Krooninen sairaus

tiivistelmä

aikakausi henkilökohtaisen lääketieteen syövän hoitomuotoja on ottanut tärkeän askeleen eteenpäin tarkkojen ennusteet yksittäisille potilaille antamiseen suuren suorituskyvyn sirutekniikkaa. Kuitenkin sirutekniikalla syövän diagnoosi tai prognoosi on pääasiassa käytetty tilastollinen arviointi potilasryhmissä, ja jätetään yksilöiden välisten erojen ja potilaskohtaista ennusteita. Tässä ehdotamme metrinen nimeltään kliininen luottamusta, joka toimii mittana prognoosi- luotettavuuden helpottamaan siirtymistä koko väestöön henkilökohtaista syövän ennustetta käytetään microarray-pohjainen ennustavia malleja. Suorituskyky näytteen perustuvia malleja ennustaa eri kliinisen luottamukselliset arvioitiin ja verrattiin systemaattisesti käyttäen kolmea suurta kliinistä aineistoja tutkimalla seuraavat syövät: rintasyöpä, multippeli myelooma, ja neuroblastooma. Survival käyrät potilaille, joilla on erilaiset luottamuksia, myös rajattu. Tulokset osoittavat, että kliinisen luottamus metristä erottelee potilaat eri ennusteen tarkkuus ja selviytymistä kertaa. Näytteet, joilla on suuri kliininen luottamus oli todennäköisesti tarkkoja ennusteita päässä ennustavia malleja. Lisäksi potilailla, joilla on korkea kliininen luottamus odotettaisiin elää varten varsinkin pidemmän tai lyhyemmän ajan, jos niiden ennuste oli hyvä tai synkkä perustuu malleihin, vastaavasti. Olemme päätellä, että kliiniset luottamus voisi olla hyödyllinen metrinen henkilökohtaista syövän ennustetta ennustaminen käyttäen mikrosiruja. Asettaessa luottamustasolla ja ennusteen kanssa kliinisen luottamus metrinen antaa kliinikon objektiivinen, yksilöllisten päätösten, kuten valitsemaan vakavuus hoidon.

Citation: Shao L, Fan X, Cheng N, Wu L , Xiong H, Fang H, et al. (2012) Siirtyminen Population laajuisesti Henkilökohtainen Cancer Ennuste kanssa mikrosirut. PLoS ONE 7 (1): e29534. doi: 10,1371 /journal.pone.0029534

editori: Christina Chan, Michigan State University, Yhdysvallat

vastaanotettu: 20 kesäkuu 2011; Hyväksytty: 30 marraskuu 2011; Julkaistu: 25 tammikuu 2012

Copyright: © 2012 Shao et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Tämä työ tukivat National Science Foundation of China (nro 30801556 ja 30830121), National S T Major Project (nro 2008ZX09312-001), Science Foundation of Chinese University (nro 2009QNA7031), ja Zhejiangin maakunnan Natural Science Foundation of Kiina (No. R2080693). Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

kaikki yksilöt reagoivat huumehoidon samalla tavalla. Niinpä kehitystä yksilöllisiä hoito-optimoitu yksittäisten potilaiden on merkittävä tavoite 21

st-luvulla lääketiede [1]. Nykyaikaiset työkalut ovat käytössä auttamaan lääkäreitä tehokkaasti hoidettaessa potilaita, yksilöinä ja tarjoamalla räätälöityjä huumeiden väliintuloa.

Inter-yksilöllinen vaihtelu lääkekäsittelyyn vaikuttaa voimakkaasti potilaan fysiologisen tilan aikaan hoidon. Tämä tila voidaan luonnehtia geeniekspressioprofiilit [2]. Näin ollen, sirutekniikalla voidaan ohjata valinnan huumeiden tai hoito-ja voidaan käyttää arvioimaan herkkyyden potilaan tiettyjen sairauksien, jotka mahdollistavat henkilökohtaisen suunnitelman ehkäisyyn seurantaan ja hoitoon [3]. Mahdollisen hyödyt sirutekniikalla kliinisissä sovelluksissa on osoitettu useita maamerkki tutkimuksissa [4] – [7]. Microarray-pohjainen ennustavaa mallien (tai genominen allekirjoitukset) ovat osoittaneet käyttökelpoisuutta yhdistämällä eri alaryhmien rintasyövän erillisiä kliinisiä tuloksia [8] – [13], kuten MammaPrint ™ [4], [5], virstanpylväs microarray-pohjainen ennuste rintasyövän [14].

