Что такое findslide.org?

FindSlide.org - это сайт презентаций, докладов, шаблонов в формате PowerPoint.


Для правообладателей

Обратная связь

Email: Нажмите что бы посмотреть 

Яндекс.Метрика

Презентация на тему Прогностическая эффективность биомаркеров

Содержание

Прогностическая эффективность биомаркеровиликак представить результаты так, чтобы они нравились не только нам, но и в министерствах
Прогностическая эффективность биомаркеровИнститут общей генетики им. Н.И. Вавилова РАН, лаборатория экологической генетикиРубанович А.В. rubanovich@vigg.ru Прогностическая эффективность биомаркеровиликак представить результаты так, чтобы они нравились не только нам, ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007—2012 годы»О чем это они? Чувствительность – специфичность: старые добрые медицинские понятияСпецифичность = 0.9Чувствительность = 0.7 Выигрывая в чувствительности, обычно теряем специфичность (et converso) SE vs. SP: противоборство показателейМаркер Так что важнее:чувствительность или специфичность?Area Under Curve? AUC – это вероятность отличить больного от здорового, ориентируясь на маркер!Берем 1 А зачем все это?Почему бы не обойтись привычным набором показателей ассоциирования – 150 000работ, претендующих на открытие биомаркеровНадежды 90-х не оправдались: эпоха GWAS буксуетКапля Пример, когда сильный эффект не обеспечивает эффективность прогнозаСколько раз тест сработал? Вероятность ЗдоровыеControlБольныеCaseНосителимаркера Свободны отмаркеравсе начинается с таблицы сопряженности 2×2:> pM> 1-pMПопуляционная частота маркераРазберемся в исходных понятиях: ЗдоровыеControlБольныеCaseНосителимаркера Свободны отмаркераИнтерпретация в терминах ошибок I и II родаПлоховато запоминается -лучше частота маркера среди больных Бинарный тест: вычисление показателей ассоциирования и рискаПоказатели ассоциирования:Показатели рисков:> RRНе все эти Дизайн ассоциативных исследований Population study: 	случайная выборка без подбора группCase-control study:	подбор групп Возможность непосредственной оценки зависит от дизайна эксперимента! Однако в большинстве случаев в Какими могут быть чувствительность, специфичность и рискидля бинарного теста? .... Рассмотрим крайности:На Зависимость чувствительности от pD и pM при фиксированном OR (=5)SE - pMpMpD SP – (1-pM)pMpDЗависимость специфичности от pD и pM при фиксированном OR(=5) Специфичность AUCpMpDOR=5OR=10OR=20Зависимость AUC от pD и pM В этой точке SE=SP При каких OR маркер является хорошим классификатором? Почему высокое OR не всегда гарантирует эффективность прогнозов, и когда подобное происходит?Возьмем И еще одно обстоятельствоOR=11, p=7⋅10-11Популяционное обследование: Заболеваемость – 50%OR=11, но это не OR завышает оценку относительного риска pD=0.05pM=0.1- хорошая аппроксимация для RR RR может быть существенно меньше ORв случае широко распространенного заболевания (pD>0.1) и Бинарные и количественные маркеры (тесты)Бинарный тест: 	маркер «есть-нет»Количественный тест: 	маркер является количественным 00.050.10.150.20.25Признак - маркерЧастотаКонтрольБольныеКоличественный тест: выбор порога 00.050.10.150.20.25Признак - маркерЧастотаКонтрольБольныеНизкий порогКоличественный тест: выбор порогаКак выбрать порог, чтобы соотношениечувствительность/специфичность было оптимальным? ROC – анализReceiver Operator CharacteristicsТермин времен 2-ой мировой войны, который придумали операторы 00.050.10.150.20.25Признак - маркерЧастотаКонтрольБольныеROC – кривая: зависимость SE от (1-SP) при плавном изменении порогаПороговое значение Форма ROC-кривых AUC - это площадь под ROC-кривой (Area Under Curve)AUC = Вероятность того, 0123КонтрольЗначения признака-маркераБольныеВычисления при ROC-анализе Вычисления при ROC-анализе 0.88Все делается в Excel:0.58 Все делается в Excel: Все делается в Excel: Все делается в Excel: Наименьшее расстояние до точки (0,1)Все делается в Excel:Оптимальное пороговое значениеПри выборе этого Все делается в Excel: Пример из радиационной генетики: Частоты хромосомных аберраций в зависимости от генотипов по кандидататным генам у ликвидаторов Частоты хромосомных аберраций в зависимости от генотипов по кандидататным генам у ликвидаторов Распределения частот аберраций хромосомного типа у ликвидаторов и в контрольной группеЧто можно Частота «рискового генотипа» среди лиц с повышенным уровнем аберраций хромосомного типаХотя бы Хороший классификатор – это когда OR>5, а частота маркера не менее 30%Если
Слайды презентации

Слайд 2 Прогностическая эффективность биомаркеров
или
как представить результаты так,
чтобы они

Прогностическая эффективность биомаркеровиликак представить результаты так, чтобы они нравились не только

нравились не только нам,
но и в министерствах


Слайд 3



ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса

ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007—2012 годы»О чем это они?

