DE4331018A1 - Verfahren zur automatischen Bewertung von Fraktionsmustertypen, die Krankheiten betreffen - Google Patents
Verfahren zur automatischen Bewertung von Fraktionsmustertypen, die Krankheiten betreffenInfo
- Publication number
- DE4331018A1 DE4331018A1 DE4331018A DE4331018A DE4331018A1 DE 4331018 A1 DE4331018 A1 DE 4331018A1 DE 4331018 A DE4331018 A DE 4331018A DE 4331018 A DE4331018 A DE 4331018A DE 4331018 A1 DE4331018 A1 DE 4331018A1
- Authority
- DE
- Germany
- Prior art keywords
- type
- pattern
- evaluation
- disease
- intelligent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 61
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 61
- 238000011156 evaluation Methods 0.000 title claims abstract description 53
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 23
- 102000004169 proteins and genes Human genes 0.000 title claims abstract description 22
- 238000001962 electrophoresis Methods 0.000 title claims abstract description 17
- 239000008280 blood Substances 0.000 title claims abstract description 4
- 210000004369 blood Anatomy 0.000 title claims abstract description 4
- 238000000034 method Methods 0.000 claims abstract description 33
- 101710085938 Matrix protein Proteins 0.000 claims description 15
- 101710127721 Membrane protein Proteins 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 230000001629 suppression Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 206010035226 Plasma cell myeloma Diseases 0.000 claims description 3
- 208000007502 anemia Diseases 0.000 claims description 3
- 208000034578 Multiple myelomas Diseases 0.000 claims description 2
- 208000038016 acute inflammation Diseases 0.000 claims description 2
- 230000006022 acute inflammation Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 2
- 102000009027 Albumins Human genes 0.000 claims 1
- 108010088751 Albumins Proteins 0.000 claims 1
- 208000002720 Malnutrition Diseases 0.000 claims 1
- 230000001684 chronic effect Effects 0.000 claims 1
- 208000037976 chronic inflammation Diseases 0.000 claims 1
- 230000006020 chronic inflammation Effects 0.000 claims 1
- 208000019425 cirrhosis of liver Diseases 0.000 claims 1
- -1 gamma suppression Proteins 0.000 claims 1
- 230000002757 inflammatory effect Effects 0.000 claims 1
- 210000004185 liver Anatomy 0.000 claims 1
- 230000001071 malnutrition Effects 0.000 claims 1
- 235000000824 malnutrition Nutrition 0.000 claims 1
- 208000015380 nutritional deficiency disease Diseases 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 108010044091 Globulins Proteins 0.000 description 1
- 102000006395 Globulins Human genes 0.000 description 1
- 102100032965 Myomesin-2 Human genes 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 229920002301 cellulose acetate Polymers 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 108010074605 gamma-Globulins Proteins 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000000050 myeloid neoplasm Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Microbiology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Cell Biology (AREA)
- Biochemistry (AREA)
- Biotechnology (AREA)
- General Physics & Mathematics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Peptides Or Proteins (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
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.
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.
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.
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 (12)
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.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP24358192A JP3054273B2 (ja) | 1992-09-11 | 1992-09-11 | 病態型自動判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE4331018A1 true DE4331018A1 (de) | 1994-03-17 |
DE4331018C2 DE4331018C2 (de) | 2002-02-21 |
Family
ID=17105957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4331018A Expired - Fee Related DE4331018C2 (de) | 1992-09-11 | 1993-09-13 | Verfahren zur Bewertung von Blutproben |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP3054273B2 (de) |
DE (1) | DE4331018C2 (de) |
IT (2) | ITMI931947A1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19832053A1 (de) * | 1998-07-16 | 2000-01-27 | Siemens Ag | Verfahren zur Ermittlung des im Rahmen des Parkinson-Syndroms bzw. der Parkinson-Krankheit relevanten klinischen Zustands eines Patienten, sowie System hierfür |
EP1413888A1 (de) * | 2001-07-31 | 2004-04-28 | A & T Corporation | Analysevorrichtung zur klinischen untersuchung, analyseverfahren zur klinischen untersuchung und analyseprogramm zur klinischen untersuchung |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3091176B2 (ja) | 1998-02-18 | 2000-09-25 | 株式会社ヘレナ研究所 | 分離分析検査データ処理装置 |
CN100498326C (zh) * | 2003-03-14 | 2009-06-10 | 日本电气株式会社 | 诊断支持系统 |
JP2006042986A (ja) * | 2004-08-02 | 2006-02-16 | Ricoh Co Ltd | 判定方法、判定システム及び判定プログラム |
JP4951752B2 (ja) | 2005-11-17 | 2012-06-13 | 国立大学法人高知大学 | 易動度の正規化装置、正規化方法、正規化プログラムおよび自己組織化マップ、並びに、物質の検出方法、検出プログラム、検出ルール生成方法およびデータ構造 |