kehittäminen microarray-pohjainen ennustava malli kasvaimen luokitus tyypillisesti kaksi peräkkäisessä vaiheessa [4], [15] – [17]. Ensinnäkin malli on kehitetty perustuu koulutusta joukko potilaita, joiden tiedetään luokkanimiin (esim kasvain tila) ja geenien ilmentyminen tietoja. Seuraavaksi koulutusmallin on validoitu käyttämällä validointi joukon, joka sisältää potilaat, joilla tiedetään olevan luokan tarroja. Pätevyyttä koulutuksen mallin suorituskykyä validointi asetettu on ollut keskittyä ”class ennustus” tutkimus. Varmistaakseen koulutuksen mallia voidaan käyttää todellisissa kliinisissä sovelluksissa, ehdotettiin, että malli on arvioitava useita riippumattomia näytteitä tässä ulkoisen validointiprosessissa [18].

On tärkeää Huomaa, että edellä mainittu ulkoinen kelpuutusstrategian arvioi suorituskykyä koulutusmalli populaatiofarmakokineeettisellä määrittelemän validointi asetettu. Keskimääräinen suorituskyky (esim spesifisyys, herkkyys) yli väestöstä käytetään arvioitaessa, onko malli voi olla luotettava diagnostinen tai prognostisia testi. Tämä strategia on tehtävä olettaen, että malli toimii yhtä kaikille ottamatta huomioon yksilöiden välistä vaihtelua. Näin ollen keskimääräinen suorituskyky perustuu potilaspopulaatiossa ei voi varmistaa sen ennustavan kyky yksittäisille potilaille, mikä saattaa aiheuttaa mahdollisesti epäluotettavaa diagnostiikkaan tai ennusteiden reaalimaailman sovelluksen. Tämä yksi koko sopii kaikille strategiaa on muokattu koko väestöön on henkilökohtaisen lääketieteen mikrosirulähestymistavassa data-pohjaisia ​​sovelluksia.

Ehdotamme metrinen nimeltään kliininen luottamusta mittaava mallin luotettavuus ennustus suorituskykyä koskevasta yksilöllisesti. Kliiniset luottamus voi olla hyötyä valittaessa sopivaa hoidot; Esimerkiksi potilailla, joilla on korkea luottamus ja huono ennuste voidaan antaa tiukempaa hoitoja. Lisäksi potilailla, joilla on alhaisempi kliinisiin luottamukselliset voi olla ensisijainen ehdokkaita tutkitaan tarkemmin ehdot vaihtoehtoisilla menetelmillä. Tarkkuus kliinisen luottamuksen metrinen tutkittiin kolmessa laajassa kliinisessä aineistoja kanssa yhteensä kuusi kliinisten päätepisteiden [19].

Tarkemmin sanottuna ensin jaettu kukin aineisto kahteen, eli koulutus ja validointi asetettu. Jäljittelemään reaalimaailman kliinisiä skenaarioita, teimme validointi joukko, joka sisältää vain potilaat, joiden microarray data syntyi myöhemmin kuin harjoitussarjassa. Me johdettu kliiniset luottamus koulutuksesta mallista, jonka jälkeen arvioida sen vastaavuutta ennusteen tarkkuus ennusteen ja elinaika potilaista validointi asetettu. Parhaan tietomme mukaan tämä on ensimmäinen yritys antaa mitta luottamusta yksittäisille potilaille microarray-pohjainen ”class ennustaminen” tutkimusta, joka on tärkeä edistysaskel henkilökohtaisen lääketieteen.

Materiaalit ja menetelmät

Tietoaineistot

Kolme suuren mittakaavan, syövän kliininen aineistot käytettiin tässä tutkimuksessa: rintasyöpä (BR) [20], multippeli myelooma (MM) [21], ja neuroblastooma (NB) [22]. Tiivis yhteenveto aineistot on esitetty taulukossa 1. Tarkempaa tietoa näistä aineistoja löytyy pääasiassa paperin toisen vaiheen microarray Quality Control projekti (MAQC-II) [19].

