Особенности анализа биомедицинских данных: В медицинской практике и, особенно, в медицинских исследованиях

Особенности медицинских данных

Особенности анализа биомедицинских данных:  В медицинской практике и, особенно, в медицинских исследованиях

Первым шагом, предваряющим собственно статистический анализ, является исследование типа данных, основными из кото­рых являются количественные и качественные.

Качественные данные подразделяются на порядковые, или ран­говые (например, тяжесть проявлений заболевания), и классифи­кационные, или номинальные (например, перенесенные заболе­вания, классы ксенобиотиков). Процедура ранжирования данных, т.е.

упорядочивания их в соответствии с числовыми градациями, проводится в возрастающем, либо в нисходящем ряду значений. Число градаций, характеризующих данные, не должно быть из­лишне большим, так как в этом случае увеличивается элемент субъективности.

При обработке данных часто приходится переводить качествен­ные данные в количественные. В свою очередь количественные данные могут подвергаться квантованию в зависимости от постав­ленной задачи (для выделения интервалов, соответствующих раз­личным состояниям, например температура нормальная, субфебрильная, высокая и др.), и тогда они становятся аналогичны ка­чественным шкалированным.

В случае пропусков информации (отсутствующие данные) нельзя использовать так называемое «обнуление», т.е. приписы­вать кодовое число нуль, так как это в большинстве случаев со­впадает с кодированием нормы по данному признаку.

Также ме­тодически неверно использовать среднее по классу, особенно при малых выборках, так как классы далеко не всегда являются одно­родными (гомогенными).

Предпочтительно исключать такие на­блюдения или кодировать пропущенные данные специальным знаком (числом) при условии, что «обход» таких «значений» пред­усмотрен в программе, т.е. обработка проводится только по изве­стным значениям данных.

В клинической и экспериментальной медицинской практике исследователь реже употребляет слово «данные», но чаще — «па­раметры» или «переменные», ставя между этими понятиями знак равенства.

Нужно отличать понятие «переменная» от понятия «признак»: температура тела — параметр (переменная), температура тела бо­лее 37° С — признак (человек нездоров). Переменные бывают непрерывными и дискретными, в том числе, дихотомическими (принимающими одно из двух значений, например «здоров — болен»).

В клинической практике переменные часто описываются шка­лами. Как было отмечено ранее, шкалы бывают качественными (сознание ясное, спутанное и т.д.), классификационными (цвет кожных покровов — розовые, синюшные, желтушные, характер хрипов в легких — сухие, влажные мелкопузырчатые, крупнопу­зырчатые и т.д.) и количественные, в том числе интервальные, порядковые, балльные.

Интервальные переменные (например, ударный объем, мл: 50 — 80, менее 50, более 80) полезно использовать для решения конк­ретной клинической задачи. Их также можно переводить в поряд­ковые (на основе построения шкал), но лучше (при наличии воз­можности и если это не противоречит смыслу решаемой задачи) использовать собственно количественные значения переменной.

Балльные шкалы получают по-разному: после предваритель­ной математической обработки, на основе чисто клинической оценки параметра, комбинированным способом.

Как правило, затруднения в отнесении параметров к количе­ственным или качественным не возникают. Гораздо сложнее при переводе качественных данных в количественные, когда реально нужно определить «вес» градаций качественного параметра.

Не всегда правомерен вариант «в лоб»: 1, 2, 3, 4 и т.д. (но не более девяти значений, исходя из известного закона в области психоло­гии, определяющего пределы способности человека к переработ­ке информации).

Часто для получения реальных «весов» парамет­ров необходимо проводить дополнительное исследование.

Особым типом данных являются даты. Бывает, что по смыслу работы с ними приходится производить действия (например, оп­ределять, сколько времени прошло между соседними исследова­ниями), поэтому нужно следить, чтобы они записывались в опре­деленном формате.

Важен вопрос о точности измерения и представления меди­цинских параметров. Понятно, что точность исходных данных оп­ределяется точностью метода и(или) прибора, с помощью кото­рых осуществляется измерение.

В описательной статистике при работе с медицинскими дан­ными необходимо поступать следующим образом: с одной сторо­ны, не допускать потерь информации исходно — использовать данные с той точностью, которая имеет место при измерении; с другой — при представлении результатов статистической обра­ботки данных не приводить избыточной информации — в боль­шинстве случаев достаточно той точности представления инфор­мации, что и в исходных данных, либо использования одного Дополнительного разряда. Обычно при предъявлении числовых данных указываются два знака после запятой. Исключением являются случаи представле­ния констант и весовых коэффициентов функций, полученных в результате многомерного анализа (например, дискриминантного); тогда в результирующих таблицах обязательно должны приводиться все цифры после запятой.

Следует остановиться на еще одной особенности медицинских данных.

В математической статистике выводы основаны на допуще­нии: то, что верно на случайной выборке, верно и для генераль­ной совокупности, из которой она получена.

Генеральная совокупность — это набор данных, описывающих нечто всеобъемлющее, например все дети, живущие на планете Земля, вся совокупность пациентов, которые могли бы получать определенный пре­парат и т. п.

Выборка — часть генеральной совокупности, описывающая ее с той или иной долей погрешности.

Часто сформировать истинно случайную выборку из генераль­ной совокупности не представляется возможным в силу того, что для выполнения требований репрезентативности объекты иссле­дования (пациенты) должны проживать на разных континентах земного шара.

Проведение таких исследований в настоящее время возможно, однако в силу существенных физиологических разли­чий между людьми, живущими в разных уголках планеты, может быть потерян клинический смысл исследования.

Это утверждение справедливо для достаточно широко распространенных в насто­ящее время международных мультицентровых исследований, по­священных, например, метаболическому синдрому, в которых принимают участие крупные отечественные центры и институты.

В таких случаях выборка должна быть репрезентативна к исследу­емой популяции (населению РФ или определенных, этнически сходных, регионов России).

Современная технология статистического анализа данных вклю­чает:

1) постановку задачи и планирование исследования: составле­ние детального плана сбора исходных данных, определение ха­рактера выборки;

2) подготовку данных;

3) выбор методов обработки данных;

4) проведение анализа данных;

5) интерпретацию и представление результатов анализа.

Суть современной технологии обработки медицинских данныхс помощью методов математической статистики и их последу­ющей интерпретации кратко изложена в подразд. 3.3 — 3.5.

3.3. Подготовка, предварительный анализ информации и выбор методов обработки данных

Рассмотрим пример из клинической дисциплины.

Постановка задач и планирование исследования.

Предпочтитель­ным вариантом является строгий подход, когда до проведения исследования есть полная ясность, для чего предпринимается ра­бота, сколько и каких исследований будет осуществлено, какие методы и почему будут применяться для обработки полученного материала. Это позволяет оптимизировать усилия исследователя и затраты ресурсов.

Данный вариант исследования не исключает использования (целиком или частично) ретроспективных данных (собранных ранее и имеющихся в медицинской документации).

