JP2007534086A - 全身性自己免疫疾患の診断のためのパターン認識方法 - Google Patents

全身性自己免疫疾患の診断のためのパターン認識方法 Download PDF

Info

Publication number
JP2007534086A
JP2007534086A JP2007509637A JP2007509637A JP2007534086A JP 2007534086 A JP2007534086 A JP 2007534086A JP 2007509637 A JP2007509637 A JP 2007509637A JP 2007509637 A JP2007509637 A JP 2007509637A JP 2007534086 A JP2007534086 A JP 2007534086A
Authority
JP
Japan
Prior art keywords
reference data
data set
disease
computer
value
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.)
Pending
Application number
JP2007509637A
Other languages
English (en)
Inventor
スティーブン アール． ビンダー
ジョン グロッセンジャー
Original Assignee
バイオ−ラッド ラボラトリーズ インコーポレーティッド
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by バイオ−ラッド ラボラトリーズ インコーポレーティッド filed Critical バイオ−ラッド ラボラトリーズ インコーポレーティッド
Publication of JP2007534086A publication Critical patent/JP2007534086A/ja
Pending legal-status Critical Current

Links

Images

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
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/564—Immunoassay; Biospecific binding assay; Materials therefor for pre-existing immune complex or autoimmune disease, i.e. systemic lupus erythematosus, rheumatoid arthritis, multiple sclerosis, rheumatoid factors or complement components C1-C9
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/10—Signal processing, e.g. from mass spectrometry [MS] or from PCR
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/24—Immunology or allergic disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Immunology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biotechnology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Hematology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Bioethics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Urology & Nephrology (AREA)
  • Analytical Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Rheumatology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Rehabilitation Therapy (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)

Abstract

患者のサンプル中の自己抗体のアレイを数量化し、全身性自己免疫疾患の診断を目標として分析する。分析には任意の様々な公知のパターン認識技術、例えばk-最近傍分析を用い、数量化データのアレイを、公知の全身性自己免疫疾患を有する被験者から以前に得られたデータのセットと比較し、それにより患者が罹患している特定の疾病を決定し、かつ決定の正確さの信頼度または尤度を決定する。本方法は、単一の疾患を同定することにおいて有効であり、かつ同時に存在する2つ以上の疾病を同定することにおいても有効である。本方法は、以前にはこれらの疾病を診断する際に伴っていた人間の判断および誤りの多くを除去し、自動化データ処理を容易に可能とすることができる。