Jokaisella aineisto on kaksi kliinistä päätepisteitä syöpään liittyvät ennusteeseen (mukaan lukien selviytyminen data) tai hoito: BR-pCR ja BR-erpos hoidossa vaste aineisto, NB-EFS ja MM-EFS jos elinaika aineisto, ja NB -OS ja MM-käyttöjärjestelmän yleisessä eloonjäämisen aineisto (taulukko 1). Nämä kolme kliinistä aineistot tutkittiin MAQC-II hanke johtama FDA [19]. Jäljitellä reaalimaailman kliininen skenaario soveltamisessa genomista allekirjoituksia, kaksi riippumatonta populaatiot potilaiden kunkin kolmen kliinisen aineistot määritteli MAQC Consortium kuin koulutus ja validointi sarjojen kronologista järjestystä, jossa näytteet validoinnissa sarjaa luotiin myöhemmin kuin koulutuksessa sarjaa. Otoskoot koulutukseen sarjaa vaihteli 130 ja 340, ja suhde positiivisten tapahtumien kielteisiä tapahtumia vaihteli 0,18-1,60; välin otoskoot validoinnissa sarjaa vaihteli 100-214, ja suhde positiivisten tapahtumien kielteisiä tapahtumia vaihteli 0,14 ja 1,56.

Kaksi positiivista ja kaksi negatiivista kontrolli päätepisteitä käytettiin myös tässä tutkimuksessa. Positiivinen kontrolli päätepisteet eli NB-PC ja MM-PC, olivat peräisin NB ja MM aineistoja erikseen, jossa näytteet merkitään sukupuolen. Kahden negatiivisen kontrollin päätepisteet eli NB-NC ja MM-NC (jotka vastaavat NB ja MM aineistoja, vastaavasti), näytteen etiketit (eli positiivinen tai negatiivinen tapahtumat) olivat satunnaisesti. Käyttämällä näitä kahta valvonnan avulla voimme arvioida suorituskykyä kliinisesti merkittäviä päätepisteet vastaan ​​odotettu suurin ja pienin suorituskykyä tarjoamia valvontaa.

Kliininen luottamus

kliininen luottamusta luottamusta mittaava näytteen on määrätty tietylle luokalle ennustava malli. Näytteen

i

, sen kliininen luottamus metrinen () on luotettavuustasolla näytteen ollessa oikein määrittämä ennakoiva malli ja määritellään seuraavasti: (1) missä ja ovat samankaltaisuus toimenpiteiden välillä näytteen ja näytteiden luokka 1 ja luokka 2, vastaavasti. Samankaltaisuus toimenpide vaihtelee luokittelijoiden käytetty. Kaksi hyvin tutkittu luokittelijoiden geenien ilmentyminen tietoja käytettiin tässä tutkimuksessa, eli lähimpänä-Centroid luokitussääntöä (

NC

) [4] ja

k

-nearest naapurit (

KNN

,

k

= 5) [23]. Sillä

NC

luokittelija, ja määriteltiin korrelaatiokertoimet tuntemattoman näytteen centroids luokan 1 ja luokan 2, vastaavasti. Painopisteen määritellään vektoreita keskimääräisestä ilmaisun arvoja. Sillä

KNN

luokittelija, ja määritellään olevan määrän lähimmät naapurit ja tuntemattoman näytteen kuuluvat luokkaan 1 ja luokka 2, vastaavasti.

arvot vaihtelevat 0,5 ja 1, jossa arvo 0,5 osoittaa, että ennuste johtuu sattumasta. Yhä suurempi arvot vastaavat yhä suurempia ennustus luottamusta. Jotta Yksinkertaisuuden vuoksi kaikki analyysi perustuu kolmeen luottamustasoja: alhainen luottamus (LC; 0.5≤≤0.6), keskipitkän luottamus (MC; 0,6 ≤0.8) ja korkea luottamus (HC; 0,8 ≤1.0 ).

tilastollinen

yleinen analyysi työnkulku on esitetty kuviossa 1; lisätietoja annetaan Methods S1. Analyysi protokolla aloitetaan kehittämällä paras luokittelija perustuu training set ja päättyy ennustamalla validointi asetettu. Ennustettu luokka ja vastaavat kliiniset luottamukselliset kirjataan matriiseissa

L

ja

C

, vastaavasti. Varmistaakseen tilastollisesti päteviä, menettely toistetaan 500 kertaa, mikä johtaa 500 eri luokittelijoiden koulutuksesta sarjaa ja 500 ennusteita validointi asetettu. Suorituskyky niin koulutuksen malleja ja ennusteita arvioidaan käyttämällä Matthews korrelaatiokerroin (MCC) [24], [25].

Lisätietoja annetaan Methods S1.

Permutaatio testi käytettiin myös verrata luokittelija ennustetarkkuus versus mahdollisuuden [26], [27]. Kussakin permutaatio analyysi protokolla kuvassa 1 toistettiin sillä poikkeuksella, että luokan tarrat harjoitussarjassa satunnaistettiin. Toisin sanoen, malleja on rakennettu satunnaistettu koulutusta sarjaa käytettiin ennustamaan validointi sarjaa. Sen jälkeen 500 toistoja, aste mahdollisuus korrelaatio ja ennustettavuutta päätepisteiden laskettiin kanssa Cohenin

d

[28], joka mittaa standardoitu ero kahden keinoin.

Tulokset

rajat validointi suorituskykyä mitataan MCC-arvot kaikille koulutusta mallien mukana keskimääräinen ennuste suorituskykyä validoinneista sarjat on koottu taulukkoon S1. Malli suorituskyky noudattaa järjestystä NB-PC, MM-PC, BR-erpos, NB-EFS, NB-OS, BR-PCR, MM-EFS, MM-OS, MM-NC, ja NB-NC. Kaksi positiiviset kontrollit toimivat parhaiten, kun taas kaksi negatiiviset kontrollit suorittaa pahinta, joka on sopusoinnussa odotusten kokeen suunnittelussa.

Kliininen luottamusta positiivisesti korreloi mallin ennustuksen suorituskyky

Ensin tutkitaan mallin suorituskykyä validointi asetettu potilaiden joutuminen eri kliinisen luottamusta. Kuten kuviossa 2 on positiivinen korrelaatio näkyy välillä ennusteen tarkkuus ja luottamustaso kuuden kliinisen ja neljä ohjaus päätepisteiden käyttämällä

KNN

luokittelija. Niistä kuusi kliinisen päätepisteitä BR-erpos aineisto osoitti voimakkaimman korrelaation. Jotta BR-erpos keskimääräinen MCC arvo ennusteet alhaisen luottamuksen (LC) oli vain 0,19, kun keskimääräinen MCC arvoa huomattavasti suurentunut noin 0,78, kun luottamustasolla lähestyi 1. Siten verrattuna koko MCC arvo (0,71) ( Taulukko S1), kliininen luottamus voisi onnistuneesti selittää yksilöiden välistä vaihtelua discriminating potilailla, joilla on pienempi tai suurempi kuin keskimääräinen ennustearvon.

Circle säteet skaalataan prosenttiosuus kaikista näytteistä kliinisessä luotettavuustasolla. Luottamus tasot ovat ”0,6”, ”0,8”, ja ”1”.

On selvää, että luontainen ennustettavuutta geeniekspressioprofiilien vaihtelee eri päätepisteitä, osoituksena asteittainen väheneminen jyrkkyys mallin tehokkuuden kuusi kliinisten päätepisteiden yli erilaiset luottamusväli (ts rinteillä kuviossa 2, tiedot on esitetty taulukossa S2) ja näytteiden määrä jaetaan eri luottamus alueilla (eli markkeri koko kuvassa 2). Kuten kuviossa 3 on esitetty, lineaarinen positiivinen korrelaatio havaittiin kulmakertoimen välillä, oli saatu kuviossa 2 ja luontainen ennustettavuutta (määrällisesti Cohenin

d

[28]) kuuden kliinisen ja neljä ohjaus päätepisteet. Ennustettavissa päätepisteet (esim BR-erpos, NB-EFS) taipumus olla suurempi osa potilaista (edustettuina markkeri koko kuviossa 2) korkean luottamuksen alueiden suurella ennusteen tarkkuus kuin vähemmän ennustettavissa päätepisteitä (esim MM -EFS, MM-käyttöjärjestelmä). Tarkempia tietoja näytteen jakamiseksi luotettavuusalueena annettiin taulukossa S3. Nämä havainnot olivat edelleen vahvistaa toisella hahmontunnistus menetelmällä (eli

NC

) (kuviot S1 ja S2), ja myös toinen näyte halkaisu strategia (80/20 halkaisu, kuviot S4 ja S5).

rinteet ovat regressioanalyysillä saatuja perustuu lineaarisen osan luottamusta MCC käyrä, vaikka Cohenin

d

edustaa luontainen ennustettavuutta aineisto.

