RU2011117576A - Способ определения показателя достоверности для отличительных черт, полученных из клинических данных, и применение показателя достоверности для предпочтения одной отличительной черты над другой - Google Patents
Способ определения показателя достоверности для отличительных черт, полученных из клинических данных, и применение показателя достоверности для предпочтения одной отличительной черты над другой Download PDFInfo
- Publication number
- RU2011117576A RU2011117576A RU2011117576/10A RU2011117576A RU2011117576A RU 2011117576 A RU2011117576 A RU 2011117576A RU 2011117576/10 A RU2011117576/10 A RU 2011117576/10A RU 2011117576 A RU2011117576 A RU 2011117576A RU 2011117576 A RU2011117576 A RU 2011117576A
- Authority
- RU
- Russia
- Prior art keywords
- stratification
- values
- reconciliation
- distinctive features
- features
- Prior art date
Links
Classifications
-
- 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
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
1. Способ определения достоверности, по меньшей мере, для одного набора отличительных черт, определенных (S1, 101) из клинических данных, собранных из группы образцов, причем отличительные черты получают выявлением характеристик в клинических данных из группы образцов, каждая из отличительных черт образует первый набор значений стратификации, которые распределяют группу образцов, способ содержит этапы, на которых: ! предоставляют, по меньшей мере, один дополнительный и параллельный источник стратификации для отличительных черт, полученных из упомянутой группы образцов (S2, 103), причем, по меньшей мере, один параллельный источник стратификации является независимым от отличительных черт и образует второй набор значений стратификации для группы образцов, !сравнивают для каждого соответственного образца (S3, 105): ! первый набор значений стратификации с истинными опорными значениями стратификации, ! вторые значения стратификации с истинными опорными значениями стратификации, ! присваивают отличительным чертам показатели степени подобия, указывающие совпадают ли первые и вторые значения стратификации с истинными опорными значениями стратификации (S4, 107), и ! применяют показатели степени подобия в качестве ввода при определении показателя выверки путем сравнения результатов исходя из степеней подобия между парами стратификаций первого и второго наборов стратификаций (S5, 109), показателя выверки, указывающего, как выверены значения стратификации, по меньшей мере, одного набора отличительных черт со значениями стратификации, по меньшей мере, одного параллельного источника стратификации, причем показатель выверки
Claims (8)
1. Способ определения достоверности, по меньшей мере, для одного набора отличительных черт, определенных (S1, 101) из клинических данных, собранных из группы образцов, причем отличительные черты получают выявлением характеристик в клинических данных из группы образцов, каждая из отличительных черт образует первый набор значений стратификации, которые распределяют группу образцов, способ содержит этапы, на которых:
предоставляют, по меньшей мере, один дополнительный и параллельный источник стратификации для отличительных черт, полученных из упомянутой группы образцов (S2, 103), причем, по меньшей мере, один параллельный источник стратификации является независимым от отличительных черт и образует второй набор значений стратификации для группы образцов,
сравнивают для каждого соответственного образца (S3, 105):
первый набор значений стратификации с истинными опорными значениями стратификации,
вторые значения стратификации с истинными опорными значениями стратификации,
присваивают отличительным чертам показатели степени подобия, указывающие совпадают ли первые и вторые значения стратификации с истинными опорными значениями стратификации (S4, 107), и
применяют показатели степени подобия в качестве ввода при определении показателя выверки путем сравнения результатов исходя из степеней подобия между парами стратификаций первого и второго наборов стратификаций (S5, 109), показателя выверки, указывающего, как выверены значения стратификации, по меньшей мере, одного набора отличительных черт со значениями стратификации, по меньшей мере, одного параллельного источника стратификации, причем показатель выверки указывает достоверность отличительных черт.
2. Способ по п.1, в котором этап реализации показателей степени подобия в качестве ввода содержит этапы, на которых:
распознают, какие из отличительных черт имеют показатели степени подобия, указывающие, что их значения стратификации не совпадают с истинными опорными значениями стратификации, и для тех распознанных отличительных черт
определяют показатель выверки путем сравнения результатов, исходя из степеней подобия между парами стратификаций первого и второго наборов стратификаций, причем показатель выверки указывает как выверены значения стратификации этих отличительных черт со значениями стратификации, по меньшей мере, одного параллельного источника стратификации, показатель выверки указывает достоверность отличительных черт.
