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