В принципе нужно помнить, что в этом случае исследователя подстерегает еще одна «ловушка», связанная с различным толкованием симптомов. Это же может иметь место и при проспективном исследовании с участием группы врачей, особенно придерживающихся различ­ных научных школ.

Поэтому помимо списка признаков, характе­ризующих заболевание, необходимо иметь их стандартные описа­ния. Это в значительной степени позволит избежать различий в толковании одних и тех же симптомов.

Однако в клинической прак­тике до сих пор достаточно часто сначала получают данные, а уже затем клиницист решает, каким образом на имеющемся материа­ле получить некий обобщающий результат.

Подготовка данных. Данные для статистического анализа при­нято готовить в виде таблицы (таблиц). Современные статистиче­ские пакеты работают с данными наиболее распространенных в настоящее время форматов, в том числе .dbf и .xls.

В строки таблицы заносятся объекты исследования (например, паци­енты), а в столбцы — параметры. Если конкретное значение параметра отсутствует, клетку таблицы оставляют пустой. Если значение параметра равно нулю, оно все равно обязательно вносится. Если пациенты обсле­довались в динамике, т.е.

по каждому больному есть несколько «срезов» параметров, обычно вводится дополнительный столбец, однозначно определяющий для конкретного больного (и соответственно — значений параметров) время исследования (например, номер хирургических су­ток).

Таблицы данных включают в себя столбец (столбцы) группирующих параметров (например, номер группы, исход заболевания, если именно по нему будут исследоваться пациенты, и т.д.).

После занесения данных в таблицу необходимо их проверить: просматривают значения параметров, выявляют те из них, кото­рые сильно отличаются от остальных. Это могут быть как реаль­ные «выпадающие» значения, так и ошибки ввода, которые не­обходимо устранить.

Перенос (импорт) данных в статистический пакет затрудне­ний не вызывает. Для этого пользуются стандартными возможно­стями буфера обмена ОС Windows. Можно также применять специ­альные модули статистических пакетов, например модуль «Уп­равление данными» (Data management) пакета Statistica.

Современные статистические пакеты дают возможность управ­лять данными: часто при решении задач возникает необходимость объединения или разделения файлов (содержащих таблицы) по условию.

Выбор методов анализа и их реализация. Для грамотного выбо­ра метода обработки данных необходимо знать характер распреде­ления используемых переменных, поэтому предварительный ана­лиз данных начинают с определения характера их распределения.

Распределение элементов выборки по значениям параметра — это сово­купность частот встречаемости интервалов его значений в данной вы­борке. К наиболее часто встречающимся видам распределений относят­ся: колоколообразное (нормальное, гауссово), полимодальное (чаще — бимодальное), равномерное и др.

К основным характеристикам распределения относятся:

· среднее арифметическое (М) — при непрерывных числовых типах параметров; все значения по выборке сложить и поделить на их количе­ство;

· медиана — значение параметра, делящее распределение параметра пополам; выборка значений параметра ранжируется (по возрастанию или убыванию); если число значений нечетно, то медиана — это централь­ное значение, если число значений четно, то медиана — это среднее арифметическое двух центральных значений;

· квантили (центили) — весь диапазон значений разбивается на 10 интервалов. Границы между интервалами — квантили, от 10%-го до 90%-го квантиля укладываются 80 % значений;

· квартили — весь диапазон разбивается на четыре интервала: 50%-й квартиль — медиана, кроме нее часто указываются 25%-й и 75%-й квар­тили, т.е. описывается 50 % наиболее «близких к центру» значений;

· мода — значение параметра с наибольшей частотой встречаемости на выборке;

· асимметрия — характеристика несимметричности распределения элементов выборки относительно среднего арифметического. В случае симметричного распределения значение асимметрии равно нулю.

В медицинских публикациях часто встречается запись значений в виде М± т, где т — стандартная ошибка среднего (standard error of mean).

Это допустимо делать в случае нормально распределен­ного параметра, а к величине т нужно относиться с определен­ной долей скептицизма.

Правда, при увеличении выборки рас­пределение параметра достаточно часто стремится к квазинормаль­ному, и тогда использование т в какой-то мере оправдано.

Лучше указывать само выборочное стандартное отклонение (среднее квад­ратичное отклонение — standard deviation — s), которое характе­ризует ширину нормального распределения. Основанием для та­кого подхода является то, что s не уменьшается при увеличении числа наблюдений п; в диапазон М ± s укладывается около 70% значений нормального распределения параметра.

Параметрические методы. Для решения многих клинико-научных задач необходимо формулировать статистические гипотезы. Среди них можно назвать анализ соответствия распределения зна­чений параметра определенному закону, сравнение групп по ха­рактеристикам распределения параметров и др.

Статистическая гипотеза — это формально строго сформули­рованное предположение.

Нулевой (Н0) называют гипотезу, которую исследователь предпола­гает отклонить (например, об отсутствии различий между группами).

Альтернативная гипотеза(Н1) противоположна нулевой (например, о наличии различий между группами).

Уровень статистической значимости (а) — это пороговое значение для ошибочного отклонения верной нулевой гипотезы (ошибки первого рода). В медицине принято выбирать а = 0,05 или а = 0,01.

Ошибка второго рода — это ошибочное принятие ложной нулевой гипотезы.

В настоящее время в публикациях принято указывать реальное значе­ние р (вероятность ошибки первого рода). Если значение р меньше 0,05, говорят о наличии статистически значимых отличий между выборками параметра.

Статистически значимые различия следует отличать от клини­чески значимых. Встречаются результаты, значимые статистически, но не значимые с клинической точки зрения, бывает и наоборот. Клинически значимые, но статистически незначимые результаты обычно получаются на малых выборках, а при увеличении выбо­рок они, как правило, подтверждаются и статистически.

Чем распределения отличаются с практической точки зрения? Тем, что наиболее распространенные методы параметрической статистики (например, t-критерий Стьюдента) можно применять только для нормально распределенных величин (колоколообразных распределений). Неправомочное использование t-критерия Стьюдента — самая часто встречающаяся ошибка статистической обработки данных клинических исследований, приводящая к оши­бочным выводам.

Непараметрические методы. В клинической медицине и при об­работке данных медико-биологических экспериментов в большин­стве случаев необходимо пользоваться непараметрическими ме­тодами статистического анализа. Они являются менее мощными, чем параметрические, но применимы для любых видов распределений.

Анализ характера распределения данных (его еще называют проверкой на нормальность распределения) осуществляется по каждому параметру.

Для проверки на нормальность используют как визуализирующие методы (метод построения гистограмм), так и статистические (например, тест Колмогорова—Смирнова, кри­терий Шапиро—Уилкса).

Для того чтобы уверенно судить о соот­ветствии распределения параметра нормальному закону, необхо­димо, чтобы выборка была достаточно многочисленной (не менее 50 значений).

