Strojno učenje za predviđanje optimalnog razrjeđenja likvora za određivanje indeksa specifičnih antitijela (CROSBI ID 725566)
Prilog sa skupa u zborniku | sažetak izlaganja sa skupa | domaća recenzija
Podaci o odgovornosti
Turčić, Ana ; Vogrinc, Željka ; Zaninović Ljiljana
hrvatski
Strojno učenje za predviđanje optimalnog razrjeđenja likvora za određivanje indeksa specifičnih antitijela
Uvod: Nadzirano strojno učenje otkriva prediktivni algoritam koji se temelji na skupu podataka poznatih ulaznih i izlaznih varijabli. Cilj je stvoriti algoritam za predviđanje optimalnog razrjeđenja likvora za određivanje indeksa specifičnih antitijela radi smanjenja ponavljanih mjerenja. Materijali i metode: Model stabla odlučivanja, metoda nadziranog strojnog učenja, korištena je u skupini od 464 pacijenta s 5 varijabli ulaznih podataka: kvocijent albumina, koncentracija imunoglobulina G (IgG) u likvoru, kvocijent IgG-a, postotak intratekalne sinteze (ITS) i vrijednost limesa. Koncentracije albumina i IgG-a u likvoru i serumu određene su imunonefelometrijski na Atellica NEPH 630 analizatoru (Siemens Healthineers, Erlangen, Njemačka), a ITS i limes dobiveni su izračunom prema Reiberu. Koncentracije IgG antitijela na morbile, rubellu, varicella-zoster virus i herpes simplex virus 1 i 2 određene su u likvoru i serumu ELISA metodom (Euroimmun, Lübeck, Njemačka). Definirano je optimalno razrjeđenje likvora za pojedini virus te je dobiven mod koji je korišten kao klasifikacijska varijabla za potrebno razrjeđenje. Podaci su podijeljeni u set podataka za trening (N = 348) i testiranje (N = 116). Za kreiranje stabla odlučivanja na podacima za trening korišten je rpart paket, a funkcija rpart.plot za vizualizaciju stabla odlučivanja u programu R (RStudio, Boston, SAD). Točnost predviđanja izračunata je na setu testnih podataka. Rezultati: Algoritam stabla odlučivanja uključio je varijable IgG i ITS. Predviđeno razrjeđenje likvora je 2x ako je koncentracija IgG-a<56 mg/L, a 4x ako je koncentracija IgG-a > 103 mg/L. Za ostale koncentracije IgG-a predviđeno razrjeđenje je 3x ako je ITS > 43%. U suprotnom, ako je koncentracija IgG-a < 72 mg/L, predviđeno razrjeđenje je 2x, a 3x ako je koncentracija IgG-a > 72 mg/L. Algoritam ne predviđa viša razrjeđenja zbog malog broja podataka u setu. Točnost modela je 86, 2%, dok bez predviđanja razrjeđenja 74, 3% pacijenata nije trebalo ponavljano mjerenje. Zaključak: Dobiven je algoritam visoke točnosti za predviđanje optimalnog razrjeđenja likvora što smanjuje broj ponavljanja.
strojno učenje, MRZ reakcija
nije evidentirano
engleski
Machine learning for predicting optimal cerebrospinal fluid dilution for analysis of specific antibody indices
nije evidentirano
machine learning, MRZ reaction
nije evidentirano
Podaci o prilogu
S209-S210.
2022.
objavljeno
Podaci o matičnoj publikaciji
Biochemia Medica 32/(Suppl 1)
Zagreb: Biochemia Medica
1849-8205
Podaci o skupu
10. kongres Hrvatskog društva za medicinsku biokemiju i laboratorijsku medicinu = 10th Congress of the Croatian Society of Medical Biochemistry and Laboratory Medicine
poster
28.09.2022-01.10.2022
Zagreb, Hrvatska
Povezanost rada
Biotehnologija u biomedicini (prirodno područje, biomedicina i zdravstvo, biotehničko područje), Kliničke medicinske znanosti