- ข้อความ
- ประวัติศาสตร์
The testing was performed with ELIS
The testing was performed with ELISA technology. All procedures
were performed according to the manufacturer's instructions making use of
an ELISA plate washer PW40 (Sanofi Pasteur). Read-outs of the
20 Microtiterplate were digitally saved and further used for the data reduction.
All data analysis has been done by making use of standard curves of OD
values obtained by the Microtiterplate reader (Multiscan EF type 35,
ThermoScientific) against concentrations as provided by the individual
manufacturers of the kits. Individual measured patient sample values were 25 obtained by interpolation of the sample OD value and the OD values of the
standard curve obtained in each run.
The results of the individual markers in the individual samples are presented in Table 2 for the serum samples and in Table 3 for the urine samples. The urine samples were corrected for creatinin.
The data from the patients and control persons were collected and for every parameter two values were determined, if possible. To obtain the two values for every parameter a Receiver Operating Characteristic (ROC)
was determined using the statistical program Medcalc (version 11.4.0.0,
5 http://www.medcalc.org ). A first value was determined which would
discriminate between the two groups being the criterion for the Cut-off for
having the disease, set at > 95% of the calculated Positive Predictive Value
(+PV). Any sample value measured exceeding this first discriminative value
(Cut-off-Dis, for diseased) is considered discriminative for the diseased
10 state. The second value was the reciprocal situation: being the criterion for
the Cut-off for not having the disease, set at > 95% of the calculated
Negative Predictive Value (-PV). Any sample value measured exceeding this
second discriminative value (Cut-off-Excl., excluding the diseased state) is
considered discriminative for the healthy state. Any value found in between 15 the Cut-off-Dis and Cut-off-Excl is considered non-discriminative. The
parameters where the measurements enabled the determination of one or
both of these cut-off values were regarded as being sufficient discriminatory
to be used as a marker for the present การประดิษฐ์.
20 On basis of results of the Cut-off-Dis and Cut-off-Excl. for each
parameter the results were further analyzed by assigning the samples being Positive, Negative and indeterminate. A positive sample was assigned the value +1, a Negative sample the value '-1', and the indeterminate the value
`0'. Next, a set of markers was constructed. Per sample, in each set
25 parameters, the sum of all Pos, Neg and indeterminate results (expressed in
+1, -1, 0) was determined, which resultant values were then tested for
sensitivity and specificity by ROC analysis: optimal cut-off results obtained with each set of markers were used to assign patients being diseased or to exclude controls from being diseased from the resultant +PV and —PV for
30 each set of markers.
Three sets of data were analysed separately to make choices for combinations of biomarkers in each set. The sets were based on the body-
fluid in which the biomarkers are detected: serum/plasma, urine, or the
5 combination serum/plasma and urine. In all three sets, based on increasing
contribution, a reduction in the numbers of biomarkers can be reached,
starting with the 4th order (i.e. all markers) down to the 3rd, the 2nd and
ultimately to the 1st order. Significance of a contribution of biomarkers in
the respective order is based on the position of the Area under the Curve 10 (AUC) of the measured combination in the phenotype randomisation
histogram of the AUC as defined for ROC analysis. Significance is any
position within the right 0% to 5% region. The significances shown in Table
4 are given upon phenotype randomisation against the total number of
biomarkers included in the 4th - 1st order biomarkers. The AUC varies from 15 0.500 to 1.000. The higher the value of the AUC, the better its sensitivity
and specificity. The AUC is therefore chosen to evaluate the performance of
each combination of biomarkers and to make choices for optimization
purposes.
Within each 'order' three or four analyses are done, based on
20 different inclusion criteria at 90% and 95% respectively. The more stringent
the inclusion criterion, the less the number of biomarkers that are included fulfil the inclusion criteria (participating biomarkers'). Upon increasing the stringency starting in the 4th order, the amount of participating biomarkers
decreases, allowing to make an optimisation choice. Those biomarkers under 25 a certain condition that are found not to participate under higher
stringencies are excluded in the next lower order, stepwise.
Description of the choices.
1. Urine plus serum/plasma.
Testing significance at stringency to include 7.5% for the 90 %
and 95% conditions, shows a phenotype randomisation significance of
p=0.04. Under this condition, all 40 biomarkers are included making each
biomarker a potential candidate irrespective the body fluid in which it is 5 tested (randomisation run characteristics: AUC-ree=0.855, AUC.
random=0,801+/- 0.032, number of runs=3025, fraction left of 0,855=95.7%,
active biomarkers 40/40, Software Randomisation check version 1.05, see
table).