Description

1. 技術分野
本発明は、自己免疫疾患、ならびに、これらおよび他の疾病の診断方法の分野に関する。本発明はまた、データ分析の統計的方法および免疫診断へのそれらの適用に関する。
関連出願の相互参照
本出願は、2000年10月17日出願の米国特許出願第09/691,405号の一部継続出願であり、その内容は参照により本明細書に組み入れられる。
2. 先行技術の記載
自己免疫疾患は、免疫系が、外部から身体に侵入するバクテリア、ウイルスおよび他の微生物ではなく、自分自身の身体の細胞、組織および器官を攻撃する疾患である。例えば腸から脳までの、または血管系から皮膚までにわたる身体の種々の部分を攻撃する多くの様々な自己免疫疾患が存在し、また攻撃は様々な形で生じる。ある自己免疫疾患は、組織に特異的または器官に特異的であり、一方他の自己免疫疾患はいくつかの組織を侵す。この後者のカテゴリーの疾病は「全身性自己免疫疾患」と名付けられ、症状は患者毎に異なり、器官中の複数の部位で組織の損傷および炎症が、それらの抗原の性質と関係なく生じる可能性がある。全身性自己免疫疾患は、一般にリューマチ性疾患または結合組織病（CTD）と呼ばれる。全身性自己免疫疾患の例は、関節リウマチ、全身性エリテマトーデス（SLE）、強皮症、多発性筋炎、皮膚筋炎、シェーグレン症候群（SS）、および強直性脊椎炎などの脊椎関節症である。自己免疫疾患は、原因が一般に多因子であり、寄与する因子のいくつかは、遺伝的素因、宿主因子（T細胞欠損症および制御抵抗性のB細胞のポリクローナル刺激など）、環境因子（ある微生物の感染など）および抗原によって駆動される機構（隔絶抗原または交差反応性外来抗原など）である。自己免疫疾患は未だに同定されつつあり（例えば抗リン脂質症候群）、また確立された疾病がしばしばその本質は自己免疫であると同定される（例えばセリアック病）。
重複した症状および複雑な病因のために、自己免疫疾患を診断することは困難である。診断の試みは、一般に、症状ならびに身体検査からの知見および臨床テストから得られる結果に基づく。多くの自己免疫疾患の症状は非特異的であり、臨床テスト結果は助けにはなるが、特に疾病の初期において、診断を確証するには多くの場合不十分である。症状が過渡的であって臨床テスト結果が決定的でない場合、多くの場合そうであるが、問題が悪化する。いくつかの自己免疫疾患については、初期段階で疾病が同定されれば、患者は完全に治療に応答するであろう。しかし、明確な診断は、その疾病が進行した段階になるまですることができないことが多い。この問題は、全身性自己免疫疾患において特に深刻である。
一般に、自己免疫抗体の存在は自己免疫疾患を示すと信じられている。しかしながら、ほとんどすべての抗体が任意の個体中に測定可能な量存在するという事実が、この確信の反証となり、また健康な個体から得られた基準レベルとの比較は、性別、年齢、地理的定住地域、国籍、および人種などの人口統計による、正常な抗体レベルにおける大きな偏差によって挫折する。さらに、診断において調査しなければならない弁別可能な抗体の数が多く、特異的かつ適度に正確な診断を得ようとする試みにおいて、臨床検査室にとってしばしば処理不能な負担となる。
最も広く用いられている全身性自己免疫疾患を同定する方法は、良く訓練された技術者を必要とする手動測定法である間接免疫蛍光（IFA）顕微鏡テスト法である。結果は、スライド上に固定し、血清で処理し、洗浄し、そしてラベルされた細胞（通常はHeLa細胞）で見られる、顕著な特長のパターンとして現われる。パターンの顕著な特長は、比較的斑点状の、比較的均質な外観その他であり、診断は、パターンを公知の疾病を有する個体のパターンと比較することにより行う。しかし、最も一般的なパターンは、いくつかの疾病に関連しており、それは診断を不明確にする。その結果、特異的抗体に対する補足テストを行う必要がある。そのときでさえ、結果を解釈し、かつ最終診断を下すためには、経験を積んだ免疫学者またはリウマチ学者に依頼しなければならない。
最近、酵素結合免疫吸着検定法（ELISA）が、自己免疫疾患を示唆する症状を有する患者の予備的なスクリーニングに利用できるようになった。スクリーニング分析において陽性を示す標本を、次に、どの特定の自己抗体が存在するか、従ってどの特異的疾患が示唆されるのかを決定するために特異的診断分析に付する。しかし、多くの自己免疫疾患患者が2つ以上の異なる自己免疫疾患に罹患しており、このことがこの診断法を用いる場合に正確な診断を得ようとする努力を混乱させる。さらに、現今スクリーニングテスト（例えばANAスクリーニング）を依頼する多くの医師が、特異的抗体の結果について限られた経験しか有していない。結果は解釈が困難である場合がある。その結果、特異的抗体の結果の利用は通常、最善より劣る。さらに、陽性スクリーニングの生起と特異的抗体結果の生起の間に遅れがあると、最初の結果の陽性予測値が低い場合には、患者および医師の双方にとって困難になる場合がある。結果を受け取った時、ある場合には（例えば抗Scl-70抗体陽性）高度に示唆に富んでいるが、しかし多くの場合（例えば抗SmRNP陽性のみの場合）それほど有用ではない。高度に経験を積んだリウマチ学者でさえも、あまり一般的でないパターンを病態に関連させる能力を欠く可能性がある。
したがって、特異的抗体テスト結果に基づいて、患者が全身性自己免疫疾患に罹患しているどうかについて、有用な指標を与える自動化システムおよび方法を提供することが望ましい。そのようなシステムおよび方法はまた、2つ以上のそのような疾病が疑わしいかどうかを示すであろう。
発明の簡単な概要
上に列挙した困難その他に対して、患者のサンプル中における1つまたは複数の全身性自己免疫疾患の存在を同定するためのシステムと方法を提供する本発明の諸局面により、対処する。1つの局面では、多成分同時分析テストのデータを全身性自己免疫疾患に罹患している疑いのある患者から得て、このデータに統計的パターン認識処理またはアルゴリズムを適用し、多数の参照データセットと比較する。比較結果を用いて、患者が罹患している可能性のある特異的疾患の表示を提供する。医学的意志決定支援システム（MDSS）において、パターン認識アルゴリズムが、コンピューターソフトウェアを利用して、結果の全パターンを処理する。このような方法によりパターン認識処理を適用することにより、臨床医が、患者から得た単一の生体サンプルから得たテスト結果を用いて、その疾病の診断および診断の信頼度の評価の両方を得ることが可能になる。MDSSの結果を、臨床医が診断支援ツールとして、例えば臨床医が診断を下す場合に支援するために用いることができる。臨床医はまた、追跡テストを提案するためにMDSSの結果を用いることもできる。選択する自己抗体は、様々な全身性自己免疫疾患においてしばしば上昇することが知られているものでよく、特定の抗体を、特定の疾病または可能性のある疾病群との認知された関連性に従って、セットに含めるかセットから除外することができる。2つ以上の疾病を同時に診断することができ、また別のサンプルまたは分析を必要としないで、信頼度を各々に割り当てることができる。
本発明は、現在公知の診断法に優る多くの長所を提供する。1つの長所は、多成分同時分析それ自体を自動化された機械装置によって行なうことができるので、手動分析の必要性が無くなることである。別の長所は、スクリーニングに続いて確認テストする必要なしに診断を得ることができる能力である。これに加えて、本発明は、一段階サンプル分析により、多数の可能性のある疾病の中から、示唆された診断を提供する。さらに本発明は、結果を解釈するために熟練した専門家が関与する必要性をなくする。したがって、依頼医が一般医で、測定された自己抗体について不案内であっても、その医師に結果を直接伝達することができる。
本発明の局面の1つにより、患者のテストサンプル中に存在する自己抗体レベルに基づいて、患者のテストサンプルが複数の特異的全身性自己免疫疾患（SAD）の1つまたは複数に関連しているかどうかを同定するための、コンピューターにより実施される方法が提供される。本方法は、通常、複数の参照データセットをメモリーに記憶する工程を含み、各データセットは複数の特異的自己抗体の各々のレベルを表わす値を有し、ここで参照データセットは、特異的SADの各々について、その特異的SADと関連性を有する少なくとも1つの参照データセットを含み、かつここで参照データセットは、特異的SADのいずれにも関連しない少なくとも1つの参照データセットを含む。本方法はまた、通常は、患者のテストサンプルについての該複数の自己抗体の各々のレベルを表わす値を有するサンプルデータセットを受け取る工程、ならびに患者のテストサンプルが、該特異的SADのいずれにも関連しないか、1つまたは複数に関連するかを示す統計的に導出される決定を生成するために、サンプルデータセットおよび参照データセットにk-最近傍プロセスを自動的に適用する工程を含む。
本発明の別の局面により、患者のテストサンプル中に存在する自己抗体レベルに基づいて、患者のテストサンプルが複数の特異的全身性自己免疫疾患（SAD）の1つまたは複数に関連するかどうかを示す出力データを提供するように構成されたコンピューターシステムを提供する。システムは通常は、複数の参照データセットを記憶するための記憶手段を含み、各データセットは、複数の特異的自己抗体の各々のレベルを表わす値を有し、ここで参照データセットは、特異的SADの各々について、特異的SADと関連性を有する少なくとも1つの参照データセットを含み、かつここで参照データセットは、特異的SADのいずれにも関連しない少なくとも1つの参照データセットを含む。システムはまた通常、患者のテストサンプルについての複数の自己抗体の各々のレベルを表わす値を有するサンプルデータセットを受け取るための手段、ならびに患者のテストサンプルが、特異的SADのいずれにも関連しないか、1つまたは複数に関連するかを示す統計的に導出される決定を生成するために、k-最近傍プロセスを用いてサンプルデータセットおよび複数の参照データセットを処理するための手段を含む。システムは、統計的に導出される決定を含む出力データを提供するための手段をさらに含んでもよい。
本発明の、これらおよび他の目的、長所、特徴、および態様が以下の記載から明白になるであろう。
発明の詳細な説明