Кроме разделения по уже описанному важнейшему статисти­ческому подходу (параметрические, непараметрические) методы статистического анализа данных принято классифицировать не­сколькими способами:

1) по количеству одновременно анализируемых параметров (одномерные, двухмерные, многомерные или многофакторные);

2) имеющимся исходно предположениям о характере распре­делений выборок (односторонние тесты — при наличии предположения о смещении распределения

Таблица 1



Источник: https://infopedia.su/12x4f28.html

Наночастицы в биомедицинских исследованиях и медицинской практике

Особенности анализа биомедицинских данных:  В медицинской практике и, особенно, в медицинских исследованиях

Государственное бюджетное образовательное учреждение

Высшего профессионального образования

«Новосибирский государственный медицинский университет

Министерства здравоохранения Российской Федерации»

(ГБОУ ВПО НГМУ Минздрава России)

КАФЕДРА МЕДИЦИНСКОЙ ХИМИИ

РЕФЕРАТ

на тему: Наночастицы в биомедицинских исследованиях и медицинской практике

Выполнила:

Студентка 1-го курса группы №7

лечебного факультета

Бобкова Н. А.

Проверила: Зубова А. В.

___________

Подпись:__________

Новосибирск

2014г.

Оглавление

    1. Введение…………………………………………………..2
    2. Аргинин……………………………………………………3
    3. Лизин……………………………………………………….4
    4. Глутамин…………………………………………………..5
    5. Список литературы……………………………………….6
    6. Приложение……………………………………………….7

Введение

Наночастица (англ. nanoparticle) — изолированный твёрдофазный объект, имеющий отчётливо выраженную границу с окружающей средой, размеры которого во всех трех измерениях составляют от 1 до 100 нм[1].

  Принципиально возможно деление наночастиц на органические (например, фуллерены, дендримеры) и неорганические (металлические и кварцевые наночастицы). Физико-химические свойства наночастиц предопределяют их назначение в наномедицине .

Например, четко зависящая от размера квантовой точки флуоресцентная эмиссия делает эти наночастицы незаменимыми для молекулярной визуализации, а разветвленная структура дендримеров дает широкие возможности для их функционализации и, следовательно, превращает их в перспективные средства для доставки лекарственных препаратов.

Ниже дается краткая характеристика основных классов наночастиц и приводятся примеры их использования в биологии и медицине.

Классификация наночастиц и их применение в медицине

Фуллерены

Фуллерены представляют собой относительно недавно описанную аллотропную модификацию углерода в виде полых сферических образований. Водорастворимые производные фуллерена С60 находят широкое применение в терапии многих заболеваний.

Так, в частности, производные фуллерена С60 используются как противовирусные  и антибактериальные агенты. В ряде исследований показана эффективность фуллеренов в качестве фотосенсибилизаторов для фотодинамической терапии онкологических заболеваний .

Антиоксидантные и антиапоптотические эффекты фуллеренов могут использоваться в терапии бокового амиотрофического склероза и болезни

Дендримеры

Дендримеры являются трехмерными разветвленными монодисперсными макромолекулами. После достижения пяти порядков ветвления, дендримеры начинают содержать в своем составе многочисленные полости, которые могут использоваться как наноконтейнеры для лекарственных препаратов.

Установлено, что дендримеры могут служить носителями как гидрофильных, так и гидрофобных лекарственных молекул, причем высвобождение лекарственных средств является контролируемым. Наноразмерность дендримеров (1-100 нм) снижает вероятность их захвата и инактивации элементами ретикуло-эндотелиальной системы.

В настоящее время имеется достаточно много данных об использовании полиамидоаминовых дендримеров в качестве носителей лекарственных и диагностических препаратов. Так, в частности, изучались перспективы использования полиамидоаминовых дендримеров в качестве носителей химиотерапевтических препаратов , ДНК и контрастных агентов для магнитно-резонансной томографии  (MPT).

Единственной известной на сегодняшний день лекарственной формой с противовирусной активностью на основе полилизинового дендримера является вагинальный гель, предотвращающий передачу вируса иммунодефицита человека (ВИЧ) и вируса герпеса. Было показано, что полианионная внешняя поверхность дендримера, входящего в состав геля, обладает способностью связывать белок ВИЧ gpl20, таким образом предотвращая взаимодействие ВИЧ с CD4-позитивными клетками.

Липосомы представляют собой наночастицы  шаровидной формы, ограниченные билипидной мембраной, в полости которой находится водная среда. Активное вещество может располагаться в ядре липосомы (водорастворимые вещества) либо в ее липидной оболочке (жирорастворимые вещества). Несмотря на то, что размеры липосом могут быть очень вариабельными, большинство липосом имеют диаметр менее 400 нм.

Обычно липосомы классифицируют на три группы: однослойные малые, однослойные большие и многослойные. Кроме того, в зависимости от состава и пути попадания в клетку липосомы могут быть разделены на пять классов: 1) стандартные липосомы, 2) липосомы, чувствительные к рН, 3) катионные липосомы, 4) липосомы с иммунными свойствами, 5) длительно циркулирующие липосомы.

Хотя липосомы были описаны более 40 лет назад, способы транспортировки и доставки лекарственных препаратов на основе липосом не получили широкого распространения на фармацевтическом рынке.

Основными проблемами, сдерживающими более широкое применение липосом, являются их относительная нестабильность, невозможность обеспечить стандартное действие в различных партиях препаратов, трудности стерилизации и недостаточная загрузка препаратом. Тем не менее, существуют примеры успешного применения основанных на липосомах препаратов в клинической практике.

К ним относится препарат доксил, содержащий доксорубицин в липосомах, модифицированных полиэтиленгликолем. Данный препарат особенно эффективен для лечения саркомы Капоши у пациентов, инфицированных ВИЧ.

Полимерные мицеллы

Мицеллы представляют собой наноразмерные коллоидные частицы, имеющие гидрофобную внутреннюю часть (ядро) и гидрофильную поверхность (оболочку). Лекарственные препараты и контрастные агенты могут либо помещаться в липидное ядро мицеллы, либо ковалентно связываться с ее поверхностью. Мицеллы имеют несколько меньшие размеры (около 50 нм), чем липосомы .

Полимерные мицеллы представляют интерес в первую очередь как переносчики гидрофобных лекарственных препаратов. В частности, мицеллы могут использоваться для парентерального введения таких препаратов, как амфотерицин В, пропофол и паклитаксел.

Подобно липосомам, мицеллы могут применяться для направленной доставки  лекарственных препаратов к клеткам-мишеням. Это достигается присоединением к поверхности мицелл чувствительных к рН элементов.

Описаны бифункциональные полимерные мицеллы для одновременной доставки лекарственных препаратов и визуализации поврежденных тканей.

Наночастицы металлов

Среди металлических наночастиц наиболее известны наночастицы  таких благородных металлов, как золото и серебро. Наночастицы золота, обладающие целым рядом уникальных характеристик (оптические свойства, прочность, высокая площадь поверхности), в основном используются в диагностических целях.

Наночастицы золота могут служить для усиления сигнала при проведении иммуноферментного анализа за счет их связывания с антителами. Применяли наночастицы золота для повышения чувствительности иммунохроматографических диагностических полосок.

Электрохимический подход, основанный на частичном замещении электродов наночастицами золота, недавно был использован для безметочной детекции раково-эмбрионального антигена. Полученные иммуноаналитические наборы показали прекрасную воспроизводимость данных.