4th order: all 40 tested biomarkers appeared to be included.
10 3rd order: excluded 19 biomarkers at inclusion condition
20%/12.5%, remaining 21 biomarkers.
2nd order: excluded 3 biomarkers at inclusion condition 25%/12.5%, remaining 16 biomarkers.
1st order: excluded 5 biomarkers at inclusion condition 25%/15%,
15 remaining 11 biomarkers.
Condition of maximum performance, AUC.a,=0,879, reached with
21 biomarkers: 10 serum biomarkers plus 11 urine biomarkers. Condition of optimal performance, AUCmin=0,858, reached with 11 biomarkers:
combination of 5 biomarkers in serum and 6 biomarkers in urine.
20
2. Urine.
A stringency to include 10% at 90 % and 95%, obtains a
significance of p=0.046. Under this condition, all 19 biomarkers are included
making each urine biomarker tested a potential candidate. Randomisation 25 run characteristics: AUC-rea i= 0.781, AUC-random = 0,721+/- 0.037, number of
runs=3538, fraction left of 0,721 = 95.4%, active biomarkers 19/19, Software
Randomisation check version 1.05, data not shown in table.
4th order: all 19 biomarkers appeared to be included.
3rd order excluded 4 biomarkers at inclusion condition 14%/10%:
30 remaining 15 biomarkers.
2nd order excluded 4 biomarkers at inclusion condition 20%/12.5%: remaining 11 biomarkers.
1st order excluded 4 biomarkers at inclusion condition 25%/15%: remaining 7 biomarkers.
5 Condition of maximum performance, AUCmax=0,825, reached with
11 biomarkers. Condition of optimum performance, AUCopt=0,823, reached with 11 biomarkers.
3. Serum/plasma
10 A stringency to include 7.5% at 90% and 95% shows a significance
of p=0.030. Under this condition, all 21 biomarkers are included making
each serum/plasma biomarker tested a potential candidate. Randomisation run characteristics: AUC-rea=0.793, AUC-random = 0,727+/- 0.036, number of runs=3154, fraction left of 0,721=97.0%, active biomarkers 21/21, Software
15 Randomisation check version 1.05, data not shown in table.
4th order: 21 biomarkers included.
3rd order excluded 4 biomarkers at inclusion condition 15%/7.5%, remaining 17 biomarkers.
2nd order excluded 7 biomarkers at inclusion condition20%/12.5%,
20 remaining 10 biomarkers.
1st order excluded 4 biomarkers at inclusion condition 25%/14%, remaining 6 biomarkers.
Condition of maximum performance, AUC.=0,793, reached with
21 biomarkers. Condition of optimum performance, AUCopt=0,775, reached
25 with 10 biomarkers.
were performed according to the manufacturer's instructions making use of
an ELISA plate washer PW40 (Sanofi Pasteur). Read-outs of the
20 Microtiterplate were digitally saved and further used for the data reduction.
All data analysis has been done by making use of standard curves of OD
values obtained by the Microtiterplate reader (Multiscan EF type 35,
ThermoScientific) against concentrations as provided by the individual
manufacturers of the kits. Individual measured patient sample values were 25 obtained by interpolation of the sample OD value and the OD values of the
standard curve obtained in each run.
The results of the individual markers in the individual samples are presented in Table 2 for the serum samples and in Table 3 for the urine samples. The urine samples were corrected for creatinin.
The data from the patients and control persons were collected and for every parameter two values were determined, if possible. To obtain the two values for every parameter a Receiver Operating Characteristic (ROC)
was determined using the statistical program Medcalc (version 11.4.0.0,
5 http://www.medcalc.org ). A first value was determined which would
discriminate between the two groups being the criterion for the Cut-off for
having the disease, set at > 95% of the calculated Positive Predictive Value
(+PV). Any sample value measured exceeding this first discriminative value
(Cut-off-Dis, for diseased) is considered discriminative for the diseased
10 state. The second value was the reciprocal situation: being the criterion for
the Cut-off for not having the disease, set at > 95% of the calculated
Negative Predictive Value (-PV). Any sample value measured exceeding this
second discriminative value (Cut-off-Excl., excluding the diseased state) is
considered discriminative for the healthy state. Any value found in between 15 the Cut-off-Dis and Cut-off-Excl is considered non-discriminative. The
parameters where the measurements enabled the determination of one or
both of these cut-off values were regarded as being sufficient discriminatory
to be used as a marker for the present การประดิษฐ์.
