DE4331018A1

DE4331018A1 - Verfahren zur automatischen Bewertung von Fraktionsmustertypen, die Krankheiten betreffen

Info

Publication number: DE4331018A1
Application number: DE4331018A
Authority: DE
Inventors: Hisamitsu Yokogawa
Original assignee: Olympus Optical Co Ltd
Current assignee: Beckman Coulter Inc
Priority date: 1992-09-11
Filing date: 1993-09-13
Publication date: 1994-03-17
Anticipated expiration: 2013-09-14
Also published as: ITMI931947A0; JPH0696138A; DE4331018C2; JP3054273B2; IT1270978B; ITMI931967A1; ITMI931967A0; ITMI931947A1

Description

Es wurde vorgeschlagen, einen Typ einer Krankheit automa tisch aus Proteinfraktionsdaten umfassenden Analysedaten automatisch zu bewerten, die von einem Elektrophoresegerät erhalten worden sind. Dazu wurde ein Flußdiagramm-Verfahren vorgeschlagen, das einen logischen Baum verwendet. Die Anmelderin der vorliegenden Anmeldung hat ebenfalls ein Verfahren zur automatischen Bewertung eines Krankheitstyps, ausgehend von den Proteinfraktionsdaten durch Verwenden des logischen Baumes, vorgeschlagen, und zwar in den Japanischen Patentanmeldungs-Offenlegungsschriften Nr. 62-47534, 62-174631 und 62-251651.

In diesem bekannten Verfahren werden unterschiedliche charakteristische Punkte oder Parameter von den Proteinfrak tionsdaten abgeleitet, die von dem Elektrophoresegerät erhalten werden, nachdem verschiedene Bildverarbeitungen, z. B. Glätten, Normalisieren der Länge und der Amplitude des elektrophoretischen Fraktionsbildes, Numerikalisierung der Fraktionsmuster, Erfassen eines Peaks eines monoklonalen Proteins (M-Peak), Erfassen einer Veränderung in einer elektrophoretischen Bildgestalt, usw. ausgeführt worden sind.

In dem bekannten Verfahren, um automatisch den Krankheitstyp zu bewerten, in dem die charakteristischen Parameter durch den logischen Baum verarbeitet werden, werden die Bewertungsbedingungen für die einzelnen Krankheitstypen getrennt bereitgestellt, und daher ist es notwendig, Stan dard- oder Schwellwerte in den Bewertungsbedingungen in Übereinstimmung mit den jeweiligen Elektrophoresegeräten und Analysebedingungen zu verändern. Allerdings konnten die Bewertungsbedingungen kaum geändert werden, oder eine neue Bewertungsbedingung konnte nur mit Schwierigkeiten hinzuge fügt werden. Das heißt, sobald die Logik für die Bewertung festgelegt worden ist, ist es schwierig, die Logik zu ändern. Des weiteren wird die Bewertung durch den logischen Baum ausgeführt, so daß ein Krankheitstyp durch Ableiten eines logischen Produktes von allen den Bewertungsbedingun gen bestimmt wird und nur ein Krankheitstyp wird erhalten. Es sei bemerkt, daß für bestimmte Proben eine Vielzahl von Krankheitstypen zu bewerten ist. Zum Beispiel wird in dem bekannten Verfahren, das in den vorstehend erwähnten Veröf fentlichungen beschrieben ist, zuerst das Vorhandensein des M-Peak erfaßt, und wenn dieser erfaßt wird, wird weiter bewertet, ob oder ob nicht eine Unterdrückung der Gamma- Fraktion vorliegt. Wenn die Unterdrückung der Gamma-Fraktion erfaßt worden ist, wird bewertet, daß eine relevante Probe von einem Myelomtyp ist. Wenn die Unterdrückung der Gamma- Fraktion nicht erfaßt wird, dann wird bewertet, daß die Probe von einem gutartigen M-Proteintyp ist. Auf diese Weise wird in dem bekannten Bewertungsverfahren das Muster nur als eines von einer Vielzahl von vorangehend bereiteten Krank heitstypen bewertet.

Obwohl der M-Peak nicht erkannt wird, können die Protein fraktionsdaten weitere nützliche Parameter enthalten. Das heißt, in dem bekannten Bewertungsverfahren konnten die charakteristischen Parameter, die von den Proteinfraktions daten abgeleitet sind, nicht optimal verwendet werden, und so ist die Genauigkeit der Bewertung vermutlich gering.

Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein neues und nützliches Verfahren zur automatischen Bewertung des Krankheitstyps bereitzustellen, in dem die vorstehend erwähnten Nachteile der bekannten Verfahren beseitigt sind, wobei die Standardwerte und Bewertungsbedingungen einfach geändert und/oder erweitert werden können, und mehr als ein Krankheitstyp für jede Probe genau bewertet werden kann, indem die charakteristischen Parameter optimal ausgenutzt werden.

Gemäß der Erfindung ist ein Verfahren zur automatischen Bewertung eines Krankheitstyps durch Ableiten einer Vielzahl von charakteristischen Parametern von analytischen Daten inklusive von Proteinfraktionsdaten, die durch Analyse einer Blutprobe mit Hilfe eines Elektrophoresegerätes erhalten werden, dadurch gekennzeichnet, daß wenigstens eine intelli gente Tabelle gebildet wird, wobei die intelligente Tabelle die Beziehungen zwischen Kombinationen von charakteristi schen Parametern und entsprechenden Krankheitstypen wieder gibt, ein charakteristisches Parametermuster durch Anordnen einer Vielzahl von charakteristischen Parametern eines Musters in einer vorbestimmten Ordnung angeordnet werden, und das charakteristische Parametermuster mit der intelli genten Tabelle verglichen wird, um einen oder mehrere Krankheitstypen aufzufinden.

