DE60015726T2

DE60015726T2 - Verfahren und vorrichtung zum vorhersagen von haemostatischer funktionsstörung in patientenproben

Info

Publication number: DE60015726T2
Application number: DE60015726T
Authority: DE
Inventors: Hock Cheng TOH; Colin Downey; J. Timothy FISCHER
Original assignee: Biomerieux Inc
Current assignee: Biomerieux Inc
Priority date: 1999-02-04
Filing date: 2000-02-04
Publication date: 2005-12-22
Anticipated expiration: 2020-02-05
Also published as: EP1147423A1; AU774889B2; US7211438B2; JP2002541431A; AU3483300A; CA2362055A1; EP1147423A4; US20040248308A1; WO2000046603A1; DE60015726D1; ES2231167T3; ATE282208T1; JP4486260B2; EP1147423B1; CA2362055C

Description

ALLGEMEINER STAND DER TECHNIK
Diese Erfindung bezieht sich weiterhin auf die folgenden Veröffentlichungen:

1. B. Pohl, C. Beringer, M. Bomhard, F. Keller, The quick machine – a mathematical model for the extrinsic activation of coagulation, Haemostasis, 24, 325 – 337 (1994).
2. J. Brandt, D. Triplett, W. Rock, E. Bovill, C. Arkin, Effect of lupus anticoagulants on the activated partial thromboplastin time, Arch Pathol Lab Med, 115, 109 – 14 (1991).
3. I. Talstad, Which coagulation factors interfere with the one-stage prothrombin time?, Haemostasis, 23, 19 – 25 (1993).
4. P. Baumann, T. Jurgensen, C. Heuck, Computerized analysis of the in vitro activation of the plasmatic clotting system, Haemostasis, 19, 309 – 321 (1989).
5. C. Heuck, P. Baumann, Kinetic analysis of the clotting system in the presence of heparin and depolymerized heparin, Haemostasis, 21, 10 – 18 (1991).
6. M. Astion und P. Wilding, The application of backpropagation neural networks to problems in pathology and laboratory medicine, Arch Pathol Lab Med, 116, 995 – 1001 (1992).
7. M. Astion, M. Wener, R. Thomas, G. Hunder und D. Bloch, Overtraining in neural networks that interpret clinical data, Clinical Chemistry, 39, 1998 – 2004 (1993).
8. J. Furlong, M. Dupuy and J. Heinsimer, Neural network analysis of serial cardiac enzyme data, A.J.C.P., 96, 134 – 141 (1991).
9. W. Dassen, R. Mulleneers, J. Smeets, K. den Dulk, F. Cruz, P. Brugada and H. Wellens, Self-learning neural networks in electrocardiography, J. Electrocardiol, 23, 200 – 202 (1990).
10. E. Baum and D. Haussler, What size net gives valid generalization? Advances in Neural Information Processing Systems, Morgan Kauffman Publishers, San Mateo, CA, USA, 81 – 90 (1989).
11. A. Blum, Neural Networks in C++, John Wiley & Sons, New York, (1992) .
12. S. Haykin, Neural Networks A Comprehensive Foundation, Macmillan College Publishing Company, New York, (1994).
13. J. Swets, Measuring the accuracy of diagnostic systems, Science, 240, 1285 – 1293 (1988).
14. M. Zweig and G. Campbell, Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine, Clinical Chemistry, 39, 561 – 577 (1993) .
15. D. Bluestein, L. Archer, The sensitivity, specificity and predictive value of diagnostic information: a guide for clinicians, Nurse Practitioner, 16, 39 – 45 (1991).
16. C. Schweiger, G. Soeregi, S. Spitzauer, G. Maenner und A. Pohl, Evaluation of laboratory data by conventional statistics and by three types of neural networks, Clinical Chemistry, 39, 1966 – 1971 (1993).

Blutgerinnsel sind das Endprodukt einer komplexen Kettenreaktion, in der Proteine eine Enzymkaskade bilden, die als ein biologisches Verstärkungssystem agiert. Dieses System ermöglicht relativ wenigen Molekülen von Initiatorprodukten, eine sequenzielle Aktivierung einer Reihe inaktiver Proteine, die als Faktoren bekannt sind, zu induzieren, was in der Produktion des Fibringerinnsels gipfelt. Mathematische Modelle der Kinetik der Pfade der Kaskade sind zuvor vorgeschlagen worden.
In [1] wurde ein dynamisches Modell der von außen wirkenden Koagulationskaskade beschrieben, in dem Daten für 20 Proben unter Verwendung von Schnellprozent- und APTT-Analysen (APPT = activated partial thromboplastin time, aktivierte partielle Thromboplastinzeit), TT-Analysen (TT = thrombin time, Thrombinzeit), Fibrinogen- und FII-Analysen (F = factor, Gerinnungsfaktor), FV-, FVII-, FX- und ATIII-Analysen (ATIII = Antithrombin III) und FDP-Analysen (FDP = factor degradation product, Faktordegradationsprodukt) gesammelt wurden. Diese Daten wurde als Eingabe zum Modell verwendet und die Prognoseausgabe mit tatsächlichen wiederhergestellten Ergebnissen von PT-Screeninganalysen (PT = prothrombin time, Prothrombinzeit) verglichen. Das Modell sagte das PT-Ergebnis lediglich in 11 von 20 Fällen genau voraus. Diese Koagulationskaskadenmodelle demonstrieren: (1) die Komplexität des Gerinnselbildungsprozesses und (2) die Schwierigkeit, PT- Gerinnungszeiten für sich mit spezifischen Bedingungen in Verbindung zu bringen.
