Klasyfikacja przypadków medycznych metodą statystyczną

• Autorzy: Wajs W.

Warianty tytułu

EN

Medical data classification with statistical methods

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono problem klasyfikacji danych metodami statystycznymi. Opisana metoda klasyfikacji umożliwia obliczenie prawdopodobieństwa wystąpienia schorzenia. Przypadek chorobowy opisany jest dwoma parametrami wyrażonymi liczbami rzeczywistymi. Przypadek chorobowy może przynależeć do znanego zbioru przypadków, u których wystąpiło schorzenie, albo do zbioru przypadków w których to schorzenie nie wystąpiło. W pracy przedstawiono metodę, która umożliwia obliczenie prawdopodobieństwa, z jakim rozpatrywany przypadek chorobowy należy do zbioru etykietowanego "1" lub do zbioru etykietowanego "0". Dane źródłowe użyte w pracy są oryginalne i pochodzą z medycznej bazy danych. Algorytm metody został sprawdzony na przypadkach zebranych w praktyce klinicznej. W pracy zastosowano metodę korelacji w celu otrzymania odpowiednich statystyk. Obliczony współczynnik korelacji na poziomie 0,8 wskazuje na wystąpienie schorzenia. Równocześnie współczynnik korelacji na poziomie 0,0 wskazuje na brak wystąpienia schorzenia. Własność ta jest wykorzystywana w algorytmie klasyfikacji. W praktyce klinicznej często występuje sytuacja, gdy mamy jeden przypadek testowy i chcielibyśmy określić, czy ten przypadek opisuje symptomy wskazujące na szansę wystąpienia określonego schorzenia. Zagadnienie klasyfikacji to problem wystąpienia schorzenia bpd, który rozważa się w okresie poprzedzającym wystąpienie choroby na 3 do 4 tygodni wcześniej. Bronchopulmonary dysplasia (bpd) jest chronicznym schorzeniem płuc, które rozwija się u noworodków dla których zastosowano wentylację mechaniczną. Większość przypadków wystąpienia bpd dotyczy noworodków urodzonych przedwcześnie, przed 34 tygodniem ciąży i z wagą urodzeniową mniejszą niż 1500 g. Te dzieci są częściej narażone na stan znany w literaturze jako Respiratory Distress Syndrome (RDS). RDS jest rezultatem uszkodzenia delikatnej tkanki płuc podlegającej mechanicznej wentylacji w dłuższym czasie. Wentylacja mechaniczna w wielu przypadkach warunkuje przeżycie noworodka. Ważnymi czynnikami wystąpienia bpd są przedwczesne urodzenie, infekcje, wentylacja mechaniczna oraz tlenozależność.

EN

The problem of data classification with statistical methods is presented in the paper. Described classification method enables calculation of probability of disease incidence. A case of disease incidence is described with two parameters expressed in real numbers. The case can belong to a known set of cases there the disease occurred or to the set where the disease did not occur. There was presented a method for calculating probability with which a given case belongs to the set labeled as "1" or "0". Source data used in the paper come from medical databases and are original. The algorithm of the method was checked on clinical cases. Correlation method was used for generating respective statistics. The calculated correlation at a level of 0.8 is indicative of disease occurrence, whereas the correlation coefficient at a level of 0.0 is indicative of lack of disease. This property is used in the classification algorithm. It is frequent in the clinical practice that we have one test case and we try to determine whether or not that case describes symptoms of liability to the disease. Classification is related with the occurrence of disease bpd, which is analyzed in a 3 to 4 week period preceding the disease incidence. Bronchopulmonary dysplasia is a chronic lung disease that develops in neonates treated with oxygen and positive pressure ventilation. The majority of bpd cases occur in premature infants, usually those who have gestational ege less than wp = 34 weeks and birth weight less than mu = 1500 g. These babies are more likely to be affected by a condition known as infant Respiratory Distress Syndrome, which occurs as a result of tissue damage to the lungs from being mechanical ventilator for a significant amount of time. Although mechanical ventilation is essential to their survival over time the pressure from the ventilation and excess oxygen intake can injure a newborn's delicate lungs. If symptoms of respiratory distress syndrome persist then the condition is considered Broncho-pulmonary Dysplasia. Important factors in diagnosing bpd are prematurely, infection, mechanical ventilator dependence, and oxygen exposure.