3. Способ по п.2, в котором этап определения показателя выверки содержит определение как часто значения стратификации отличительных черт совпадают со значениями стратификации, образованными, по меньшей мере, одним параллельным источником стратификации, причем это число указывает достоверность отличительных черт.
4. Способ по п.1, в котором параллельная стратификация основана на одном или более из нижеследующих измерений:
клинической информации, или
данных визуализации, или
данных, полученных из молекулярного измерения с высокой пропускной способностью, или
биологической аннотации молекулярных измерений.
5. Способ по п.1 или 2, дополнительно содержащий непрерывное повторение (111) этапа образования набора отличительных черт и повторение этапов (S3, 105 - S5, 109), на которых:
сравнивают для каждого соответственного образца (S3, 105):
первый набор значений стратификации с истинными опорными значениями стратификации,
вторые значения стратификации с истинными опорными значениями стратификации,
присваивают отличительным чертам показатели степени подобия, указывающие совпадают ли первые и вторые значения стратификации с истинными опорными значениями стратификации (S4, 107), и
применяют показатели степени подобия в качестве ввода при определении показателя выверки путем сравнения результатов, исходя из степеней подобия между парами стратификаций первого и второго наборов стратификаций (S5, 109), показателя выверки, указывающего, как выверены значения стратификации, по меньшей мере, одного набора отличительных черт со значениями стратификации, по меньшей мере, одного параллельного источника стратификации, причем показатель выверки указывает достоверность отличительных черт,
пока заданный критерий не будет удовлетворен с помощью оценки отличительных черт на одном этапе и отбора тех отличительных черт, которые должны быть рассмотрены на последующем этапе.
6. Способ по п.2, в котором заданный критерий включает в себя один или более критериев до конца итераций на основе одного или более из нижеследующих:
- фиксированного числа повторений,
- требуемого осуществления выверки,
- требуемого осуществления достоверности.
7. Компьютерный программный продукт для подачи команд блоку обработки, чтобы выполнить вышеупомянутый этап способа п.1 при запуске продукта на компьютере.
8. Устройство (300) для определения достоверности, по меньшей мере, для одного набора отличительных черт, определенных из клинических данных, взятых из группы образцов, причем отличительные черты получают выявлением характеристик в клинических данных из группы образцов, каждая из отличительных черт образует первый набор значений стратификации, которые распределяют группу образцов, содержащее:
средство (301) для предоставления, по меньшей мере, одного дополнительного и параллельного источника стратификации для отличительных черт, полученных из упомянутой группы образцов, причем, по меньшей мере, один параллельный источник стратификации является независимым от отличительных черт и образует второй набор значений стратификации для группы образцов,
процессор (302) для сравнения для каждого соответственного образца:
первого набора значений стратификации с истинными опорными значениями стратификации,
второго набора значений стратификации с истинными опорными значениями стратификации,
процессор для присвоения отличительным чертам показателей степени подобия, указывающих совпадают ли первые и вторые значения стратификации с истинными опорными значениями стратификации, и
процессор для реализации показателей степени подобия в качестве ввода при определении показателя выверки путем сравнения результатов, исходя из степеней подобия между парами стратификаций первого и второго наборов стратификаций (S5, 109), показателя выверки, указывающего, как выверены значения стратификации, по меньшей мере, одного набора отличительных черт со значениями стратификации, по меньшей мере, одного параллельного источника стратификации, причем показатель выверки указывает достоверность отличительных черт.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10203208P | 2008-10-02 | 2008-10-02 | |
US61/102,032 | 2008-10-02 |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2011117576A true RU2011117576A (ru) | 2012-11-10 |
Family