России на 2007—2012 годы»
О чем это они?


Слайд 4 Чувствительность – специфичность: старые добрые медицинские понятия
Специфичность =

Чувствительность – специфичность: старые добрые медицинские понятияСпецифичность = 0.9Чувствительность = 0.7

0.9
Чувствительность = 0.7


Слайд 5 Выигрывая в чувствительности,
обычно теряем специфичность (et converso)
SE

Выигрывая в чувствительности, обычно теряем специфичность (et converso) SE vs. SP: противоборство

vs. SP:
противоборство показателей
Маркер у всех,
и все больны!
SE=1,

SP=0

Все без маркера,
и все здоровы! SE=0, SP=1


Слайд 6 Так что важнее:
чувствительность или специфичность?
Area Under Curve?

Так что важнее:чувствительность или специфичность?Area Under Curve?

Слайд 7
AUC – это вероятность отличить больного от здорового,

AUC – это вероятность отличить больного от здорового, ориентируясь на маркер!Берем

ориентируясь на маркер!


Берем
1 здорового и 1 больного


Без использования

маркера

Используем тест и носителя маркера объявляем больным


AUC>1/2, если OR>1


Слайд 8 А зачем все это?
Почему бы не обойтись привычным

А зачем все это?Почему бы не обойтись привычным набором показателей ассоциирования

набором
показателей ассоциирования – r, OR, p и т.п.

?

Тревожные заголовки последних лет:

Маркеры с воспроизводимыми значимыми OR могут быть плохими классификаторами

Относительная полезность OR и RR

По ту сторону OR – риск заболеваемости на основе генетических профилей

Прогноз генетического риска – умеем ли мы уже это делать ?

…брешь между статистической значимостью и диагностической дискриминацией

Ограниченная полезность OR при использовании диагностических и прогностических маркеров


Слайд 9 150 000
работ,
претендующих на
открытие биомаркеров
Надежды 90-х не

150 000работ, претендующих на открытие биомаркеровНадежды 90-х не оправдались: эпоха GWAS

оправдались: эпоха GWAS буксует
Капля в океане:
«Bring on the biomarkers»

Nature , v 469, 2011

Нашествие биомаркеров

Good association is usually a necessary,
but not a sufficient, condition for good classification

George Poste, chief scientist at the Complex Adaptive Systems Initiative, and Regents professor of health innovation
at Arizona State University

«У меня 10-15 генов предрасположенности? В этой информации очень мало проку!»


Слайд 10 Пример, когда сильный эффект не обеспечивает эффективность прогноза
Сколько

Пример, когда сильный эффект не обеспечивает эффективность прогнозаСколько раз тест сработал?

раз тест сработал? Вероятность того, что случайно выбранный человек

будет правильно идентифицирован равна:

Суперэффект!

У больных частота маркера в 10 раз выше, чем у здоровых:
OR=11, p=7⋅10-11

- почти монета!!!

Причина парадокса в низкой чувствительности теста:
50/500=0.1, т.е. только 10% больных
являются носителями маркера

Популяционное обследование:

Заболеваемость – 50%


Слайд 11 Здоровые
Control








Больные
Case








Носители
маркера
Свободны от
маркера


все начинается с таблицы сопряженности 2×2:
>

ЗдоровыеControlБольныеCaseНосителимаркера Свободны отмаркеравсе начинается с таблицы сопряженности 2×2:> pM> 1-pMПопуляционная частота маркераРазберемся в исходных понятиях:

pM
> 1-pM
Популяционная частота маркера
Разберемся в исходных понятиях:


Слайд 12 Здоровые
Control








Больные
Case








Носители
маркера
Свободны от
маркера
Интерпретация в терминах ошибок I и

ЗдоровыеControlБольныеCaseНосителимаркера Свободны отмаркераИнтерпретация в терминах ошибок I и II родаПлоховато запоминается -лучше частота маркера среди больных

II рода
Плоховато запоминается -
лучше частота маркера среди больных


Слайд 13 Бинарный тест: вычисление показателей ассоциирования и риска
Показатели ассоциирования:
Показатели

Бинарный тест: вычисление показателей ассоциирования и рискаПоказатели ассоциирования:Показатели рисков:> RRНе все

рисков:
> RR
Не все эти показатели поддаются непосредственной оценке –


все зависит от дизайна эксперимента

Во всех случаях можно оценить только отношение шансов!


