现代检验医学杂志
現代檢驗醫學雜誌
현대검험의학잡지
JOURNAL OF MODERN LABORATORY MEDICINE
2010年
2期
39-42
,共4页
郑旅芳%王专%胡琼英%丁银环%王开正
鄭旅芳%王專%鬍瓊英%丁銀環%王開正
정려방%왕전%호경영%정은배%왕개정
大肠癌%肿瘤标志物%验后概率%人工神经网络%检验医学
大腸癌%腫瘤標誌物%驗後概率%人工神經網絡%檢驗醫學
대장암%종류표지물%험후개솔%인공신경망락%검험의학
目的 将有限的检验信息提炼为高效的诊治信息,从技术层面探索检验医学的临床实残新途径.方法 以CA72-4,CAl9-9和CEA三项血清标志物检验诊断大肠癌为例,依托实验室信息系统(LIS)与医院信息系统(HIS)的数据信息平台,利用人工神经网络(ANN)为数据挖掘工具和SPSS统计软件构建ROC数据集,以验后概率解释每一份胃肠肿瘤标志物检验报告.结果 纳入研究的1 206份胃肠道肿瘤标志物检验标本中大肠癌占12.365%;构建了CA19-9.CA72-4和CEA检验筛查和诊断大肠癌的ROC数据象;大肠癌组三项血清标志物浓度均显著高于健康对照组和其他疾病组(P<0.01);CA19-9,CA72-4,CEA和人工神经网络诊断模型预测值筛查大肠癌的ROC曲线下面积分别是0.624,0.692,0.721和0.785.而诊断大肠癌的ROC曲线下面积分别是0.607,0.762,0.687和0.795.赋予验后概率的检验报告客现地提供了检测结果 的参考价值.结论 ANN模型在多项检验项目分析中具有更高的诊断效率,构建ROC数据集并赋予验后概率的检验报告是检验医学临床实践切实可行的新途径.
目的 將有限的檢驗信息提煉為高效的診治信息,從技術層麵探索檢驗醫學的臨床實殘新途徑.方法 以CA72-4,CAl9-9和CEA三項血清標誌物檢驗診斷大腸癌為例,依託實驗室信息繫統(LIS)與醫院信息繫統(HIS)的數據信息平檯,利用人工神經網絡(ANN)為數據挖掘工具和SPSS統計軟件構建ROC數據集,以驗後概率解釋每一份胃腸腫瘤標誌物檢驗報告.結果 納入研究的1 206份胃腸道腫瘤標誌物檢驗標本中大腸癌佔12.365%;構建瞭CA19-9.CA72-4和CEA檢驗篩查和診斷大腸癌的ROC數據象;大腸癌組三項血清標誌物濃度均顯著高于健康對照組和其他疾病組(P<0.01);CA19-9,CA72-4,CEA和人工神經網絡診斷模型預測值篩查大腸癌的ROC麯線下麵積分彆是0.624,0.692,0.721和0.785.而診斷大腸癌的ROC麯線下麵積分彆是0.607,0.762,0.687和0.795.賦予驗後概率的檢驗報告客現地提供瞭檢測結果 的參攷價值.結論 ANN模型在多項檢驗項目分析中具有更高的診斷效率,構建ROC數據集併賦予驗後概率的檢驗報告是檢驗醫學臨床實踐切實可行的新途徑.
목적 장유한적검험신식제련위고효적진치신식,종기술층면탐색검험의학적림상실잔신도경.방법 이CA72-4,CAl9-9화CEA삼항혈청표지물검험진단대장암위례,의탁실험실신식계통(LIS)여의원신식계통(HIS)적수거신식평태,이용인공신경망락(ANN)위수거알굴공구화SPSS통계연건구건ROC수거집,이험후개솔해석매일빈위장종류표지물검험보고.결과 납입연구적1 206빈위장도종류표지물검험표본중대장암점12.365%;구건료CA19-9.CA72-4화CEA검험사사화진단대장암적ROC수거상;대장암조삼항혈청표지물농도균현저고우건강대조조화기타질병조(P<0.01);CA19-9,CA72-4,CEA화인공신경망락진단모형예측치사사대장암적ROC곡선하면적분별시0.624,0.692,0.721화0.785.이진단대장암적ROC곡선하면적분별시0.607,0.762,0.687화0.795.부여험후개솔적검험보고객현지제공료검측결과 적삼고개치.결론 ANN모형재다항검험항목분석중구유경고적진단효솔,구건ROC수거집병부여험후개솔적검험보고시검험의학림상실천절실가행적신도경.