20 On basis of results of the Cut-off-Dis and Cut-off-Excl. for each
parameter the results were further analyzed by assigning the samples being Positive, Negative and indeterminate. A positive sample was assigned the value +1, a Negative sample the value '-1', and the indeterminate the value
`0'. Next, a set of markers was constructed. Per sample, in each set
25 parameters, the sum of all Pos, Neg and indeterminate results (expressed in
+1, -1, 0) was determined, which resultant values were then tested for
sensitivity and specificity by ROC analysis: optimal cut-off results obtained with each set of markers were used to assign patients being diseased or to exclude controls from being diseased from the resultant +PV and —PV for
30 each set of markers.
Three sets of data were analysed separately to make choices for combinations of biomarkers in each set. The sets were based on the body-
fluid in which the biomarkers are detected: serum/plasma, urine, or the
5 combination serum/plasma and urine. In all three sets, based on increasing
contribution, a reduction in the numbers of biomarkers can be reached,
starting with the 4th order (i.e. all markers) down to the 3rd, the 2nd and
ultimately to the 1st order. Significance of a contribution of biomarkers in
the respective order is based on the position of the Area under the Curve 10 (AUC) of the measured combination in the phenotype randomisation
histogram of the AUC as defined for ROC analysis. Significance is any
position within the right 0% to 5% region. The significances shown in Table
4 are given upon phenotype randomisation against the total number of
biomarkers included in the 4th - 1st order biomarkers. The AUC varies from 15 0.500 to 1.000. The higher the value of the AUC, the better its sensitivity
and specificity. The AUC is therefore chosen to evaluate the performance of
each combination of biomarkers and to make choices for optimization
purposes.
Within each 'order' three or four analyses are done, based on
20 different inclusion criteria at 90% and 95% respectively. The more stringent
the inclusion criterion, the less the number of biomarkers that are included fulfil the inclusion criteria (participating biomarkers'). Upon increasing the stringency starting in the 4th order, the amount of participating biomarkers
decreases, allowing to make an optimisation choice. Those biomarkers under 25 a certain condition that are found not to participate under higher
stringencies are excluded in the next lower order, stepwise.
Description of the choices.
1. Urine plus serum/plasma.
Testing significance at stringency to include 7.5% for the 90 %
and 95% conditions, shows a phenotype randomisation significance of
p=0.04. Under this condition, all 40 biomarkers are included making each
biomarker a potential candidate irrespective the body fluid in which it is 5 tested (randomisation run characteristics: AUC-ree=0.855, AUC.
random=0,801+/- 0.032, number of runs=3025, fraction left of 0,855=95.7%,
active biomarkers 40/40, Software Randomisation check version 1.05, see
table).
4th order: all 40 tested biomarkers appeared to be included.
10 3rd order: excluded 19 biomarkers at inclusion condition
20%/12.5%, remaining 21 biomarkers.
2nd order: excluded 3 biomarkers at inclusion condition 25%/12.5%, remaining 16 biomarkers.
1st order: excluded 5 biomarkers at inclusion condition 25%/15%,
15 remaining 11 biomarkers.
Condition of maximum performance, AUC.a,=0,879, reached with
21 biomarkers: 10 serum biomarkers plus 11 urine biomarkers. Condition of optimal performance, AUCmin=0,858, reached with 11 biomarkers:
combination of 5 biomarkers in serum and 6 biomarkers in urine.
20
2. Urine.
A stringency to include 10% at 90 % and 95%, obtains a
significance of p=0.046. Under this condition, all 19 biomarkers are included
making each urine biomarker tested a potential candidate. Randomisation 25 run characteristics: AUC-rea i= 0.781, AUC-random = 0,721+/- 0.037, number of
runs=3538, fraction left of 0,721 = 95.4%, active biomarkers 19/19, Software
Randomisation check version 1.05, data not shown in table.
4th order: all 19 biomarkers appeared to be included.
3rd order excluded 4 biomarkers at inclusion condition 14%/10%:
30 remaining 15 biomarkers.
2nd order excluded 4 biomarkers at inclusion condition 20%/12.5%: remaining 11 biomarkers.
1st order excluded 4 biomarkers at inclusion condition 25%/15%: remaining 7 biomarkers.
5 Condition of maximum performance, AUCmax=0,825, reached with
11 biomarkers. Condition of optimum performance, AUCopt=0,823, reached with 11 biomarkers.