Bei Thrombose- und Hämostasetests handelt es sich um die In-vitro-Untersuchung der Fähigkeit von Blut, Gerinnsel zu bilden und Gerinnsel in vivo aufzubrechen. Koagulationsanalysen (Hämostaseanalysen) starteten als manuelle Verfahren, in denen die Gerinnselbildung in einem Reagenzglas entweder durch Kippen des Reagenzglases oder durch Entfernen von Fibrinfasern mittels einer Drahtschleife beobachtet wurde. Das Ziel war zu bestimmen, ob die Blutprobe eines Patienten gerinnen würde, nachdem bestimmte Materialien zugegeben worden waren. Es wurde später festgestellt, dass die Zeitdauer vom Einsetzen der Reaktion bis zum Punkt der Gerinnselbildung in vitro mit angeborenen Erkrankungen, erworbenen Krankheiten und therapeutischer Überwachung zusammenhingen. Um die mit den subjektiven Endpunktbestimmungen manueller Techniken verbundenen inhärente Schwankungen zu beseitigen, ist eine Messtechnik zum Messen der Gerinnungszeit entwickelt worden, die auf (1) elektromechanischen Eigenschaften, (2) Gerinnselelastizität, (3) Lichtstreuung, (4) Fibrinadhäsion und (5) Impedanz basiert. Bei Lichtstreuungsverfahren werden Daten erfasst, die die Lichtübertragung durch die Einzelprobe in Abhängigkeit von der Zeit (ein optisches zeitabhängiges Messprofil) darstellen.
Zwei Analysen, die PT-Analyse und die APTT-Analyse, werden weithin zum Untersuchen auf Abnormitäten im Koagulationssystem verwendet, obwohl mehrere andere Screeninganalysen verwendet werden können, z. B. Protein C, Fibrinogen, Protein S und/oder Thrombinzeit. Wenn Screeninganalysen ein abnormes Ergebnis zeigen, sind ein oder mehrere zusätzliche Tests erforderlich, um die exakte Quelle der Abnormität zu isolieren. Die PT-Analyse und die APTT-Analyse stützen sich hauptsächlich auf das Messen der für die Gerinnungszeit benötigten Zeit, obwohl manche Variationen der PT auch die Amplitude der Änderung des optischen Signals beim Abschätzen der Fibrinogenkonzentration verwenden.
Zusätzlich zum enormen Feld von internen Faktoren und Proteinen, die normalerweise die Gerinnselbildung beeinflussen, wirkt sich die Verabreichung von Arzneimitteln auf die Blutgerinnung aus. Heparin beispielsweise ist ein weit verbreitetes therapeutisches Arzneimittel, das zum Verhindern von Thrombose nach einem chirurgischen Eingriff oder unter anderen Bedingungen oder zum Bekämpfen bestehender Thrombose verwendet wird. Die Verabreichung von Heparin wird in Regel mit der APTT-Analyse überwacht, die beim Vorhandensein von Heparin eine verlängerte Gerinnungszeit ergibt. Gerinnungszeiten bei PT-Analysen werden zu einem wesentlich geringeren Ausmaß beeinflusst. Da eine Reihe von anderen Plasmaabnormitäten ebenfalls Ergebnisse einer verlängerten APTT bewirken können, kann die Fähigkeit, zwischen diesen Effektoren von Screeningsanalyseergebnissen zu unterscheiden, klinisch signifikant sein.
Unter Verwendung einer auf ein Profil angepassten s-förmigen Kurve zeigten Baumann et al. [4], dass ein Verhältnis von zwei Koeffizienten für eine ausgewählte Gruppe von Blutgerinnungsfaktormängeln einzigartig war, wenn das Fibrinogen durch Zugabe von exogenem Fibrinogen auf eine festgelegte Konzentration künstlich aufrechterhalten wurde und dasselbe Verhältnis ebenfalls Heparin mit FII-Mangel und FXa-Mängeln korreliert. Durch das Erfordernis eines künstlich ausgebesserten Fibrinogens war dieser Ansatz jedoch für die Analyse von klinischen Einzelproben ungeeignet. Die vorliegende Erfindung macht es möglich, die hämostatische Dysfunktion bei klinischen Proben anhand eines zeitabhängigen Messprofils ohne künstliche Manipulierung der Proben vorauszusagen.
Die vorliegende Erfindung wurde zur Prädiktion einer hämostatischen Dysfunktion in einer unbekannten Probe auf Grundlage eines oder mehrerer zeitabhängigen Messprofile, wie beispielsweise optischen zeitabhängigen Messprofilen, erdacht und entwickelt, wobei eine oder mehrere Prädiktorvariablen bereitgestellt werden, die die Charakteristika des Profils definieren, und wobei wiederum ein Modell abgeleitet wird, dass das Verhältnis zwischen der hämostatischen Dysfunktion und der einen oder den mehreren Prädiktorvariablen darstellt (um so wiederum dieses Modell zur Prädiktion der hämostatischen Dysfunktion in der unbekannten Probe einzusetzen). Darüber hinaus zielt die vorliegende Erfindung auf die Prädiktion des Vorhandenseins von disseminierter intravaskulärer Gerinnung in einem Patenten auf Grundlage eines zeitabhängigen Messprofils, wie beispielsweise eines optischen Übertragungsprofils, anhand einer am Blut des Patienten oder einer Plasmaprobe ausgeführten Gerinnungsanalyse ab.
