PDF
研究文章|开放获取
这样的Chulsomlee Sarawut Saichanma, Nonthaya Thangrua, Pornsuri Pongsuchart, Duangmanee Sanmun, ”红细胞形态学的观察报告在泰国青少年利用数据挖掘技术”,血液学的进步, 卷。2014年, 文章的ID493706年, 5 页面, 2014年。 https://doi.org/10.1155/2014/493706
红细胞形态学的观察报告在泰国青少年利用数据挖掘技术
文摘
不可否认,实验室等医疗保健在许多方面的信息是重要的管理、计划和质量改进。实验室诊断和实验室结果从每个病人组织每一个治疗。这些数据是很有用的回顾性研究探索实验室结果和疾病之间的关系。通过这样做,它增加诊断的效率和质量在实验室报告。我们的研究将利用J48算法,数据挖掘技术来预测异常外周血涂片中1362名学生通过使用13血液参数的数据集来自自动化血细胞计数器。我们发现创建的决策树算法可以作为一个实际的准则对红细胞形态预测通过使用4血液参数(MCV、妇幼保健、Hct和红细胞)。红细胞形态学的平均预测真阳性,假阳性,精度,回忆,和准确性的0.940,0.050,0.945,0.940,和0.943,分别。新发现的范式在医学实验室信息管理将有助于组织、研究、和协助相关多个学科以外的医学科学最终会导致测试结果和质量的改善更准确的诊断。
1。介绍
数据挖掘技术是一个发现的过程模式的数据。发现的模式必须是有意义的,因为它们导致一些优势。数据挖掘过程的总体目标就是从一组数据中提取信息并将其转换成一个可以理解的数据,以帮助用户决策。它利用统计数据和数学等方法探索的关系数据集或适用条件的数据,从而导致提取所需的信息或知识的关系。决策树是一个支持代表输入数据的分类过程建模作为一个树状图。它是基于分治法的概念,是由许多规则,扩展从树上,直到决定。有很多方法,决策树算法如AD-Tree C4.5决策(J48),或随机树。J48算法是一个开源的JAVA实现C4.5 WEKA软件(怀卡托环境知识分析)。树是由增益比,最高获得比指定的元素作为根和使用增益比率作为分裂树的分支(1]。
数据挖掘已经广泛应用于许多领域,如市场营销、公共关系、经济预测,天气预报。在血液学的实验室,它已成为一个强大的工具在管理不可数的实验室信息为了寻求知识基础或在任何给定的信息。许多应用程序提出了数据挖掘在血液学评估风险因素和关系等危及生命的感染时,这些患儿发热性嗜中性(2),创建诊断走近真性红细胞增多(3),并提出了一个原始的方法来识别immunophenotypic签名慢性淋巴细胞白血病(4]。
作者应用数据挖掘技术从个人技术摒弃偏见使这份报告非常主观。红细胞形态学之间的关系报告和血液参数(白细胞,红细胞,Hb、Hct、MCV、妇幼保健、MCHC, PLT、NEU, LYMP, MONO, EO,和贝索)从血液细胞分析仪。这项研究表明,通过应用数据挖掘,从自动化血细胞分析仪使用血液参数可以帮助预测异常的红细胞形态一样的红细胞形态的个人技能。在不久的将来,这条指导原则可以作为实验室改进的工具。
2。材料和方法
2.1。样本数据集
1362使用的回顾性研究结果青少年(17 - 19岁)一年级本科学生体检Huachiew Chalermprakiet大学在2011年。数据集包括性行为,血液参数和红细胞形态。血液参数自动化血细胞分析仪是由白细胞,红细胞,Hb, Hct、MCV、妇幼保健、MCHC, PLT、NEU, LYMP, MONO, EO,贝索(SysMex XT1800i, SysMex公司,神户,日本)。外周血涂片制备和彩色促黄体生成激素标准协议(5];红细胞形态被医疗技师手工评估有泰国医疗技术委员会的许可认证。收集的数据被分配到两组:正常红细胞形态和红细胞形态异常。报道的外周血涂片和正常色素的正常红血球的分为正常红细胞形态而其他人陷入异常红细胞形态类别(更多细节数据集如表所示1)。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
2.2。数据分析,数据挖掘技术
分析的数据挖掘分析使用WEKA版本3.6.9收集的数据挖掘任务的机器学习算法(1]。J48哪些决策树的数据挖掘技术,这项研究。所有分类器精度的评估使用10倍交叉验证。绩效评估是平均的十分开评估。真阳性(TP)的数量是不正常的红细胞形态预测异常的红细胞形态。假阴性(FN)异常的红细胞形态预测的数量是正常的红细胞形态。真阴性(TN)正常红细胞形态预测的数量是正常的红细胞形态。假阳性的数量(FP)正常红细胞形态预测异常形态。验证测量调查精度,灵敏度和特异性的结果相比,红细胞形态报告。我们专注于以下验证措施:精密= TP / (TP + FN),特异性= TN / (TN + FP),回忆= TP / (TP + TN),精度= (TP + TN) / (TP + TN + FN + FP),F测量精度= 2 * *特异性/(精度+特异性)。
2.3。统计数据
所有数据被当作平均值±标准偏差(SD)。不同类别之间的重要评价与独立执行t以及。的P值小于0.05被认为是具有统计学意义。
3所示。结果
血液参数从血液细胞分析仪和红细胞形态学评估1362例报告。有260男性病例(19.1%)和1102名女性(80.9%)。1362例红细胞形态学评估。红细胞形态异常被发现354例(25.99%),分为男性36例(2.64%),女性318例(23.35%)。白细胞,红细胞,Hb、Hct、MCV、妇幼保健、MCHC, PLT的红细胞形态异常病例显著正常红细胞形态情况下男性和女性()。在神经膜相比,LYMP MONO, EOS和贝索没有显著的红细胞形态(更多细节见表2)。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