3. Serum/plasma
10 A stringency to include 7.5% at 90% and 95% shows a significance
of p=0.030. Under this condition, all 21 biomarkers are included making
each serum/plasma biomarker tested a potential candidate. Randomisation run characteristics: AUC-rea=0.793, AUC-random = 0,727+/- 0.036, number of runs=3154, fraction left of 0,721=97.0%, active biomarkers 21/21, Software
15 Randomisation check version 1.05, data not shown in table.
4th order: 21 biomarkers included.
3rd order excluded 4 biomarkers at inclusion condition 15%/7.5%, remaining 17 biomarkers.
2nd order excluded 7 biomarkers at inclusion condition20%/12.5%,
20 remaining 10 biomarkers.
1st order excluded 4 biomarkers at inclusion condition 25%/14%, remaining 6 biomarkers.
Condition of maximum performance, AUC.=0,793, reached with
21 biomarkers. Condition of optimum performance, AUCopt=0,775, reached
25 with 10 biomarkers.
0/5000
การทดสอบที่ดำเนินการ ด้วยเทคโนโลยี ELISA ขั้นตอนทั้งหมด ได้ปฏิบัติตามคำแนะนำของผู้ผลิตทำให้ใช้ คนล้างจาน ELISA PW40 (พาสเจอร์ Sanofi) Read-outs ของการ 20 Microtiterplate ถูกเซ็นชื่อแบบดิจิทัลบันทึก และใช้สำหรับการลดข้อมูลเพิ่มเติม วิเคราะห์ข้อมูลทั้งหมดแล้วโดยใช้เส้นโค้งมาตรฐานของ OD ค่าที่อ่าน Microtiterplate (ชนิด Multiscan EF 35 ThermoScientific) กับความเข้มข้นเป็นโดยแต่ละ ผู้ผลิตชุดการ แต่ละวัดค่าตัวอย่างผู้ป่วยได้รับ โดยการแทรกแทรงของค่า OD ของตัวอย่างและค่า OD 25 เส้นโค้งมาตรฐานที่ได้รับในแต่ละรันผลลัพธ์ของแต่ละเครื่องหมายในตัวอย่างแต่ละจะแสดง ในตารางที่ 2 ตัวอย่างซีรั่ม และ ในตารางที่ 3 ตัวอย่างปัสสาวะ ตัวอย่างปัสสาวะที่แก้ไขสำหรับ creatininมีการรวบรวมข้อมูลจากผู้ป่วยและผู้ควบคุม และสำหรับพารามิเตอร์ทุก ค่าสองค่าที่ กำหนด ถ้าเป็นไปได้ รับค่าสองค่าสำหรับพารามิเตอร์ทุกตัวรับปฏิบัติลักษณะ (ROC)กำหนดโดยใช้โปรแกรมทางสถิติ (รุ่น 11.4.0.0, Medcalc 5 http://www.medcalc.org) กำหนดค่าแรกที่จะ เหยียดระหว่างสองกลุ่มที่มีเกณฑ์สำหรับตัดสำหรับ มีโรค การตั้งค่า > 95% ของค่าการคาดการณ์คำนวณบวก (+ PV) มีค่าตัวอย่างที่วัดได้เกินค่านี้ discriminative แรก (Cut-off-Dis สำหรับเส้น) ถือว่าเป็น discriminative สำหรับการป่วย รัฐ 10 ค่าสองคือ สถานการณ์ซึ่งกันและกัน: เงื่อนไขสำหรับการตัดไม่มีโรค การตั้งค่า > 95% ที่คำนวณได้คาดการณ์ค่าลบ (-PV) วัดค่าตัวอย่างใด ๆ เกินกว่านี้ ค่า discriminative สอง (Cut-off-ไม่รวม รวมสถานะป่วย) พิจารณา discriminative สำหรับสถานะสุขภาพ ค่าใด ๆ ที่พบระหว่าง 15 Cut-off-Dis และ Cut-off-ไม่รวมถือว่าไม่ใช่ discriminative ที่ พารามิเตอร์ที่วัดเปิดกำหนดหนึ่ง หรือ ทั้งนี้ค่าตัดถูกถือว่าเป็นการเพียงพอโจ่งแจ้ง สามารถใช้เป็นเครื่องหมายสำหรับการประดิษฐ์ปัจจุบัน20 บนพื้นฐานของผลลัพธ์ของ Cut-off-Dis และ Cut-off-ไม่รวมสำหรับแต่ละพารามิเตอร์เพิ่มเติมมีวิเคราะห์ผล โดยการกำหนดตัวอย่างการบวก ลบ และไม่ทราบแน่ชัด ตัวอย่างบวกถูกกำหนดค่า + 1 การลบตัวอย่างค่า-'1' และที่ยังไม่กำหนดค่า'0' ชุดของเครื่องหมายถูกสร้างขึ้น ต่อตัวอย่าง ในแต่ละชุดพารามิเตอร์ 25 ผลรวม ของทั้งหมด Pos, Neg (แสดงในผลลัพธ์ไม่ทราบแน่ชัด+ 1, -1, 0) ถูกกำหนด ซึ่งค่าผลแก่แล้วทดสอบการความไวและ specificity โดยวิเคราะห์ ROC: ใช้ผลลัพธ์สูงสุดตัดรับกับแต่ละชุดของเครื่องหมาย เพื่อกำหนดให้ผู้ป่วยที่กำลังป่วย หรือ เพื่อแยกตัวควบคุมจากการป่วยจาก resultant การ + PV และ – PV สำหรับ30 แต่ละชุดของเครื่องหมายสามชุดของข้อมูลที่ analysed แยกต่างหากเพื่อให้ตัวเลือกสำหรับชุด biomarkers ในแต่ละชุด ชุดอยู่ตามร่างกาย-น้ำมันที่พบใน biomarkers: เซรั่ม/พลาสม่า ปัสสาวะ หรือชุดเซรั่ม/พลาสม่าและปัสสาวะ 5 ในทั้งหมดสามชุด ตามเพิ่มสัดส่วน ลดจำนวน biomarkers สามารถเข้าถึงได้เริ่มต้น ด้วยลำดับ 4 (เช่นทั้งหมดเครื่องหมาย) ลงมาที่ 2, 3 และ ในที่สุดการสั่งซื้อ 1 ความสำคัญของสัดส่วนของ biomarkers ใน ลำดับการขึ้นอยู่กับตำแหน่งของพื้นที่ภายใต้การโค้ง 10 (AUC) ของชุดวัดใน phenotype randomisation ฮิสโตแกรมของ AUC กำหนดวิเคราะห์ ROC มีความสำคัญใด ๆ ตำแหน่งภายในภูมิภาค 0% ถึง 5% เหมาะสม Significances ที่แสดงในตาราง4 จะได้รับเมื่อ phenotype randomisation กับจำนวนbiomarkers ใน biomarkers สั่ง 4 1 AUC ที่ตั้งแต่ 15 0.500 ไปจนถึง 1.000 ยิ่งค่า AUC ดีกว่าความไวของ และ specificity ดังนั้นเลือก AUC ที่ประเมินประสิทธิภาพของ แต่ละชุด biomarkers และเลือกการปรับให้เหมาะสม วัตถุประสงค์ภายในแต่ละ 'สั่ง' สี่วิเคราะห์เสร็จ ตามเงื่อนไขต่าง ๆ รวม 20 ที่ 90% และ 95% ตามลำดับ เข้มข้นขึ้นเกณฑ์รวม ยิ่งจำนวน biomarkers ที่มีอยู่ตอบสนองเกณฑ์รวม (ร่วมรายการ biomarkers ของ) เมื่อเพิ่ม stringency ที่เริ่มต้นในลำดับ 4 จำนวน biomarkers ที่ร่วมรายการลดลง ช่วยในการทำให้เป็นตัวเลือกที่เพิ่มประสิทธิภาพ Biomarkers ที่ใต้ 25 เงื่อนไขที่พบไม่เข้าร่วมภายใต้สูง stringencies จะไม่รวมอยู่ถัดไปด้านล่างตามลำดับ stepwiseคำอธิบายของตัวเลือก1. ปัสสาวะบวกเซรั่ม/พลาสม่าทดสอบนัยสำคัญที่ stringency รวม 7.5% 90% สภาพ 95% และแสดงถึงความสำคัญ randomisation phenotype ของ p = 0.04 ภายใต้เงื่อนไขนี้ biomarkers 40 ทั้งหมดมีอยู่ทำให้แต่ละ ไบโอมาร์คเกอร์เป็นผู้บกน้ำร่างกายเป็น 5 ทดสอบ (randomisation รันลักษณะ: AUC รี = 0.855, AUC สุ่ม = 0 หมายเลข 801 +/-0.032 รัน = 3025 ซ้ายเศษ 0, 855 = 95.7% ตรวจสอบเวอร์ชัน 1.05 biomarkers งาน 40/40 ซอ Randomisation ดู ตาราง)สั่ง 4: biomarkers ทดสอบ 40 ทั้งหมดปรากฏ ว่ารวมสั่ง 10 3: แยก 19 biomarkers ที่รวมเงื่อนไข20/12.5% ที่เหลือ 21 biomarkersลำดับที่ 2: แยก 3 biomarkers ที่รวมเงื่อนไข 25/12.5% ที่เหลือ 16 biomarkersลำดับที่ 1: แยก 5 biomarkers ที่รวมเงื่อนไข 25% / 15%biomarkers เหลือ 11 15เงื่อนไขของประสิทธิภาพสูงสุด AUC.a,=0,879 เข้าถึงได้ด้วย21 biomarkers: 10 serum biomarkers บวก biomarkers ปัสสาวะ 11 เงื่อนไขของประสิทธิภาพสูงสุด AUCmin = 0, 858 พร้อม 11 biomarkers: ชุด 5 biomarkers ในซีรั่มและ 6 biomarkers ในปัสสาวะ202. ปัสสาวะStringency รวม 10% 90% และ 95% ได้รับการความสำคัญของ p = 0.046 ภายใต้เงื่อนไขนี้ biomarkers 19 ทั้งหมดจะถูกรวมไว้ ทำให้ไบโอมาร์คเกอร์ปัสสาวะแต่ละทดสอบผู้สมัครที่มีศักยภาพ ลักษณะ randomisation 25 รัน: AUC สวทชฉัน = 0.781, AUC สุ่ม = 0,721 +/-0.037 จำนวน ทำงาน = 3538 เศษส่วนซ้ายของ 0,721 = 95.4% งาน biomarkers 19/19 ซอฟต์แวร์ Randomisation เครื่องรุ่น 1.05 ข้อมูลไม่แสดงในตารางสั่ง 4: biomarkers 19 ทั้งหมดปรากฏ ว่ารวมสั่ง 3 แยก 4 biomarkers ที่รวมเงื่อนไข 14% / 10%:biomarkers เหลือ 15 30สั่ง 2 แยก 4 biomarkers ที่รวมเงื่อนไข 20/12.5%:11 biomarkers ที่เหลือลำดับที่ 1 แยก 4 biomarkers ที่รวมเงื่อนไข 25% / 15%:7 biomarkers ที่เหลือ5 เงื่อนไขของประสิทธิภาพสูงสุด AUCmax = 0, 825 พร้อม11 biomarkers เงื่อนไขของประสิทธิภาพสูงสุด AUCopt = 0, 823 พร้อม 11 biomarkers3. ซีรั่มพลาสม่า10 stringency ที่รวม 7.5% 90% และ 95% แสดงความสำคัญของ p = 0.030 ภายใต้สภาพนี้ biomarkers 21 ทั้งหมดจะรวมทำไบโอมาร์คเกอร์ซีรั่ม/พลาสม่าแต่ละทดสอบผู้สมัครที่มีศักยภาพ Randomisation รันลักษณะ: AUC สวทช. = 0.793, AUC สุ่ม = 0,727 +/-0.036 เลขรัน = 3154 ซ้ายเศษ 0, 721 = 97.0%, biomarkers งาน 21/21 ซอฟต์แวร์15 randomisation เครื่องรุ่น 1.05 ข้อมูลไม่แสดงในตารางสั่ง 4: biomarkers 21 รวมอยู่ด้วยสั่ง 3 แยก 4 biomarkers ที่รวมเงื่อนไข 15/7.5% ที่เหลือ 17 biomarkersสั่ง 2 แยก 7 biomarkers ที่รวม condition20%/12.5%biomarkers เหลือ 10 20ลำดับที่ 1 แยก 4 biomarkers ที่รวมเงื่อนไข 25/14% ที่เหลือ 6 biomarkersเงื่อนไขของประสิทธิภาพสูงสุด AUC = 0, 793 พร้อม21 biomarkers เงื่อนไขของประสิทธิภาพสูงสุด AUCopt = 0, 775 ถึง25 กับ 10 biomarkers
การแปล กรุณารอสักครู่..