Примечательно, что наночастицы серебра в последние годы с успехом использовались для усиления флуоресценции в иммунодиагностике.

В ближайшем будущем ожидается дальнейшее усовершенствование диагностических подходов, основанных на использовании наночастиц золота. В частности, большой потенциал имеют разработки методов функционализации поверхности этих наночастиц с помощью углеводов и повышения чувствительности наносенсоров на основе золотых наночастиц с «профилизацией» их диагностических возможностей.

Полимерные (биодеградируемые) наночастицы

Цельные наночастицы представлены сферическими наноразмерными объектами из биодеградируемого материала, например, белка (альбумин, коллаген), жиров или синтетических полимеров. Размер цельных наночастиц колеблется от 10 до 1000 нм.

Это дает возможность использовать их для одновременной визуализации поврежденных тканей и направленной доставки  лекарственных препаратов.

Цельные наночастицы в настоящее время лидируют среди нанообъектов, используемых в терапевтических целях.

Исторически, первым препаратом, доставка которого опосредована наночастицами , стал одобренный для клинического использования в США в 2000 году рапамун (сиролимус) — иммунодепрессант, применяемый для профилактики отторжения транплантанта. Наночастицы рапамуна варьируют в диаметре от 80 до 400 нм и создаются путем измельчения лекарственного препарата с водой и со стабилизатором.

Особое внимание исследователей привлекают цельные липидные наночастицы. Их преимущества включают высокую стабильность, защиту инкорпорированных препаратов от деградации, контролируемое высвобождение препаратов и превосходную переносимость.

Эти наночастицы в качестве транспортеров препаратов могут вводиться в организм самыми разными путями, включая энтеральный, трансдермальный, парентеральный, ректальный и внутриглазной.

Предполагается, что липидные наночастицы могут лучше преодолевать гематоэнцефалический барьер, в связи с чем предпринимались попытки их изучения в качестве переносчиков в мозг таких препаратов, как доксорубицин, паклитаксел и капмтотецин.

Положительные результаты были получены при исследовании терапевтической эффективности перорального приема липидных наночастиц, нагруженных тобрамицином, клозапином, капмтотецином, рифампицином и изониазидом.

Изучение судьбы данных частиц после их введения в организм показало, что они интернализируются в клетки путем эндоцитоза.

Квантовые точки

Флуоресцентные метки широко используются в биологии и медицине. Их недостатком является необходимость использования различных красителей для получения каждого цвета и подбора лазера соответствующей длины волны для индукции флуоресценции этих красителей.

Кроме того, цвета флуоресцентных меток часто сливаются и быстро бледнеют. Полупроводниковые нанокристаллы, называемые квантовыми точками, лишены этих недостатков. Они представлены мельчайшими частицами, сопоставимыми по размеру с молекулами белков и нуклеиновых кислот.

При возбуждении они дают практически непрерывную палитру четких цветов.

Флуоресценция квантовых точек возбуждается белым светом, причем частицы нанокристаллов могут быть присоединены к биомолекулам и обеспечивать длительно существующий сигнал, многократно превосходящий по яркости используемые в настоящее время красители .

Применение квантовых точек может существенно расширить возможности диагностики многих заболеваний. В настоящее время квантовые точки активно используются для детекции опухолевых клеток, маркирования внутриклеточных органелл, визуализации микрососудов и многих других биомедицинских исследований.

Перфторуглеродные наночастицы

Перфторуглеродные наночастицы представлены ядром, состоящим из жидкого перфторуглерода, и фосфолипидной оболочкой. Размер этих частиц обычно лежит в пределах 200-250 нм. Жидкостные перфторуглеродные наночастицы нелетучи, биологически инертны, химически стабильны и не подвергаются распаду в организме.

Наличие фосфолипидов позволяет присоединять к наружной поверхности перфторуглеродных наночастиц лекарственные препараты и антитела. Примечательно, что перфторуглеродные наночастицы обладают исключительно высокой способностью связывать атомы гадолиния (до 50-100 тыс. атомов на одну частицу).

Это ставит перфторуглеродные наночастицы в ряд наиболее перспективных контрастных агентов для магнитно-резонансной томографии . Направленная доставка перфторуглеродных наночастиц в клетки-мишени обычно достигается путем ковалентного связывания липидов поверхностной мембраны с антителами или пептидомиметиками.

Большинство наноразмерных носителей лекарственных препаратов обеспечивают высвобождение последних только после интернализации в клетку или разрушения наночастиц .

По сравнению с ними перфторуглеродные наночастицы обладают серьезным преимуществом, поскольку липофильные препараты, внедренные в наружную оболочку перфторуглеродных наночастиц, могут высвобождаться при простом контакте поверхности перфторуглеродных наночастиц с плазмалеммой клетки-мишени.

Этот процесс получил название «контактного облегченного липидного обмена» (Winter et al., 2007). Усиление взаимодействия между наружной оболочкой перфторуглеродных наночастиц и клеточной мембраной с помощью облучения ультразвуком усиливает перенос вещества в клетку по меньшей мере в 10 раз (Crowder et al., 2005).

Перфторуглеродные наночастицы используются для молекулярной визуализации  вновь сформированных опухолевых сосудов за счет взаимодействия с интегрином avβ3. Такого рода специфическое взаимодействие перфторуглеродных наночастиц обеспечивается за счет их соединения с пептидомиметиком, распознающим интегрин avβ3.

Поскольку интегрин avβ3 усиленно экспрессируется не только в опухолевых сосудах, но и в прогрессирующей атеросклеротической бляшке, перфторуглеродные наночастицы успешно применялись для визуализации атеросклеротического повреждения аорты у кроликов (Winter et al., 2003).

Кроме того, связывание перфторуглеродных наночастиц с антителами против тканевого фактора и фибрина позволяло визуализировать поврежденный эндотелий и тромбы в просвете сосудов, соответственно (Flacke et al., 2001). Перфторуглеродные наночастицы также представляют собой неоценимый инструмент для наблюдения судьбы клеток, вводимых в организм с терапевтической целью. Partlow et al.

(2007) с помощью магнитно-резонансной томографии наблюдали продвижение и аккумуляцию в подколенных лимфоузлах прогениторных клеток, меченых перфторуглеродными наночастицами и введенных в пяточную область.

Суперпарамагнитные наночастицы

Парамагнитными материалами называют ионы металлов или органические радикалы, имеющие неспаренные электроны.

В присутствии магнитного поля спины неспаренных электронов ориентируются в магнитном поле в невозбужденном состоянии, формируя материал с насыщенным магнитным моментом. Прекращение действия магнитного поля устраняет этот феномен.

Группы соседних электронов, ориентированные в одинаковом направлении, получили название магнитных доменов. Уменьшение магнитных материалов до наноразмерных величин приводит к формированию высокого магнитного момента, известного под названиемсуперпарамагнетизма.

Наиболее хорошо изучены суперпарамагнитные свойства частиц оксида железа. Для биомедицинских целей чаще всего используется магнетит (Fe3O4), который представляет собой смесь различных оксидов железа (Tartaj et al., 2003).