tulokset osoittavat, että suurempi luontainen ennustettavuutta päätepiste liittyy suurempi osuus potilaista, jotka kuuluvat korkeammat luottamustasoja käytettäessä microarray-pohjainen ennustavia malleja. Koska korrelaatio genomista allekirjoitusta kliininen lopputulos on harvoin täydellinen, kliininen luottamus voisi olla hyödyllistä erottaa potilaiden eri ryhmiin, joille erityistä hoitoa menettelyjä voidaan kehittää.

suhde kliinisen luottamusta potilaan selviytyminen tim

e

Meillä on myös arvioitava, ovatko kliiniset luottamus ennustaa eloonjäämisaste potilaiden validoinnissa asetettu. Potilaat jaettiin kahteen ennusteen ryhmään (eli hyvä ja huono ennuste) sekä NB ja MM aineistojen kanssa päätepisteiden OS (kokonaiselossaoloaika) ja EFS (event-elinaika), vastaavasti (Methods S1). Kuvassa 4 on esitetty käyttöjärjestelmän käyrät potilailla, joilla on erilaiset kliiniset luottamukselliset sekä ennusteen kanssa. Potilaat, joilla on korkea kliininen luottamus näytteillä lisääntynyt eloonjäämismahdollisuus hyvään ennusteeseen ryhmä ja alentunut eloonjäämisprosentti on huono ennuste ryhmä, mikä osoittaa, että kliininen luottamus tehostetun tarkkuuden ennusteen peräisin ennustavia malleja. Kun MM-OS esimerkkinä, eloonjäämisaste on ilmeisesti suurempi potilaiden hyvää ennustetta ryhmän suuri luottamus (HC) verrattuna niihin, joilla on alhainen (LC) (log-rank testi p-arvo 0,01) ja keskipitkän (MC) niitä (log-rank testi, p-arvo 0,13), erityisesti päivittäin merkin yli 1000 päivää (kuva 4). Potilaille, joilla on huono ennuste, yli 80% niistä, joilla on alhainen kliininen luottamusta eli niin kauan kuin 300 päivää, kun taas noin 30%: lla potilaista niille, joilla on korkea luottamukselliset selviytyi tuolloin, vastaavasti. Samanlaisia ​​suuntauksia havaittiin myös NB-OS aineisto.

Kuva S3, joka kuvaa EFS käyrät potilailla, joilla on erilaiset kliiniset luottamuksia, osoittaa samansuuntaisesti kuin OS käyrät esitetään kuviossa 4. Positiivinen korrelaatio kliinisen luottamusta EFS korko on selvästi esitetty kuvissa S3C ja S3D potilaille hyvän ennusteen. Kuitenkin korrelaatio on vähemmän merkitystä potilaille, joilla on huono ennuste (kuviot S3a ja S3b). Vastaavat tulokset 80/20 jakoa kuvioissa S6 ja S7, ja sopeutui nämä edellä mainitut havainnot.

Tulokset osoittavat, että kun potilaat ryhmiteltiin joko hyvä tai huono ennuste ryhmiä, joita ennustavia malleja kliininen luottamus voidaan edelleen luonnehtia eloonjäämisaste yksittäisten potilaiden kunkin ennusteen ryhmässä.

keskustelu

Useat koko väestöön diagnostisia /prognostista perustuvat testit geenien ilmentyminen on raportoitu [4], [6], [7]. Väestön perustuvia malleja tarjoavat ainoastaan ​​keskimäärin käyttöaihe väestöstä vastaava keskimääräinen väestö tarkkuutta. Tässä tutkimuksessa osoitimme, että kliininen luottamus on sekä pystyy erottamaan potilaita, jotka voidaan paremmin ennustaa luotettavasti niiltä, ​​jotka ovat vähemmän ennustaa, ja se ennustaa eloonjäämisaste potilaiden kun ne on ryhmitelty eri ennustetekijöiden ryhmiin. Siten ansioksi luottamustasolla ja ennusteen kanssa kliinisen luottamus metristä antaa kliinikon yksilöllisemmän, tavoite perusteella päätetään käytettäessä biomarkkereita johdettu microarray data.

