Wyniki wyszukiwania - BazTech

1

Multivariate statistical interpretation of clinical data of prolactinoma patients

Georgieva-Nikolova R., Kamenov Z., Slavova M., Nikolov M., Simeonov V.

Ecological Chemistry and Engineering. A

|

2013

|

Vol. 20, nr 4-5

585--594

EN

This study reveals some specific relationships between the clinical parameters usually checked at prolactinoma patients allowing in such a way to optimize the monitoring procedure by selecting a reduced number of health status indicators. This is achieved by multivariate statistical interpretation of the parameter values where clusters of indicators with correlated (similar) response are proven. Additionally, four patterns of prolactinoma patients are found each one of them characterized by specific clinical indicators. This original information could be of use for better interpretation of the health status of the patients.

PL

Przeprowadzone badania pacjentów z prolaktynemią wykazały istnienie pewnych zależnooeci pomiędzy parametrami klinicznymi, umożliwiających optymalizację procedur monitorowania stanu zdrowia za pomocą mniejszej liczby wskaźników. Taką optymalizację można osiągnąć dzięki interpretacji wartooeci parametrów za pomocą wielowymiarowych metod statystycznych, za pomocą których wykazano istnienie skorelowanych grup zmiennych wskaźnikowych. Dodatkowo stwierdzono istnienie czterech grup pacjentów z prolaktynemią, charakteryzujących się specyficznymi wskaźnikami klinicznymi. Informacje te mogą być wykorzystane do lepszej oceny stanu zdrowia pacjentów.

2

Long-Term Statistical Assessment of the Water Quality of Tundja River

Papazova P., Simeonova P.

Ecological Chemistry and Engineering. S

|

2012

|

Vol. 19, nr 2

213-226

EN

Two major environmetric methods (Cluster analysis (CA) and Principal components analysis (PCA)) were applied for statistical assessment of the water quality of trans-border river Tundja. The study used long-term monitoring data from 26 sampling sites characterized by 12 physicochemical parameters. Clustering of chemical indicators results in 3 major clusters: the first one shows the impact of anthropogenic sources, the second - the impact of agriculture and farming activities and the last one describes the role of the physical parameters on the water quality and also the impact of urban wastes. For better assessment of the monitoring data, PCA was implemented, which identified four latent factors. Two of them - “urban wastes” factor and “agriculture” factor correspond almost entirely to clusters 3 and 2 from the previous statistical analysis. The third one, named “industrial wastes” factor, reveals a specific seasonal behavior of the river system. The last latent factor describes the active reaction of the water body and is determined as “acidity” factor. The linkage of the sampling sites along the river flow by CA formed two clusters with the spatial “upstream-downstream” separation. The apportionment model of the pollution determined the contribution of each one of identified pollution factors to the total concentration of each one of the water quality parameters.

PL

Dwie główne metody analizy danych środowiskowych (analiza skupień (CA) i analiza składowych głównych (PCA)) zastosowano do statystycznej oceny jakości wód transgranicznej rzeki Tundja. W badaniach wykorzystano dane otrzymane z monitoringu długookresowego. Próbki pobrano w 26 miejscach i scharakteryzowano za pomocą 12 parametrów fizykochemicznych. Pogrupowanie tych parametrów ze względu na 3 wskaźniki chemiczne pozwoliło na zbudowanie 3 głównych klastrów: pierwszy z nich pokazuje wpływ źródeł antropogennych, drugi - wpływ rolnictwa i działalności rolniczej, a trzeci opisuje rolę parametrów fizycznych i zanieczyszczeń środowiska miejskiego na jakość wody. W celu lepszej oceny danych monitoringowych zastosowano PCA, co pozwoliło na identyfikację czterech ukrytych czynników. Dwa z nich - czynnik „miejskie odpady” i czynnik „rolnictwo” - odpowiadają niemal w całości klastrom 3 i 2 z poprzedniej analizy statystycznej. Trzeci czynnik, nazwany „odpadami przemysłowymi”, ukazuje specyficzne zmiany sezonowe w systemie rzecznym. Ostatni czynnik opisuje reakcję wody i jest określany jako czynnik „kwasowość”. Powiązania pomiędzy miejscami pobierania próbek wzdłuż przepływu oceniono za pomocą CA. Wskazano istnienie dwóch klastrów z separacją przestrzenną „upstream-downstream”. Model podziału zanieczyszczeń określał wkład każdego ze zidentyfikowanych czynników zanieczyszczeń w całkowitym stężeniu każdego z parametrów jakościowych wody.

3

A comparison of methods to determination of macromolecule crosslinking yield from gel fraction data - Rapid Communication

Shyichuk A., Tokaryk G.

Polimery

|

2005

|

T. 50, nr 3

219-221

EN

Three methods of linearization of sol-gel analysis data are considered. The commonly used Charlesby-Pinner (Ch-P) method often yields non-linear plots. The same data may easily be linearized by using the virtual dose concept proposed by Charlesby and Rosiak (Ch-R). Very good linear representation of the data is also obtained by plotting the sol content versus irradiation dose in the double natural logarithmic scale (LLS). All the three methods result in rather similar values of gel dose and scission-to-crosslinking ratio. At the same time, both Ch-R and LLS methods seem to be more accurate due to the higher values of the coefficients of linear correlation.

PL

Rozpatrywano trzy metody linearyzacji danych analizy żel-zol. Zwykle stosowana do tego celu metoda Charlesby'ego-Pinnera (Ch-P) daje w wyniku wykresy nieliniowe (rys. 2). Natomiast te same dane łatwo linearyzowano wykorzystując koncepcję wirtualnej dawki, zaproponowaną wcześniej przez Charlesby'ego iRosiaka (Ch-R, rys. 3). Bardzo dobrą liniową transformację danych otrzymaliśmy również budując wykresy zależności zawartości zolu od dawki promieniowania z zastosowaniem skali logarytmów naturalnych (metoda LLS, rys. 4). Wszystkie trzy metody pozwoliły uzyskać podobne wartości dawki żelowania i stosunku pękanie/sieciowanie makrocząsteczek odpowiadające tym samym stężeniom acetylenu (rys. 6 i 7). Metody Ch-R i LLS są jednak bardziej dokładne o czym świadczą większe wartości współczynników korelacji liniowej (rys. 5).