Подобно квантовым точкам , суперпарамагнитные наночастицы обладают довольно высокой токсичностью. Поэтому в процессе их синтеза необходимо повышение их биосовместимости.

Это может достигаться различными путями, например, помещением суперпарамагнитных наночастиц в биологически инертные футляры из декстрана, полисахаридов и полиэтиленгликоля.

Покрытые золотом суперпарамагнитные наночастицы могут использоваться в качестве контрастных агентов при проведении магнитно-резонансной томографии , что позволяет существенно увеличить разрешающую способность данного метода (Ji et al., 2007).

С другой стороны, известно, что помещение суперпарамагнитных наночастиц в циклическое магнитное поле приводит к их выраженному разогреву за счет электрического сопротивления металлического компонента (Laurent et al., 2008). Этот факт обосновывает применение суперпарамагнитных наночастиц для таргетной термической деструкции патологических тканевых образований (в первую очередь, опухолей).

Источник: https://www.yaneuch.ru/cat_35/nanochasticy-v-biomedicinskih-issledovaniyah-i/507625.3321955.page1.html

Типы данных биомедицинских исследований и их характеристики

Особенности анализа биомедицинских данных:  В медицинской практике и, особенно, в медицинских исследованиях

Предыдущая12345678910111213141516Следующая

Всю совокупность данных МБИ и, как следствие, методов; их автоматизированного анализа можно разделить на; большие группы: детерминированные и статистические.

Детерминированные данные имеют место в тех случаях, когда известен вид функциональной зависимости, связывающей значения исследуемых клинико-биохимических показателей. Лишь в сравнительно немногих случаях, да и то в виде первого приближения, можно считать, что реальная зависимость, связывающая некоторые исследуемые показатели биологического объекта, носит детерминированный характер.

Причем, если вид функциональной зависимости определен полностью, то с информационной точки зрения он не представляет интереса для исследователя и не может выступать в качестве объекта автоматизированного анализа, так как не несет никакой новой информации. Поэтому практически речь идет о задачах, когда вид функциональной зависимости известен с точностью до некоторой совокупности параметров, получение оценок которых и является предметом анализа.

В абсолютном большинстве случаев оказывается, что анализируемые показатели являются недетерминированными, статистическими.

Именно такая природа данных представляет наибольший интерес и наибольшую сложность с точки зрения методов анализа, целью которых в этом случае является выявление некоторых объективных закономерностей, отражающих связь исследуемых показателей для принятия дальнейших решений.

Существует большое число различных классификаций статистических данных.

Представляется целесообразным выделить те из них, которые встречаются в МБИ или полезны как удобная математическая модель, достаточно адекватная исследуемому процессу.

Причем, поскольку в дальнейших разделах мы более подробно остановимся на статистических моделях данных медико-биологических исследований, сейчас ограничимся лишь кратким их перечислением.

По своей физической природе статистические данные могут представлять собой:

1) случайные величиныX, принимающие в каждом новом опыте, проводимом в неизменных условиях, новое значение (где -номер опыта), причем заранее неизвестно какое. Случайные величины бывают скалярными и векторными. Несколько скалярных случайных величин рассматриваемых совместно, образуют векторную случайную величину размерности т.

В свою очередь, скалярные и векторные случайные величины могут быть дискретными и непрерывными. Непрерывной называется случайная величина, возможные значения которой непрерывно заполняют некоторый интервал на числовой оси.

Дискретной называется случайная величина, которая может принимать только конечное, счетное число возможных значений.

Примерами непрерывных случайных величин могут служить данные биохимического исследования, например, концентрации ферментов, аминокислот или органических кислот в биологическом материале пациентов, которые могут принимать любые случайные значения на действительной оси.

Примером дискретных случайных данных медико-биологических исследований могут служить результаты клинического обследования пациента, заключающиеся в выявлении определенной совокупности клинических симптомов и признаков, регистрируемых по принципу “есть”- “нет “.

То есть факт наличия/отсутствия каждого из клинических признаков может интерпретироваться с точки зрения последующего анализа как случайная величина, способная принимать два дискретных значения: 1 если признак регистрируется в процессе обследования, и 0 – в противном случае.

Существенный объем данных МБИ представляют результаты субъективной регистрации степени проявления некоторых показателей состояния биологического объекта, количественно выражаемые тестовыми баллами (типичный пример – результаты врачебного осмотра по выявлению степени проявления тех или иных клинических симптомов). Особенностью анализа такой группы данных (случайных по своей природе) является то, что для них предпосылки классических статистических методов (например, предположения о каком-либо конкретном, чаще всего нормальном законе распределения) не выполняются. Единственной надежной основой для выводов в такой ситуации являются соотношения между значениями исследуемого показателя на уровне “больше – меньше”. Для анализа таких данных используется переход от их числовых значений к рангам, представляющим номер, который занимает то или иное значение в упорядоченной по какому-либо правилу совокупности измерений;

2) случайные функции.

Если некоторая случайная переменная X зависит от скалярного аргумента t и при каждом фиксированном значении последнего является случайной величиной, то переменная X(t) называется случайной функцией.

Примерами случайных функций, регистрируемых в процессе медико-биологических исследований, могут служить зависимости основных антропометрических показателей (рост, вес, окружность головы) от возраста;

3) случайные поля.При анализе результатов МБИ возникает необходимость анализа показателей, значения которых изменяются случайным образом в зависимости от координат рассматриваемой точки в пространстве и времени.

Случайные факторы, аргументом которых являются векторы, называются случайными полями. Причем, если компоненты вектора представлены только координатами пространства, то такое случайное поле называется пространственным.

Если же в состав аргументов случайного поля входит также и время, то такое случайное поле называется пространственно-временным.

Примером случайного поля в процессе обработки и анализа данных МБИ может служить обработка рентгенорадиологических изображений, задаваемых случайными значениями интенсивности видеосигнала R(x,y) в определенной точке изображения с координатами (х,у).

4. Медико-биологические данные и их классификация.

Медико-биологические данные, касающиеся здоровых людей и больных, могут быть систематизированы в следующие группы:

1.
Количественные данные – параметры; их можно охарактеризовать дискретными величинами: рост пациента, концентрация в крови форменных элементов и биологически активных веществ, заболеваемость туберкулезом в группе населения, количество ВИЧ-инфицированных больных и др.

2. Качественные данные – признаки; они не поддаются точной оценке, хотя и могут быть ранжированы (т.е. систематизированы по условным баллам: один балл, два балла и т.д.).

К таким данным относятся, например, цвет кожных покровов, наличие болей, качество жизни человека и др.

Качественные признаки, которые могут быть отнесены только к двум категориям (их наличию или отсутствию), называются дихотомическими.

3.

Статические картины органов человека или всего его тела; они отображают картину пациента человека, различных участков патологически измененных тканей, чаще всего с помощью средств лучевой диагностики – рентгенологической, радионуклидной, ультразвуковой, магнитно-резонансной; например, патологические изменения на рентгенограмме грудной клетки, сонограмме, изображение головного мозга на компьютерной томограмме. К статическим картинам относят фотографии макропрепаратов и гистологических срезов, эндоскопические изображения.