In dem erfindungsgemäßen Verfahren wird die intelligente Tabelle entsprechend dem charakteristischen Parametermuster ausgelesen, das durch eine Vielzahl von charakteristischen Parametern gebildet wird, die von Analysedaten abgeleitet sind, die durch Analysieren des Musters erhalten werden. Auf diese Weise können ein oder mehrere Krankheitstypen für eine Probe ausgelesen werden. Des weiteren können Standardwerte und Inhalte der intelligenten Tabelle einfach geändert oder ergänzt werden.

Kurzbeschreibung der Zeichnungen

Fig. 1 ist ein Blockdiagramm, das einen Aufbau eines automatischen Fraktionsmustertyp-Bewertungssystems gemäß einer Ausführungsform des erfindungsgemäßen Verfahrens zeigt;

Fig. 2 ist ein Blockdiagramm, das einen Aufbau des in Fig. 1 gezeigten Analysesystems erläutert;

Fig. 3 ist ein Flußdiagramm, das den Bewertungsvorgang der in Fig. 1 gezeigten Vorrichtung darstellt;

Fig. 4 ist ein Flußdiagramm, das den Ablauf des Extrahie rens der charakteristischen Parameter erläutert;

Fig. 5 ist ein Diagramm, das eine Erfassungsweise eines Grades der Beta-Gamma-Verkettung zwischen den Beta- und Gamma-Fraktionen wiedergibt;

Fig. 6A, 6B und 6C sind Diagramme, die die Art der Bewertung des Grades der Beta-Gamma-Verkettung zwischen den Gamma- und Beta-Fraktionen wiedergeben;

Fig. 7 ist ein Flußdiagramm, das die Vorgehensweise bei der Bewertung des Krankheitstyps zeigt;

Fig. 8A, 8B und 8C sind Diagramme, die eine Weise der Bewertung des Krankheitstyps gemäß dem in Fig. 7 gezeigten Verfahren erläutern;

Fig. 9 ist ein Diagramm, das ein Beispiel eines durch das in Fig. 1 dargestellte System gebildeten Berichtes wiedergibt;

Fig. 10A, 10B und 10C sind Diagramme, die eine weitere Ausführungsform des erfindungsgemäßen Verfahrens zeigen;

Fig. 11 ist eine Darstellung, die ein Beispiel eines Test berichtes zeigt, der durch das in Fig. 10 gezeigte Verfahren erhalten wird;

Fig. 12 ist eine Darstellung, die ein weiteres Beispiel des Testberichtes zeigt; und

Fig. 13 ist eine Darstellung, die noch eine weitere Ausfüh rungsform des Testberichtes zeigt.

Fig. 1 ist ein Blockdiagramm, das eine Ausführungsform eines Systems zeigt, um ein Beispiel des Krankheitstyp-Bewertungs verfahrens gemäß der vorliegenden Erfindung auszuführen.

Das System weist ein Elektrophoresegerät 1, eine Bewertungs vorrichtung 2 und einen Gastrechner 3 auf, die in einem Krankenhaus installiert sind. Durch das Elektrophoresegerät 1 erhaltene Elektrophoresefraktionsdaten werden der Bewer tungsvorrichtung 2 direkt oder über Datenträger zugeführt, und Patienteninformationen werden der Bewertungsvorrichtung 2 von dem Gastrechner 3 direkt oder über Datenträger zuge führt.

Die Bewertungsvorrichtung 2 erhält auch eine Gesamtprotein menge (TP), die von einem nicht gezeigten chemischen Analy segerät direkt oder durch einen Datenträger abgeleitet wird. Die Gesamtproteinmenge TP kann in die Bewertungsvorrichtung 2 manuell mit Hilfe einer Tastatur eingegeben werden. Die Bewertungsvorrichtung 2 führt eine vorgegebene Bewertung entsprechend der Proteinfraktionsdaten, der Gesamtprotein menge und den Patienteninformationen sowie unterschiedlichen Standard- oder Schwellwerten und intelligenten Tabellen aus, und bewertete Ergebnisse werden dem Gastrechner 3 zugeführt.

In der vorliegenden Ausführungsform wird das Elektrophorese gerät 1 durch ein Elektrophoresegerät AES 600 (Handelsname von Olympus Optical Co., Japan, HITE-SYSTEM 600 in Europa) gebildet, und Substrate, auf denen Proben zugeführt werden, sind aus Zellulose-Acetat-Material, z. B. Separax (Fuji Film Inc., Japan, Typ 11200 (Sartorius, Deutschland) oder dergl. gebildet.

Fig. 2 ist ein Blockdiagramm, das den Aufbau der Bewertungs vorrichtung 2 zeigt. Die Bewertungsvorrichtung 2 weist einen Personalcomputer 11 zum Ausführen der Bewertung entsprechend den Eingangsdaten und einem vorgegebenen Programm, eine Tastatur 12 zur Eingabe verschiedener Daten und Befehle, eine Kathodenstrahlröhre (CRT) 13 zum Anzeigen der bewerte ten Ergebnisse, und einen Drucker 14 auf, um die bewerteten Ergebnisse auf Testergebnissen auszudrucken. Der Personal computer 11 weist auch eine RS-232C-Schnittstelle 15 (I/F) zum Übertragen der Daten zwischen dem Personalcomputer 11 und dem Elektrophoresegerät 1 sowie dem in dem Krankenhaus eingerichteten Gastrechner 3, ein Festplattenlaufwerk (HDD) 16 zum Abspeichern unterschiedlicher Programme und intelli genter Tabellen, ein Floppy Disk-Laufwerk (FDD) 17 zum Abspeichern der unterschiedlichen Arten von Daten, einen Speicher 18 zum Speichern von Programmen und Daten, eine Zentralverarbeitungseinheit (CPU) 19 zum Ausführen der Bewertung auf. In der vorliegenden Ausführungsform ist der Personalcomputer 14 durch einen PC-9801DA gebildet, der von NEC hergestellt wird.