Tarkemmin, huomasimme, että kliinisen luottamus tarjosi paremman arviointi eloonjäämisen, kun potilaat luokiteltiin eri ennusteen luokkiin perustuu sekä 70/30 ja 80/20 näyte tehtäviä. Potilaille, joilla on hyvä ennuste, paremmat kliinisen luottamus oli vahvasti korreloi pidempi elinaika. Samoin potilailla, joilla on huono ennuste, eloonjäämisaste oli merkitsevästi pienempi niille, joilla on korkea luottamukselliset kuin toiset. Kun päätepisteet MM-EFS ja MM-OS esimerkkeinä, vaikka ne ovat melko vaikea ennustaa, potilaille, joilla on suuri luottamus näyttää huomattavasti suurempi tai pienempi eloonjäämisaste, kun ne on ryhmitelty mukaisesti hyvä vai huono ennuste, tässä järjestyksessä. Mikä tärkeintä, kaikki potilaat korkean luottamuksen ryhmä selvisivät 5000 päivää (kuvio S3C), mikä osoittaa, että kliininen luottamus on informatiivinen elinaika ennuste työkalu.

Tärkeä näkökohta tässä tutkimuksessa on, että kaksi positiivinen (NB-PC , MM-PC) ja kaksi negatiivinen kontrolli (NB-NC, MM-NC) aineistot olivat mukana, mikä on olennaista arvioida suorituskykyä kliinisesti merkittäviä päätepisteet vastaan ​​teoreettinen suurin ja pienin suorituskykyä tarjoamia valvontaa. Tarkemmin sanottuna positiivinen korrelaatio mallin tehokkuuden ja kliinisen luottamusta kahden positiivisen kontrollin aineistot kuvassa 2 vahvisti mahdollisuuksia kliinisen luottamuksen tarjota mitta luotettavuus henkilökohtainen lääketiede, kun taas vähäinen vaikutus kliinisten luottamus kaksi negatiivisen kontrollin aineistot rajoitti entisestään mahdollisuutta saada vääriä positiivisia. Siten sisällyttämistä positiivisten ja negatiivisten kontrolli aineistot Tässä analyysissä olisi suureksi avuksi varmistaa tulosten luotettavuuden.

On edelleen arvoituksellinen miksi jotkut päätepisteiden oli vaikeampaa kuin toiset ennustaa. Kuvissa 2 ja 3 vertailla ennustettavuutta kaikkien kolmen aineistot ja vastaavat kuusi päätepisteet. Helposti ennakoitavissa päätepisteet on korkea potilaiden osuus putoaa suuri luottamus alueella. Esimerkiksi potilaiden prosenttiosuus, joka osoitti korkean kliinisen luottamus (74.70%) ja BR-erpos päätepiste on paljon suurempi kuin MM-EFS päätepiste (37,51%) (kuvio 2), mikä saattaa tarkoittaa, että BR-erpos päätepiste sisältää voimakkaampi geenin ilmentyminen signaali kuin MM-EFS tekee. Lisäksi ennustettavuutta aineisto (Cohenin

d

) on suoraan yhteydessä korrelaatiokerroin luottamuksen taso ja MCC ennustuksen suorituskyky (kuva 3).

Kyky määrittää kliinisen luottamukselliset voi parantaa huomattavasti kliinisiä päätöksentekoprosesseihin perustuvat microarray-pohjainen ennustemallit, erityisesti henkilökohtaisen hoitovaihtoehtoja. Esimerkiksi mallit esitetään tässä voisi testata mahdollisten hoitovasteen kanssa korkea luottamus ja luottamuksen puute ennusteita käytetään eri tavoin. Potilaat, joilla on hyvä ennusteeseen ja korkea luottamukselliset ovat ehdolla soveltamista rutiiniprotokollia välttää liiallista käsittelyä, kun taas tiukka strategiat tulisi valita niille, joilla on huono ennuste ja korkea luottamukselliset pidentää elinaika mahdollisimman pitkään. Kuitenkin potilaiden alhaisen luottamuksen alueita, muita arviointi vaihtoehtoisilla menetelmillä on harkittava.

On tärkeää huomata, että ehdotetun strategian tässä tutkimuksessa korostetaan siirtyminen väestöpohjaiset henkilökohtaista syövän ennustetta ei tyhjäksi merkitys väestöpohjaisia ​​ennustus, vaan perustuu sen menestys. Jos suorituskykyä ennustava malli ei ole informatiivinen, kuten nähdään kaksi negatiiviset kontrollit (eli MM-NC ja NB-NC), kliininen luottamus ei ole ennustaa. Siten malli vahvistustapoihin jotka sisältävät ristivalidointi ja riippumattoman ulkopuolisen validointi ovat edelleen välttämätöntä varmistaa pätevyyden microarray-pohjainen ennustavia malleja. Koska väestöpohjainen ennuste ei anna tarkkaa arviointia kunkin potilaan populaatiossa, kliininen luottamus tarjoaa keinon mitata luotettavuutta yksittäisten perustuvia ennusteita väestön-pohjainen ennuste.