4. Динамические картины органов человека; они получаются при непрерывной регистрации (на мониторе или жестком диске компьютера) движущихся органов, например, сердца, легких, при изучении быстроменяющихся картин прохождения по организму рентгеноконтрастных или радионуклидных веществ (при рентгенологическом исследовании пищеварительного тракта, радионуклидном исследовании сердца).

5. Динамические данные физиологических функций: электрокардиограмма, электроэнцефалограмма, кривые, зарегистрированные при прохождении радиоактивного вещества по организму и др.

5. Шкалы измерения.

При подготовке медико-биологических данных для их последующей обработки, в том числе компьютерной, нередко возникает необходимость применения различных шкал измерения. Существует несколько таких шкал.

Шкала наименований – это группировка объектов и их производных в ряд непересекающихся классов. При этом считается, что все объекты, принадлежащие к одному классу, являются идентичными, а к разным классам – различными. К шкале наименований относятся симптомы и синдромы заболеваний.

Так, к шкале наименования относится, например, классификация патологических затемнений легочных полей на рентгенограмме грудной клетки: они могут быть округлыми, треугольными, иметь очаговый или тотальный характер. Цвет кожных покровов может иметь обычную, желтушную, красную или синюшную окраску.

Шкала наименования представляет собою наиболее простое деление свойств объектов.

Шкала порядка – это упорядоченная шкала наименований, на которой отражена, в основном, тенденция процесса. На такой шкале признаки объектов представлены в восходящем либо в нисходящем значении. На такой шкале, например, можно расположить в возрастающем порядке концентрацию гормонов в крови у больных с тиреотоксикозом, степень желтушности кожных покровов, скорость оседания эритроцитов крови.

Интервальная шкала – это шкала с наличием единицы измерения. Примером такой шкалы является шкала температур термометра, в котором единицей измерения является один градус (или его доля).

Шкала отношений – это интервальная шкала с нулевой точкой, т.е. имеющей такую точку, в которой данный параметр практически отсутствует. Примерами такой шкалы являются измерительная линейка, ростомер, весы.

6. Типовые функции и структуры компьютерных систем сбора и обработки данных биомедицинских исследований

Ниже, на рис. 1.2, приведена типовая структура биотехнической системы автоматизации МБИ, основу которой составляют компьютерные средства обработки и анализа данных.

7. Основные этапы научного исследования.

Удобство такого представления заключается в том, что данная схема позволяет рассматривать медико-биологическое экспериментальное исследование в виде биотехнической системы, представляющей собой комплекс элементов, взаимодействующих в интересах решения задач эксперимента. К ним относятся:

1. Программы проведения эксперимента.

2. Исследуемый биологический объект.

3.

Технические средства (оборудование), обеспечивающие получение измерительной информации.

4. Вычислительные средства, обеспечивающие автоматизированную обработку измерительной информации, представление и интерпретацию полученных результатов в соответствии с целями исследования.

5. Экспериментатор, осуществляющий на основе автоматизированной обработки данных эксперимента принятие решения о завершении исследования, либо в случае необходимости коррекции программы и изменения состава используемого оборудования.

Различные этапы медико-биологического исследования, представленные на приведенной структурной схеме, в разной степени поддаются автоматизации.

В большей степени возможности современных компьютерных технологий распространяются на процессы сбора, накопления измерительной информации, её обработки и наглядного (в соответствии с целями и задачами медико-биологического исследования) представления результатов.

В существенно меньшей степени эти возможности распространяются на процессы интерпретации результатов и принятия решений, которые остаются пока недостаточно формализованными.

8. Определение понятия «статистическая совокупность», «единица наблюдения», примеры.

Под объектом наблюдения понимают статистическую совокупность, состоящую из отдельных предметов или явлений – единиц наблюдений, взятых в определённых границах времени и пространства.

Единица наблюдения– первичный элемент статистической совокупности, являющейся носителем признаков, подлежащих регистрации, изучению в ходе исследования.

Например, группа пациентов, на которых проводится исследование будет являться объектом наблюдения, т.е.

статистической совокупностью, а каждый пациент, входящий в эту группу и являющийся носителем интересующих исследователя признаков, будет единицей наблюдения.

9. Классификации признаков единиц наблюдения.

Учитывая необходимость использования современных математических методов и вычислительной техники для обработки данных, вместо привычного деления всех признаков на количественные и качественные в настоящее время используется более подробная классификация признаков:

• количественные признаки ( масса тела, рост, возраст, лабораторные данные и т.п.);

• качественные;

• номинальные или классификационные признаки (пол, место жительства, должность, профессия и т.п.);

• порядковые признаки, у которых можно выделить различные степени выраженности изучаемого явления и которые в свою очередь, делятся на расплывчатые (например, результаты лечения: хорошие, удовлетворительные, неудовлетворительные; самооценка здоровья: отличное, очень хорошее, хорошее, удовлетворительное, плохое ) и ранговые (например, порядковый номер родов).

10. Виды исследований.

Существует много различных классификаций видов научных исследований. В зависимости от времени регистрацииразличают следующие виды исследований:

■ Единовременные (в виде пролонгированного исследования или моментного среза;

■ Текущее;

• Ретроспективное;

• Проспективное

В зависимости от целей исследованиявыделяют:

■ Дескриптивное (для описания и прогнозирования тенденций)

■ Оптимизационное (для решения проблемы и принятия управленческих решений

В зависимости от методического подходак исследованию со стороны исполнителя различают:

■ Пассивные исследования (без активного вмешательства исследователя в изучаемую совокупность или окружающую ее среду)

■ Активные исследования

■ Поисковые эксперименты (создание специальных условий для совокупности или устранение действия факторов внешней среды)

■ Управляемые эксперименты (внесение коррекции в методику исследования в зависимости от получаемых результатов)

Важное место при решении организационных вопросов исследования принадлежит так называемому пробному, предварительному (пилотажному) исследованию. Это небольшое по численности исследование позволяет решить следующие основные задачи:

■ отработать программу исследования;

■ проверить различные варианты сбора данных;

■ оценить вариабельность (разнообразие) признаков;

■ оценить затраты (время, деньги, штаты), необходимые для проведения исследования.

11. Надежность, состоятельность, чувствительность и специфичность метода.

12. Основные виды ошибок научного исследования.

Предыдущая12345678910111213141516Следующая .

Источник: https://mylektsii.ru/1-111855.html

������ ��������������� ������� �������������� ������

Особенности анализа биомедицинских данных:  В медицинской практике и, особенно, в медицинских исследованиях

�������������� ������ ������ ��� ������� � �������� (����� � ����).
������ �.

 ������ �.�.

������������� ������  ����������� ��������,

2007, ���. 2, ���.19-35

.

� ������ ����������� ����� �������� ���������� ������������� ���������� � ���������� �������� � ��������. ���� ������������� �������� ����� ������, ����������� ������ �� ���� ���� �� ���������� 50 ���. ���� ������������� ������ ������������� ����� ������ � �������� � ��������.

