-h ali 3-h, skupaj s 4-h z drevesa odločanja ni povečal števila pravilnih diagnoz nad uporabo šele 4-h, kot je navedeno v zadrževalna navzkrižnega preverjanja. Ti razlikujejo od rezultatov, pridobljenih z LDA in DF pristopov, v katerem je linearna kombinacija 3-h in 4 h pokazali rahlo izboljšanje nad pomočjo same 4-h. Vendar pa odločitev drevo model z vsako posamezno 4-h ali kombinacije s 2-h ali 3-h ni utrpela v diagnostični pripomoček v primerjavi s svojimi modeli kolegi opredeljene bodisi z LDA ali DF pristop, ne glede na transformacije podatkov. Model VOZIČEK uporabo vseh štirih uro ges ukrepe skupaj s starostjo bolnikov je bilo zelo zanimivo. Za meril zadrževanja v želodcu > 10% pri 4 urah, in < 53% v 2-h pri bolnikih > stare 47.5 let je bilo skoraj 2-krat manj verjetno, da imajo gastropareze (verjetnostno = 0,44) kot tiste s starostjo < 47.5 (verjetnost = 0,85) .table 3 False razvrstitve (%) z zadrževalna navzkrižne validacije z optimiziranim klasifikaciji in regresijskih dreves (CART) modeli
Vrsta prikazal
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%)
Skupaj Napačna
100 (31,3%)
97 (30,3%)
73 (22,8%)
46 (14,4 %)
46 (14,4%)
46 (14,4%)
44 (13,8%)
AUC Za optimirano Model
0.724
0,753
0.825
0,867
0,865
0,858
0,881
Opomba:: model napovedal stanje bolezni (1 za yes, 0, no);
y
: stanje diagnozo bolezni (1 za yes, 0, no ).
Razprava
linearnimi kombinacijami diagnostičnih označevalcev, pridobljenih s LDA ali DF pristop običajno privede do višjih diskriminira oblasti (AUC večja) kot s posameznimi komponentami. Študija simulacija (rezultati ne kažejo tukaj) je navedeno, da je močnejša korelacija med posameznimi oznakami, manjše povečanje AUC za njihovo linearno kombinacijo. Potencial dobiček v diagnostičnem moči, vendar pa zmanjša, če je korelacija med posameznimi oznakami povečal na 0,7 in več. Učinkovitost uporabe linearno kombinacijo zmanjšuje s povečanjem obsega nesorazmerja v kovariančnih matrik med bolnimi in kontrolnih skupinah.
Majhne velikosti vzorcev privede do velikih razlik v optimalnih koeficientov za najboljšo linearno kombinacijo in ustrezno AUC, zlasti za LDA pristop. Kot velikosti povečuje vzorcev, optimalnih koeficientov in AUC po LDA ali metod DF lahko ali ne sme približati drug drugemu, odvisno od distribucije posameznih označevalcev.
Označevalne vrednosti so vrednosti normalne
Ko so vrednosti marker multivariatne normalne, ocene, ki jih je LDA pristop so zelo blizu, da metode DF v smislu AUC, optimalnih koeficientov, in diagnostično moči, kot je navedeno s simulacijo. Z normalne porazdelitve in ustrezne velikosti vzorca, prva dva trenutki ujeti Marker lokacijsko in obsegu parameter z majhno spremembo. V takih primerih je pristop, LDA ima prednost v prihranek časa računanja (več kot 100-krat manj), ne da bi utrpela v napovedno moč kot pristop DF. Kljub temu, LDA ne more preseči DF dokler iskanje mreža za optimalno koeficientom, DF vsebuje točkovno oceno s LDA. Z drugimi besedami, omejitev z DF je v izračun, namesto metodologije.
Marker vrednosti ni normalno
Ko označevalne vrednosti odstopajo od normalne porazdelitve, pristop DF vedno vodi k višji AUC za najboljšo linearno kombinacijo, če je iskanje mreža za optimalnih koeficientov je dovolj v redu. Predstava znižanje z LDA pristopa je neposredna posledica uporabe sredstev, ki je pristranska zaradi anomalij. Eksponentna porazdelitev, na primer, kaže, da imajo dolgo rep z visoko stopnjo asimetrije, kar povprečnemu s pozitivnim pristranskosti. Posledica tega je, da variance za označevalcev so napihnjena in AUC kaže, da je manjša. Še pomembneje je, najboljša linearna kombinacija se pridobiva z LDA pristopom ponavadi precenjujejo lažno negativno stopnjo in podcenjuje lažnih alarmov na nižji ravni občutljivosti (tabela 2), in ne ravno obratno na višji ravni občutljivosti. Ravno nasprotno, je najboljša linearna kombinacija s DF pristop ekstremnih vrednosti manj prizadela in kaže, da ima večjo diagnostično moči, hkrati pa ohranja prednastavljene vrednosti občutljivosti. To je pomembno zato, ker v praksi, fiksni lažna negativna stopnja predstavlja kritično mejo tolerance v diagnostične medicine. Beyond takšne meje, bi se delež razmerja izgubo koristi povečati ali vsaj diagnostični odločitev je manj stroškovno učinkovita.
Učinek preoblikovanja podatkov
učinkovito transformacijo podatkov izboljšuje normalno prileganje in s tem parametra oceno po LDA pristop, ampak ali se bo to izboljšanje držite v novih podatkov, ki niso vključene v oceno parametrov ostaja nejasna. Cross-potrditev s podatki gastroparezo je pokazala, da preoblikovanje moč povečala AUC in stabilizira ocene parametrov v nizih usposabljanja, in, da bi takšni dobički pomenilo višjo diagnostično moči v testnih nizov (tabela 2). Transformacija podatkov zapre vrzel v diagnostičnem moči med najboljšimi linearne kombinacije z LDA in DF pristope kliničnih podatkov. Zanimivo je, da je pristop DF pokazale dosleden napredek pri preoblikovanju v vseh stopnjah občutljivosti na 0,7, 0,8 in 0,9. Trend s pristopom, LDA ni tako jasna. Eden od razlogov bi lahko bila odstotkov želodca zadrževanja merjene po 3-h in 4-h so tako postrani, da je preoblikovanje moč ni dovolj, da bi dal meritve na skoraj normalne porazdelitve.
Optimizacija diagnostičnega moč ukrepi ges z CART modelom</sup></sub>