Слайд 14 Дизайн ассоциативных исследований
Population study:
случайная выборка без

Дизайн ассоциативных исследований Population study: 	случайная выборка без подбора группCase-control study:	подбор

подбора групп
Case-control study:
подбор групп «больные-здоровые»
Cohort study:
подбор групп «с

маркером – без маркера»

Основной вариант ассоциативных
исследований

Обычно «экспонированные - контроль»

Редкий вариант (дорого!)

Набираем выборку,
заранее не зная, кто
болен и кто носитель
маркера


Слайд 15 Возможность непосредственной оценки зависит от дизайна эксперимента!
Однако

Возможность непосредственной оценки зависит от дизайна эксперимента! Однако в большинстве случаев

в большинстве случаев в отношении pD и pM
имеется

априорная информация (эпидемиологические
справочники, базы данных PubMed, HapMap и т.д.)

Зная OR, pD и pM можно оценить все остальные показатели (например, относительный риск RR для case-control)


Слайд 16 Какими могут быть чувствительность, специфичность и риски
для бинарного

Какими могут быть чувствительность, специфичность и рискидля бинарного теста? .... Рассмотрим

теста? .... Рассмотрим крайности:
На что можно рассчитывать, используя бинарный

маркера?

В каждой клетке произведения вероятностей «встретить – не встретить»

Чувствительность и специфичность больше нуля даже в отсутствии ассоциаций

При OR > 1:
SE > pM и SP > 1-pM


Слайд 17 Зависимость чувствительности от pD и pM
при фиксированном

Зависимость чувствительности от pD и pM при фиксированном OR (=5)SE -

OR (=5)
SE - pM
pM
pD
Чувствительность слегка убывает при увеличении

заболеваемости

Чувствительность минус «чувствительность в отсутствии ассоциаций»



Чувствительность существенно зависит от частоты встречаемости маркера и произвольно мала для редких маркеров даже при больших OR


Слайд 18 SP – (1-pM)
pM
pD
Зависимость специфичности от pD и pM

SP – (1-pM)pMpDЗависимость специфичности от pD и pM при фиксированном OR(=5)


при фиксированном OR(=5)
Специфичность слегка возрастает при увеличении заболеваемости

Специфичность слабо зависит от частоты маркера и приблизительно равна 1- pM при pD< 0.4



Специфичность минус «специфичность в отсутствии ассоциаций»


Слайд 19 AUC
pM
pD
OR=5
OR=10
OR=20
Зависимость AUC от pD и pM
В этой

AUCpMpDOR=5OR=10OR=20Зависимость AUC от pD и pM В этой точке SE=SP

точке SE=SP


Слайд 20 При каких OR маркер является хорошим классификатором?

При каких OR маркер является хорошим классификатором?

Слайд 21 Почему высокое OR не всегда гарантирует эффективность прогнозов,

Почему высокое OR не всегда гарантирует эффективность прогнозов, и когда подобное


и когда подобное происходит?
Возьмем крайний случай: OR=∞
даже при очень

больших OR маркер является плохим классификатором, если pM/ pD<0.2 (тогда AUC<0.6)

При низкой частоте встречаемости маркера
тест прогностически неэффективен. Точнее …

AUC→1/2
при pM→0,
хотя OR=∞


Слайд 22 И еще одно обстоятельство
OR=11, p=7⋅10-11
Популяционное обследование:
Заболеваемость –

И еще одно обстоятельствоOR=11, p=7⋅10-11Популяционное обследование: Заболеваемость – 50%OR=11, но это

50%
OR=11, но это не совсем относительный риск
(который показывает

во сколько раз заболеваемость выше у носителей маркера)

Слайд 23 OR завышает оценку относительного риска
pD=0.05
pM=0.1
- хорошая аппроксимация

OR завышает оценку относительного риска pD=0.05pM=0.1- хорошая аппроксимация для RR

для RR


Слайд 24 RR может быть существенно меньше OR
в случае широко

RR может быть существенно меньше ORв случае широко распространенного заболевания (pD>0.1)

распространенного заболевания (pD>0.1)
и редкого маркера (pM< 0.05)
Если

редкий ген (MAF=1%) сильно ассоциирован (OR=6) с широко распространенным заболеванием, то это не значит, что носители этого гена заболевают в 6 раз чаще

На самом деле только в 2.4 раза чаще


Слайд 25 Бинарные и количественные маркеры (тесты)
Бинарный тест:
маркер «есть-нет»
Количественный

Бинарные и количественные маркеры (тесты)Бинарный тест: 	маркер «есть-нет»Количественный тест: 	маркер является

тест:
маркер является количественным показателем
После выбора порогового значения маркера
приходим