ID=41381750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2011117576/10A RU2011117576A (ru) | 2008-10-02 | 2009-09-24 | Способ определения показателя достоверности для отличительных черт, полученных из клинических данных, и применение показателя достоверности для предпочтения одной отличительной черты над другой |
Country Status (6)
Country | Link |
---|---|
US (1) | US8762072B2 (ru) |
EP (1) | EP2335175B1 (ru) |
JP (1) | JP5658671B2 (ru) |
CN (1) | CN102171699B (ru) |
RU (1) | RU2011117576A (ru) |
WO (1) | WO2010038173A1 (ru) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11861491B2 (en) | 2017-10-16 | 2024-01-02 | Illumina, Inc. | Deep learning-based pathogenicity classifier for promoter single nucleotide variants (pSNVs) |
US10423861B2 (en) | 2017-10-16 | 2019-09-24 | Illumina, Inc. | Deep learning-based techniques for training deep convolutional neural networks |
SG11201911777QA (en) * | 2018-10-15 | 2020-05-28 | Illumina Inc | Deep learning-based techniques for pre-training deep convolutional neural networks |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10124340A1 (de) * | 2001-05-18 | 2002-12-05 | Fraunhofer Ges Forschung | Verfahren zur Analyse einer biologischen Probe |
EP1683058A2 (en) * | 2003-10-29 | 2006-07-26 | Novo Nordisk A/S | Medical advisory system |
JP2005135287A (ja) * | 2003-10-31 | 2005-05-26 | National Agriculture & Bio-Oriented Research Organization | 予測装置、予測方法および予測プログラム |
JP4661250B2 (ja) * | 2005-02-09 | 2011-03-30 | 富士電機ホールディングス株式会社 | 予測方法、予測装置および予測プログラム |
-
2009
- 2009-09-24 WO PCT/IB2009/054176 patent/WO2010038173A1/en active Application Filing
- 2009-09-24 JP JP2011529655A patent/JP5658671B2/ja active Active
- 2009-09-24 RU RU2011117576/10A patent/RU2011117576A/ru unknown
- 2009-09-24 EP EP09740536.9A patent/EP2335175B1/en active Active
- 2009-09-24 US US13/119,742 patent/US8762072B2/en active Active
- 2009-09-24 CN CN200980139288.8A patent/CN102171699B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
JP2012504761A (ja) | 2012-02-23 |
WO2010038173A1 (en) | 2010-04-08 |
EP2335175A1 (en) | 2011-06-22 |
US20110173201A1 (en) | 2011-07-14 |
US8762072B2 (en) | 2014-06-24 |
CN102171699B (zh) | 2015-01-14 |
EP2335175B1 (en) | 2018-01-10 |
CN102171699A (zh) | 2011-08-31 |
JP5658671B2 (ja) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lun et al. | A step-by-step workflow for low-level analysis of single-cell RNA-seq data with Bioconductor | |
Ntranos et al. | Fast and accurate single-cell RNA-seq analysis by clustering of transcript-compatibility counts | |
Fosso et al. | BioMaS: a modular pipeline for Bioinformatic analysis of Metagenomic AmpliconS | |
Zhou et al. | Assessment of quality control approaches for metagenomic data analysis | |
Pericard et al. | MATAM: reconstruction of phylogenetic marker genes from short sequencing reads in metagenomes | |
CN107766235B (zh) | 一种基于随机分流的a/b测试方法 | |
CN107766696A (zh) | 基于RNA‑seq数据的真核生物可变剪接分析方法和系统 | |
CN103946396A (zh) | 用于下一代测序的序列重组方法及装置 | |
Mohammed et al. | INDUS-a composition-based approach for rapid and accurate taxonomic classification of metagenomic sequences | |
EP2923293A1 (en) | Efficient comparison of polynucleotide sequences | |
Loka et al. | Reliable variant calling during runtime of Illumina sequencing | |
JP2019505780A (ja) | 質量分析法に基づく生体高分子の構造決定方法 | |
RU2011117576A (ru) | Способ определения показателя достоверности для отличительных черт, полученных из клинических данных, и применение показателя достоверности для предпочтения одной отличительной черты над другой | |
TWI493168B (zh) | 分析質譜的方法、電腦程式及系統 | |
Hoffmann et al. | BiPACE 2D—graph-based multiple alignment for comprehensive 2D gas chromatography-mass spectrometry | |
CN113096737A (zh) | 一种用于对病原体类型进行自动分析的方法及系统 | |
CN109997194A (zh) | 异常值显著性评价的系统和方法 | |
CA2817220A1 (en) | Automatic chemical assay classification | |
CN112613263B (zh) | 仿真验证方法、装置、电子设备和计算机可读存储介质 | |
Menzel et al. | NoPeak: k-mer-based motif discovery in ChIP-Seq data without peak calling | |
TW201621732A (zh) | 次世代定序分析系統及其次世代定序分析方法 | |
Lin et al. | Comparison of breast cancer tumor marker test results: A retrospective analysis of paired CA 15-3 and CA 27.29 testing at a national reference laboratory | |
Geraci et al. | EZcount: An all-in-one software for microRNA expression quantification from NGS sequencing data | |
Stuart et al. | Approaches for the analysis and interpretation of whole genome bisulfite sequencing data | |
JP2013505012A5 (ru) |