ZUSAMMENFASSUNG DER ERFINDUNG
Die vorliegende Erfindung zielt auf ein Verfahren und ein Gerät zur Prädiktion von hämostatischer Dysfunktion anhand mindestens eines zeitabhängigen Messprofils ab. Die vorliegende Erfindung zielt außerdem auf ein derartiges Verfahren und ein derartiges Gerät zur Prädiktion von disseminierter intravaskulärer Gerinnung (Disseminated Intravascular Coagulation, DIC) ab. Das Verfahren und das Gerät beinhalten a) das Vornehmen mindestens einer Analyse an einer unbekannten Probe und das Messen einer entsprechenden Eigenschaft im Zeitverlauf, um so ein zeitabhängiges Messprofil abzuleiten, b) das Definieren einer oder mehrerer Prädiktorvariablen (von denen eine vor der Gerinnselbildung ansteigt), die die Daten des zeitabhängigen Profils ausreichend definieren, c) das Ableiten eines Modells, das das Verhältnis zwischen einer Diagnoseausgabe und dem Satz von Prädiktorvariablen darstellt, und d) den Einsatz des Modells zur Prädiktion des Vorhandenseins eines hämostatischen Zustands (z. B. DIC oder Septikämie) in der unbekannten Probe in Bezug auf die Diagnoseausgabe. In einer Ausführungsform werden durch Vornehmen mehrerer Analysen an bekannten Proben Trainingsdaten bereitgestellt, wobei es sich bei dem Modell um ein Mehrschicht-Perzeptron handelt, das Verhältnis zwischen der Diagnoseausgabe und der einen oder den mehreren Prädiktorvariablen durch mindestens einen Algorithmus bestimmt wird und der mindestens eine Algorithmus ein „Back-Propagation"-Lernalgorithmus ist. In einer zweiten Ausführungsform der vorliegenden Erfindung wird das Verhältnis zwischen der Diagnoseausgabe und der mindestens einen Prädiktorvariablen von einem Satz statistischer Gleichungen abgeleitet. In der vorliegenden Erfindung werden außerdem mehrere zeitabhängige Messprofile abgeleitet, wobei diese zeitabhängigen Messprofile optische zeitabhängige Messprofile, wie beispielsweise die von einem automatisierten Analysator für Thrombose und Hämostase bereitgestellten, sein können, wobei mehrere optische (z. B. optische Übertragung) Messungen im Zeitverlauf vorgenommen werden und die mehreren optischen Messungen vereinheitlicht (standardisiert) sind. Die optischen Profile können ein PT-Profil, ein Fibrinogenprofil, ein APTT-Profil, ein TT-Profil, ein Protein-C-Profil, ein Protein-S-Profil und/oder mehrere Profile, die mit hämostatischer Dysfunktion assoziiert werden, beinhalten.
KURZBESCHREIBUNG DER ZEICHNUNGEN
1 ist ein allgemeines Neuronenschema in Bezug auf die Ausführungsform der vorliegenden Erfindung, die ein neuronales Netz einsetzt;
2 ist ein Schema eines Mehrschicht-Perzeptrons zur Prädiktion angeborener oder erworbener Ungleichgewichte oder therapeutischer Zustände in Bezug auf die Ausführungsform der vorliegenden Erfindung mit dem neuronalen Netz;
3 ist ein optisches Profil mit einer ersten und einer zweiten Ableitung einer normalen Gerinnungsprobe;
4 ist eine Darstellung von zwei Lernkurven;
5 ist eine Darstellung einer instabilen Lernkurve;
6 ist ein Graph, der einen Vergleich einer Trainings- und einer Vergleichsprüfungslernkurve zeigt;
7 ist ein Graph, der einen Vergleich eines Trainingsfehlers für Trainingstoleranzen von 0,0 und 0,1 zeigt;
8 ist eine ROC, die die Auswirkung einer Entscheidungsgrenze auf die Klassifizierung darstellt;
9 ist eine Tabelle, die die Größe der verborgenen Schicht („hidden layer") mit dem Prädiktionsfehler vergleicht;
10 ist eine „Receiver-operating characteristic"-Auftragung in Bezug auf die Prädiktion einer Abnormität in Verbindung mit dem Gerinnungsfaktor VIII;
11 ist ein Graph, der die Fähigkeit zum Voraussagen der tatsächlichen Aktivität des Gerinnungsfaktors VIII demonstriert;
12 ist eine „Receiver-operating characteristic"-Auftragung in Bezug auf die Prädiktion einer Abnormität in Verbindung mit dem Gerinnungsfaktor X;
13 ist eine Tabelle, die Beispiele von Prädiktorvariablen zur Verwendung in der vorliegenden Erfindung aufführt;
14 – 21 zeigen ROC-Kurven für neuronale Netze, die zum Voraussagen von FII-, FV-, FVII-, FVIII-, FIX-, FX-, FXI- und FXII-Mängeln anhand von PT-Parametern für sich, APTT-Parametern für sich oder kombinierten APTT- und PT-Parametern trainiert wurden;
22 zeigt die Zusammensetzung der Trainings- und Vergleichsprüfungssätze hinsichtlich jedes Gerinnungsfaktormangels;
23 zeigt die Ergebnisse der Klassifizierung von Gerinnungsfaktormängeln, wie sie aus der Fläche unter den ROC-Kurven bestimmt wurden;
24 zeigt die Flächen unter den ROC-Kurven für drei Netze, die zum Klassifizieren von Gerinnungsfaktormängeln auf Grundlage von drei verschiedenen diagnostischen Trennwerten („Cutoffs") trainiert wurden;
25 zeigt die Ergebnisse von linearen Rückgängen, die Gerinnungsfaktorkonzentrationen, die unter Verwendung des neuronalen Netzes abgeschätzt wurden, mit gemessenen Gerinnungsfaktorkonzentrationen vergleichen;
26 zeigt die Korrelation zwischen der Ausgabe des neuronalen Netzes und der gemessenen Fibrinogenkonzentration für Vergleichsprüfungsdaten, die von neuronalen Netzen gesetzt wurden, die zum Abschätzen der Fibrinogenkonzentration trainiert wurden;
27 zeigt die Korrelation zwischen der Ausgabe des neuronalen Netzes und der gemessenen FX-Konzentration für Vergleichsprüfungsdaten, die von neuronalen Netzen gesetzt wurden, die zum Abschätzen der FX-Konzentration trainiert wurden;
28 zeigt SOM-Konturenauftragungen, die von optischen APTT-Daten abgeleitet wurden, für die sechs Einzelprobenkategorien;
29 zeigt Konturenauftragungen von selbstorganisierenden Merkmalskarten, die mit PT-Daten trainiert wurden; und
30 zeigt den Empfindlichkeitswert, den Spezifitätswert, den Wirksamkeitswert und den Prädiktionswert des Positivtests (PPW) und den Prädiktionswert des Negativtests (NPW) auf Grundlage entweder der APTT- oder der PT-Parameter.