JP5136988B2 (ja) * | 2008-09-16 | 2013-02-06 | 日本光電工業株式会社 | 分析装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2436846A1 (de) * | 1973-08-02 | 1975-02-13 | Ditmore Jun | Datenverarbeitungs-system |
US4920498A (en) * | 1985-08-17 | 1990-04-24 | Olympus Optical Co., Ltd. | Method of processing and analyzing electrophoretic image, and method of displaying electrophoregram and a medium for recording electrophoregram |
-
1992
- 1992-09-11 JP JP24358192A patent/JP3054273B2/ja not_active Expired - Fee Related
-
1993
- 1993-09-10 IT IT93MI001947A patent/ITMI931947A1/it unknown
- 1993-09-13 DE DE4331018A patent/DE4331018C2/de not_active Expired - Fee Related
- 1993-09-13 IT ITMI931967A patent/IT1270978B/it active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2436846A1 (de) * | 1973-08-02 | 1975-02-13 | Ditmore Jun | Datenverarbeitungs-system |
US4920498A (en) * | 1985-08-17 | 1990-04-24 | Olympus Optical Co., Ltd. | Method of processing and analyzing electrophoretic image, and method of displaying electrophoregram and a medium for recording electrophoregram |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19832053A1 (de) * | 1998-07-16 | 2000-01-27 | Siemens Ag | Verfahren zur Ermittlung des im Rahmen des Parkinson-Syndroms bzw. der Parkinson-Krankheit relevanten klinischen Zustands eines Patienten, sowie System hierfür |
EP1413888A1 (de) * | 2001-07-31 | 2004-04-28 | A & T Corporation | Analysevorrichtung zur klinischen untersuchung, analyseverfahren zur klinischen untersuchung und analyseprogramm zur klinischen untersuchung |
EP1413888A4 (de) * | 2001-07-31 | 2011-08-10 | A & T Corp | Analysevorrichtung zur klinischen untersuchung, analyseverfahren zur klinischen untersuchung und analyseprogramm zur klinischen untersuchung |
Also Published As
Publication number | Publication date |
---|---|
ITMI931947A0 (it) | 1993-09-10 |
JPH0696138A (ja) | 1994-04-08 |
DE4331018C2 (de) | 2002-02-21 |
JP3054273B2 (ja) | 2000-06-19 |
IT1270978B (it) | 1997-05-26 |
ITMI931967A1 (it) | 1995-03-13 |
ITMI931967A0 (it) | 1993-09-13 |
ITMI931947A1 (it) | 1994-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19639884C2 (de) | Mustererkennungssystem | |
DE112017005640T5 (de) | Informationsverarbeitungsvorrichtung und Informationsverarbeitungsverfahren | |
DE69719734T2 (de) | System zur Prüfung und Auswertung von Testergebnissen in der Antibiotikaempfindlichkeitstestung von Mikroorganismen | |
DE69839000T2 (de) | Analysegerät, Flüssigkeitschromatographieanalysator und Verfahren dafür | |
DE102018122961A1 (de) | Chromatographische datensystemverarbeitungseinrichtung | |
EP0695805A2 (de) | Verfahren zur Analyse einer medizinischen Probe unter Vermeidung von Störbeiträgen aufgrund von Hämolyse | |
DE3627659C2 (de) | ||
WO2022096297A1 (de) | Computerimplementiertes verfahren und vorrichtung zum durchführen einer medizinischen laborwertanalyse | |
DE102012205686B3 (de) | Verfahren zur Substanzidentifizierung und zugehöriges Computerprogrammprodukt | |
DE4331018C2 (de) | Verfahren zur Bewertung von Blutproben | |
DE2405810A1 (de) | Verfahren und vorrichtung zur bestimmung von enzymaktivitaeten | |
DE3042484A1 (de) | Verfahren zum bestimmen von grenzpunkten auf elektrophoretischen densitogrammen | |
EP1660880A1 (de) | Vorrichtung und verfahren zur quantitativen auswertung der in einer körperflüssigkeitsprobe enthaltenen polypeptide sowie marker zur erkennung von pathologischen zuständen | |
EP0012418B1 (de) | Anordnung zur Klassierung von in einer Blutprobe enthaltenen Teilchen | |
DE3127007C2 (de) | Verfahren zur Ermittlung der Bezugspunkte eines Densitogramms | |
DE2436846C3 (de) | ||
DE4307736C2 (de) | Verfahren zum Verarbeiten eines einem Fraktionsbild entsprechenden Densitogramms bei der Elektrophorese | |
DE4405251C2 (de) | Verfahren zur Verarbeitung von Elektrophoresedaten | |
DE102009054328A1 (de) | Verfahren zum Setzen von Instrumentenparametern | |
DE3603920A1 (de) | Verfahren zur aufzeichnung oder darstellung von durch elektrophorese entstandenen bildern | |
DE102022207482B4 (de) | Computerimplementiertes Verfahren zum Bestimmen eines Datenqualitätsindex, Computerprogramm und Steuereinheit | |
DE2919517C2 (de) | ||
EP1687756B9 (de) | Verfahren zur klassifikation von messwerten in der medizinischen und biochemischen analytik | |
DE3406223A1 (de) | Analysengeraet fuer die standardadditionsmethode | |
DE19849231C2 (de) | Verfahren zum Verifizieren der Synthese organischer Moleküle in der kombinatorischen Chemie |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8327 | Change in the person/name/address of the patent owner |
Owner name: OLYMPUS CORPORATION, TOKIO/TOKYO, JP |
|
8327 | Change in the person/name/address of the patent owner |
Owner name: BECKMANN COULTER, INC., FULLERTON, CALIF., US |
|
8327 | Change in the person/name/address of the patent owner |
Owner name: BECKMAN COULTER, INC., BREA, CALIF., US |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |
Effective date: 20120403 |