� ������� �������� ����������� ����� 1500 ������, ���������� � �����������, ����������  �������� ������ ������������� � �������� ����������. ��������� ������� ����� � ���������� ���������� ������� ��������� ������� � �������������� ���������� ����������� � ������������� �����������.

�������� ������������� ���������� ����� ���������� �������� ���������� ������ ��������� ������� ����, �������� � ��������� ��������������� ����������� ������������.

�������� ����� ��� ���� – ��� ������������ ��������, ������������ ��� ���������� ������������� ���������� ���������� � ����������� ������������.

�����������, ��� �������� ����� ����������� ������ ���������� ������������� t-�������� ���������, ��� ����������� �������� ������������ ��� ����� �������. �������� ����� �������� ������ ����������� � ����������� ������� “��������� ����������������� �������� � ��������”. 

���������� ����� � ���������� ����������� ���������� �������� ������������� ���������� ����������� �������������� �������, ����� ��� ��������� � ���������� ������.

�� ������ ������� ������ ��������� ����� ������ � �����������, ���� ���������� ������������ �� ���������� ���� ��������.

�������� ��������� ��� ����� �������� �������� � ����������� ����������������� ������������ ����������� �������������.

����������

�� �� ���� ������� ����� �����������, ������ �� �� ������ ����� ��������  ��  ���� ��������

��� ��������� ����, ��� � �������

��������� ���������� �������

����� ������ �� ������������

������ ������ � ������.

�.�.�������

� ���� ������� ����������� ���������� �������� ������, ������� ������������� ��������� ����������� �� �������� ���� ������������ �������. ���� ����� ��� ������� � �������������� ������� �������������� �������. ������ ������ ����������� ���� �� ����������� {������, 1989} (.�.

33): ��������������� ��������� ������ … ����������� �� ������ ������ … ������� �������������� ���������� �BMDP� … ������������ ������������, ��������������, �������������, ���������, ���������� ������� �� ��� �� 1033. ..

�������� ������������� ���������� �������� �������������� �� �������� ���������…�. 

���. 150: �� ���������� ������������ ������� 224 ������� ��������� �� ����������� ����� ���������� 5 ��������� (��. ���. 5.10), ����������������� 5 ������� ��������. 

�������������� ��� � ��������� ������ ��������� �����������.

  1. �� ���������� ����������� ���������, ��� ������������� ����� ��� ������������� ���������. 
  2. � ����������� ������� ��� ������, ���������� ���������� ���������� �������. ���, �� �. 69 ����� ��������: �

    ��� ��������� ��������� �������, ������������ ������������ ������� �� �������� ������������ �����, �����������, ��� ����������� ������ ������� �������, ������������ 60,1% ����������� ���������, �.�. ������� ����������� �� �� ����������� �������� (��. ����. 3.13)

    �. 

������� 3.13  ��������� ������, ������������ ����������� ����� ��������� 

����� �������

������� � ��� �������������� 

����������� ���������� 

I (22,6%)

�������� ����������  ������ ���������������  ������������� ������� 

��� (������ ������������� �����������)

0,724  0,625  0,574 

0,502

II (16,0%)

����������� ����� � ����������  ������������ ������� 

������������ ��� (��� ���������������)

0,702  0,616 

-0,599

III (11,2%)

������������� ������� 
��������� (�����������)

0,768 
0,598

 IV 10,3%)

 ��������������� ��������������� ���������

 0,900

��� ����� �� ���������� ������� ������� ����. 3.13, ������������ ������� �������� �������� �����������, ������������� ����������, �������� ��������� �������������� ��������� ������.

��������� �� ������ ���������� �� ������� �����������, �������������� ���������, ��������� ����� ����� ��������� ��������������� �������������. ��������� � �������� ��������� ���������� ������� �4� ����������� �� �.

21-30 ������ ����� 44-�� ������� �������� ������������ ����������� ��̻ (�����, 1983), � ���� ������ �������� ���������� �������� ���� �������� ������������ ������������ ������ BMDP.

���������� �4� ��������� ��������� ������ �������������� ��� �������������� �������, ������������ �� � ������������ ������� ����������� � ������� ������� ��������� �������� � ���������� ����� ���������. ��� ��� ��������� ��������� �������� ����� ������������� �������, �� ��� �������� �����������, ��������� � ������������ ���� ������ ���������� � ������������ ����� �������� ������� ��������� ����������, ������������ �������� ���������.

������ �� �����, ����� ����������, ��� ���������� ������������ ���������� ���������� ������� ���������� �������� �������� �������� ��������� ������ ���������.

����� ����, ��������� � ������ ��������� ����� ���� ������������ ���������� ������� ���������� ���������� �������� ��������, �� � ����������� ������� ������� �������� ����� �� ������. ��� ������ ������� ��������� �������� �� ������� ������ ������ ��������, � ����� � ������ ������������ ����� �������� ��������� � �������.

����� �� �������� ����� ���������� � ������ ������ ������� �������, �� ��������� � ������� ������������ ���������. �� �������� ����� � ��������� �� �������� �������� ��������. 

  1. ����������� ������� ������ ����������� � ����������� ������� �� ������ ��������� ��������� �������, ��������� � ��� ���������� � ������������ ������������� ������������ ����������� �������.

��� � � ������ ����������� �������, ��������� ����������� ������� ����� �������� ��������� �������. ������ �� ����� ������� ������������ ���������� ����������� ���������� ����������, ��������� �� ������� �������� ������������ ������������ ���������, ���� ���������� ����� ������������, ���� ���������� ����� ���������� � �������� �������������.

����� ����, ����������������� �������������� ���������, � ����� ���������� ������������� �������������� � ������������ ��������� ��� ����� ��������� ����� ���� ����������.

����������� �� ������������ ������� �������� ����� �� ����� ������ ��������� ���������� �������, � ��� ��� ��������� � ������� ������������ ��������� ���������� ��� ������������������ ������ �����������. 

  1. � ������ ����������� �� ���������� ���������� �������� ������� ������������ ���������� t-�������� ���������.

�� ��������� �������� � ��������� ����������� ��������� �������� ������ ���� �� ������ ({������, 1989} ����. 5.15 �. 168), � �������  ���������� ������ ���������� � �������� �������. ���������� �������� ������� � ���������� ����������, ��� ��� ������ ������������ ��� ����������� ��������� ������������� ������� �����������.

� ����� �� ����� ������� �������� ������ F=1202 , �.�. �������� ��������� ����� ��� � 1000 ���! ����� �������, �� ����� ����� ���� � ���������, ����� �������� ��������� ����������. �� ����� �������, ��� ������ ����������� �� ������ ������� ������ �����������.

��������� �� ������� ����� ����������� ����������� � ��������� ����������� ������� ���������� ���������� ������� � ����������� �������������.

����������� ������ ������ ������ � ��������� �����, �������, ��������� � �������� � ������� ��������������� ��������� (������-� �.�. � ���-� �.�.), ����������� �� �������� � �������� ����������� ������������ �������.