31 ist ein Schaubild, das die Schritte einer Ausführungsform der Erfindung darstellt;
32(A) und (B) stellen die Übertragungswellenformen auf der APTT-Analyse dar, wobei (A) ein normales Erscheinungsbild und (B) ein biphasisches Erscheinungsbild zeigt, wie sie auf dem MDA-180, einem automatisieren Hämostase-Thrombose-Analysator, abgeleitet wurden. Der Pfeil kennzeichnet den Punkt der Wellenform, an dem die Gerinnungszeit (in Sekunden) aufgezeichnet wird, in Bezug auf die X-Achse. Die gepunktete Linie zeigt das Lichtübertragungsniveau zu 25 Sekunden der Reaktion an;
33 stellt die Lichtübertragungsniveaus zu 25 Sekunden in Bezug auf die Diagnose in den 54 Patienten mit Abnormitäten der biphasischen Wellenform dar. Die horizontale gepunktete Linie stellt das normale Übertragungsniveau dar. Wenn für einen Patienten mehr als eine sequenzielle Analyse zur Verfügung steht, wird für diesen Patienten das niedrigste Übertragungsniveau abgebildet;
34 stellt serielle Übertragungsniveaus (oberes Feld) und Wellenformen (unteres Feld) bei einem Patienten dar, der nach Sepsis DIC entwickelte und wieder gesundete;
35 stellt serielle Übertragungsniveaus (oberes Feld) und Wellenformen (unteres Feld) bei einem Patienten dar, der nach einem Trauma DIC entwickelte und verstarb;
36 stellt ROC-Auftragungen der Prädiktion von DIC für die Übertragung zu 25 Sekunden (ÜB25), die APTT-Gerinnungszeit und die Steigung 1 (die Steigung bis zum Einsetzen der Gerinnselbildung) dar;
37 und 38 zeigen Histogramme von DIC, normalen und abnormen/Nicht-DIC-Populationen für die ÜB25 bzw. die Steigung 1;
39 und 41 zeigen Gruppenverteilungen für die Steigung 1 bzw. ÜB25;
40 und 42 zeigen partielle Subpopulationen der in den 39 und 41 gezeigten Daten;
43 ist ein optisches Übertragungsprofil für eine APTT-Analyse und
44 und 45 sind optische Übertragungsprofile für PT-Analysen.
BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
In der vorliegenden Erfindung werden sowohl ein Verfahren als auch ein Gerät zur Prädiktion des Vorhandenseins der Existenz einer hämostatischen Dysfunktion in einer Patientenprobe bereitgestellt. Wie in der 31 zu sehen ist, werden an einer unbekannten Probe (103) eine oder mehrere zeitabhängige Messungen (101) vorgenommen. Der Ausdruck „zeitabhängige Messung" bezieht sich hierin auf das Beinhalten von Messungen, die von Analysen (z. B. PT-, APTT-, Fibrinogen-, Protein-C-, Protein-S-, TT-, ATIII-, Plasminogen- und Gerinnungsfaktoranalysen) abgeleitet wurden. Die Ausdrücke „unbekannte Probe" und „klinische Probe" beziehen sich auf eine Probe, wie beispielsweise eine Probe von einem Patienten der Medizin (100), in der eine mit Thrombose/Hämostase in Zusammenhang stehende hämostatische Dysfunktion nicht bekannt ist (oder, falls sie vermutet wird, nicht bestätigt worden ist). In der vorliegenden Erfindung wird eine Koagulationseigenschaft im Zeitverlauf gemessen, um so ein zeitabhängiges Messprofil abzuleiten. In einer bevorzugten Ausführungsform handelt es sich bei der zeitabhängigen Messung um eine optische Messung zum Ableiten eines optischen Profils. Es kann beispielsweise ein PT-Profil, ein Fibrinogen-Profil, ein TT-Profil, ein APTT-Profil und/oder Variationen dieser bereitgestellt werden, wobei eine unbekannte Probe auf Grundlage von Lichtübertragung im Zeitverlauf durch die unbekannte Probe auf Gerinnselbildung analysiert wird. In einer anderen bevorzugten Ausführungsform werden zwei (oder mehr) optische Profile, wie beispielsweise sowohl ein PT-Profil als auch ein APTT-Profil, bereitgestellt.
Nachdem die zeitabhängigen Messprofile bereitgestellt wurden, wird ein Satz von Prädiktorvariablen definiert (110), die die Daten des zeitabhängigen Profils ausreichend definieren. Der Satz besteht aus einer oder mehreren Prädiktorvariablen. Weiterhin wurde festgestellt, dass in einer Ausführungsform drei oder mehr und in einer bevorzugten Ausführungsform vier oder mehr Prädiktorvariable wünschenswerterweise den Satz ausmachen. Es wurde festgestellt, dass die Charakteristika des zeitabhängigen Messprofils am Besten durch eine oder mehrere Prädiktorvariablen, einschließlich des Mindestwerts der ersten Ableitung des optischen Profils, des Zeitindex dieses Mindestwerts, des Mindestwerts der zweiten Ableitung des optischen Profils, des Zeitindex dieses Mindestwerts, des Höchstwerts der zweiten Ableitung, des Zeitindex dieses Höchstwerts, der gesamten Änderung der Übertragung während der zeitabhängigen Messung, der Gerinnungszeit, der Steigung des optischen Profils vor der Gerinnselbildung und der Steigung des optischen Profils nach der Gerinnselbildung, definiert werden konnten.