図1は、本発明を実施することができる医学的意志決定支援システム（MDSS）100を図示する。示すように、MDSS100は、示されているプロセッサー115およびメモリーモジュール110を有するMDSSコンピューターシステム105を含む。コンピューターシステム105はまた、1つまたは複数の直接接続（例えばUSB、Firewireまたは他のインターフェース）および1つまたは複数のネットワーク接続（例えば、モデムまたは他のネットワークインターフェース装置を含む）によって情報の送信および受信を行うための通信モジュール（図示せず）を含む。メモリーモジュール110は、内部記憶装置および1つまたは複数の外部記憶装置を含むことができる。コンピューター105はまた、モニターまたはプリンターなどの表示モジュールを含む。1つの局面では、コンピューター105は、直接接続によりまたはネットワーク140のいずれかを通じて、テストシステム150または他のテスト結果源からの患者のテスト結果などのデータを受信する。例えば、テストシステム150を、1つまたは複数のサンプル155について多成分同時分析を実行し、コンピューター105にテスト結果を自動的に供給するように構成することが出来る。テストシステム150を直接コンピューターシステム105に接続してもよいし、またはネットワーク140を通じて遠隔的に接続してもよい。周知のように、コンピューター105はまた、ネットワーク140を通じて、1つまたは複数のクライアントシステム130のとの間でデータを通信し合うこともできる。例えば、依頼する医師が、臨床検査室または病院に存在するであろうMDSSコンピューター105から、クライアントシステム130を用いて、報告を得て見ることができる。
ネットワーク140は、LAN（ローカルエリアネットワーク）、WAN（広域ネットワーク）、ワイヤレスネットワーク、ポイントツーポイントネットワーク、星形ネットワーク、トークンリングネットワーク、ハブネットワークまたは他の構成であってよい。現在使用されているネットワークの最も一般的な型は、大文字「I」により「Internet」としてしばしば称される、ネットワークの大域インターネットワークなど、TCP／IP（通信制御プロトコルおよびインターネットプロトコル(Transfer Control Protocol and Internet Protocol)）ネットワークであって、これは本明細書の例の多くで用いられるであるが、TCP／IPは現在好ましいプロトコルであるものの、本発明が使用する可能性のあるネットワークはそれに制限されないことを理解するべきである。
図1に示すシステムのいくつかの構成要素には、詳細にここで説明する必要のない従来から周知の要素が含まれる。例えば、コンピューター105は、デスクトップパソコン、ワークステーション、メインフレーム、ラップトップなどを含むことができよう。各クライアントシステム130は、デスクトップパソコン、ワークステーション、ラップトップ、PDA、携帯電話または任意のWAP対応装置、あるいはインターネットまたは他のネットワーク接続に直接または間接的に接続することができる任意の他の計算装置を含むことができよう。クライアントシステム130は通常、HTTPクライアント、例えばMicrosoftのInternet Explorer（登録商標）ブラウザ、NetscapeのNavigator（登録商標）ブラウザ、Operaのブラウザ、または携帯電話、PDAまたは他のワイヤレスデバイスの場合のWAP対応ブラウザなどの閲覧ソフトを実行して、クライアントシステム130のユーザーが、コンピューター105からネットワーク140を通じて利用可能な情報とページにアクセスし、処理し、閲覧することを可能にする。各クライアントシステム130はまた、通常は、コンピューター105によって提供されるページ、形式および他の情報と関連して、ディスプレイ（例えばモニター画面、液晶ディスプレイなど）135上にブラウザによって提供されるグラフィカル・ユーザーインターフェース（GUI）と相互作用するための、1つまたは複数のユーザーインタフェース装置、例えばキーボード、マウス、タッチスクリーン、ペンその他などを含む。上に議論したように、本発明は、ネットワークの特異的大域インターネットワークを指すインターネットと共に使用することに適する。しかしながら、インターネットの代わりに、例えばイントラネット、エクストラネット、仮想プライベートネットワーク（VPN）、非TCP／IPに基づいたネットワーク、任意のLANまたはWANなどの、他のネットワークを用いることができると理解しなければならない。
態様の1つによれば、各クライアントシステム130およびその構成要素のすべてを、Intel Pentiumプロセッサーなどの中央処理装置を用いて実行されるコンピューターコードを含むブラウザなどのアプリケーションを用いて、オペレーターが設定可能である。同様に、MDSSコンピューター105およびその構成要素のすべてを、Intel Pentiumプロセッサーなどの中央処理装置115または複数の処理装置を用いて実行するコンピューターコードを含むアプリケーションを用いて、オペレーターが設定可能であってもよい。本明細書に記載するデータおよびテスト結果を処理するためにMDSSコンピューター105を操作し構成するためのコンピューターコードを、好ましくはダウンロードし、ハードディスクに格納する、しかし周知のように、全体のプログラムコードまたはその部分を、ROMまたはRAMなどの任意の他の揮発性または不揮発性メモリー媒体または装置に記憶してもよく、あるいはプログラムコードを記憶することができるコンパクトディスク（CD）媒体、デジタル多用途ディスク（DVD）媒体、フロッピーディスクなどの任意の他のコンピューター可読媒体160上で提供してもよい。さらに、全体のプログラムコードまたはその部分が、ソフトウェアソースから、例えば周知のようにインターネットを通じて、またはサーバーから、送信され、ダウンロードされてもよい。または、周知のように任意の通信媒体およびプロトコル（例えばTCP／IP、HTTP、HTTPS、Ethernetなど）を用いて、周知のように任意の他の従来のネットワーク接続（例えば、エクストラネット、VPN、LANなど）を通して送信されてもよい。さらに、本発明の局面を実施するためのコンピューターコードを、コンピューターシステム上で実行することができる任意のプログラミング言語、例えば、C、C+、HTML、Java、JavaScript、またはVBScriptなどの任意の他のスクリプト言語で記載することができることが認識される。
本発明の好ましい局面の1つでは、MDSSコンピューター105は、各々が1つまたは複数の公知アイデンティティーの疾病に関連するかまたはいずれにも関連しない、記憶されたテスト結果のデータベースに対して、患者のテスト結果を分析するためのパターン認識システムを実施する。データを、メモリー110における1つもしくは複数のデータ表もしくは他の論理データ構造に、またはコンピューター105に接続されている別の記憶装置またはデータベースシステムに記憶してもよい。
本発明の実施に用いられるパターン認識システムは、通常、「トレーニングセット」（信頼できる（「血統書付き」）出所のサンプルセットからのデータを意味することが統計的データ分析の技術分野において理解されている用語）を開発することから始まる。セットは、以前の独立した診断によって疾病症状を有することが知られているサンプル、ならびに疾病が存在しないサンプルを含む。本発明の局面の1つによる方法は、したがって、各々がある特定の全身性自己免疫疾患を有するかまたは有していたことがあると知られている一連の被験者から、ならびに各々が疾病を有しないと知られている一連の一人または複数の被験者から、参考サンプルを得て分析することから始まる。このトレーニングセットは、特定の患者または患者一般のために調査しようとする全身性自己免疫疾患の全範囲を含む。多成分同時分析を、トレーニングセット中の各サンプルについて行ない、結果をシステム中に、各サンプルを多次元空間中の点として考えることができる多次元配列に似た方式で、入力し、記憶する（例えばデータベースに）。空間の位置を規定する点の座標が、テスト結果の値を、各テストに対し1つの座標で表示する。単純な場合として、トレーニングセット中の1つのサンプル当たりの実施テスト数が2つのみである場合は、トレーニングセットの点を視覚的に二次元（x、y）プロットに配列することができる。ここで、横軸（x）がテストの1つに対応し、縦軸（y）が他の1つに対応する。テスト結果によって決定されるサンプルの二次元プロットの位置（すなわちxとyの値）に加えて、サンプルの起源に関連する特定の疾病についてのラベルを各点につける。3つのテストのシステムに対応する配列は、直交したx、y、およびz軸による三次元プロットである。4つ以上のテストを含むシステムに対応する配列は、可視化できないが、同様にして確立される。
一旦トレーニングセットが確立されると、そのテストデータをデータベースに入力する。例えば、データを、抗体テストの結果、即ち抗体レベルを表わす値を表わす列またはフィールドが論理的に配列されたデータベース表に、記憶することができる。図2は、そのようなデータ表の一部の例を図示する。示したように、患者IDまたはサンプルの起源を同定する他の情報を含めるために、補足のフィールドを設けてもよい。そのフィールドに、性別、年令などの人口統計学的情報を含めてもよい。このように、表の各行（あるいはレコード）が、個別のテストサンプルに対するすべてのテスト値を表わす。各行はまた、以前に診断された、テストサンプルに関連する疾病を含み、患者のサンプルが疾病を有しないと知られている場合は、その診断は「なし」または「NEG」であり得る。テストセットが1つより多い疾病に関連する態様の1つでは、各疾病に対して別の行を作成する。例えば、テストデータの1つのセットがSLEおよびSSの両方に関連する場合は、トレーニングセットデータ表中に、各行について抗体フィールドの値が同一である二つの行、つまりSLEのために一つ、およびSSのために一つ、を作成する。
一旦データベースにトレーニングデータを入力すれば、システムは、単一の患者のサンプルから、または一連の患者のサンプルからデータを受け取る準備ができ、データベースを再作成したり、またはトレーニングセットを再分析したり、または異なるトレーニングセットを選択し分析する必要はない。患者のサンプルを、トレーニングセット中のサンプルと同じテストに供する。「未知の」患者のサンプルの例を、図2の表中の最上行に示す。上の段落に例を挙げて説明した記載を用いて、患者のサンプルテストの結果を、N次元空間中にテスト値に等しい座標によって定義される位置の点として可視化できる。
特定の疾病の判定が、その後患者のサンプルテストの結果（図2中の「未知の」）の値とトレーニングセットの値の間の統計的比較により行なわれる。統計的分析の様々な方法を、比較に用いることができる。例としては、最近傍（例えば、k-最近傍）分析、多重線形回帰分析、ベイズの確率論的推論、ニューラルネットワーク分析および主成分分析がある。これらの方法のそれぞれは当技術分野において公知であるが、次の説明は、どのように各々のアルゴリズムが本発明の実施において適用されるかを、読者が理解する助けになるであろう。
最近傍パターン認識
