Презентация на тему "Прогностическая эффективность биомаркеров"

Содержание

• 
  Слайд 1

  Прогностическая эффективность биомаркеров

• 
  Слайд 2
  

  Или как представить результаты так, чтобы они нравились не только нам, но и в министерствах.

• 
  Слайд 3
  
• 
  Слайд 4

  Чувствительность

  • Чувствительность – специфичность: старые добрые медицинские понятия
  • Чувствительность (SE) – это доля носителей маркера среди больных
  • Специфичность (SP) - это доля здоровых, которые не являются носителем маркера (тест сработал!)
• 
  Слайд 5

  SEvs.SP: противоборство показателей

• 
  Слайд 6

  Так что важнее: чувствительность или специфичность?

  • Тест должен быть высокочувствительным, если важно не пропустить ни одного больного (пусть даже будет гипердиагностика).
  • Тест должен быть высокоспецифичным, если важно не объявлять здорового больным (серьезная психологическая травма либо сильные побочные эффекты лечения – гипердиагностика нежелательна)
  • Area Under Curve?
  • Все зависит от ситуации, но кроме того существует простой и эффективный показатель прогностических возможностей маркера (отличать больного от здорового).
• 
  Слайд 7
  

  Почему величина AUC=(SE+SP)/2 характеризует прогностическую эффективность маркера?

  • AUC – это вероятность отличить больного от здорового, ориентируясь на маркер!
  • Берем 1 здорового и 1 больного
  • Без использования маркера
  • Используем тест и носителя маркера объявляем больным вероятность угадать, кто есть кто = 1/2 вероятность угадать, кто есть кто = AUC
  • В качестве больного выбираем: AUC>1/2, если OR>1
• 
  Слайд 8

  А зачем все это?

  • Почему бы не обойтись привычным набором показателей ассоциирования – r, OR, pи 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

  Нашествие биомаркеров

• 
  Слайд 10

  Пример, когда сильный эффект не обеспечивает эффективность прогноза

• 
  Слайд 11

  Разберемся в исходных понятиях

• 
  Слайд 12

  Интерпретация в терминах ошибок I и II рода

• 
  Слайд 13

  Бинарный тест: вычисление показателей ассоциирования и риска

  • Показатели ассоциирования
  • Показатели рисков
• 
  Слайд 14

  Дизайн ассоциативных исследований

• 
  Слайд 15

  Возможность непосредственной оценки зависит от дизайна эксперимента!

  • pD – встречаемость (распространенность) заболевания
  • pM– популяционная встречаемость (частота) маркера
  • Однако в большинстве случаевв отношении pD иpM имеется априорная информация (эпидемиологические справочники, базы данных PubMed, HapMap и т.д.)
  • Зная OR, pD иpMможно оценить все остальные показатели (например, относительный риск RR для case-control)
  • При case-control мы не можем оценитьзаболеваемость и частоту маркера непосредственно в своем эксперименте
• 
  Слайд 16
  

  Какими могут быть чувствительность, специфичность и риски для бинарного теста?

• 
  Слайд 17

  Зависимость чувствительности от pDи pM при фиксированном OR(=5)

  • Чувствительность слегка убываетпри 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

  Зависимость специфичностиот pDи pM при фиксированном OR(=5)

  • Специфичность слегка возрастаетпри 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

  Зависимость AUCот pDи pM

• 
  Слайд 20

  При каких OR маркер является хорошим классификатором?

• 
  Слайд 21
  

  Почему высокое ORне всегда гарантирует эффективность прогнозов, и когда подобное происходит?

• 
  Слайд 22

  И еще одно обстоятельство

• 
  Слайд 23

  OR завышает оценку относительного риска

• 
  Слайд 24
  

  RR может бытьсущественно меньше OR в случае широко распространенного заболевания (pD>0.1) и редкого маркера (pM

• 
  Слайд 25

  Бинарные и количественные маркеры (тесты)

• 
  Слайд 26

  Количественный тест: выбор порога

• 
  Слайд 27
  
• 
  Слайд 28

  ROC – анализ

  • Receiver Operator Characteristics
  • Термин времен 2-ой мировойвойны, который придумали операторы первых радарных установок
  • Как отличить шум и помехи от вражеского самолета?
  • Современные применения ROC-анализа:
  • Медицинская диагностика, радиология и физиология
  • Распознавание образов, машинное обучение
  • Борьба со спамом
  • Погода и любые прогнозы по приметам
• 
  Слайд 29
  
• 
  Слайд 30

  Форма ROC-кривых

• 
  Слайд 31

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

• 
  Слайд 32

  Вычисления при ROC-анализе

• 
  Слайд 33

  Вычисления при ROC-анализе

• 
  Слайд 34

  Все делается в Excel

• 
  Слайд 35
  
• 
  Слайд 36
  
• 
  Слайд 37
  
• 
  Слайд 38
  
• 
  Слайд 39
  
• 
  Слайд 40

  Пример из радиационной генетики

• 
  Слайд 41
  

  Частоты хромосомных аберраций в зависимости от генотипов по кандидататным генам у ликвидаторов аварии на ЧАЭС и в контроле.

• 
  Слайд 42
  
• 
  Слайд 43
  

  Распределения частот аберраций хромосомного типа у ликвидаторов и в контрольной группе

  • Что можно считать повышенным уровнем хромосомных аберраций?
  • Примем за граничное значение «повышенного уровня аберраций».
• 
  Слайд 44
  

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

  • Хотя бы один минорный аллель в сайтах XPD плюс хотя бы одна инсерция вGSTM1-GSTT1
  • Что есть норма?
  • Более половины из нас предрасположены к повышенной частоте аберраций хромосом!
• 
  Слайд 45

  И еще раз напомню - не ORом единым!

  Хороший классификатор – это когда OR>5, а частота маркера не менее 30% Если вы используете маркер, частота встречаемости которого равна pM, то чувствительность теста непревышает pM-OR, аспецифичность теста скорей всего будет равна 1-pM Необходимо оценивать, чувствительность, относительный риск и прогностическую эффективность маркера (вычислять AUC ) Редкие мутации - малоэффективные классификаторы. Если частота маркера мала (pM<0.2pD ), то прогностическая эффективность теста крайне низка даже при OR>>1 При OR<2.5 маркер является заведомо плохим классификатором (AUC<0.6 при любых частотах заболевания и маркера) Не надо думать про OR, что относительный риск. Оцените RR как OR/(1-pD+pD-OR)