Nach dem Definieren des Satzes von Prädiktorvariablen wird ein Modell (113) abgeleitet, das das Verhältnis zwischen einem angeborenen oder erworbenen Ungleichgewicht oder einem therapeutischen Zustand und dem Satz von Prädiktorvariablen darstellt. Dieses Modell kann in einer Ausführungsform der vorliegenden Erfindung von einem neuronalen Netz abgeleitet werden. In einer anderen Ausführungsform wird das Modell über einen Satz statistischer Gleichungen abgeleitet.
Neuronale Netze stellen einen Zweig künstlicher Intelligenz dar, der zum Lernen und Modellieren komplexer, unbekannter Systeme verwendet werden kann, wenn einige bekannte Daten (115) vorliegen, mit denen es trainieren kann. Zu den Merkmalen neuronaler Netze, die sie zu einer attraktiven Alternative zum Modellieren komplexer Systeme machen, zählen:

1. Sie können verrauschte (fehlerbehaftete) Daten gut verarbeiten und erkennen Muster selbst dann, wenn einige der Eingabedaten unklar sind oder fehlen.
2. Es ist nicht erforderlich zu bestimmen, welche Faktoren a priori relevant sind, da das Netz während der Trainingsphase bestimmen wird, welche Daten relevant sind, vorausgesetzt, dass mindestens einige aussagefähige Parameter im Satz vorliegen.

Neuronale Netze werden aus mehreren Schichten miteinander verbundener Neuronen wie den in der 1 gezeigten gebildet. Jedes Neuron weist eine Ausgabe auf und empfängt über Verbindungsstrecken oder Synapsen eine Eingabe i₁...i_n von mehreren anderen Neuronen. Jede Synapse ist einer Synapsengewichtung, w_j, zugeordnet. Ein Addierer Σ oder ein Linearkombinierer summieren die Produkte der Eingabesignale und Synapsengewichtungen i₁·w_j. Die Ausgabe des Linearkombinierers sum₁ und θ₁ (ein Schwellenwert, der die Ausgabe senkt, oder ein systematischer Fehler, der die Ausgabe erhöht) sind die Eingabe zur Aktivierungsfunktion f(). Die Synapsengewichtungen werden mittels Anpassen ihrer Werte durch einen Lernalgorithmus gelernt.
Nach dem Ableiten des Modells (113), ob nun auf Grundlage von neuronalen Netzen oder statistischen Gleichungen, wird das Modell zur Prädiktion (120) der Existenz eines angeborenen oder erworbenen Ungleichgewichts oder eines therapeutischen Zustands in der unbekannten Probe bezüglich des einen oder der mehreren zeitabhängigen Messprofile eingesetzt. Auf diese Weise kann ein angeborenes oder erworbenes Ungleichgewichts oder ein therapeutischer Zustand vorausgesagt werden. Zustände, die in der vorliegenden Erfindung als abnorm vorausgesagt werden können, beinhalten unter anderem a) Gerinnungsfaktormängel, z. B. Fibrinogen, die Gerinnungsfaktoren II, V, VII, VIII, IX, X, XI und XII als auch ATIII, Plasminogen, Protein C, Protein S, usw., b) therapeutische Zustände, z. B. Heparin, Coumadin, usw. und c) Zustände wie beispielsweise Lupus-Antikoagulans. In einer Ausführungsform der vorliegenden Erfindung wird das Verfahren auf einem automatisierten Analysator (90) ausgeführt. Das zeitabhängige Messprofil, wie beispielsweise ein optisches Datenprofil, kann automatisch vom automatisierten Analysator bereitgestellt werden, wobei die unbekannte Probe automatisch durch eine automatisierte Sonde aus einem Probenbehälter in einen Testschacht entfernt wird und ein Reagenz oder mehrere Reagenzien automatisch dem Testschacht hinzugefügt werden, um so die Reaktion in der Probe einzuleiten. Eine Eigenschaft im Zeitverlauf wird automatisch optisch überwacht, um so das optische Profil abzuleiten. Der vorhergesehene angeborene oder therapeutische Zustand (120) kann automatisch in einem Speicher (122) eines automatisierten Analysators gespeichert und/oder auf dem automatisierten Analysator angezeigt (124), wie beispielsweise auf einem Computermonitor, oder auf einem Blatt Papier ausgedruckt werden. Als ein weiteres Merkmal der Erfindung werden, wenn das vorhergesehene angeborene oder erworbene Ungleichgewicht oder der vorhergesehene therapeutische Zustand (128) ein abnormer Zustand ist, auf dem automatisierten Analysator eine oder mehrere Analysen zur Bestätigung der Existenz des abnormen Zustands vorgenommen. Tatsächlich werden in einer bevorzugten. Ausführungsform die eine oder die mehreren bestätigenden Analysen automatisch angefordert und auf dem Analysator vorgenommen, wenn der vorhergesehene Zustand bestimmt worden ist, wobei die Ergebnisse der einen oder der mehreren bestätigenden Analysen in einem Speicher (131) des automatisierten Analysators gespeichert und/oder auf dem Analysator angezeigt (133) werden.
BEISPIEL 1: Prädiktion von Heparin in einer Probe
Dieses Beispiel zeigt einen Satz von Prädiktorvariablen, der optische Profile einer Screeninganalyse auf angemessene Weise beschreibt, entwickelt ein optimales Design eines neuronalen Netzes und bestimmt die Voraussagefähigkeiten für einen mit Thrombose/Hämostase in Zusammenhang gebrachten abnormen Zustand (in diesem Fall zur Erkennung von Heparin) mit einem substanziellen und gut quantifizierten Testdatensatz.