edut yksilöllisiä lääketiede terveydenhuollon tunnetaan hyvin [1]. Se mahdollistaa potilaan ja lääkärin olla tietoisia eduista ja riskeistä mahdollisista hoidoista ja mahdollisten tulosten vaikuttaa geneettinen meikkiä tai muu ympäristön vaikutuksilta. Siten ilmoitti, räätälöityjä ja terveyteen liittyviä päätöksiä voidaan tehdä jokaiselle henkilölle [29]. Yhdistämällä sirutekniikalla pystyy profilointi ekspressiotasoja satojen tuhansien geenien kanssa hahmontunnistuksen tekniikoilla on ollut tärkeä askel kohti yksilöllisesti päätöksentekoon [30]. Esitimme esimerkkejä soveltamalla luottamuksen arviointi syövän ennustetta ja elinaika ennuste malleille kehittynyt microarray data. Kuitenkin lähestymistapa voidaan yleistää biomarkkereita ja malleja rakennettu tietojen perusteella muista suurikapasiteettisten alustoilla. Lisäksi käsite on yleisesti sovellettavissa kaikkiin ohjattu oppiminen luokitus menetelmiä, jotka voidaan määrittää kliinisen luottamusta.

tukeminen Information

Kuva S1.

Prediction MCC funktiona kliininen luottamusta kymmenen aineistoja käyttämällä

NC

. Circle säteet skaalataan prosenttiosuus kaikista näytteistä kliinisessä luotettavuustasolla. Luottamus tasot ovat ”0,5-0,6”, ”0,6-0,8 ’ja’ 0,8-1 ’, vastaavasti.

Doi: 10,1371 /journal.pone.0029534.s001

(TIF) B Kuva S2.

korrelaatio jakojyrkkyys ja Cohenin

d

varten

NC

luokittelija. Rinteet ovat regressioanalyysillä saatuja perustuu lineaarisen osan luottamusta MCC käyrä, vaikka Cohenin

d

edustaa luontainen ennustettavuutta aineisto.

Doi: 10,1371 /journal.pone.0029534.s002

(TIF) B Kuva S3.

Event-elinaika (EFS) käyrät potilaille, joilla on erilaiset kliiniset luottamukselliset käyttämällä

KNN

jossa ”LC”, ”MC” ja ”HC” tarkoittavat ”alhaisen luottamuksen (0,6)”, ”keski luottamus (0,8) ”, ja” korkea luottamus (1) ”, vastaavasti.

doi: 10,1371 /journal.pone.0029534.s003

(TIF) B Kuva S4.

Prediction MCC funktiona kliininen luottamusta kymmenen aineistoja käyttäen 80/20 halkaisu ja

KNN

. Circle säteet skaalataan prosenttiosuus kaikista näytteistä kliinisessä luotettavuustasolla. Luottamus tasot ovat ”0,6”, ”0,8”, ja ”1”.

Doi: 10,1371 /journal.pone.0029534.s004

(TIF) B Kuva S5.

korrelaatio jakojyrkkyys ja Cohenin

d

varten

KNN

luokittelija perustuen 80/20 näytteestä tehtävän. Rinteet ovat regressioanalyysillä saatuja perustuu lineaarisen osan luottamusta MCC käyrä, vaikka Cohenin

d

edustaa luontainen ennustettavuutta aineisto.

Doi: 10,1371 /journal.pone.0029534.s005

(TIF) B Kuva S6.

Kokonaiselossaoloaika (OS) käyrät potilaille, joilla on erilaiset kliiniset luottamukselliset käyttäen 80/20 halkaisu ja

KNN

, jossa ”LC”, ”MC” ja ”HC” tarkoittavat ”alhaisen luottamuksen (0,6)” , keskipitkän luottamus (0,8) ”, ja” korkea luottamus (1) ”, vastaavasti.

doi: 10,1371 /journal.pone.0029534.s006

(TIF) B Kuva S7.

Event-elinaika (EFS) käyrät potilaille, joilla on erilaiset kliiniset luottamukselliset käyttäen 80/20 halkaisu ja

KNN

, jossa ”LC”, ”MC” ja ”HC” tarkoittavat ”matalan luottamuksen (0,6 ) ”,” keski luottamus (0,8) ”, ja” korkea luottamus (1) ”, vastaavasti.

doi: 10,1371 /journal.pone.0029534.s007

(TIF) B Taulukko S1.