ทดสอบการปฏิบัติ + เทคโนโลยี ทุกขั้นตอนมีการปฏิบัติตามคำสั่ง
เป็นผู้ผลิตให้ใช้วิธี pw40 ( ซาโนฟี่ปาสเตอร์จานเครื่องซักผ้า ) อ่านลึกหนาบางของ
20 microtiterplate ถูกเซ็นชื่อแบบดิจิทัลบันทึกและเพิ่มเติมที่ใช้สำหรับข้อมูลทั่วไป
ทั้งหมดการวิเคราะห์ข้อมูลทำโดยการใช้เส้นโค้งมาตรฐานของ OD
คุณค่าที่ได้จาก microtiterplate อ่าน ( ประเภท multiscan EF 35 ,
thermoscientific ) กับความเข้มข้นตามที่ระบุโดยผู้ผลิตแต่ละ
ของชุด แต่ละตัวอย่างผู้ป่วยจำนวน 25 วัดค่าได้ โดยสอดแทรกตัวอย่าง OD ค่าและค่า OD ของเส้นโค้งที่ได้ในแต่ละมาตรฐาน
วิ่งผลของตัวบุคคลในแต่ละตัวอย่างแสดงในตารางที่ 2 สำหรับซีรั่มตัวอย่างและตารางที่ 3 ในตัวอย่างปัสสาวะ . ตัวอย่างเลือดจะถูกแก้ไขให้ครี ตินีน .
ข้อมูลจากผู้ป่วยและควบคุมคน โดยเก็บข้อมูลทุกพารามิเตอร์ 2 ค่าคำนวณ ถ้าเป็นไปได้เพื่อให้ได้ค่าสองค่าสำหรับทุกพารามิเตอร์ปฏิบัติการลักษณะ ( ROC )
รับพิจารณาการใช้โปรแกรมทางสถิติ medcalc ( รุ่น 11.4.0.0
5 , http://www.medcalc.org ) ค่าแรกคือมุ่งมั่นที่จะแยกแยะระหว่างสองกลุ่ม
เป็นเกณฑ์ในการตัดสำหรับ
มีโรค , ชุดที่ > 95% ของค่าพยากรณ์บวกค่า
( PV )ตัวอย่างแรกนี้ และวัดค่าเกินค่า
( ตัด DIS สำหรับป่วย ) ถือว่าเป็นค่าสำหรับการป่วย
10 รัฐ ค่าสองสถานการณ์ : การกำหนดซึ่งกันและกัน
ตัดไม่มีโรค ตั้ง > 95% ของค่า
ลบค่าพยากรณ์ ( PV ) วัดค่าเกินนี้
ตัวอย่างใดค่าสองค่า ( cut-off-excl. ยกเว้นสภาพป่วย )
ถือว่าและเพื่อสุขภาพของรัฐ . ค่าใด ๆที่พบในระหว่าง 15 ตัดนี่ตัด excl ถือว่าไม่แยก .
พารามิเตอร์ที่ใช้วัดการกำหนดหนึ่งหรือทั้งสองค่า
ตัดเหล่านี้ถือเป็นการ
ความเพียงพอเพื่อใช้เป็นเครื่องหมายสำหรับการประดิษฐ์ปัจจุบัน
20 บนพื้นฐานของการตัดและลด cut-off-excl. สำหรับแต่ละพารามิเตอร์ผลการวิจัย
เพิ่มเติมวิเคราะห์โดยให้กลุ่มตัวอย่างที่เป็นบวกและลบ ยังไม่แน่ชัด ตัวอย่างที่ดีคือกำหนดมูลค่า 1 , ลบตัวอย่างค่า ' - 1 ' และยังไม่กำหนดค่า
` 0 ' ต่อไปชุดของเครื่องหมายถูกสร้างขึ้น ต่อตัวอย่างในแต่ละชุด
25 ค่าผลรวมของผลและไม่ทอดยอด ( POS )
1 , - 1 , 0 ) คือกำหนด ซึ่งค่าดังกล่าวถูกทดสอบโดยการวิเคราะห์ความไวและเฉพาะเจาะจงสำหรับ
: :
เป็นผู้ผลิตให้ใช้วิธี pw40 ( ซาโนฟี่ปาสเตอร์จานเครื่องซักผ้า ) อ่านลึกหนาบางของ
20 microtiterplate ถูกเซ็นชื่อแบบดิจิทัลบันทึกและเพิ่มเติมที่ใช้สำหรับข้อมูลทั่วไป
ทั้งหมดการวิเคราะห์ข้อมูลทำโดยการใช้เส้นโค้งมาตรฐานของ OD
คุณค่าที่ได้จาก microtiterplate อ่าน ( ประเภท multiscan EF 35 ,
thermoscientific ) กับความเข้มข้นตามที่ระบุโดยผู้ผลิตแต่ละ
ของชุด แต่ละตัวอย่างผู้ป่วยจำนวน 25 วัดค่าได้ โดยสอดแทรกตัวอย่าง OD ค่าและค่า OD ของเส้นโค้งที่ได้ในแต่ละมาตรฐาน
วิ่งผลของตัวบุคคลในแต่ละตัวอย่างแสดงในตารางที่ 2 สำหรับซีรั่มตัวอย่างและตารางที่ 3 ในตัวอย่างปัสสาวะ . ตัวอย่างเลือดจะถูกแก้ไขให้ครี ตินีน .