最近傍パターン認識は、データの種々のセットを比較する十分に確立された方法である。それは1970年代に、装置出力が一連のスペクトル線（m/z比）および強度である、質量スペクトルデータの分析を自動化するために広く用いられた。ユーザーは、公知の化合物のスペクトルのライブラリーを準備し、または公表されたライブラリーを用い、次に未知の化合物を評価するために最近傍アルゴリズムを用いた。例えば未知の化合物が、ライブラリー中でいくつかのフタル酸塩に対して合致したような場合；おそらくそれらのどれも完全合致にも、または非常に良い合致にさえならないだろうが、しかし分析者は、未知のものがある種類のフタル酸塩であると確信したであろうし、この「手掛かり」は必要な次の工程を特定するために十分であったであろう。本発明のシステムは、ある局面では、同様に作動する。入力は一連の強度（抗体レベル）であるため、その強度を事前に準備されたライブラリー中の患者と比較する。そして出力は、ライブラリー中の患者に対する一連の可能性のある合致度である。システムは、追加のソフトウェア処理を実行して合致度を点検し、どの病態が最善合致の患者に最も一般的に観察されるかを要約する出力を生成する。システムはさらに、一致度（concordance）値を示す出力を提供する。例えば、出力は、報告された病態が、最善合致（例えば75％以上）を有する患者達に「非常に強く表われている」か、または例えば「強く」および「中位に」で表される、より少ない程度の一致度かに関する、一致度値またはテキスト形式の指標を含んでもよい。
最近傍パターン認識には2つの重要な特徴がある。第1は、事前に準備されたライブラリー（トレーニングセットデータベース）自体の大きさおよび質である。第2は、診査のために収集される近傍の数である。一般に近傍の数を「k」と呼び；従ってk-最近傍法の略称はkNNである。大きなライブラリーはより大きなk値を許すので、これらの2つの特徴は関連している。実際に、10〜15のk値を用いることは、ライブラリー中の1人のみの患者との合致を理由にして合致を報告することはないことを意味するので、望ましいことである。10未満または15より大きいk値を用いてもよいことが理解されよう。下に議論するように1つの特定の態様では、11のk値を用いる。
k-最近傍法の態様の1つでは、システムが、患者のサンプルからのデータを、メモリー（例えばメモリー110）に読み込む。このメモリーは、トレーニングセットのデータベースを含むことができる。次にプロセスは、患者のテスト点から、メモリー中のデータ点（トレーニングセットからの）で患者のテスト点の近くのものまでの数値距離を計算する。それらの点から、プロセスは、その距離が最短即ち最小のk個のデータ点を選択する。例えば、二次元における数値距離は、通常は[(x1-x2)2+(y1-y2)2]1/2の形の、デカルトの距離計量である。したがって、kが11である場合は、アルゴリズムは、患者のテスト点から最短距離を持つ11個のデータ点を選択する。次に、k個の最近傍データ点に関連した疾病が、患者のサンプル中に存在するものとして同定され、また、k個の点が1つまたは複数の疾病に関連する場合は、診断においてその疾病の各々を明らかにする。プロセスのひとつの精密化では、様々な点の距離値を比較して、2つの異なる疾病を表わす点に対する値が最小差異より少なくしか違わない場合は、両方の疾病は同等の可能性があると考える。さらなる精密化では、距離の数値を処理して信頼水準を決定するように、プロセスを構成する。このことは、患者のテスト結果とk個のデータ点の各々の間の「類似性」値を用いて、類似性値の合計でその疾病に対する類似性値を割ることで各疾病に相対値を割り当てることにより、行うことができる。最終診断は、一般に、最も高い相対値を有する疾病（あるいは複数の疾病）を選択する。
一般に、k-最近傍アルゴリズムは「事例指向の」システムであって、患者のテストデータを、年令、性別、個人がその疾病に罹患している時間の長さ、および類似の因子などの人口統計学的情報および他の個人情報を疾病に加えて利用することのできる他の個人からのデータと比較するために、用いることができるシステムである。この情報により、診断する医師は、プロセスによって提案された患者を、診断のための基準点として用いるべきかどうかに関して個々の判断を行なうことが可能になる。
例示的なkNN合致プロセス
図3および4は、本発明の態様の1つによる例示的なKNNプロセスを図示する。簡潔に言えば、KNNアルゴリズムは、MDSS 100中のプロセス空間（例えば、1つまたは複数のプロセッサー105およびメモリー空間を含む）において実行する。KNNアルゴリズムは、データ表からトレーニングセットの分析成分値を読み出し（例えばSQLコールを介して）、読み出したデータを用いてテストサンプルの分析成分値を処理して出力を生成する。好ましくは、その出力をスクリーン（例えばディスプレイモニタ125）に表示し、印刷し、または遠隔システムに送る。出力は、より後で記載するように、示唆された疾病名および各行の行一致度（row concordance）と共に、例えば単純な陽性または陰性の表示、診断、または診断およびデータベース表から返される行を含んだグラフを含むことができる。例えば、以下の表1は可能性がある表示された出力の見本である。出力データを、クライアントモニター135上での表示の作成またはさらなる処理のために、ネットワーク140を介してクライアントシステム130に供給することができる。図5は、1つのディスプレイ出力（例えばブラウザによって表示された枠）の例であり、疾病診断、患者のテスト結果と診断された疾病の間の関連性の強さ、および患者IDなどの患者に特有の情報を示す。所望のように他の表示フォーマットを用いて他の情報を表示してもよいことが認識されるべきである。
図3に示すように、随意の処理工程10では、テスト被験者または患者からの入力された分析成分値を規格化する。例えば、値を0〜100の規格化された範囲に変換する。態様の1つでは、例えば、計算：log10(X+1) * 99.66を行って分析成分値を抗体インデックス形式に加工する。他の規格化法を、データフォーマットに一部依存して用いてもよいことが認識されるべきである。好ましい局面では、データ表に記憶されたデータも規格化するが、しかし表データは、規格化されていないデータを含んでいてもよく、その場合には、そのようなデータを、好ましくはデータベースから読み出したときに規格化する。工程15において、プロセスは、分析成分入力値すべてが低分析成分値カットオフ（LAVC）閾値に適合するかどうかを決定する。分析成分入力値がすべてLAVC未満である場合は、ステップ20で陰性（NEG）の結果を返す。そうでなければ、結果は陽性である。例えば、1つの局面では、LAVCを0〜100のスケール中で30にセットする、しかし他のLAVC閾値を所望のように用いてもよい。
工程25において、診断の基礎を形成するkNN行を決定する。例えば1つの態様では、距離計量を用いて、入力した分析成分値をデータベース中のすべての行と比較して、k最近傍行を決定する。1つの局面中で、距離計量は、上述したように [(x1 - x2)2 ＋ (y1 - y2)2 ＋ ... ＋ (N1 - N2)2]1/2の形の単純なN次元距離計量である。このようにして、入力データから「最短」距離を有するk行が返される。態様の1つでは、特異性レベル閾値を、診断の基礎を形成するkNN行に、ある行を含めることができるかどうか判断するために用いる。この態様では、特異性レベルより低い行一致度を有する行は含まれない。行一致度とは、一般にkNNデータベース表からのある行がどのくらい緊密に患者の入力分析成分値と合致したかを指す。1つの局面では、距離計量を行一致度に用いる。1つの局面では、プロセスは、患者の分析成分値をデータベース表の行に対して比較することにより、各行に対する行一致度値を作成する。プロセスは、次にその特異性レベル閾値に適合する行一致度値を有する行を選択する。プロセスは、最善の行一致度値を有する行を返す。k個までの行を返すことができるが、しかし、kより少ない数の行しかその特異性レベル閾値に適合しないことがあり得よう。1つの局面では、3つの調整可能な特異性レベルが存在する（より多くの、またはより少ない数を用いてもよいが）。その具体的な例は次のようである：
10％（中位(moderate)）；
35％（高い(high)）；および
60％（最高(highest)）。
したがって、特異性レベルを高いに設定し、かつあるkNN行に対する行一致度値が、「高い」特異性閾値よりも低い（例えば <35％）と決定された場合は、その行は使用されない。
工程30において、プロセスは、工程25において返されたまたは「作成された」kNN行の数が、最小カットオフ（MinCutoff）閾値を越えるかどうかを決定する。「MinCutoff」より少ない数の行が「作成された」場合は、ステップ35で「NA」または「疾病なし」を返す。「NA」の結果は、分析成分がLAVC閾値をパス（pass）した（したがって陽性であるに違いない）が、アルゴリズム（kNN）が十分に特異的疾患にそれらを関連させることができなかった可能性があるという状況を指す。そのような2つの状況には次のものが含まれる：
陰性の特別ケース。kNNは、結果が陰性であると決定した。しかし、これはLAVCの方針と一致しないであろう。
返された疾病なし。kNNは、（a）それが計算に用いる十分な良いkNN行を見出すことができなかった、または（b）十分に強い疾病一致度を有する1つの疾病結果を同定することができなかった。
kNNアルゴリズムは、k個の行を返すが、行の結果がその特異性レベル閾値に適合する行のみを「作成する」。例えば、k＝5として、しかし5個の返された行のうちの3個が、特異性レベル閾値に適合しない結果を有する場合は、2個の行だけが作成される。MinCutoffを3に設定すれば、「NA」が返されることになろう。kNN行の数がMinCutoffより大きな場合は、工程40でkNN行を用いて、疾病一致度を決定する。疾病一致度の計算とは、kNN行中の疾病結果の重要性を示す計算を指す。1つの局面では、kNN行によって同定された特定の疾病に対する疾病一致度は、行の総数で割った疾病行の数に等しい。例えば、k＝5で、行がSS、SS、SS、SLEおよびMYOを示す場合は、SSの疾病一致度＝60.0％、SLEの疾病一致度＝20％およびMYOの疾病一致度＝20％である。
工程45において、プロセスが、疾病一致度がユーザー調整可能な閾値（例えば非常に強いカットオフ（VSC）閾値）より大きいかどうか決定する。例えば、VSCを75％または90％に設定してもよい。1つの疾病一致度がVSCより大きな場合、ステップ50で陰性の特別ケース（NSC）テストを行なう。そこで疾病名が陰性即ちNEGであると決定される場合は、結果を「NA」に変更する（陰性の特別ケースに関しては上記を参照のこと）。そうでなければ、非常に強い（疾病）一致度または関連度の表示を付けて疾病名を出力する。