Vor der tatsächlichen Bewertung werden unterschiedliche Arten von Standardwerten und intelligenten Tabellen vorher in den Personalcomputer 11 mit Hilfe der Tastatur 12 einge geben. Die Standardwerte können experimentell durch Verar beiten statistischer Daten einer großen Anzahl von gesunden Personen für die jeweiligen Analysebedingungen und Arten von Substraten bestimmt werden. In dem vorliegenden Ausführungs beispiel sind die folgenden Standardwertbereiche vorgegeben.

Tabelle 1

Die Tabellen 2 und 3 zeigen intelligente Tabellen zur Bewertung des Krankheitstyps. Gemäß der Erfindung ist die intelligente Tabelle aus charakteristischen Parametern zusammengesetzt. In der vorliegenden Ausführungsform ist jede Spalte der intelligenten Tabelle aus 32 Bit oder Zellen gebildet und es sind 25 Krankheitstypen vorgesehen. In der vorliegenden Ausführungsform ist die intelligente Tabelle in zwei Hälften geteilt. Das heißt, jede Spalte der Tabellen 2 und 3 besteht aus 16 Bit. Tabelle 2 umfaßt charakteristische Parameter, die von den Konzentrationen der Fraktionen abgeleitet sind, und die Tabelle 3 enthält charakteristische Parameter, die von der Gestalt des elektrophoretischen Bildes abgeleitet sind.

In der Tabelle 2 bezeichnet "H", daß ein relevanter Wert höher als eine Obergrenze eines Normalbereiches über dem relevanten charakteristischen Parameter ist, "L" bezeichnet, daß der Wert niedriger als eine Untergrenze des Normalberei ches ist, "-" bezeichnet, daß der relevante charakteristi sche Parameter nicht bewertet wird, "0" bezeichnet, daß der relevante charakteristische Parameter nicht "Ja" sein sollte und "1" bezeichnet, daß der relevante charakteristische Parameter "Ja" sein sollte. Daher bedeutet "H"="1", "L"="0", daß ein relevanter Wert höher als eine Obergrenze sein sollte, "H"="0", "L"="1" bedeutet, daß ein relevanter Wert niedriger als eine Untergrenze sein sollte, "H"="0", "L"="0" bedeutet, daß ein relevanter Wert in einem normalen Bereich sein sollte. Des weiteren bedeutet "H"="0", "L"="-", daß ein relevanter Wert nicht höher als eine Obergrenze sein sollte, d. h. in einem normalen Bereich oder kleiner als eine Unter grenze, und "H"="-", "L"="0" zeigt, daß ein relevanter Wert nicht niedriger als eine Untergrenze sein sollte, d. h. in einem Normalbereich oder höher als eine obere Grenze.

In den Tabellen 2 und 3 bezeichnet "MASK" ein Bedingungsmas kenmuster zum Ausblenden charakteristischer Parameter, die für die Bewertung ausgeschlossen sein sollten und "ANTW" bezeichnet ein Bewertungsmuster. Das Bedingungsmaskenmuster "MASK" und das Bewertungsmuster "ANTW" sind in hexadezimaler Darstellung wiedergegeben. Der Aufbau und die Funktion dieser Muster wird später verdeutlicht.

In der Tabelle 3 bezeichnet "γ" die Unterdrückung der Gamma-Fraktion aufgrund des M-Proteins, "MP" M-Protein und "M?" bedeutet, daß eine Befürchtung wegen M-Protein besteht. "ß-γ" bedeutet, daß eine β-γ-Verknüpfung (Verkettung) vorhanden ist. Der Grad dieser β-γ-Verkettung wird durch zwei Bit wiedergegeben, und das ganz linke Bit bedeutet einen hohen Grad und ein ganz rechtes Bit bedeutet einen niedrigen Grad.

In der vorliegenden Ausführungsform sind zum Ausdruck von Kommentaren von analysierten Ergebnissen von Testberichten entsprechend den bewerteten Ergebnissen von Krankheitstypen und Elektrophoresebildern in der Bewertungsvorrichtung 2 vorher Kommentare der Bewertungen gespeichert, wie in einer Tabelle 4 gezeigt.

Tabelle 4(a)

Tabelle 4(b)

Tabelle 4(c)

Tabelle 4(d)

Nachstehend wird ein Beispiel einer Bewertung in der Bewer tungsvorrichtung 2 unter Bezugnahme auf ein Flußdiagramm erläutert, das in Fig. 3 gezeigt ist.

Zuerst werden die Proteinfraktionsdaten, d. h. photometri sierte Daten für entsprechende Proben von dem Elektrophore segerät 1 eingegeben. Als nächstes werden die so eingegebe nen Proteinfraktionsdaten normalisiert. Das bedeutet, die Glättung, die Erfassung der Peak-Positionen, die Normalisie rung der elektrophoretischen Ausdehnungslängen (in horizon taler Richtung), die Normalisierung der elektrophoretischen Höhe (in vertikaler Richtung) und die Normalisierung der Gestalt des Fraktionsbildes werden in einer bekannten Weise ausgeführt. Dann werden unterschiedliche Werte, z. B. die Fraktionsprozentzahlen der jeweiligen Fraktionen, der Wert von A/G und die Konzentrationen der jeweiligen Fraktionen berechnet. Danach wird geprüft, ob oder ob nicht die elek trophoretischen Bilder korrekt geteilt oder expandiert sind, und falls das richtige Fraktionsbild nicht erhalten wird, wird die notwendige Korrektur ausgeführt.