���� ������������ ����������� � ���, ����� �������������� ������� ������� � �������� ��������� �������, ��������� � �������� �������� ��� ���������� ���������� � ������� ��������������� �������� � �������� ����������. ��� ����� �� ������� �� 42� ��������� � ������������ ������������ ��������� � ������� 16-17 ����, ������� ��� ��������� �����������, ��������������� ��������� �������.

� ���������� ���� ��������� ����������� ��������� ���, ����� ����������� �������� ����� �������������� ������� (������������ ��������), � ������ ���������� ����������� � ������.

   ������� ��� ����������, ������ ���������� 42 ��������� ���� � ���� ��������� ���, ������, ����� �������, ����� ���, � ������������� ��� � 678 ����! � ����� ���� ����� ��� �������� �������������, ������ �� ������ ����������� ��������. �������� ������ ����� ����������� � ����� ��������� ����������� 42 ��������� ����� � ���� ���.

����������, ��� ����� ��� ���� ��������� ���������� �� ����� ������������ ��������� � ������� 678 ����! �������������� ����� ������ ����� ��������, ��� �� ������� ���������� ������������. ������ ������ �� ����� ����� ������������ ����� ������. ��-������, ���������� �� 42 ���������� ����� ���� ��������� � ������ ������� ������� �����������.

��-������, ���������� ����� ��������� ����������� 42 ����� � ���� ���. ����� ������������������ ���������� ��������� � ��������� ���� ����� �������� ���������� ������� ������ ����.

� �������, ������������� ���������� ������������� ��������� ���� � 42 ���� ����������� ����������� ����� �������� �������, ����� �� ������������ ������� �������� � ���������� �������������� ������������� � ��������� ������ ����������.

���� ������� � ����� �������, ����������� ����������� �������� ��������� ������� �������� � ��������� ������������. � ��� �������, ����� ���� �������� ����������, ������ ���������� ������ ��������, ������ ������������ ���������� ��� �������� �������� ���������. �������������� ������ �� �������{������� �.�., ��������� �.�.

, ������ �.�.2001 }.

�� 21 �������� ������: ��������������� ������ �������, ��� �� ���� ���������������� ����������� ������� �������������� ������������� ������������ ������ ����������� ������ � ������� t-�������� ��������� �� ����� ����������������� ��������� ������� ���������������.

����� ���������� ��� ���� ���� �������� ����������������� �������� ������������ �����������-��������. … �������������� � 70% ������������� ���������� ��� � ������� �. �������� ���������� ������������ ��������� ������� ��� ����������� ��������� �������������� �������, ��� � ������ ����.

��� �����, ��������� �������� �����������-��������, ������ ������ ����� � ������������ ��������� ������� ������� ����������� ��������� � ������������ ��������� ���. ������ ������ ����� � ����� ������ ���������� ������ ���������� �� ��������� �������. � ������� �� �������� ���������, �������� �����������-�������� ������������ � ������ �������� � ���������� �������������.

��� ����������� ����� ����������� �������� ������ {�.���������. 2001 }( c��. 497.): �… ������������� �������� �����������-�������� ������������ �� ������ � �������� � ��������� ���� �������������, �� ����� � � ����� �������������.

���������� �� ������������ � ������ ���������� �� �������� ������������, �� �� ���������, � ����� ������ ����������� �� ����� ����.

������������� ���� ����������� ����� �������� ��������������� � ������� ������� ������, � ������� ������� ��� ������ ����������, � ������ �� ������� �� 100 ����������. �������������� ������� ����������� ���������� VAR1, ������������ ������� – VAR2. ������ ������ ���� ��������������� �� ������ ������ ���������� ��������� �������.

����� ���������� �������� VAR1 � ������ ������� �� �����������, � ������ 50 ����������� ��������� ���� � �� �� �����, ����� ��� �� ��������� 50 ���������� ��� �� ����� ����� �����. ���������� ��� ���� ����� �������� �������� VAR1 � ��������� ������ ������.

� ���������� ���� �������� ��� ������ ����� ���������� ������� (9,965234) � ������ ����� �������� (996,5234) ���������� VAR1 � ������ �� ���� �����. K. Lange. Mathematical and Statistical Methods for Genetic Analysis.

  ������� �� �� ����������� � ���, ��� ������ ������ ����� ���������� ������������� � ������������ ������������, ����� ��� ������ ������ ����� ���� ���������� ������������� ������������� (������ � ������ � �� ����� ���� ����� � ������).  ����������� ������������� ���� ����� ��������� ����. 

�������� ��������� ���� �����, ��������� ����������������� ����������. ���� ������-���������� ��������� �� ������������� �������� �������� ���� ������� ������������� (��. ����).  STATISTICA.     Wald-Wolfowitz Runs Test (Nazarenko.STA) NONPAR    By variable VAR2 

STATS     Group 1: 1 Group 2: 2 

Valid N
Group 1 

Valid N
Group 2

Mean
Group 1

Mean
Group 2

Z

p-level

Z adjstd 

100

100

9,965234

9,965234

-3,68623 

0,000228

3,615340

� ����� �� �������� ������� � ���������� ���������� ����� �����������-�������� � ������ S-PLUS 2000 (��. ����).  S-PLUS 2000.  Two-Sample Kolmogorov-Smirnov Test data:  x: V1 in Nazarenko.SAV , and y: V2 in Nazarenko.SAV

Dks = 0.22, p-value = 0.0156 

alternative hypothesis:  cdf of x: V1 in Nazarenko.SAV does not equal the

cdf of y: V2 in Nazarenko.SAV for at least one sample point. 

Summary Statistics for data in:  Nazarenko.SAV 

Group 1

Group 2

Min (�������) 1-st Qu (1-� ��������)

Mean (�������)

Median (�������) 3-rd Qu (3-� ��������) Max (��������) Total N (����� ����� ����������)

Std Dev (����������� ����������)

7.526174 9.358504

9.965234

9.931250 10.550065  12.374363 100

1.006245

 7.931365 8.554207

9.965234

10.101192 11.350258 11.931135

100

1.393181

������ ��� ��������� ������� ��������� �� �� ������������, �.�.

������� �������� ��������� ����������� ������� �����������, ��� ���������� �������� ������������ ������� �������������! ����� �������,� ����������� ������� ����� ������� � ���, ��� �� �������������� � 70% ������������� ���������� ��� � ������� �.

�������� ���������� ������������ ��������� ������� ��� ����������� ��������� �������������� �������, ��� � ������ ���� ������ ����� ���� ���������! ��� ����� ����� ������ ���������, ��������, ��������� ���������, ��������� ��� ����� � �.�.

����� ������� ����� ������� � ������� ����������� ����� ���������� ���� �� ������� ������� ���������� � ��� ���������� ��������� �� ���������� �����. ������ �� ����������� �������� ���� ��������� �� ����� ������ �� ����� �� ��� ���������, ������.

����������

Источник: http://www.biometrica.tomsk.ru/error_11.htm

Medic-studio
Добавить комментарий