Słowa kluczowe

PL

metody statystyczne; sztuczne sieci neuronowe; metody klasyfikacji

EN

statistic methods; artificial neural networks; classification methods

• Wydawca: Wydawnictwa AGH
• Czasopismo: Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
• Rocznik: 2010
• Tom: T. 14, z. 2
• Strony: 211--223
• Opis fizyczny: Bibliogr. 19 poz., rys., wykr., tab.

Twórcy

autor

Wajs W.

Bibliografia

• [1] Vapnik V., Chervonenłcis A., The necessary and sufficient conditions for consistency in the empirical risk minimalization method. Pattern Recognition and Image Analysis, 1(3), 1991, 283-305.
• [2] Mangasarian O.L., Linear and nonlinear separation of patterns by linear programming. Operations Research, 13, 1965, 444-452.
• [3] Vapnik V., Statistical Learning Theory. Wiley, New Jork 1998.
• [4] Smola A.J., Barlet P.L., Scholkopf B., Schuurmans D., Advances in Large Margin Classifiers. The MTI Press, Cambridge, Massachusetts 2000.
• [5] Castro de L.N., von Zuben F.J., An evoluntary immune system network for data clustering. In Proc. 6th Brazilian symp. Neural Network. Rio de Janeiro, Brazil 2000, 84-89.
• [6] Castro de L.N., von Zuben F.J., Learning and optimization using the clonal selection principle. IEEE Tran. Evol. Comput, vol. 6, No. 3, Jan. 2002, 239-251.
• [7] Jerne N.K., Towards a network theory of the immune system. Annu. Immunol. (Inst Pasteur), vol. 125, No. C, 1974, 373-389.
• [8] Demuth H., Beale M., Neural Network Toolbox: For use with MATLAB: user's Guide. The Math works, 1993.
• [9] Bradley A.P., The use of the area under the ROC curve in the evaluation on machinę learning algorithms. Pattern Recognition, 30(7), 1997, 1145-1159.
• [10] Cunha G.S., Mezzacappa-Fihlo F., Ribeiro J.D., Risk Factors for Bronchopul-monary Dysplasia in very Low Birth Weight Nowborns Treated with Mechanical Venti-lation in the First Week of Life. Journal of Tropical Perdiatrics, 51(6), 2005, 334-340.
• [11] Fawcett T., ROC Graphs: Notes and Practical Considerations for Data Mining Researchers. Technical Report HPL-2003-4, HP Labs, 2003.
• [12] Hanley J.A., McNeil B.J., The meaning and use ofthe area under a receiver operating characteristic (ROC) curve. Radiology, 1982, 29-36.
• [13] Hosmer D., Lemeshow S., Applied Logistic Regresion. John Wiley and Sons Inc., 1998
• [14] Kleinbaum D.G., Klain M., Logistic Regression - A Self-Learning Text. Springer-Verlag, New York 2002.
• [15] Moody J., Darken C.J., Fast learning in networks of locally-tunedprocessing units. Neural Computation, 1989, 281-294.
• [16] Poggio T., Girosi F., Network for approximation and learning. Proceedings ofthe IEEE, 1990, 1481-1497.
• [17] Tapia J.L., Agost D., Alegria A., Standen J., Escobar E., Grandi C, Musante G., Zegarra J., Estay A., Ramirez R., Bronchopulmonary displasia: incidence, riskfactors and resource utiliza-tion in a population of South-American very Iow birth weight infants. J. Pediatrie. vol. 82 No. 1, 2006.
• [18] Wajs W., Stoch R, Kruczek P., Bronchopulmonary Dysplasia Prediction using Lo-gistic Regresion. Proc. of the Sixth International IEEE Conference on Intelligent Systems Design and Applications (ISDA'06). vol. 03, 2006, 98-102.
• [19] Fabian J., Farbiaz J., Alyarez D., Martinez C, Comparison between logistic regression and neural networks to predict death in patients with suspected sepsis in the emergency room. BioMed Central, Feb. 17, 2005.