ある疾病一致度がVSC以上であると決定されない場合は、工程60（図4）において、アルゴリズムは最善疾病一致度がユーザー調整可能な中位のカットオフ（MC）閾値を超えるかどうかを決定する。例えば、MCを25％または30％に設定してもよい。最善一致度を有する疾病がMC閾値を満たさない場合、ステップ65で「NA」の結果を返す。最善一致度を有する疾病がMC閾値を満たす場合は、工程70において、アルゴリズムは、次善の一致度を有する疾病がMC閾値を満たすかどうか決定する。そうであれば、ステップ75でNSCテストを行ない、NSCテストを満たす場合は、ステップ80で、それらの一致度の表示と共に最善および次善の疾病を返す。MC閾値が満たされない場合は、ステップ85で最善の疾病のためにNSCテストを行ない、もし満たされれば、ステップ90で、その一致度の表示と共に最善の疾病を返す。SS、SLEおよびMYOに対する一致値がそれぞれ60％、20％および20％である上記の例においては、VSCを65％に設定し、MCを35％に設定すれば、アルゴリズムは「中位の一致度を有するSS」を返すことになる。
1つの局面では、プロセスで、強いカットオフ（SC）閾値を用いる。例えば、プロセスが、MC閾値を満たす疾病がさらにSC閾値を満たすかどうか決定してもよく、その場合は、結果を出力するときに、強い一致度の表示を提供することになる。例えば、上記の例においてSCを50％に設定すれば、結果は「強い一致度を有するSS」になる。SCは、50％以上に設定することが好ましい。
下の表1は、kNN合致の間に用いられた実際の生データの一例を示す。表1に示したのは、「未知」ならびにプロセスによって「最善合致」と見なされた11個の近傍についての、AI（IU/mlで示される分析成分dsDNAを除く）で示される、11個の分析成分の結果である。1つの局面では、表1のデータをユーザーディスプレイ出力として提供するために、図3の工程10を参照して上に議論したように、好ましくはAI値を規格化する。dsDNA値は、最初に10で割ることによりAIに変換される。
（表1）MDSSの結果の例
Figure 2007534086
この例において、「近傍」の11個のうちの9個がSLEの診断を有した。2個は有さなかった；医師の診断は、技術的に言うと「報告可能なCTDに陰性」である。これらの2つのサンプルに対する医師によって与えられた実際の診断は、「関節リウマチ」（RA）および「疾病なし」であった。SLEに極めて典型的なdsDNAおよびクロマチン抗体レベルを有する2つのサンプルが、この診断を有さなかったのは驚くべきことであるかもしれないが、しかしこれは一般的に起こることである。RAと診断された患者は、「RUPUS」と呼ばれる症状を有する可能性があり、それは本質的にSLEおよびRAの重複疾患であり、RA患者の5％未満で見られる。「疾病なし」の患者は、血清学的結果はこの疾病を強く示唆しているにもかかわらず、SLEの4つの基準を満たさない可能性がある。
図6は、KNN合致について作成された、可能性があるユーザー表示出力を図示する。示したように、値はすべて規格化されている。「特異性」とは、上に議論した行一致度値を指す。この例では、MDSSは、非常に強い（例えば100％）疾病一致度を有するSLEが示唆された診断を報告する。
トレーニングセットに用いられるサンプル
本発明のシステムにおいてライブラリー用に用いられる血清バンクは、多くの基準を満たすべきである。第1に、それは、承認された基準に従う、十分な資格を持つ医師の臨床診断を反映するべきである。表2に示すトレーニングセット例で用いられる1413個のサンプルについては、CTDを有するものは、よく認識された学術機関：Oklahoma Medical Research Foundation、Stanford UniversityおよびUCLAで、医師が収集したものである。これらの医師は、さらに疾病のない人のサンプル、ならびに線維筋痛症、変形性関節症、および抗リン脂質症候群や血管炎のような他の結合組織疾患の個人からのサンプルにも寄与した。追加のサンプルをthe Foundation for Blood Research in Maineから得た；これらのサンプルを加えて、ライブラリーが、境界領域で、CTDと診断されずANA陽性を有するサンプルを含むようにした。そのようなサンプルには、診療所で一般的に遭遇するからである。トレーニングセット中のサンプルの実際の分布を下の表2に示す。
（表2）MDSSトレーニングセット中のサンプル
Figure 2007534086
システムが陽性の結果を作成する場合は、臨床医は表3に示すような出力に基づいて、可能な追跡テストのための関連性または提案を提供してもよい。
（表3）可能性がある出力のリスト
Figure 2007534086
本発明は、ANAスクリーニングを改善するために特に役立つ。ANAスクリーニングは、特にSLEのための「除外」テストとして有用であるが、しかし鑑別診断ではほとんど価値がない。陽性ANAスクリーニングの追跡調査として、医師は、特異的抗体の測定を要求しなければならない。本発明のシステムは、適切な追跡テストを考案するための関連性または示唆を提示することにより、医師がこの任務を果たすことを支援することができる。例を表3に示す。これらの関連性は、「均質」パターンとSLEとの、および「核小体パターン」と強皮症との従来の関連性に本来類似している；医師は数十年間これらの従来の関連性を用いている。これらの従来の関連性についての高度の安心感が、多くの臨床検査室がIFA方法からより新しいELA方法に転換するのを困難にしている。本発明のシステムをANAスクリーニングへ追加することにより、臨床検査室が適切な追跡テストの方へ医師を向かわせる能力を回復し、また実際に改善される。
NA関連性および1つより多い関連性を示す報告
上に述べたように、および表3において、システムの可能な出力のうちの1つが、「NA（関連性なし−抗体レベルは全身性自己免疫疾患に関連している可能性のあるパターンを示さない）」を含む。1つの局面では、この出力は、少なくとも1つの陽性の抗体を検出したこと、しかしライブラリーのメンバーに対して与えられたカットオフ値を超える十分な合致が存在しないこと、および／またはどの疾病合致も全体の一定の割合、例えば25％より下を表すこと、を示す。ライブラリーには、線維筋痛症およびRAなどの非CTDからの多くのサンプルが存在する可能性があるので、NA関連性は、得られた合致はSLEに対するよりは、むしろRAに対するものであったことをしばしば示す。
ライブラリーのサンプルの多くは陽性の抗体を含まない可能性がある。そのようなサンプルは、もし必要ならそれによってシステムが特異性を計算することが可能になるので、ライブラリーに好ましく含まれる。線維筋痛症、変形性関節症（OA）、皮膚筋炎（DMYO）および関節リウマチ患者からのサンプルの大多数が、抗体陰性である。
kNNアルゴリズムを用いる主要な利点の1つは、それが2つの関連性を報告することを可能にすることである。表2が示すように、医師はしばしば1つより多い診断を下す；SLEおよびSS（シェーグレン病）の組合せが最も一般的である。SLEの多くの患者が、しばしばレイノー症候群もまた有しているが、それは、抗セントロメアおよび抗RNP抗体に関連している。本発明のシステムは、頻繁にSLE／SS、SLE／SclCR、およびSLE／NAを報告するであろう。
表1に示す例は、非常に高い抗dsDNAおよび抗クロマチンを有する患者（「未知の」）からのものである。2つの非常に上昇した抗体の存在は、ほとんど常によい疾病関連性をもたらす。しかしながら、多くのサンプルがそのような決定的なパターンを欠く。そのような場合、典型的な出力される関連性は、SLE／NAであろう。それはSLE患者との類似を示しているが、しかしまた表3に定義されるように、システムによっては報告されない他の疾病を有する患者との類似も示す。
本システムの1つの目標は高い適中率を提供することであるので、SLEを有するサンプルが時々NAとして報告されることもあるであろう。これらのサンプルは、極めて控えめなレベルの抗dsDNAおよび抗Smのような診断用抗体を含む可能性がある。
表1が示すように、あるパターンは、疾病に強く関連しており、一方で他のパターンはより控えめの関連性を有する。SLE／NAは、与えられた未知のサンプルの、狼瘡との最も控えめの関連性を表わす。1つの局面では、より強い関連性を有するサンプルを、出力の中で「中位の」、「強い」、または「非常に強い」関連性と表示する。表1は、非常に強い関連性（例えば、選ばれた合致の75％以上が同じ診断を有する）の例を示す。さらに、図5は、疾病関連性の強さを表わす説明欄を含む表示枠の例を示す。
スクリーニング出力対詳細な抗体の報告
USAでは、医師はANAテストのためのおよび追跡テストを処置するための患者を選ぶ際に、標準的治療法ガイドラインに従うことが期待されている。特異的抗体テストは保険返済が適用されないので、ほとんどの病院および研究機関が表1に示すような本システムによって作成される抗体出力、例えば11の抗体出力を取得することができない可能性がある。しかし、システム出力をANAスクリーニングの「陽性」出力と組み合わせることにより、1つの局面で本発明は、特異的抗体を依頼する追加費用の必要なく疾病関連性を提供する報告の選択肢を医師に提供する。一般に、スクリーニング結果を作成するために用いるサンプルを、特異的抗体結果を作成するために用いることはできない；臨床検査室は、適切な順序で標本を再分析しなければならない。
いくつかの病院では、標準的治療法ガイドラインは、初回テストとして、または別の方法によって行なわれたスクリーニングテストの追跡調査として、すべての抗体出力の直接報告を支援することができる。したがって1つの局面では、本発明のシステムを、抗体出力を関連性と組み合わせる報告を選択肢として提供するために、有利に構成することができる。図5は、表示枠に表示されたそのような出力の例を示す。1つの局面では、すべて、例えば11の特異的抗体を要求しないかぎり、どのサンプルについても抗体出力は提供されない。
追加の有用な情報処理システム／統計分析方法
ベイズのアルゴリズム（Bayesian algorithm）は、テスト患者への近傍度に基づいて選択された限られた群に基づく確率でなく、トレーニングセット中のデータのすべてに基づく確率による計算結果であることが、k-最近傍アルゴリズムと異なる。ベイズのアルゴリズムは、トレーニングセットデータベース中のデータ点から、2つの型のデータを抽出する、その1つは罹患率を表し、もう1つは平均および標準偏差などの統計的測定値を表わす。患者サンプルおよび各疾病に対して確率密度を決定し、各疾病の尤度を計算する。その後、各疾病の相対値を、その疾病に対する尤度を全ての疾病の尤度の合計で割った比率から決定し、最も高い相対値を有する疾病を選択することによって診断が達成される。k-最近傍アルゴリズムと同様に、ベイズのアルゴリズムを、一人の患者中の2つの疾病の存在を検出するために用いることができる。
ニューラルネットワークシステムは、層状に配列され通信チャネルによって接続されるノードまたは単純な数値演算処理装置のネットワークである。トレーニングセットから取り入れられる情報に従って、チャネルに種々の重みが付けられる。データが、第1の層からそれに次々と続く層に、チャネルに割り当てられた種々の重みに従って渡される。与えられた層中の各ノードは、前の層からのノード値すべてに2つの層のノードを接続する接続チャネルの重みを掛け合わせ、次にこれらの値の合計を決定する。次に合計に、シグモイド関数（「S曲線」）を適用して、疾病を同定する