Nachdem die elektrophoretischen Daten normalisiert worden sind und verschiedene Werte berechnet worden sind, werden unterschiedliche charakteristische Parameter auf der Grund lage der so erhaltenen photoelektrophoretischen Daten und berechneten Werte erfaßt. Dann werden die charakteristischen Parameter einer Probe in ein(e) charakteristische(s) Para metermuster oder -spalte mit 32 Bit formuliert. Es versteht sich, daß das Format des charakteristischen Parametermusters mit dem Format einer Spalte der intelligenten Tabellen 2 und 3 korrespondieren sollte. Das bis jetzt beschriebene Ver fahren wurde im Detail in der Japanischen Patentanmeldungs- Offenlegungsschrift Kokai Sho 62-46534 beschrieben. Im Fall der Ausbildung des charakteristischen Parametermusters werden zuerst alle Bit in dem charakteristischen Parameter muster auf "0" gesetzt, wie dies in einem in Fig. 4 erläuter ten Flußdiagramm gezeigt ist, und logische Werte der charak teristischen Parameter werden von den Konzentrationen der Fraktionen und der Gestalt des elektrophoretischen Bildes erfaßt. Zum Ableiten der logischen Werte der charakteris tischen Parameter von den Konzentrationen der Fraktionen wird zuerst ein analysierter Wert von Alb mit einer unteren Grenze L eines bezogenen Normalbereiches verglichen und, falls Alb kleiner ist als L, dann wird das relevante Bit "Alb-L" in "1" verändert, aber falls Alb größer oder gleich L ist, verbleibt das relevante Bit unverändert, d. h. "0". Als nächstes wird Alb mit einer oberen Grenze H des rele vanten Normalbereiches verglichen, und falls Alb größer als H ist, dann wird ein relevantes Bit (Alb-H) in "1" verän dert. In einer ähnlichen Weise werden die Werte von α1, α2, β, γ, TP, α1 + α2 und α1/α2 mit unteren und oberen Grenzen jeweiliger Normalbereiche verglichen und entsprechende Bits werden gesetzt. Das heißt, falls die Werte die Grenzen überschreiten, werden die jeweiligen Bits in "1" geändert.

Für die Erkennung der charakteristischen Parameter aus der Gestalt des Fraktionsbildes, werden die β-γ-Verkettung, das M-Protein und die γ-Fraktionsunterdrückung erfaßt. Wenn erfaßt wird, daß die β-γ-Verkettung erkannt wird, dann wird des weiteren bewertet, ob das Maß der Verkettung hoch oder niedrig ist. Das heißt, das Maß des Tals zwischen dem β-Fraktionsbild und dem γ-Fraktionsbild werden erfaßt. Dies wird in der in Fig. 5 gezeigten Weise ausgeführt. Ein Verhältnis einer Höhe a eines Peak der ß-Fraktion zu einer Höhe b des Peaks der γ-Fraktion, d. h. a/b, wird abgeleitet, und dann wird dieses Verhältnis mit einem vorbestimmten Standardwert verglichen. Wenn das Verhältnis a/b kleiner als der Standardwert ist, ist das Maß der Verkettung als stark bewertet, und wenn das Verhältnis gleich oder größer als der Standardwert ist, wird das Maß der Verkettung als schwach bewertet.

Wenn das Tal zwischen den β- und γ-Fraktionen erkannt werden kann, aber das Tal, wie in Fig. 6A gezeigt, verdeckt ist, dann wird die Verkettung (Verknüpfung) als leicht bewertet, und wenn das Tal zu einem so großen Ausmaß ver deckt ist, daß das Tal nicht klar erkannt werden kann, wie in Fig. 6B gezeigt, wird die Verkettung als stark bewertet. Wenn das Tal deutlich erkennbar ist, aber die beiden Frak tionsbilder voneinander durch einen großen Abstand getrennt sind, wird die Verkettung als stark bewertet. Auf diese Weise kann die β-γ-Verkettung präzise bewertet werden. Wenn bewertet wird, daß die β-γ-Verkettung nicht vorhanden ist, wird der Parameter "β-γ" auf "00" gesetzt, wenn die schwache Verkettung erkannt wird, wird "01" gesetzt, und wenn die Verkettung als stark bewertet wird, wird "10" für den relevanten Parameter gesetzt.

Für die Bewertung des M-Proteins, wenn zu bewerten ist, daß das M-Protein vorhanden ist, wird "MP" auf "1" gesetzt, aber wenn bewertet wird, daß das M-Protein nicht vorhanden ist, wird "MP" auf "0" gesetzt. Wenn bewertet wird, daß das Nicht-Vorhandensein des M-Proteins fraglich ist, wird "M?" auf "1" gesetzt und wenn bewertet wird, daß das Nichtvorhan densein des M-Proteins nicht fraglich ist, dann wird "M?" auf "0" gesetzt. Des weiteren wird, falls bewertet wird, daß die Gamma-Fraktion unterdrückt ist, "γ" auf "1" gesetzt, und falls die Unterdrückung der Gamma-Fraktion nicht erkannt wird, wird "γ" auf "0" gesetzt.