Simplastin^TM L, Platelin^TM L, Calciumchlorid-Lösung (0,025 M) und Imidazol-Puffer wurden von Organon Teknika Corporation, Durham, NC, 27712, USAy bezogen. Alle Plasmaeinzelproben wurden in 3,2%-igen oder 3,8%-igen Natriumcitrat im Verhältnis von einem Teil Antikoagulans zu neun Teilen Vollblut aufgenommen. Die Reagenzgläser wurden 30 Minuten lang bei 2000 g zentrifugiert und dann in Polypropylen-Reagenzgläser dekantiert und bis zur Auswertung bei –80 °C gelagert. Aus 200 Proben wurden 757 Einzelproben hergestellt. Diese Einzelproben wurden mit den folgenden spezifischen Analysen getestet: FII, FV, FVII, FVIII, FIX, FX, FXI, FXII, Heparin, Fibrinogen, Plasminogen, Protein C und ATIII. Die Proben repräsentierten normale Patienten, eine Vielfalt von Mängeln und therapeutische Zustände. 216 des Einzelprobenbestands zeigten ein positives Ergebnis in Bezug auf Heparin, was durch eine Heparin-Konzentration von mehr als 0,05 Einheiten/ml bestimmt wurde, die mit einer für Heparin spezifischen Chromogenanalyse gemessen wurde. Die restlichen Einzelproben, die als Heparin-negativ klassifiziert wurden, beinhalteten normale Einzelproben, eine Vielfalt von Mängeln an einem oder mehreren Gerinnungsfaktoren und Patienten, die andere therapeutische Arzneimittel erhielten. Positive Heparin-Proben lagen im Bereich von bis zu 0,54 Einheiten/ml.
An jeder Einzelprobe wurden fünf Tage lang PT- und APTT-Screeninganalysen vorgenommen. Wenn auf Gerinnseln basierende Koagulationsanalysen von einem automatisierten, auf Optik basierenden Analysator, wie beispielsweise dem MDA 180, vorgenommen werden, werden Daten im Zeitverlauf gesammelt, die das standardisierte Niveau der Lichtübertragung durch eine Probe, während sich ein Gerinnsel bildet, (das optische Profil) darstellen. Während sich das Fibringerinnsel bildet, wird die Lichtübertragung vermindert. Das optische Profil von jedem Test wurde gespeichert.
Die ausgewählte Netzkonfiguration war ein Mehrschicht-Perzeptron (M-Zustand). Es wurde außerdem ein ähnliches Netz für Nur-PT-Variablen und Nur-APTT-Variablen eingesetzt. Dieses spezifische MSP bestand aus drei Schichten: der Eingabeschicht, einer verborgenen Schicht („hidden layer") und der Ausgabeschicht.
In der 3 ist ein normales optisches Profil gezeigt. Der Satz von Prädiktorvariablen wurde mit der Absicht gewählt, optische Profile so vollständig wie möglich mit einer minimalen Anzahl an Variablen zu beschreiben. Sie sind in der Tabelle 1 zusammengefasst, in der t die Zeit vom Einleiten der Reaktion, T die standardisierte Lichtübertragung durch das Reaktionsgemisch und pv_jk die k-te Prädiktorvariable der Analyse j ist.
Die Prädiktorvariablen wurden auf Werte zwischen 0 und 1 gestaffelt, basierend auf dem Bereich von Werten, der für jede Variable des Analysentyps k beobachtet wurde: ij = f(pvjk,(pvj_n,k)min,(pvj_n,k)max).
Der Eingabevariablensatz beinhaltet i_1...7 für sowohl eine PT-Analyse als auch eine APTT-Analyse für jede Einzelprobe. Bei bekannten Ausgabevariablenwerten wurden Heparin-Proben mit Ergebnissen von mehr als 0,05 Einheiten/ml als positiv betrachtet und ihnen wurde ein Wert von 1 zugeordnet, während negativen Proben ein Wert von 0 zugeordnet wurde.
Das Verhältnis der Trainingssatzprobe zur Anzahl von Gewichtungsproben wird aus derselben Verteilung wie der Trainingssatz entnommen. Folglich können dann kleine Probengrößen zu künstlich hohen Klassifizierungsraten führen. Dieses Phänomen ist als „Overtraining" (Übertraining) bekannt. Um eine wahre Genauigkeitsrate von 80 % zu erzielen, ist eine Richtlinie für die Anzahl an Proben im Trainingssatz, dass diese ungefähr das Fünffache der Anzahl an Gewichtungen im Netz beträgt. Beim Großteil dieser Arbeit wurde ein 14-6-1-Netz verwendet, was zu einer oberen Grenze der Probengröße von O(450) führte. Um die Leistung des Netzes und seine Fähigkeit zur Verallgemeinerung zu überwachen und auszuwerten, wird am Ende jeder Trainingsepoche ein Vergleichsprüfungssatz verarbeitet. Bei diesem Vergleichsprüfungssatz handelt es sich um einen willkürlich bestimmten Teilsatz des bekannten Testsatzes, der vom Trainingssatz ausgeschlossen wird.
Nachdem die Eingabeprädiktorvariablen und Ausgabewerte für alle optischen Profile der Einzelproben bestimmt worden waren, wurden die 757 Datensätze willkürlich in zwei Gruppen verteilt: 387 wurden im Trainingssatz und 370 im Vergleichsprüfungssatz verwendet. Dieselben zwei willkürlich bestimmten Sätze wurden in allen Versuchen verwendet.
Alle Synapsengewichtungen und Schwellenwerte wurden am Beginn jeder Trainingssitzung auf kleine willkürliche Zahlen voreingestellt.