主成分分析は、直交因子空間を用いて、データのマトリックスをその最低次元数に低下させるための、多変量解析法である。この解析法に従って、トレーニングセットを処理して、主成分の数を同定する。次にこの情報を使用して、ターゲット変換またはカーブフィッティングのような技術を用いて、患者のテストデータをモデル化する。主成分分析もニューラルネットワーク分析も、2つの疾病の検出には適さない。
統計的データ解析の当業者に公知の他のパターン認識技術を同様に用いることができる。また、それらの本発明が取組む全身性自己免疫疾患への適応は、当業者には容易に明らかであろう。用いるパターン認識技術にかかわらず、その技術およびこれに関連したその応用例は、コンピューター化して実施することが直ちに可能である。特定の分析のために特別に設計されたソフトウェアは、熟練したソフトウェアエンジニアにとって、容易に開発することができ、また日常的な事柄である。
抗体および分析
本発明で用いられるテストデータは、全身性自己免疫疾患に様々な程度に関連する様々な抗体レベルに比例する値か、そうでなければそれを代表する値を含む。現在、100種を超える抗体が自己免疫疾患において発現することが知られている。例が、Peter, J.B.ら、Autoantibodies, Elsevier Science B.V., Amsterdam (1996) に列挙されており、その内容は参照により本明細書に組み入れられる。これらの抗体に対する多くの抗原は市販されており、他の抗体に対する抗原は、文献で利用できるそれらについての記載に基づいて、容易に合成される。これらの抗原の供給源のうちのいくつかは、BiosPacific, of Emeryville, California, USA; Immunovision, of Springdale, Arkansas, USA; およびKMI Diagnostics, Inc., of Minneapolis, Minnesota, USA、である。自己免疫疾患で発現され、イムノアッセイにおいて結合する抗原によって同定された抗体の例を以下に列挙する：
SSA 60
SSA 60
SSA 52
SSB 48
Sm BB'
Sm D1
Sm
SmRNP
RNP 68
RNP A
RNP C
フィブリラリン
リボタンパク質 P0、P1およびP2
dsDNA
ヌクレオソーム
Ku
セントロメアA
セントロメアB
Scl-70
Pm-Scl
RNAポリメラーゼ1、2および3
Th
Jo-1
Mi-2
PL7
PL12
SRP
本発明を、上記のリスト中の抗原によって同定された抗体に制限する意図はない。代わりに、トレーニングセットから見出され定量される抗体の数、および患者のサンプル中で同様に見出され定量される抗体の数は、変化する可能性があり、また本発明にとって重大ではない。選択された特定の抗体および選択された群の中のそのような抗体の数は、しかし、分析の正確さおよび存在する全身性自己免疫疾患を同定する分析能力に影響する可能性がある。ほとんどの場合、10〜100種の、好ましくは15〜25種の抗体を用いることを意図する。本発明の好ましい態様おいては、少なくとも上記のリスト中の抗原によって同定された抗体の10種を、さらに好ましい態様では、上記のリスト中の抗体のすべてを用いる。
例えば、態様の1つでは、次の抗体（それらが結合する抗原によって同定された）をテストセットに用いる：
SSA 60、
SSA 52、
SSB 48、
Sm、
SmRNP、
RNP 68、
RNP A、
リボタンパク質 P0、P1およびP2、
dsDNA、
クレオソーム、
セントロメアB、
Scl-70ならびに
Jo-1。
しかしながら、上記の抗原のリストについては、皮膚筋炎を同定することができない可能性がある。
態様の1つでは、SmRNPと呼ばれる抗原が、テストされ用いられる。これはSmD1およびRNP68 RNP Aの両方を含む複数タンパク質複合体であり、システムによるこれらのタンパク質の整理を助けて、個々の抗原に対する結果を「確証する」方法として用いることができる。
同様に、トレーニングセットを発展させるために用いる種々の供給源の参照サンプル数もまた変化し、本発明にとって重要ではない。しかし選択された数は、検出することができる自己免疫疾患の範囲に影響する可能性がある。ほとんどの場合、100〜10,000の、好ましくは200から2000またはそれ以上の参照サンプルを用いることが意図されている。
各抗体の量的レベルは、従来の抗体分析によって決定することができる。一般にイムノアッセイが好ましい。抗原捕捉（間接的イムノアッセイ）分析およびクラス捕捉分析の両方を用いることができ、抗原捕捉が好ましい。酵素ラベル、放射性ラベル、または蛍光ラベルにより検出を達成できる。分析は、比色定量、発光測定、蛍光測定、酵素定量、放射測定、または、比濁分析、濁度測定、粒子計数法もしくは視覚的評価などの他の方法であってよい。酵素ラベルの例は、アルカリホスファターゼ、-D-ガラクトシダーゼ、グルコース-6-リン酸デヒドロゲナーゼ、西洋ワサビペルオキシダーゼ、-ラクタマーゼ、メリチンおよびウレアーゼである。放射性同位体ラベルの例は、コバルト-57およびヨウ素-125である。蛍光ラベルの例は、キサンテン、シアニン、クマリン、ベンズイミド、フェナントリジンのスクシンイミジルエステルおよびビニルスルホン、エチジウム色素、アクリジン色素、カルバゾール色素、フェノキサジン色素、ポルフィリン色素、キノリン色素および自然に存在するタンパク質色素である。フルオレセインおよびローダミンは、キサンテン色素の特別のタイプである。特別な例には、6-カルボキシフルオレセイン、6-カルボキシ-4',5'-ジクロロ-2',7'-ジメトキシフルオレセイン、N,N,N',N'-テトラメチル-6-カルボキシローダミン、6-カルボキシ-X-ローダミン、5-カルボキシローダミン-6G、5-カルボキシローダミン-6G、テトラメチルローダミン、ローダミングリーンおよびローダミンレッドがある。ウンベリフェロンはクマリンの例である。ヘキスト33258はベンズイミド色素の例である。テキサスレッドはフェナントリジン色素の例である。シアニンスクシンイミジルエステル色素の例は、スルホインドシアニンスクシンイミジルエステル、（カルボキシアルキル）シアニンスクシンイミジルエステルおよびBODIPYスクシンイミジルエステル（Molecular Probes, Inc., Eugene, Oregon, USA）である。自然に存在するタンパク質色素の例は、フィコエリトリンである。他の多くの例が当業者には容易に明らかである。
本発明の実施において、複数の抗体の量的分析を行なう順序および方法は、大幅に変化する可能性がある。好ましい態様では、分析を単一サンプル中で同時に、多重システム（分析物を互いに区別することにより、各抗体に対する個別の値を提供する）によって行なう。様々な方法でこれを達成することができる。固相上に結合メンバーのうちの1つを固定する異種結合分析は、結合していない種から結合した対を分離するための容易な手段を提供するので、最も効率的である。固形微粒子、好ましくは磁気マイクロビーズを固相として用いる多重異種結合分析が説明用の例である。これらの分析では、ビーズがグループに分別され、各グループは、ビーズ表面へ共有結合で結合された単一の分析のための試薬を含み、様々なグループは、顕著な特性によって互いに区別することができ、これが1つのグループの分析結果を他のグループの結果から区別して検出することを可能にする。区別するパラメーターは、粒子サイズ、蛍光（蛍光分析用ラベルを実際に用いるときは、分析で用いられる蛍光ラベルと独立に）、光散乱、発光、または吸光度である。ビーズ表面に共有結合によって結合される結合メンバーは、使用されるイムノアッセイの型に依存して変化することになる。本発明による分析成分はすべて抗体であるので、抗体を規定する抗原が、ビーズ表面へ結合している特に便利な結合メンバーとして役立つ。ビーズのグループの実際の分別は、フローサイトメトリーによって容易に達成される。
磁気ビーズを用いる場合、磁性が、固相と液相の迅速な分離および固相の便利な洗浄を可能にする。磁性をビーズに、常磁性体、強磁性体、フェリ磁性体またはメタ磁性体で作られたビーズを用いることによって与えることができる。磁気的に反応する材料は、好ましくはビーズの単なる1つの成分であって、残りはポリマー材料からなり、それに磁気的に反応する材料を添付するかまたは組み合わせる。ポリマー材料は、抗原または結合反応に介入する他の分析試薬が付着できるように、化学的に誘導体化することができる。
本記載の多重システムならびに本発明の実施に役立つ他の多重システムは、1999年4月30日出願の係属中の米国特許出願第09/302,920号、発明の名称：「Multiplex Flow Assays Preferably With Magnetic Particles as Solid Phase」、発明者Michael I. Watkinsらに開示されている。出願第09/302,920号の全開示は、参照により本明細書に組み入れられる。
テストを行なう生体サンプルは、調査しようとしている疾病の特性である検知できる抗体集団を有する可能性が高い患者から抽出された、任意の体液でよい。血清、血漿、尿または脳脊髄液を用いることができる。血清サンプルが好ましい。
本発明は、全身性自己免疫疾患一般の検出および診断に役立つ。例には全身性エリテマトーデス（SLE）、シェーグレン症候群（SS）、強皮症、多発性筋炎および皮膚筋炎、クレスト症候群（CREST）（石灰沈着症、レイノー症状、食道病変、強指症および毛細管拡張症）、混合性結合組織病、ウェゲナー疾病、関節リウマチおよび脊椎関節症を含む。
以上は、主として説明の目的のために提示する。本発明の組成物および方法の様々なパラメーターのさらなる改変および変種は、当業者には容易に明らかである。例えば、特定の疾病に対して、他の疾病に対する対応する境界より高いレベルに、「健康な」を「不健康な」から区別する境界を定めることにより、パターン認識アルゴリズムを調節して、偽陰性結果の比率を制御することができ、それによりその疾病の存在を示すであろうサンプルの数を減少させることができる。これらのおよび他の変種は、本発明の範囲内に含まれる。
本発明を実施することができる医学的意志決定支援システム（MDSS）を図示する。 本発明によるデータ表の一例を示す。 本発明の1つの態様によるKNNプロセスロジックの例を図示する。 本発明の1つの態様によるKNNプロセスロジックの例を図示する。 MDSSシステムによって示されたGUI表示枠の例を示す。 MDSSシステムによって作成された、可能性のあるユーザー表示出力を示す。

Claims (31)

  1. 以下の工程を含む、患者のテストサンプルが複数の特異的全身性自己免疫疾患（SAD）の中の1つまたは複数に関連しているかどうかを、患者のテストサンプル中に存在する自己抗体のレベルに基づいて特定する、コンピューターにより実行される方法：
    複数の参照データセットをメモリーに記憶する工程であって、各データセットが複数の特異的自己抗体の各々のレベルを表わす値を有し、該参照データセットが、該特異的SADの各々について、特異的SADと関連性を有する少なくとも1つの参照データセットを含み、かつ該参照データセットが、特異的SADのいずれにも関連しない少なくとも1つの参照データセットを含む、工程；
    患者のテストサンプルについての該複数の自己抗体の各々のレベルを表わす値を有するサンプルデータセットを受け取る工程；ならびに
    患者のテストサンプルが、該特異的SADのいずれにも関連しないか、1つまたは複数に関連するかを示す統計的に導出される決定を生成するために、サンプルデータセットおよび参照データセットにk-最近傍（k-nearest neighbor）プロセスを自動的に適用する工程。
  2. SADが、全身性エリテマトーデス、強皮症（SLE）、シェーグレン症候群（SS）、多発性筋炎（PMYO）、皮膚筋炎（DMYO）、クレスト症候群（CREST）および混合性結合組織病（MCTD）からなる群より選択される2つ以上の全身性自己免疫疾患を含む、請求項1記載のコンピューターにより実行される方法。
  3. SADが、全身性エリテマトーデス（SLE）、強皮症、シェーグレン症候群（SS）、筋炎（MYO）、多発性筋炎（PMYO）、皮膚筋炎（DMYO）、クレスト症候群、結合組織病（CTD）、線維筋痛症、変形性関節症（OA）、レイノー症候群および関節リウマチ（RA）からなる群より選択される2つ以上の全身性自己免疫疾患を含む、請求項1記載のコンピューターにより実行される方法。
  4. 複数の自己抗体が以下の抗原の中の少なくとも10種に対する抗体を含む、請求項1記載のコンピューターにより実行される方法：
    SSA 60、
    SSA 52、
    SSB 48、
    Sm BB'、
    Sm D1、
    Sm、
    SmRNP、
    RNP 68、
    RNP A、
    RNP C、
    フィブリラリン、
    リボタンパク質 P0、P1およびP2、
    dsDNA、
    ヌクレオソーム、
    Ku、
    セントロメアA、
    セントロメアB、
    Scl-70、
    Pm-Scl、
    RNAポリメラーゼ1、2および3、
    Th、
    Jo-1、
    Mi-2、
    PL7、
    PL12、ならびに
    SRP。
  5. 複数の自己抗体が以下の抗原に対する抗体から成る、請求項1記載のコンピューターにより実行される方法：
    SSA 60、
    SSA 52、
    SSB 48、
    Sm、
    SmRNP、
    RNP 68、
    RNP A、
    リボタンパク質 P0、P1およびP2、
    dsDNA、
    ヌクレオソーム、
    セントロメアB、
    Scl-70ならびに
    Jo-1。
  6. 患者のテストサンプルが、特異的SADのいずれにも関連しないか、1つまたは複数に関連するかの表示を含むディスプレイ出力を作成する工程をさらに含む、請求項1記載のコンピューターにより実行される方法。
  7. 作成する工程が、ディスプレイ出力データを遠隔コンピューターシステムに伝達する工程、および遠隔コンピューターシステムと連結された表示画面上にディスプレイ出力をレンダリングする工程を含む、請求項6記載のコンピューターにより実行される方法。
  8. 受け取る工程が、自動化されたテストシステムからネットワーク接続を通じてサンプルデータセットを受け取る工程を含む、請求項1記載のコンピューターにより実行される方法。
  9. 記憶する工程が、自動化されたテストシステムからネットワーク接続を通じて参照データセットを受け取る工程を含む、請求項8記載のコンピューターにより実行される方法。
  10. 記憶する工程が、1つまたは複数のテスト源から参照データセットを受け取る工程を含む、請求項1記載のコンピューターにより実行される方法。
  11. k-最近傍プロセスが、参照データセットの各々について、サンプルデータセットと参照データセットとの間の一致値（concordance value）を決定する工程；および各一致値を閾値と比較する工程を含み、閾値を超える一致値を有する第1の複数の参照データセットのみがプロセスにより用いられる、請求項1記載のコンピューターにより実行される方法。
  12. k-最近傍プロセスが、参照データセットの各々について、サンプルデータセットと参照データセットとの間の距離計量値（distance metric value）を決定する工程をさらに含む、請求項11記載のコンピューターにより実行される方法。
  13. プロセスが以下の工程をさらに含む、請求項11記載のコンピューターにより実行される方法：
    第1の複数の参照データセットの数が最小カットオフ値を超えているかどうかを決定する工程；および
    もし越えていなければ、患者のテストサンプルが特異的SADのいずれにも関連しないという表示を提供する工程；および
    もし越えていれば、患者のテストサンプルが特異的SADの1つまたは複数に関連しているかどうかを決定する工程。
  14. プロセスが、第1の複数の参照データセットの各々に対する疾病一致値を決定する工程をさらに含む、請求項11記載のコンピューターにより実行される方法。
  15. 疾病一致値を決定する段階が、第1の複数の参照データセットに関連する各SADに関して：
    SADに関連する第1の複数の参照データセットの数を加える工程、および
    SADに対する疾病一致値を生成するために第1の複数の参照データセットの総数で割る工程
    を含む、請求項14記載のコンピューターにより実行される方法。
  16. 各疾病一致値を第1の閾値と比較する工程、および第1の閾値を超える一致値に関連するSADを返す工程をさらに含む、請求項15記載のコンピューターにより実行される方法。
  17. 各疾病一致値を第2の閾値と比較する工程、および第2の閾値を超える一致値に関連するSADを返す工程をさらに含む、請求項16記載のコンピューターにより実行される方法。
  18. 以下の手段を含む、患者のテストサンプル中に存在する自己抗体のレベルに基づいて、患者のテストサンプルが複数の特異的全身性自己免疫疾患（SAD）の1つまたは複数に関連するかどうかを示す出力データを提供するように構成されたコンピューターシステム：
    複数の参照データセットを記憶するための記憶手段であって、各データセットが複数の特異的自己抗体の各々のレベルを表わす値を有し、該参照データセットが該特異的SADの各々について、特異的SADと関連性を有する少なくとも1つの参照データセットを含み、かつ該参照データセットが、特異的SADのいずれにも関連しない少なくとも1つの参照データセットを含む、手段；
    患者のテストサンプルについての該複数の自己抗体の各々のレベルを表わす値を有するサンプルデータセットを受け取るための手段；
    患者のテストサンプルが、該特異的SADのいずれにも関連しないか、1つまたは複数に関連するかを示す統計的に導出される決定を生成するために、k-最近傍プロセスを用いてサンプルデータセットおよび参照データセットを処理するための手段；ならびに
    統計的に導出される決定を含む出力データを提供するための手段。
  19. SADが、全身性エリテマトーデス（SLE）、強皮症、シェーグレン症候群（SS）、筋炎（MYO）、多発性筋炎（PMYO）、皮膚筋炎（DMYO）、クレスト症候群、結合組織病（CTD）、線維筋痛症、変形性関節症（OA）、レイノー症候群および関節リウマチ（RA）からなる群より選択される2つ以上の全身性自己免疫疾患を含む、請求項18記載のシステム。
  20. 複数の自己抗体が、以下の抗原の中の少なくとも10種に対する抗体を含む、請求項18記載のシステム：
    SSA 60、
    SSA 52、
    SSB 48、
    Sm BB'、
    Sm D1、
    Sm、
    SmRNP、
    RNP 68、
    RNP A、
    RNP C、
    フィブリラリン、
    リボタンパク質 P0、P1およびP2、
    dsDNA、
    ヌクレオソーム、
    Ku、
    セントロメアA、
    セントロメアB、
    Scl-70、
    Pm-Scl、
    RNAポリメラーゼ1、2および3、
    Th、
    Jo-1、
    Mi-2、
    PL7、
    PL12、ならびに
    SRP。
  21. 複数の自己抗体が以下の抗原に対する抗体からなる、請求項18記載のシステム：
    SSA 60、
    SSA 52、
    SSB 48、
    Sm、
    SmRNP、
    RNP 68、
    RNP A、
    リボタンパク質 P0、P1およびP2、
    dsDNA、
    ヌクレオソーム、
    セントロメアB、
    Scl-70、ならびに
    Jo-1。
  22. 出力データを提供するための手段が、出力データを表示するためのモニター、出力データを印刷するためのプリンター、および別のコンピューターシステムに出力データを提供するための通信インターフェース装置のうち1つを含む、請求項18記載のシステム。
  23. サンプルデータセットを受け取るための手段が、遠隔自動化テストシステムからデータを受け取るように構成されたインターフェース装置、手動入力装置、およびコンピューター可読媒体からデータを読み取るように構成された装置のうち1つを含む、請求項18記載のシステム。
  24. 記憶手段が、RAM、ROM、コンピューター可読ディスク媒体、ハードディスクドライブおよび別のデータベースシステムのうち1つを含む、請求項18記載のシステム。
  25. k-最近傍プロセスが、参照データセットの各々について、サンプルデータセットと参照データセットとの間の一致値を決定し、かつ、各一致値を閾値と比較し、閾値を超える一致値を有する第1の複数の参照データセットのみがプロセスにより用いられる、請求項18記載のシステム。
  26. k-最近傍プロセスが、参照データセットの各々について、サンプルデータセットと参照データセットとの間の距離計量値をさらに決定する、請求項25記載のシステム。
  27. k-最近傍プロセスが、第1の複数の参照データセットの数が最小カットオフ値を超えているかどうかをさらに決定し、かつ
    もし越えていなければ、患者のテストサンプルが特異的SADのいずれにも関連しないという表示を提供し、かつ
    もし越えていれば、患者のテストサンプルが特異的SADの1つまたは複数に関連しているかどうかを決定する、請求項25記載のシステム。
  28. k-最近傍プロセスが、第1の複数の参照データセットの各々に対する疾病一致値をさらに決定する、請求項25記載のシステム。
  29. SADに関連する第1の複数の参照データセットの数を加える工程、およびSADに対する疾病一致値を生成するために第1の複数の参照データセットの総数で割る工程により、疾病一致値が第1の複数の参照データセットに関連する各SADに対して決定される、請求項28記載のシステム。
  30. プロセスがさらに、各疾病一致値を第1の閾値と比較し、かつ第1の閾値を超える一致値に関連するSADを返す、請求項29記載のシステム。
  31. プロセスがさらに、各疾病一致値を第2の閾値と比較し、かつ第2の閾値を超える一致値に関連するSADを返す、請求項30記載のシステム。
JP2007509637A 2004-04-20 2005-04-20 全身性自己免疫疾患の診断のためのパターン認識方法 Pending JP2007534086A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/828,846 US20040265874A1 (en) 2000-10-17 2004-04-20 Pattern recognition method for diagnosis of systemic autoimmune diseases
PCT/US2005/013637 WO2005103300A2 (en) 2004-04-20 2005-04-20 Pattern recognition method for diagnosis of systemic autoimmune diseases

