Estimation of Variables in Medical Biology Using Different Statistical Methods
Estimation de variables en biologie médicale par différentes méthodes statistiques
Résumé
In laboratory examinations, certain parameters relevant to clinical diagnosis are not systematically measured, which can limit the diagnostic value of the tests. Predicting unmeasured parameters from routine laboratory data could be extremely useful for improving laboratory diagnostics. In this study, we explored various algorithms to predict unmeasured parameters, testing different approaches to accommodate all possible observations (by creating datasets with the same parameters or imputing missing parameter values). We demonstrated that it is possible to effectively predict albumin and that a non-linear model performs better than a linear model. For troponin, a classification approach is more appropriate than a regression approach. Parametric and non-parametric prediction intervals were compared, with no method proving to be clearly superior. These results suggest avenues for the development of new clinical decision support tools based on the integration and interpretation of laboratory data.
Dans les examens de laboratoire, certains paramètres pertinents pour le diagnostic clinique ne sont pas systématiquement mesurés, ce qui peut limiter la valeur diagnostique des tests. La prédiction des paramètres non mesurés à partir de données de laboratoire de routine pourrait être extrêmement utile pour améliorer le diagnostic de laboratoire. Dans cette étude, nous avons exploré divers algorithmes pour prédire des paramètres non mesurés, en testant différentes approches pour s'adapter à toutes les observations possibles (en créant des jeux de données avec les mêmes paramètres ou en imputant les valeurs des paramètres manquants). Nous avons démontré qu'il est possible de prédire efficacement l’albumine et qu’un modèle non linéaire est plus performant qu’un modèle linéaire. Pour la troponine, une approche de classification est plus appropriée qu’une approche de régression. Les intervalles de prédiction paramétriques et non paramétriques ont été comparés, sans qu'aucune méthode ne soit clairement supérieure. Ces résultats suggèrent des pistes pour le développement de nouveaux outils de soutien à la décision clinique basés sur l'intégration et l'interprétation des données de laboratoire.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|