Bei der Fehlerkorrekturlernregel handelt es sich um einen iterativen Prozess, der zum Aktualisieren der Synapsengewichtungen durch ein Gradientenabfallverfahren verwendet wird, in dem das Netz den Fehler minimiert, während Musterassoziationen (als Eingabe-Ausgabe-Paare bekannt) im Trainingssatz dem Netz dargeboten werden. Jeder Zyklus durch den Trainingssatz ist als eine Epoche bekannt. Die Reihenfolge oder Darbietung der Musterassoziationen war für alle Epochen dieselbe. Der Lernalgorithmus besteht aus sechs Schritten, die den Vorwärtsdurchgang und den Rückwärtsdurchgang ausmachen. Beim Vorwärtsdurchgang werden zunächst die Neuronaktivierungen der verborgenen Schicht bestimmt h = F (iW1 + θh),wobei h der Vektor der Neurone der verborgenen Schicht, i der Vektor der Neurone der Eingabeschicht, W1 die Gewichtungsmatrix zwischen der Eingabeschicht und der verborgenen Schicht und F() die Aktivierungsfunktion ist.
Eine logistische Funktion wird als Aktivierungsfunktion verwendet:
Dann werden die Neurone der Ausgabeschicht errechnet: h = F (hW2 + θh),wobei o für die Ausgabeschicht, h für die verborgene Schicht und W2 für die Matrix der Synapsen, die die verborgene Schicht und die Ausgabeschicht verbinden, steht.
Der Rückwärtsdurchgang beginnt mit der Errechnung des Ausgabeschichtfehlers: eo = (o – d),wobei d die erwünschte Ausgabe ist. Wenn jedes Element von e₀ geringer als ein gewisser vordefinierter Trainingsfehlertoleranzvektor TF_Tol ist, werden die Gewichtungen während dieses Durchgangs nicht aktualisiert und der Prozess fährt mit der nächsten Musterassoziation fort. In allen Versuchen wurde eine Trainingsfehlertoleranz von 0,1 verwendet, sofern nicht anders angegeben. Andernfalls wird dann der lokale Gradient an der Ausgabeschicht errechnet: go = o(1 – o)eo.
Als Nächstes wird der lokale Gradient der verborgenen Schicht errechnet: gh = h(1 – h)W2go.
Nachdem der Fehler der verborgenen Schicht berechnet wurde, wird die zweite Schicht von Gewichtungen angepasst: W2m = W2m-1 + ΔW2,wobei ΔW2 = ηhgo + γΔW2m-1 die Lernrate, γ der Momentumfaktor und m die Lerniteration ist. Die erste Schicht von Gewichtungen wird auf ähnliche Weise angepasst: W1m = W1m-1 + ΔW1,wobei ΔW1 = ηie + γΔW1m-1.
Der Vorwärtsdurchgang und der Rückwärtsdurchgang werden für alle Musterassoziationen im Trainingssatz, was als eine Epoche bezeichnet wird, 1000 Mal wiederholt. Am Ende jeder Epoche wird das trainierte Netz auf den Vergleichsprüfungssatz angewendet.
Mehrere Verfahren wurden zum Messen der Leistung des Trainings des Netzes verwendet. Der Fehler, E, für jeden
Eingabesatz wurde als
definiert. Die Lernkurve wird als die Auftragung von E über die Epoche definiert. Die Prozentanteilklassifizierung φ beschreibt den Prozentanteil des gesamten Testsatzes (Training und Vergleichsprüfung), der auf Grundlage einer gewissen definierten Entscheidungsgrenze, β, korrekt klassifiziert ist. Es sind auch „Receiver-Operating Characteristic"-Auftragungen (ROC-Auftragungen) verwendet worden, um die Fähigkeit trainierter Netze, zwischen den alternativen möglichen Ergebniszuständen zu unterscheiden, zu beschreiben. Bei diesen Auftragungen werden Messungen der Empfindlichkeit und der Spezifität für einen kompletten Bereich von Entscheidungsgrenzen gezeigt. Die Empfindlichkeit bzw. der Wahr-Positiv-Bruch wird als
definiert und der Falsch-Positiv-Fraktion bzw. (1-Spezifität) wird als
definiert. Diese ROC-Auftragungen stellen ein gebräuchliches Werkzeug zum Bewerten der Leistung von klinischen Labortests dar.
Unter Verwendung des beschriebenen Testsatzes wurden Versuche vorgenommen, um zu bestimmen, ob das Vorhandensein von Heparin mit diesem Verfahren vorausgesagt werden könnte. Zunächst wurden Versuche durchgeführt, um die optimalen Fehlerkorrektur-„Back-Propagation"-Lernparameter zu bestimmen: (1) Größe der verborgenen Schicht („hidden layer"), (2) Lernrate und (3) Momentum. Es wurden außerdem zusätzliche Versuche durchgeführt, um die Leistung von Netzen auf Grundlage von PT- und APTT-Analysen für sich oder einer Kombination der Ergebnisse beider, der Auswirkung der Trainingsfehlertoleranz und der Entscheidungsgrenzenwahl zu vergleichen.
9 zeigt die Auswirkung der Größe der verborgenen Schicht auf den Trainingsfehler und den Vergleichsprüfungsfehler und die Trefferquotenklassifizierung für die optimale Entscheidungsgrenze, die als die Entscheidungsgrenze definiert ist, die die geringste Gesamtzahl an Falsch-Positiv und Falsch-Negativ des gesamten Testsatzes ergab. Wenn die Größe der verborgenen Schicht erhöht wird, wird der Fehler vermindert. Die Fähigkeit zur Verallgemeinerung steigt jedoch nach einer erreichten Größe der verborgenen Schicht von 6 nicht weiter an. Der maßgeblichste Nutzen in Bezug auf sowohl den Fehler als auch die Trefferquotenklassifizierung liegt bei einer Größe zwischen 4 und 6. Für den Rest der Versuche wurde eine Größe der verborgenen Schicht von 6 verwendet.