Nachdem die charakteristischen Parameter abgeleitet worden sind, werden die Parameter für das charakteristische Parame termuster, bestehend aus 32 Bit, formuliert, und die Krank heitstypbewertung wird durch Vergleichen der charakteristi schen Parametermuster mit den intelligenten Tabellen in der Tabellen-Absuchmethode, wie in Fig. 7 gezeigt, ausgeführt.

Nachdem das charakteristische Parametermuster A formuliert worden ist, wird die Anzahl der aufgefundenen Krankheitsty pen überprüft. Dies wird in der folgenden Weise ausgeführt. Zuerst wird ein logisches Produkt zwischen dem charakteri stischen Parametermuster und den Bedingungsmaskenmustern (MASK) Mi (i ist der Krankheitstypcode) der jeweiligen Krankheitstypen ermittelt. Dann wird das so erhaltene logische Produkt X mit den Bewertungsmustern (ANTW) Ti der jeweiligen Krankheitstypen verglichen. Auf diese Weise wird die Zahl der aufgefundenen Krankheitstypen erfaßt. In der folgenden Ausführungsform ist die intelligente Tabelle in die zwei Tabellen unterteilt, in denen jede Spalte aus 16 Bit besteht, so daß die charakteristischen Parametermuster ebenfalls in zwei Hälften unterteilt sind, die jeweils aus 16 Bit bestehen.

Nachdem die Zahl der aufgefundenen Krankheitstypen erfaßt worden ist, wird bewertet, ob die Zahl n null ist oder nicht. Falls die Zahl n null ist, wird n=1 gesetzt und ein Krankheitstypcode i=0 wird festgelegt, da die intelligente Tabelle den normalen Typ enthält. Falls die Zahl n nicht null ist, werden eine oder mehrere aufgefundene Krankheits typcodes gesetzt, und als das bewertete Ergebnis abgeleitet.

Wenn eine normale Probe analysiert wird, wird in der intelligenten Tabelle der normale Typ ausgelesen, so daß die Zahl der aufgefundenen Krankheitstypen n zu n=1 gesetzt sein sollte. Wenn also die Anzahl n als n=0 bestätigt wird, muß die jeweilige Probe als eine anomale Probe klassifiziert werden. Allerdings kann ein Krankheitstyp dieser Probe nicht durch Verwenden der intelligenten Tabelle bewertet werden.

Nachstehend wird ein Beispiel des Bewertungsprozesses und das bewertete Ergebnis erläutert. Fig. 8A zeigt das charak teristische Parametermuster A. Dieses charakteristische Parametermuster A wird mit einem Maskenmuster des nephroti schen Typs MS verglichen, das in Fig. 8B gezeigt ist. Das heißt, ein logisches Produkt zwischen dem charakteristischen Parametermuster A und dem Maskenmuster des nephrotischen Typs MS wird abgeleitet, um ein Bitmuster X zu erhalten, das in Fig. 8C gezeigt ist. Dann wird das so erhaltene Bitmuster X mit einem Bewertungsmuster TS des nephrotischen Typs verglichen. In diesem Fall sind diese Muster miteinander identisch, so daß eine logische "1" erzeugt wird. Auf diese Weise wird eine relevante Probe als zum nephrotischen Typ gehörend bewertet. Diese Bewertung wird für alle Krankheits typen wiederholt.

Fig. 9 ist ein Diagramm, das ein Beispiel des Testberichtes zeigt. In dem vorliegenden Beispiel werden auf dem Testbe richt Patienteninformationen, die einen Patientennamen, die Fraktionsdaten inklusive der Fraktionsprozentzahlen jewei liger Fraktionen, das Verhältnis A/G, den Konzentrationen der jeweiligen Fraktionen, das elektrophoretische Bild usw. sowie das bewertete Ergebnis inklusive des Kommentars über die Fraktionswerte, der Kommentar über das Fraktionsbild, ein Gruppencode und der Kommentar der Bewertungen aufge druckt. In den Spalten der Konzentrationen der Fraktionen werden Vergleichsergebnisse als "H" und "L" ausgedruckt. Das heißt, wenn ein Konzentrationswert höher als eine Obergrenze ist, wird "H" gesetzt, wenn eine Konzentration niedriger ist als eine Untergrenze, wird "L" gesetzt, und wenn eine Konzentration in einem normalen Bereich liegt, wird keine Marke gedruckt. Des weiteren wird ein elektrophoretisches Referenzbild (dünne Linie) dem gemessenen elektrophore tischen Bild (dicke Linie) überlagert ausgedruckt. In einer Spalte für den Kommentar über den Fraktionswert werden ein oder mehrere Komponenten inklusive dem Gesamtproteine TP, die anomale Werte anzeigen, angegeben, zusammen mit Pfeilen, die Richtungen der Anomalität anzeigen. In einer Spalte für den Kommentar über das Fraktionsbild werden Bestandteile betreffend die Erfassung des M-Proteins und der β-γ-Verket tung gedruckt. In einer Spalte für den Gruppencode werden eine oder mehrere aufgefundene Krankheitstypcodes gedruckt. In dem vorliegenden Beispiel wird der nephrotische Typ-Code gedruckt. In einer Spalte für den Kommentar der Bewertung werden ein oder mehrere Kommentare, betreffend die aufgefun denen Krankheitstypen gedruckt.