MCC suorituskyky koulutus- ja validointi sarjoiksi.

doi: 10,1371 /journal.pone.0029534.s008

(DOCX) B Taulukko S2.

Slope ja Cohenin

d

jokaiselle aineisto.

doi: 10,1371 /journal.pone.0029534.s009

(DOCX) B Taulukko S3.

Prosenttiosuus potilaista alhaisen luottamuksen (LC), keskipitkän luottamus (MC) ja korkea luottamus (HC) alueilla.

doi: 10,1371 /journal.pone.0029534.s010

(DOCX) Tool Menetelmät S1.

rakentaminen paras luokittelija ja laskea korrelaatio kliinisen luottamusta ja eloonjäämisaste.

doi: 10,1371 /journal.pone.0029534.s011

(DOC) B

Kiitokset

Tekijät haluavat kiittää MAQC data tarjoajat jakamaan tietoa sekä tietoa MAQC Consortium. Esitetyt näkemykset tässä artikkelissa eivät välttämättä edusta U.S. Food and Drug Administration.

Reference

1. Loscalzo J, Kohane I Barabasi AL (2007) Human tautiluokituksen on Postgenomic aikakauden: Monimutkainen järjestelmien lähestymistapa ihmisten patobiologian. Mol Syst Biol 3: 124.

Katso uutiset

PubMed /NCBI

Google Scholar

2. Holmes E, Wilson ID, Nicholson JK (2008) Metabolinen fenotyyppaus terveyden ja sairauden. Cell 134: 714-717.

Näytä Article

PubMed /NCBI

Google Scholar

3. Abrahams E (2009) Henkilökohtainen Medicine Huomattuaan lupauksensa. Genet Eng Biotechnol News 29 (15). Saatavilla: https://www.genengnews.com/gen-articles/personalized-medicine-realizing-its-promise/3025/. Pääsee: 2012 Jan 2.

Näytä Article

PubMed /NCBI

Google Scholar

4. van’t Veer LJ, Dai HY, van de Vijver MJ, hän YDD, Hart AAM, et al. (2002) geeniekspressioprofilointi ennustaa kliininen tulos rintasyöpään. Nature 415: 530-536.

Näytä Article

PubMed /NCBI

Google Scholar

5. van de Vijver MJ, hän YD, van ’t Veer LJ, Dai H, Hart AAM, et al. (2002) Geeni-ilmentymisen allekirjoituksen ennustajana selviytymisen rintasyövän. N Engl J Med 347: 1999-2009.

Näytä Article

PubMed /NCBI

Google Scholar

6. Ayers M, Symmans WF, Stec J, Damokosh AI, Clark E, et ai. (2004) geeniekspressioprofiilien ennustaa täydellinen patologinen vaste neoadjuvant paklitakselia ja fluorourasiilin, doksorubisiinin ja syklofosfamidin kemoterapia rintasyövässä. J Clin Oncol 22: 2284-2293.

Näytä Article

PubMed /NCBI

Google Scholar

7. Iwao-Koizumi K, Matoba R, Ueno N, Kim SJ, Ando A, et al. (2005) Prediction Doketakselin vasteen ihmisen rintasyövän geeniekspressioprofilointi. J Clin Oncol 23: 422-431.

Näytä Article

PubMed /NCBI

Google Scholar

8. Sorlie T, Perou CM, Tibshirani R, Aas T Geislerin S, et ai. (2001) Geenien ilmentyminen malleja rintakarsinoomista erottaa kasvain alaluokkien kanssa kliinistä merkitystä. Proc Natl Acad Sci USA 98: 10869-10874.

Näytä Article

PubMed /NCBI

Google Scholar

9. Sotiriou C, Neo SY, McShane LM, Korn EL, Long PM, et al. (2003) Rintasyöpä luokittelu ja ennusteen perustuvat geeniekspressioprofiilien populaatiosta-based study. Proc Natl Acad Sci U S 100: 10393-10398.

Näytä Article

PubMed /NCBI

Google Scholar

10. Sorlie T, Tibshirani R, Parker J, Hastie T, Marron JS, et ai. (2003) Toistuva havainto rintojen kasvain alatyyppien riippumaton geenien ilmentyminen aineistoja. Proc Natl Acad Sci U S 100: 8418-8423.

Näytä Article

PubMed /NCBI

Google Scholar

11.