Publications (1)

Publication Number Publication Date
JP2007534086A true JP2007534086A (ja) 2007-11-22

Family

ID=35197561

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007509637A Pending JP2007534086A (ja) 2004-04-20 2005-04-20 全身性自己免疫疾患の診断のためのパターン認識方法

Country Status (7)

Country Link
US (1) US20040265874A1 (ja)
EP (1) EP1738168A4 (ja)
JP (1) JP2007534086A (ja)
CN (1) CN1961212A (ja)
AU (1) AU2005236067A1 (ja)
CA (1) CA2562530A1 (ja)
WO (1) WO2005103300A2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014036173A1 (en) * 2012-08-28 2014-03-06 The Regents Of The University Of California Methods and systems for calculating and using statistical models to predict medical events

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2008110491A (ru) * 2005-08-19 2009-09-27 Конинклейке Филипс Электроникс Н.В. (Nl) Система управления данными здравоохранения
JP5411129B2 (ja) * 2007-05-03 2014-02-12 メディミューン，エルエルシー インターフェロンα誘導性薬力学的マーカー
JP5025371B2 (ja) * 2007-07-31 2012-09-12 シスメックス株式会社 血液分析装置
US8437963B2 (en) 2008-02-08 2013-05-07 Annica Önell Method, computer program product and system for enabling clinical decision support
FR2935802B1 (fr) * 2008-09-05 2012-12-28 Horiba Abx Sas Procede et dispositif de classification, de visualisation et d'exploration de donnees biologiques
US10619195B2 (en) 2010-04-06 2020-04-14 Massachusetts Institute Of Technology Gene-expression profiling with reduced numbers of transcript measurements
WO2011127042A1 (en) * 2010-04-06 2011-10-13 The Broad Institute High capacity analyte detection
EP2418491A1 (en) * 2010-08-10 2012-02-15 Bioftalmik, S.L. Method for the diagnosis of dry eye and blepharitis
RS20110272A3 (en) 2011-06-22 2013-06-28 Jentsch, Klaus Dieter DEVICE AND PROCEDURE FOR REMOTE DIAGNOSTICS AND CONTROL OF AUTOMATED TECHNICAL DEVICES
EP3036712A4 (en) * 2013-08-20 2017-04-19 The Ohio State Innovation Foundation Methods for predicting prognosis
GB2517702A (en) * 2013-08-28 2015-03-04 Ibm Collaborative electronic nose management in personal devices
US20170330045A1 (en) * 2015-10-28 2017-11-16 Dario B. Crosetto Method and apparatus to build new electronic instruments and devices: the 3d-flow opra to solve applications of fast, real-time, multi-dimension object pattern recognition algorithms (opra) and the 3d-cbs (3-d complete body screening) to accurately measure minimum abnormal biological processes of diseases at an early curable stage such as cancer improving diagnosis and prognoses for maximizing reduction of premature deaths and minimize the cost per each life saved
GB201613318D0 (en) 2016-08-02 2016-09-14 Univ Oxford Innovation Ltd System monitor and method of system monitoring
CA3003032A1 (en) * 2018-04-27 2019-10-27 Nanostics Inc. Methods of diagnosing disease using microflow cytometry
CN110412290A (zh) * 2019-07-29 2019-11-05 冯仕品 Sle总体疾病活动度和肾脏疾病活动度信息检测系统
WO2021207466A1 (en) * 2020-04-09 2021-10-14 Credo Science, Llc Diagnosing and treating fibromyalgia
US20220028527A1 (en) * 2020-07-22 2022-01-27 Optimdosing Llc Smart nutrition dosing
US20220130542A1 (en) * 2020-10-22 2022-04-28 The Regents Of The University Of Michigan Using machine learning to assess medical information based on a spatial cell organization analysis
US11367521B1 (en) 2020-12-29 2022-06-21 Kpn Innovations, Llc. System and method for generating a mesodermal outline nourishment program

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004511805A (ja) * 2000-10-17 2004-04-15 バイオ−ラッド　ラボラトリーズ，インコーポレイティド 全身性自己免疫疾患の診断のためのパターン認識法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5293454A (en) * 1989-03-08 1994-03-08 Sharp Kabushiki Kaisha Learning method of neural network
JP3703858B2 (ja) * 1993-09-30 2005-10-05 シスメックス株式会社 帰属度判別装置
US5874688A (en) * 1993-11-29 1999-02-23 Aeci Explosives Limited Explosives dispersed from a pressurized container
US5681700A (en) * 1994-05-25 1997-10-28 Oklahoma Medical Research Foundation Assay for pathogenicity of anti-DNA antibodies
US6031232A (en) * 1995-11-13 2000-02-29 Bio-Rad Laboratories, Inc. Method for the detection of malignant and premalignant stages of cervical cancer
US6024705A (en) * 1998-11-06 2000-02-15 Bioacoustics, Inc. Automated seismic detection of myocardial ischemia and related measurement of cardiac output parameters
EP1233366A3 (en) * 1999-06-25 2004-10-13 Genaissance Pharmaceuticals, Inc. Methods for obtaining and using Haplotype data

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004511805A (ja) * 2000-10-17 2004-04-15 バイオ−ラッド　ラボラトリーズ，インコーポレイティド 全身性自己免疫疾患の診断のためのパターン認識法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014036173A1 (en) * 2012-08-28 2014-03-06 The Regents Of The University Of California Methods and systems for calculating and using statistical models to predict medical events
US10265029B2 (en) 2012-08-28 2019-04-23 The Regents Of The University Of California Methods and systems for calculating and using statistical models to predict medical events

Also Published As

Publication number Publication date
US20040265874A1 (en) 2004-12-30
EP1738168A4 (en) 2009-06-10
WO2005103300A2 (en) 2005-11-03
EP1738168A2 (en) 2007-01-03
WO2005103300A3 (en) 2006-07-20
CA2562530A1 (en) 2005-11-03
WO2005103300A9 (en) 2006-05-11
CN1961212A (zh) 2007-05-09
AU2005236067A1 (en) 2005-11-03

Similar Documents

Publication Publication Date Title
JP2007534086A (ja) 全身性自己免疫疾患の診断のためのパターン認識方法
Stafford et al. A systematic review of the applications of artificial intelligence and machine learning in autoimmune diseases
WO2020245727A1 (en) A method of evaluating autoimmune disease risk and treatment selection
Abba et al. Rapid diagnostic tests for diagnosing uncomplicated P. falciparum malaria in endemic countries
Rigon et al. Indirect immunofluorescence in autoimmune diseases: assessment of digital images for diagnostic purpose
JP7361187B2 (ja) 医療データの自動化された検証
JP5507471B2 (ja) 臨床判断サポートを可能にする方法、コンピュータプログラム製品およびシステム
US20220057394A1 (en) Biomarkers and methods for measuring and monitoring axial spondyloarthritis activity
Momtazmanesh et al. Artificial intelligence in rheumatoid arthritis: current status and future perspectives: a state-of-the-art review
US20110275537A1 (en) Method of biological and medical diagnostics using immune patterns obtained with arrays of peptide probes
Caetano dos Santos et al. Automatic classification of IgA endomysial antibody test for celiac disease: a new method deploying machine learning
WO2009015398A1 (en) Methods for inflammatory disease management
EP1327148B1 (en) Pattern recognition method for diagnosis of systemic autoimmune diseases
Binder et al. Protein arrays and pattern recognition: new tools to assist in the identification and management of autoimmune disease
US20050079099A1 (en) Generation of biochemical images and methods of use
Naglah et al. Computer-aided diagnosis of acute myocardial infarction using time-dependent plasma metabolites
Chitnis et al. Inflammatory and neurodegenerative serum protein biomarkers increase sensitivity to detect disease activity in multiple sclerosis
US20230099880A1 (en) Method for autoimmune disease or specific chronic disease risk evaluation, early detection and treatment selection
CURIER et al. Leveraging Established Machine Learning Methodology to Tackle Viral Infections in Emergency Departments: A Retrospective Analysis using Hemocytometric Data to detect SARS-CoV-2
Howard Neural networks for cognitive testing: Cognitive test drawing classification
Yazici et al. Predicting severity of acute appendicitis with machine learning methods: a simple and promising approach for clinicians
Kalkan et al. Prediction of Alzheimer’s Disease by a Novel Image-Based Representation of Gene Expression. Genes 2022, 13, 1406
WO2024026413A2 (en) Early detection and monitoring of neurodegenerative diseases using a multi-disease diagnostic platform
CN117405896A (zh) 辅助诊断方法、装置、设备、系统及介质
CN113945724A (zh) 一种阈下抑郁风险预测装置及其试剂盒和应用

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20080407

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20101222

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20110725

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20110725