Fig. 10A bis 10C erläutern eine weitere Ausführungsform zur Bewertung des Krankheitstyps. Fig. 10A zeigt ein charakteri stisches Parametermuster A, und Fig. 10B erläutert ein Maskenmuster M14 des zirrhotischen Typs. Wenn ein logisches Produkt zwischen dem charakteristischen Parametermuster A und dem Maskenmuster M14 ermittelt wird, erhält man ein Bitmuster X, das in Fig. 10C gezeigt ist. Dann wird ein logisches Produkt zwischen dem so erhaltenen Bitmuster X und einem Bewertungsmuster des zirrhotischen Typs T14 ermittelt, bei dem man eine logische "1" erhält. Das heißt, diese Muster sind miteinander identisch, so daß bewertet wird, daß eine relevante Probe zu dem zirrhotischen Typ gehört. Dann wird ein Testbericht ausgedruckt, der in Fig. 11 dargestellt ist.

Fig. 12 und 13 sind Darstellungen, die andere Beispiele des Testberichtes zeigen. Der in Fig. 12 gezeigte Testbericht zeigt, daß eine relevante Probe vom multiplen Myelomtyp ist und der Testbericht in Fig. 13 zeigt, daß eine Probe zu dem Gamma-Globulin-Anämie-Typ und zu dem akuten Entzündungstyp gehört.

Die vorliegende Erfindung ist nicht auf die vorstehend beschriebenen Beispiele begrenzt, sondern vielfältige Abwandlungen und Veränderungen können durch Fachleute innerhalb des Schutzbereiches der Erfindung gefunden werden.

In dem vorstehenden Ausführungsbeispiel wird das charakteri stische Parameterfeld in zwei Hälften geteilt und die intelligenten Tabellen sind ebenfalls in zwei Tabellen geteilt. Aber gemäß der Erfindung ist es auch möglich, die charakteristischen Parametermuster, die aus 32 Bit bestehen, mit den aus 32 Bit bestehenden intelligenten Tabellen zu vergleichen.

In dem vorliegenden Ausführungsbeispiel besteht das Bedin gungsmuster aus dem Maskenmuster und dem Bewertungsmuster, und nachdem das charakteristische Parametermuster mit dem Maskenmuster verglichen worden ist, um das Bitmuster abzu leiten, wird das Bitmuster mit dem Bewertungsmuster ver glichen. Allerdings kann gemäß der Erfindung nur ein Bedin gungsmuster verwendet werden und die Bewertung kann nur durch einen Vergleich ausgeführt werden. Das heißt, die charakteristischen Parameter der Konzentration der Fraktion werden in der folgenden Weise dargestellt. Falls die Konzen tration höher als eine obere Grenze eines Normalbereiches ist, wird "100" (H) gesetzt, falls die Konzentration in dem Normalbereich liegt, wird "010" (N) gesetzt, und falls die Konzentration niedriger als eine untere Grenze ist, wird "001" (L) gesetzt. Die Gamma-Unterdrückung wird durch zwei Bit ausgedrückt. Falls die Gamma-Unterdrückung nicht erkannt wird, wird "01" gesetzt, und falls die Gamma-Unterdrückung erkannt wird, wird "10" gesetzt. Das MP und M? sind durch drei Bit ausgedrückt. Falls das MP erkannt wird, wird "100" gesetzt und falls M? erkannt wird, wird "001" gesetzt. Die β-γ-Verkettung wird durch drei Bit ausgedrückt und "001" wird für keine Verkettung gesetzt, "010" wird für die schwache Verkettung gesetzt, und "100" wird für die starke Verkettung gesetzt.

Das Bedingungsmuster besteht aus den gleichen Bitzahlen wie das charakteristische Parametermuster und "H", "N" und "L" werden durch "100", "010" und "001" jeweils ausgedrückt. Des weiteren werden "NICHT H" und "NICHT L" durch "011" und "110" jeweils ausgedrückt. "KEINE BEWERTUNG" wird durch "111" wiedergegeben. Das Nichtvorhandensein der Gamma-Unter drückung wird durch "01" dargestellt, das Vorhandensein der Gamma-Unterdrückung wird durch "10" ausgedrückt, und die Nicht-Bewertung wird durch "11" bezeichnet. Das Nichtvorhan densein von sowohl MP als auch M? wird durch "010" bezeich net, das Vorhandensein von MP durch "100", und das Vorhan densein von M? durch "001", und Nicht-Bewertung wird durch "111" dargestellt. Das Nichtvorhandensein der ß- -Verkettung wird durch "000" ausgedrückt, und das Vorhandensein der schwachen Verkettung durch "010" und das Vorhandensein der starken Verkettung durch "100" und Nicht-Bewertung wird durch "111" bezeichnet.

Dann werden logische Produkte für jeweilige Bits für jeden Parameter des charakteristischen Parametermusters und das Bedingungsmuster abgeleitet, und dann wird eine logische Summe dieser logischen Produkte abgeleitet. Als nächstes wird ein logisches Produkt der so erhaltenen logischen Summen aller Parameter abgeleitet. Falls das logische Produkt "1" ist, dann wird bewertet, daß eine Probe zu einem relevanten Krankheitentyp gehört. In der vorstehenden Beschreibung wird der charakteristische Parameter durch drei Bit ausgedrückt, aber er kann auch durch fünf Bit ausge drückt werden. In diesem Fall können ein extrem hoher Wert und ein extrem niedriger Wert bezeichnet werden.

Die quantitativen Werte der normalen Bereich schwanken für unterschiedliche Gruppierungen, die für jeweilige schwan kende Parameter z. B. Alter, Geschlecht, Rasse, Geburtsort, Verfassung und klinische Geschichte klassifiziert werden.