ข้อมูลจากผู้ป่วยและควบคุมคน โดยเก็บข้อมูลทุกพารามิเตอร์ 2 ค่าคำนวณ ถ้าเป็นไปได้เพื่อให้ได้ค่าสองค่าสำหรับทุกพารามิเตอร์ปฏิบัติการลักษณะ ( ROC )
รับพิจารณาการใช้โปรแกรมทางสถิติ medcalc ( รุ่น 11.4.0.0
5 , http://www.medcalc.org ) ค่าแรกคือมุ่งมั่นที่จะแยกแยะระหว่างสองกลุ่ม
เป็นเกณฑ์ในการตัดสำหรับ
มีโรค , ชุดที่ > 95% ของค่าพยากรณ์บวกค่า
( PV )ตัวอย่างแรกนี้ และวัดค่าเกินค่า
( ตัด DIS สำหรับป่วย ) ถือว่าเป็นค่าสำหรับการป่วย
10 รัฐ ค่าสองสถานการณ์ : การกำหนดซึ่งกันและกัน
ตัดไม่มีโรค ตั้ง > 95% ของค่า
ลบค่าพยากรณ์ ( PV ) วัดค่าเกินนี้
ตัวอย่างใดค่าสองค่า ( cut-off-excl. ยกเว้นสภาพป่วย )
ถือว่าและเพื่อสุขภาพของรัฐ . ค่าใด ๆที่พบในระหว่าง 15 ตัดนี่ตัด excl ถือว่าไม่แยก .
พารามิเตอร์ที่ใช้วัดการกำหนดหนึ่งหรือทั้งสองค่า
ตัดเหล่านี้ถือเป็นการ
ความเพียงพอเพื่อใช้เป็นเครื่องหมายสำหรับการประดิษฐ์ปัจจุบัน
20 บนพื้นฐานของการตัดและลด cut-off-excl. สำหรับแต่ละพารามิเตอร์ผลการวิจัย
เพิ่มเติมวิเคราะห์โดยให้กลุ่มตัวอย่างที่เป็นบวกและลบ ยังไม่แน่ชัด ตัวอย่างที่ดีคือกำหนดมูลค่า 1 , ลบตัวอย่างค่า ' - 1 ' และยังไม่กำหนดค่า
` 0 ' ต่อไปชุดของเครื่องหมายถูกสร้างขึ้น ต่อตัวอย่างในแต่ละชุด
25 ค่าผลรวมของผลและไม่ทอดยอด ( POS )
1 , - 1 , 0 ) คือกำหนด ซึ่งค่าดังกล่าวถูกทดสอบโดยการวิเคราะห์ความไวและเฉพาะเจาะจงสำหรับ
: :
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- The only thing we had trouble with was f
- พรุ่งนี้ฉันรอที่เดิมนะ
- Remain 1 G-plug valve can't to replace a
- resolved
- Foreigners to Thailand will be impressed
- To remove or take out something.
- กลับไปในฐานะครูของโรงเรียน
- เมื่อลูกค้าไปไม่ถูก
- Below: Tmv Porosphaera was a Cretaceous
- Environment genetic meditation
- This is done!
- get me out of my mind
- คราวหน้าเราจะกลับมาอีก
- Give me plzzzzzzzzz
- สิ่งของแต่ละชิ้นที่คุณบอกมีแต่ราคาแพงทั้
- The data collected by doctors prove that
- ฉันให้คุณแน่นอนขอเวลาฉัน4-5วัน
- of the administrationthe WPA “is establi
- คุณสามารถใช้เวลาเลือกสินค้าได้มากตามความ
- Practicing Problem-solving Modles
- Dimostra
- Decorate
- Dimostra
- พรุ่งนี้ฉันรอที่เดิมนะ