к таблице 2х2

Слайд 26


































0
0.05
0.1
0.15
0.2
0.25
Признак - маркер
Частота



Контроль
Больные


Количественный тест: выбор порога

00.050.10.150.20.25Признак - маркерЧастотаКонтрольБольныеКоличественный тест: выбор порога

Слайд 27


































0
0.05
0.1
0.15
0.2
0.25
Признак - маркер
Частота



Контроль
Больные
Низкий порог
Количественный тест: выбор порога
Как выбрать

00.050.10.150.20.25Признак - маркерЧастотаКонтрольБольныеНизкий порогКоличественный тест: выбор порогаКак выбрать порог, чтобы соотношениечувствительность/специфичность было оптимальным?

порог, чтобы соотношение
чувствительность/специфичность было оптимальным?


Слайд 28 ROC – анализ
Receiver Operator Characteristics
Термин времен 2-ой мировой

ROC – анализReceiver Operator CharacteristicsТермин времен 2-ой мировой войны, который придумали

войны, который придумали операторы первых радарных установок
Как отличить шум

и помехи от вражеского самолета?

Современные применения ROC-анализа:


Слайд 29

































0
0.05
0.1
0.15
0.2
0.25
Признак - маркер
Частота



Контроль
Больные
ROC – кривая: зависимость SE от

00.050.10.150.20.25Признак - маркерЧастотаКонтрольБольныеROC – кривая: зависимость SE от (1-SP) при плавном изменении порогаПороговое значение

(1-SP)
при плавном изменении порога





Пороговое значение


Слайд 30

Форма ROC-кривых

Форма ROC-кривых

Слайд 31 AUC - это площадь под ROC-кривой (Area Under

AUC - это площадь под ROC-кривой (Area Under Curve)AUC = Вероятность

Curve)
AUC = Вероятность того, что значение признака-маркера у случайно

выбранного больного больше, чем у случайно выбранного здорового

U=N1·N2·AUC - непараметрический критерий Манна-Уитни

AUC – интегральный показатель
прогностической эффективности маркера


Слайд 32

0
1
2
3
Контроль
Значения признака-маркера
Больные
Вычисления при ROC-анализе

0123КонтрольЗначения признака-маркераБольныеВычисления при ROC-анализе

Слайд 33 Вычисления при ROC-анализе

Вычисления при ROC-анализе

Слайд 34 0.88
Все делается в Excel:


0.58

0.88Все делается в Excel:0.58

Слайд 35 Все делается в Excel:

Все делается в Excel:

Слайд 36 Все делается в Excel:

Все делается в Excel:

Слайд 37 Все делается в Excel:

Все делается в Excel:

Слайд 38

Наименьшее расстояние до точки (0,1)
Все делается в Excel:

Оптимальное

Наименьшее расстояние до точки (0,1)Все делается в Excel:Оптимальное пороговое значениеПри выборе

пороговое значение
При выборе этого этого порога, мы правильно идентифицируем

73% больных и 77% здоровых

Слайд 39 Все делается в Excel:

Все делается в Excel:

Слайд 40 Пример из радиационной генетики:

Пример из радиационной генетики:

Слайд 41 Частоты хромосомных аберраций в зависимости от генотипов по

Частоты хромосомных аберраций в зависимости от генотипов по кандидататным генам у

кандидататным генам у ликвидаторов аварии на ЧАЭС и в

контроле

Слайд 42 Частоты хромосомных аберраций в зависимости от генотипов по

Частоты хромосомных аберраций в зависимости от генотипов по кандидататным генам у

кандидататным генам у ликвидаторов аварии на ЧАЭС и в

контроле


Репарация ДНК

Детоксикация ксенобиотиков

Оксидативный стресс, клеточный цикл


Рисковый генотип:
минорные аллели в сайтах XPD и функциональные аллели генов GST

Ассоциации с частотами аберраций для обеих выборок


Слайд 43 Распределения частот аберраций хромосомного типа у ликвидаторов и

Распределения частот аберраций хромосомного типа у ликвидаторов и в контрольной группеЧто

в контрольной группе
Что можно считать повышенным уровнем хромосомных аберраций?


Слайд 44 Частота «рискового генотипа» среди лиц с повышенным уровнем

Частота «рискового генотипа» среди лиц с повышенным уровнем аберраций хромосомного типаХотя

аберраций хромосомного типа
Хотя бы один минорный аллель в сайтах

XPD
плюс хотя бы одна инсерция в GSTM1-GSTT1

Что есть норма?
Более половины из нас предрасположены к повышенной частоте аберраций хромосом!


  • Имя файла: prognosticheskaya-effektivnost-biomarkerov.pptx
  • Количество просмотров: 157
  • Количество скачиваний: 0