Insbesondere sind das Alter, das Geschlecht und die Rasse des Patienten bei den schwankenden Parametern wichtig. Um eine genauere Bewertung des Krankheitstyps zu bewirken, werden diese drei schwankenden Parameter bevorzugt in Betracht gezogen. In einer veränderten Ausgangsform des Bewertungsverfahrens gemäß der Erfindung werden vorher eine Vielzahl von Gruppierungen (Populationen) entsprechend den jeweiligen schwankenden Parametern zusammengestellt und eine Gruppierung, die einem oder mehreren Parametern zugeordnet ist, wird extrahiert. Dann werden Normalbereiche von der so extrahierten Gruppierung abgeleitet und in der Festplatte 16 gespeichert. Bei der Bewertung werden einer oder mehrere der sich verändernden Parameter der Patienten in die Bewertungs vorrichtung mit Hilfe der Tastatur 12 eingegeben. Dann werden eine oder mehrere Gruppierungen entsprechend der eingegebenen sich verändernden Parameter ausgelesen und eine oder mehrere Mengen von Normalbereichen werden aus den Daten errechnet, die in der einen oder den mehreren Gruppierungen enthalten sind. Als nächstes werden eine oder mehrere intelligente Tabellen entsprechend der so berechneten Normalbereiche gebildet. Dann wird das charakteristische Parametermuster eines Patienten mit den so gebildeten intelligenten Tabellen verglichen. Auf diese Weise kann eine genauere Bewertung des Krankheitstyps ausgeführt werden.

In diesem Fall kann die Extraktion der Gruppierungen durch eine Bedienperson ausgeführt werden, aber es wird bevorzugt, den Extrahiervorgang automatisch auszuführen. In dem letz teren Fall sind die elektrophoretischen Daten einer großen Gruppe, die eine Anzahl von Gruppierungen enthält, die jeweils zu den entsprechenden sich ändernden Parametern korrespondieren, in der großen Festplatte HDD 16 oder im Speicher 18 abgelegt und eine Gruppierung wird automatisch von diesen Gruppierungen in Übereinstimmung mit einem oder mehreren sich ändernden Parameter extrahiert, die durch Tastaturbetätigung identifiziert werden können.

Wenn z. B. eine intelligente Tabelle verwendet wird, die mit dem Alter der Patienten korrespondiert, kann die Bewertung für den Hypo-Gamma-Globulin-Anämie-Typ wie folgt ausgeführt werden: wenn das Alter eines Patienten drei Monate oder älter als drei Monate und jünger als drei Jahre ist (Klein kind) wird es als normal angesehen, aber wenn das Alter eines Patienten jünger ist als drei Monate (Säugling) wird es als anomal bewertet. Wenn die intelligente Tabelle von einer Gruppierung gebildet wird, die nach ihrem Geschlecht sortiert ist, kann eine neue intelligente Tabelle gebildet werden, um zu bewerten, ob eine Patientin schwanger ist oder nicht. Diese intelligente Tabelle zur Schwangerschaftsbewer tung kann nur die die Beta-Fraktion gebildet werden. D.h., wenn der Wert der Beta-Fraktion höher als ein vorbestimmter Standardwert ist, wird bewertet, daß eine Patientin schwan ger ist.

Auf diese Weise kann gemäß der Erfindung das Hinzufügen oder Löschen der Krankheitstypen auf einfache Weise durch die Tastatur 12 ausgeführt werden. Es sei bemerkt, daß wenn die intelligente Tabelle verändert wird, um nur eine minimale Zahl von Krankheitstypen zu enthalten, die für eine Bewer tung erforderlich sind, die Auffindungszeit minimiert werden kann.

Wenn des weiteren eine Probe als gutartiger M-Protein-Typ oder MP?-Typ bewertet wird, was die Elektrophorese von Protein aufeinanderfolgend erfordert, werden die Daten der jeweiligen Probe in der Bewertungsvorrichtung für eine lange Zeit gespeichert und bei einem späteren Test kann eine intelligente Tabelle nur solche Krankheitstypen enthalten, die für eine nachfolgende Beobachtung notwendig sind, und eine endgültige Bewertung wird durch Betrachten einer Vielzahl von Testergebnissen insgesamt ausgeführt.

Es sei bemerkt, daß die Normalbereiche der verschiedenen Proteinfraktion für unterschiedliche Krankenhäuser und Test labors in Entsprechung mit Unterschieden in den Gebieten und der Empfindlichkeit der Elektrophoreseapparate sein können. Gemäß der Erfindung können die oberen und unteren Grenzen der Normalbereiche mit der Hilfe der Tastatur einfach geändert werden. Zum Beispiel kann eine Vielzahl von in telligenten Tabellen gebildet werden, indem die Normalwerte geändert werden und die Bewertung kann dann ausgeführt werden, indem diese neuen Tabellen verwendet werden. In diesem Fall kann auch eine Vielzahl von oberen und unteren Grenzen für eine lange Zeit in dem Speicher 18 gespeichert sein und jeder beliebige gewünschte obere und untere Grenz wert kann durch Betätigen der Tastatur 12 ausgewählt werden.

Wie vorstehend beschrieben, werden gemäß der Erfindung vorgegebene charakteristische Parameter abgeleitet, und die so abgeleiteten charakteristischen Parameter werden mit der intelligenten Tabelle verglichen, die die Information über eine Beziehung zwischen den charakteristischen Parametern und den Krankheitstypen enthält, und daher können die Krankheitstypen bewertet werden durch ein Absuchen der Tabellen, und eine Vielzahl von Krankheitstypen kann für einzelne Proben erkannt und bewertet werden. In dem bekann ten Bewertungsverfahren konnten nicht mehr als ein Krank heitstyp bewertet werden. Auf die gemäß der Erfindung ausgeführte Weise kann die Bewertung des Krankheitstyps genauer und zuverlässiger ausgeführt werden.

