Un método indirecto novedoso para derivar intervalos de referencia mediante limpieza de datos iterativa guiada por...

Área de la Ciencia:

• Química Clínica
• Bioinformática
• Minería de Datos

Sus antecedentes:

• Los métodos existentes para derivar intervalos de referencia (IR) a menudo utilizan enfoques univariantes con una limpieza de datos limitada.
• Las estrategias multivariantes de minería de datos ofrecen potencial para una derivación de IR más rigurosa.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo software, SOM-clean, para derivar indirectamente intervalos de referencia (IR) a partir de bases de datos de laboratorio de rutina.
• Emplear la agrupación de mapas autoorganizados (SOM) para la exclusión iterativa de patrones multitecnológicos atípicos en los datos de laboratorio.

Principales métodos:

• Se recuperaron 22 pruebas principales de cribado de salud (HST) de una base de datos de laboratorio de Arabia Saudita (37 285 registros).
• Se aplicó la transformación paramétrica de Box-Cox y la estandarización de los valores con respecto a los IR iniciales.
• Se utilizó la agrupación de mapas autoorganizados (SOM) para la identificación y exclusión iterativa de registros atípicos.
• Se recalcularon los IR iterativamente hasta la estabilización, optimizando los parámetros SOM para obtener la mejor bondad de ajuste.

Principales resultados:

• SOM-clean logró una excelente bondad de ajuste (GOF) para los IR en casi todas las pruebas de cribado de salud (HST), lo que indica conformidad con el estado de salud.
• En comparación con el método refineR, los IR de SOM-clean fueron menos amplios y sesgados, especialmente para distribuciones asimétricas.
• La GOF se optimizó haciendo referencia a los IR de estudios directos para determinar el tamaño óptimo del mapa SOM y los criterios de exclusión de celdas.

Conclusiones:

• SOM-clean es una herramienta paramétrica práctica y robusta para la estimación indirecta de IR.
• El software utiliza un esquema novedoso de limpieza de datos multivariante para mejorar la precisión.
• Este enfoque mejora la fiabilidad de los IR derivados de los datos de laboratorio de rutina.