マルチテストパターンの自己組織化マップ (SOM-clean) によって導かれる反復的なデータクリーニングを通じて参照区間を導出するための新しい間接的な方法

科学分野:

• 臨床化学 臨床化学について
• バイオインフォマティックス
• データマイニング データマイニング

背景:

• 参照区間 (RIs) を導出するための既存の方法は,限られたデータクリーニングで単変数アプローチを使用することが多い.
• 多変数データマイニング戦略は,より厳格なRI導出の可能性を提供します.

研究 の 目的:

• SOM-cleanという新しいソフトウェアを開発・評価し,通常の実験室のデータベースから間接的に参照区間 (RI) を導出します.
• 実験室データにおける非典型のマルチテストパターンの繰り返し排除のために,自己組織化マップ (SOM) クラスタリングを使用する.

主な方法:

• サウジアラビアの実験室のデータベース (37,285件の記録) から22の主要な健康診断検査 (HST) を取り出した.
• 適用されたパラメトリックのBox-Cox変換と初期RIに対する値の標準化.
• 自己組織化マップ (SOM) クラスタリングを利用し,非典型のレコードの繰り返し識別と排除を行いました.
• SOMパラメータを最適化して,安定するまで繰り返しRIを再計算し,最適のフィット感を得ます.

主要な成果:

• SOM-cleanは,ほぼすべてのHSTでRIに対する優れた適合性 (GOF) を達成し,健康状態への適合性を示しました.
• refineR法と比較して,SOM-clean RIは,特に偏差分布の場合は,より幅広く偏差が少ない.
• GOFは,最適なSOMマップサイズと細胞排除基準を決定するために,直接の研究RIを参照することによって最適化されました.

結論:

• SOM-cleanは,間接的なRI推定のための実用的で堅牢なパラメトリックツールです.
• ソフトウェアは,より高い精度のために新しい多変数データクリーニングスキームを使用しています.
• このアプローチは,通常の実験室データから得られたRIの信頼性を高めます.