Des weiteren werden für Proben die charakteristischen Parameter abgeleitet, so daß die Standardwerte einfach gemäß den Analyseapparaten und den Analysebedingungen geändert werden können. Des weiteren können die Bewertungsbedingungen in den intelligenten Tabellen auf einfache Weise geändert werden, und neue Bedingungen können auch auf einfache Weise hinzugefügt werden.

Claims

1. Verfahren zur automatischen Bewertung eines Krankheits typs durch Ableiten einer Vielzahl von charakteristi schen Parametern aus Proteinfraktionsdaten umfassenden Analysedaten, die durch Analysieren einer Blutprobe mit Hilfe eines Elektrophoresegerätes erhalten wurden, dadurch gekennzeichnet, daß wenigstens eine intelligente Tabelle gebildet wird, wobei die intelligente Tabelle die Beziehung zwischen Kombi nationen von charakteristischen Parametern und jewei ligen Krankheitstypen wiedergibt, ein charakteristi sches Parametermuster einer Probe durch Anordnen einer Vielzahl von charakteristischen Parametern der jeweili gen Probe gemäß einem vorgegebenen Format gebildet wird, und das charakteristische Parametermuster mit der intelligenten Tabelle verglichen wird, um einen oder mehrere Krankheitstypen aufzufinden.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß das charakteristische Parametermuster zuerst mit einem Maskenmuster verglichen wird, das charakteristische Parameter ausblendet, die nicht für die Bewertung verwendet werden, um ein logisches Produkt abzuleiten, und daß dann das so abgeleitete logische Produkt mit einem Bewertungsmuster verglichen wird, um Krankheits typen aufzufinden.

3. Verfahren nach Anspruch 1, bei dem die intelligente Tabelle einen Normaltyp enthält, und wenn die Zahl der aufgefundenen Krankheitstypen null ist, eine entspre chende Probe als anomal bewertet wird.

4. Verfahren nach Anspruch 1, bei dem jeder der charakte ristischen Parameter durch drei Bit dargestellt ist, die einen ersten Fall, in dem ein Wert eines relevanten charakteristischen Parameters niedriger als eine Untergrenze eines Normalbereiches ist, einen zweiten Fall, in dem der Wert höher als eine Obergrenze des Normalbereiches ist, und einen dritten Fall, in dem der Wert innerhalb des Normalbereiches liegt bezeichnen, wobei jede Stelle der jeweiligen charakteristischen Parameter in dem charakteristischen Parametermuster mit dem entsprechenden Bit in der intelligenten Tabelle verglichen wird, um logische Produkte abzuleiten, woraufhin logische Summen der logischen Produkte entsprechender charakteristischer Parameter abgeleitet werden und dann logische Produkte aller logischer Summen abgeleitet werden, um einen oder mehrere Krank heitstypen aufzufinden.

5. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der aufgefundene Krankheitstyp oder die aufgefundenen Krankheitstypen auf einem Testbericht zusammen mit dazugehörigen Kommentaren ausgedruckt werden.

6. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die charakteristischen Parameter α1/α2, α1+α2, Gesamt protein, γ, β, α1, α2, Albumin, Gamma-Unterdrückung, M-Protein, fragliches M-Protein und β-γ-Kettenbildung umfassen.

7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, daß der charakteristische Parameter der β-γ-Verkettung das Maß der Kettenbildung wiedergibt.

8. Verfahren nach Anspruch 1, bei dem die Krankheitstypen multiplen Myelomtyp, gutartigen M-Proteintyp, MP?-Typ, Hypo-γ-Globulinanämietyp, nephrotischen Typ, Hypo-Glo bulinanämie-Typ, polyclonalen Typ, normalen Typ, akuten Entzündungstyp, chronischen Entzündungstyp, chronischen Entzündungs- oder leberzirrhotischen Typ, leberzirrho tischen Typ, Hepato-degenerativen Typ und Unterernäh rungstyp umfassen.

9. Verfahren nach Anspruch 1, bei dem die intelligente Tabelle durch Extrahieren eine Gruppierung (Population) entsprechend wenigstens eines veränderbaren Parameters, z. B. Geschlecht, Alter und Rasse, gebildet wird, in dem Normalbereiche für jeweilige Proteinfraktionen bestimmt werden und eine intelligente Tabelle auf der Grundlage einer Beziehung zwischen den Normalbereichen und den Krankheitstypen gebildet wird.

10. Verfahren nach Anspruch 9, bei dem ein oder mehrere Krankheitstypen entsprechend den variablen Parametern zu der intelligenten Tabelle zugefügt oder aus ihr entfernt werden.

11. Verfahren nach Anspruch 1, bei der eine Vielzahl von intelligenten Tabellen mit unterschiedlichen Normalbe reichen in Übereinstimmung mit einem Satz von Protein fraktionsdaten gebildet werden, die von der gleichen Gruppierung abgeleitet werden, wobei die so gebildete Vielzahl von intelligenten Tabellen gespeichert und der Vergleich zwischen dem charakteristischen Parametermus ter und der intelligenten Tabelle durch Auswählen wenigstens einer der intelligenten Tabellen aus der, Vielzahl von gespeicherten intelligenten Tabellen ausgeführt wird.

12. Verfahren nach Anspruch 11, wobei der Vergleich zwischen charakteristischen Parametermustern und der intelligenten Tabelle durch Auswählen einer Vielzahl von intelligenten Tabellen aus der Vielzahl von ge speicherten intelligenten Tabellen ausgeführt wird, um einen oder mehrere Krankheitstypen aufzufinden und eine endgültige Bewertung auszuführen, indem die so aufgefun denen Krankheitstypen insgesamt betrachtet werden.