基于 RT-QuIC 数据支持向量机分类的散发性克雅氏病最优诊断测试
定量方法
2012-12-12 v1 机器学习
应用统计
摘要
在本工作中，我们研究了用于检测散发性克雅氏病 (sCJD) 的最优临床诊断测试的数值构建方法。对疑似 sCJD 患者的脑脊液 (CSF) 样本进行处理，该过程启动仅在 sCJD 病例中存在的蛋白质聚集。这种聚集在实时中以固定间隔被间接观测，从而构建出一组纵向数据，随后对其进行分析以寻找聚集证据。现有的最佳测试仅基于这组数据的最终值，将其与阈值进行比较以得出结论是否存在聚集，进而判断是否存在 sCJD。该测试标准是通过对总共 108 个 sCJD 和非 sCJD 样本的数据分析确定的，但这一过程是主观的，且缺乏支持性的数学分析来声明该标准最优地利用了可用数据。本文旨在解决这一缺陷，主要通过支持向量机 (SVM) 分类来验证或改进该测试。此外，我们还解决了一些额外问题，例如：i) 测量过程的早期停止，ii) 检测特定类型 sCJD 的可能性，以及 iii) 将年龄、性别、病程和 CSF 采样时间等额外患者数据纳入测试构建中。
引用
@article{arxiv.1212.2617,
title = {Optimal diagnostic tests for sporadic Creutzfeldt-Jakob disease based on support vector machine classification of RT-QuIC data},
author = {William Hulme and Peter Richtárik and Lynne McGuire and Alison Green},
journal= {arXiv preprint arXiv:1212.2617},
year = {2012}
}
备注
32 pages, 12 figures, 1 table