کاربرد رسیستین, گلوکز، سن و BMI برای پیش بینی سرطان سینه
تعداد کلمات فایل انگلیسی : 8 صفحه pdf
تعداد صفحات فایل ترجمه : 11 صفحه word فونت 14 B Nazanin تعداد کلمه:4403
پیش زمینه: هدف این تحقیق ازمایشی به منظور توسعه و ارزیابی مدلی است که به طور بالقوه به عنوان نشانگر های زیستی سرطان سینه بر اساس داده های انتروپومتری است که در طی آزمایش های خون روتین جمع آوری شده است.
روش: برای هرکدام از 166 شرکت کننده در ازمایش مشحصه های بالینی مشخصی مانند BMI، گلوکز، انسولین، HOMA، لپتین، ادینوپکتین، رسیستین و MCP-1 مشاهده و اندازه گیری شد. الگوریتم های یادگیری ماشین رگراسیون منطقی، جنگل تصادفی، ماشین بردار پشتیبان به عنوان پیش بینی کننده تعدادی از متغیرهای گوناگون اجرا شدند. مدل های بدست امده با رویگرد Monte Carlo Cross-Validation ارزیابی شدند تا به بازه های اطمینان 95 درصد برای داده های حساسیت, اختصاصیت و AUC مدل ها را مشخص کنند.
نتایج: مدل ماشین بردار پشتیبان با استفاه از گلوکز، رسیستین، BMI و سن به عنوان پیشبینی کننده این امکان رافراهم می کن تا سرطان سینه در زنان را با حساسیت بین 82 تا 88 درصد و اختصاصیت بین 85 تا 90 درصد پیش بینی نماییم. بازه اطمینان 95 درصد برای AUC، 0.87 تا 0.91 بود.
نتیجه گیری: این مشاهدات گواه مورد اطمینانی است که نشان می دهند سن،BMI و پارامترهای متابولیکی ابزار قدرتمندی برای کاربرد انهای به عنوان نشانگر زیستی برا تشخیص سرطان سینه می باشد.
کلمات کلیدی:سرطان سینه، گلوکز، رسیستین، سن، نشانگر زسیتی و BMI
Abstract
Background: The goal of this exploratory study was to develop and assess a prediction model which can potentially be used as a biomarker of breast cancer, based on anthropometric data and parameters which can be gathered in routine blood analysis.
Methods: For each of the 166 participants several clinical features were observed or measured, including age, BMI, Glucose, Insulin, HOMA, Leptin, Adiponectin, Resistin and MCP-1. Machine learning algorithms (logistic regression, random forests, support vector machines) were implemented taking in as predictors different numbers of variables. The resulting models were assessed with a Monte Carlo Cross-Validation approach to determine 95% confidence intervals
for the sensitivity, specificity and AUC of the models.Results: Support vector machines models using Glucose, Resistin, Age and BMI as predictors allowed predicting the
presence of breast cancer in women with sensitivity ranging between 82 and 88% and specificity ranging between 85 and 90%. The 95% confidence interval for the AUC was [0.87, 0.91].
Conclusions: These findings provide promising evidence that models combining age, BMI and metabolic parameters may be a powerful tool for a cheap and effective biomarker of breast cancer.
Keywords: Breast cancer, Glucose, Resistin, BMI, Age, Biomarker
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
کاربرد رسیستین, گلوکز، سن و BMI برای پیش بینی سرطان سینه
تعداد کلمات فایل انگلیسی : 8 صفحه pdf
تعداد صفحات فایل ترجمه : 11 صفحه word فونت 14 B Nazanin تعداد کلمه:4403
پیش زمینه: هدف این تحقیق ازمایشی به منظور توسعه و ارزیابی مدلی است که به طور بالقوه به عنوان نشانگر های زیستی سرطان سینه بر اساس داده های انتروپومتری است که در طی آزمایش های خون روتین جمع آوری شده است.
روش: برای هرکدام از 166 شرکت کننده در ازمایش مشحصه های بالینی مشخصی مانند BMI، گلوکز، انسولین، HOMA، لپتین، ادینوپکتین، رسیستین و MCP-1 مشاهده و اندازه گیری شد. الگوریتم های یادگیری ماشین رگراسیون منطقی، جنگل تصادفی، ماشین بردار پشتیبان به عنوان پیش بینی کننده تعدادی از متغیرهای گوناگون اجرا شدند. مدل های بدست امده با رویگرد Monte Carlo Cross-Validation ارزیابی شدند تا به بازه های اطمینان 95 درصد برای داده های حساسیت, اختصاصیت و AUC مدل ها را مشخص کنند.
نتایج: مدل ماشین بردار پشتیبان با استفاه از گلوکز، رسیستین، BMI و سن به عنوان پیشبینی کننده این امکان رافراهم می کن تا سرطان سینه در زنان را با حساسیت بین 82 تا 88 درصد و اختصاصیت بین 85 تا 90 درصد پیش بینی نماییم. بازه اطمینان 95 درصد برای AUC، 0.87 تا 0.91 بود.
نتیجه گیری: این مشاهدات گواه مورد اطمینانی است که نشان می دهند سن،BMI و پارامترهای متابولیکی ابزار قدرتمندی برای کاربرد انهای به عنوان نشانگر زیستی برا تشخیص سرطان سینه می باشد.
کلمات کلیدی:سرطان سینه، گلوکز، رسیستین، سن، نشانگر زسیتی و BMI
Abstract
Background: The goal of this exploratory study was to develop and assess a prediction model which can potentially be used as a biomarker of breast cancer, based on anthropometric data and parameters which can be gathered in routine blood analysis.
Methods: For each of the 166 participants several clinical features were observed or measured, including age, BMI, Glucose, Insulin, HOMA, Leptin, Adiponectin, Resistin and MCP-1. Machine learning algorithms (logistic regression, random forests, support vector machines) were implemented taking in as predictors different numbers of variables. The resulting models were assessed with a Monte Carlo Cross-Validation approach to determine 95% confidence intervals
for the sensitivity, specificity and AUC of the models.Results: Support vector machines models using Glucose, Resistin, Age and BMI as predictors allowed predicting the
presence of breast cancer in women with sensitivity ranging between 82 and 88% and specificity ranging between 85 and 90%. The 95% confidence interval for the AUC was [0.87, 0.91].
Conclusions: These findings provide promising evidence that models combining age, BMI and metabolic parameters may be a powerful tool for a cheap and effective biomarker of breast cancer.
Keywords: Breast cancer, Glucose, Resistin, BMI, Age, Biomarker
دانلود رایگان مقاله انگلیسی