NS:没有统计学意义;* *年代:统计学意义。 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
数据分析通过使用J48算法。TP J48算法的性能评估,FP,精度,记得,F测量,准确性。平均红细胞形态预测TP、FP、精度、召回F测量,精度0.940,0.050,0.945,0.940,0.941,和0.943,分别。有趣的是,当所有13个数据集的算法,分析了该项目被除了4数据集(MCV、妇幼保健、Hct和红细胞)是有用的在预测红细胞形态。根据决策树,如果MCV小于或等于78.3 fL,贴上红细胞形态异常。另一方面,MCV大于78.3 fL,妇幼保健的相互关系,Hct,加拿大皇家银行。此外,男性和女性的决策树显示相似这意味着决策树是性独立(更多细节见表3和4并在图1)。
|
||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||
4所示。讨论
红细胞形态学的报告是很常见的、基本的和根本的血液学检测。因此,需要在调查前筛查血红细胞异常更具体的疾病。红细胞形态学在血液学实验室报告是手动完成的。毫无疑问,这个报告需要时间,最后,是非常主观的,不同的技术专家到另一个由于个人实验室技能和决策技能。
作者研究了参数的均值和SD,发现没有参数可以清楚地分类红细胞形态是否正常或不正常。一些数据仍重叠但不适用这些数据使用均值和SD区分。有一些参数,比如白细胞,Hb, Hct、加拿大皇家银行、MCV、妇幼保健、MCHC, PLT是明显不同的。根据我们的发现,Hb、Hct、加拿大皇家银行、MCV、妇幼保健,和MCHC都整体红细胞的迹象,因此,这些参数的变化的变化相关红细胞形态学的变化。MCV、妇幼保健、Hct、红细胞相关变化红细胞形态在血涂片中发现更多比红细胞和MCHC。因此,当与J48算法分析,我们发现这些参数对决策树的顺序安排在血涂片红细胞形态学的变化程度(MCV、妇幼保健、Hct和红细胞,职责)。任何一个参数,极少或没有效果并不特定于红细胞形态见MCHC。虽然MCHC参数反映微粒个人红细胞血红蛋白浓度,先前的研究已经表明,MCHC报告显示至少改变但是MCHC的使用是有限的,只有在质量控制目的比诊断目的(6]。白细胞和PLT不同中发现正常和异常的红细胞形态,预计在其他参数。这个事件是不受支持的任何先前的研究,所以这只是偶尔的协议。
本研究表明应用数据挖掘技术的好处通过创建一个实用指南的血液涂片检查从决策树(见图1)。决策树的一个优势是,协助决策。数量出现在决策树是一个精确值比使用更容易做出决定实验室的正常范围内,因此它将减少决策的不确定性。此外,它可以作为一个实际的准则从血液红细胞形态学参数。然而,我们显示的是只有一个实用指南,但是扫描鼓励外周血涂片。此外,由于样本的局限性,我们只有正常和小红细胞的血红细胞在地中海贫血和人在泰国常见的贫血(7]。这个研究没有包括macrocytic贫血,因为它的低比例,只发现在泰国。在未来,数据收集应该包括macrocytic贫血为了使完整的实用指南为临床实验室改进。
5。结论
数据挖掘利用J48算法显示了独特的数据挖掘分析的关系复杂的数据超过一个常见统计的功能。J48是数学计算与仿真模型合作和一个简单的决策树为了创建一个实际的准则在预测从血液红细胞形态学参数4的数据集(MCV、妇幼保健、Hct和红细胞)来自13个数据集可用于从血液红细胞形态学参数如少年基线数据。
利益冲突
这项研究没有披露的金融支持。
引用
- m·霍尔·e·弗兰克,g .福尔摩斯b . Pfahringer p . Reutemann威滕参会,数据挖掘WEKA软件:一个更新:SIGKDD探索,2009年。
- z Badiei, m . Khalesi m . h . Alami et al .,“风险因素与儿童发热性中性粒细胞减少的威胁生命的感染:数据挖掘的方法,”儿科血液学/肿瘤学杂志》上,33卷,不。1,pp. e9-e12, 2011年。视图:出版商的网站|谷歌学术搜索
- m . Kantardzic b Djulbegovic h·哈姆丹,“数据挖掘方法改善真性红细胞增多症诊断,”计算机和工业工程,43卷,不。4、765 - 773年,2002页。视图:出版商的网站|谷歌学术搜索
- 答:无边帽,i Cattarossi, p . Nanni et al .,“immunophenotypic数据的聚类分析:慢性淋巴细胞白血病的例子,”免疫学的信,卷134,不。2、137 - 144年,2011页。视图:出版商的网站|谷歌学术搜索
- b . Houwen“血涂片制备和染色过程,”诊所在实验室医学,22卷,不。1、1 - 14,2002页。视图:出版商的网站|谷歌学术搜索
- b . s .牛,r .通向和b . Houwen MCHC-red细胞指数或质量控制参数?“在第16届世界大会学报》国际血液学的社会,25 - 29页,新加坡,1996年8月。视图:谷歌学术搜索
- k . Sanchaisuriya s Fucharoen t Ratanasiri et al .,“地中海贫血缺铁和人而不是在泰国东北部妊娠相关贫血的主要原因,“血液细胞、分子和疾病,37卷,不。1,8 - 11,2006页。视图:出版商的网站|谷歌学术搜索
版权
版权©2014 Sarawut Saichanma等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