Es wurde eine Reihe von Versuchen mit η = {0,01, 0,1, 0,5, 0,9} und γ = {0,0, 0,1, 0,5, 0,9} durchgeführt. 4 zeigt die Lernkurven für zwei der besten Kombinationen von Parametern. 5 zeigt ein Lernkurvenbeispiel, wenn die Lernrate so hoch ist, dass sie zu Oszillationen und Konvergenz auf einen höheren E führt. Im Allgemeinen konvergierte das Netz bei η → 0 auf einen niedrigeren E und bei γ → 1 verbesserte sich die Konvergenzrate. Bei η → 1 stieg der konvergierte Wert von E ebenfalls an und die Oszillationen verstärkten sich. Darüber hinaus verschlimmerten sich die Oszillationen bei η → 1, γ → 1.
6 zeigt einen Vergleich der Lernkurve für den Trainingssatz und den Vergleichsprüfungssatz für η = 0,5 und γ = 0,1. Es handelt sich beim Entwickeln von neuronalen Netzen um ein Hauptanlass für Bedenken und es ist zuvor gezeigt worden, dass es wichtig ist, nicht nur den Fehler im Trainingssatz für jeden Zyklus, sondern auch den Vergleichsprüfungsfehler zu beachten.
7 zeigt die Lernkurve bei η = 0,5 und γ = 0,1 und einer Lerntoleranz von 0,0 und 0,1. Diese Ergebnisse legen nahe, dass ein geringes Lernen dazu tendiert, die Konvergenz des Lernprozesses auszuglätten.
8 zeigt die ROC-Auftragung für Netze, die mit den Prädiktorvariablen aus jeder der zwei Screeninganalysen im Vergleich zur Kombination dieser trainiert wurden. In Fällen einer einzigen Analyse war die Größe der verborgenen Schicht 3. Während die Verwendung der Daten aus einer Analyse zu einem gewissen Erfolg führt, schafft die Verwendung der Informationen aus beiden Analysen eine erhebliche Verbesserung der Fähigkeit des Netzes, das Vorhandensein von Heparin korrekt vorauszusagen. Dieser Graph zeigt an, dass ein Wahr-Positiv-Anteil von 90 % mit einem Falsch-Positiv-Anteil von 15 % erzielt werden kann. Bei Verwendung einer einzigen Analyse kann ein Wahr- Positiv-Anteil von 60 – 70 % mit einem Falsch-Positiv-Anteil von ungefähr 15 % erzielt werden.
BEISPIEL 2: Gerinnungsfaktor VIII
Es wurden ähnliche Tests wie in Beispiel 1 ausgeführt. Wie in den 10 und 11 zu sehen ist, wurden zwei Trainingssitzungen zur Prädiktion eines Gerinnungsfaktor-VIII-Zustands in einer unbekannten Probe durchgeführt. 10 ist eine „Receiver-Operating Characteristic"-Auftragung in Bezug auf das Voraussagen einer Abnormität in Verbindung mit dem Gerinnungsfaktor VIII. In der 10 wurde alles mit einer Aktivität von weniger als 30 % als positiv und alles oberhalb von 30 % als negativ angezeigt. Trennwerte („Cutoffs"), die sich von 30 % unterschieden, konnten ebenfalls verwendet werden. In diesem Beispiel weist der Aktivitätsprozentanteil eine bekannte Genauigkeit von ungefähr +10 bzw. –10 % auf. In der 11 wurde die tatsächliche prozentuelle Aktivität als Ausgabe eingesetzt.
BEISPIEL 3: Gerinnungsfaktor X
Wie in der 12 zu sehen ist, wurde das Verfahren der vorliegenden Erfindung ähnlich wie das im Beispiel 2 ausgeführt, wobei hier eine Abnormität der Konzentration des Gerinnungsfaktors X anhand von unbekannten Proben vorausgesagt wurde. Alles mit einer Aktivität von weniger als 30 % wurde als positiv und alles oberhalb von 30 % als negativ angezeigt. Trennwerte, die sich von 30 % unterschieden, konnten ebenfalls verwendet werden.
Die Ergebnisse der Vergleichsprüfungsprobensätze in den gesamten Versuchen zeigen an, dass die Probengröße zum Verallgemeinern durch das Netz ausreichte. Obwohl die willkürliche Verteilung des Trainingssatzes und des Vergleichsprüfungssatzes in den gesamten dargelegten Versuchen konstant gehalten wurde, sind andere Verteilungen verwendet worden. Diese Verteilungen resultieren, obwohl alle verschiedene Ergebnisse erbrachten, trotzdem in derselben allgemeinen Schlussfolgerung.
Es sind viele Alternativen oder Hinzufügungen zum Satz von Prädiktorvariablen untersucht worden. Dies beinhaltete Koeffizienten einer Kurve, die auf das Datenprofil angepasst worden war, Mustererkennung und auf der Gerinnungszeit basierende Parameter. Funktionen geringer Ordnung tendieren dazu, aufgrund ihrer schlechten Passung Informationen zu verlieren, und Funktionen hoher Ordnung tendieren dazu, Informationen in ihren mehreren Schließlösungen zu verlieren. Auf Gerinnseln basierende Parameter, wie beispielsweise der Gerinnungszeit, steigen im Abschnitt vor dem Einsetzen der Gerinnselbildung an und stehen danach häufig, aber nicht immer zur Verfügung (da in manchen Proben die Gerinnungszeit nicht nachweisbar ist). Die beobachteten erfolgreichen Ergebnisse zeigen an, dass der verwendete Satz von Prädiktorvariablen bei der Prädiktion angeborener oder erworbener Ungleichgewichte oder therapeutischer Zustände wirksam ist.
Die Optimierung der Parameter des Netzlernalgorithmus machten bei dessen Leistung erhebliche Unterschiede aus. Im Allgemeinen war die Leistung bei geringen Lernraten, hohen Momentumsraten, einer geringen Trainingsfehlertoleranz und einer Größe der verborgenen Schicht von ungefähr der Hälfte der Größe der Eingabeschicht am Besten.
WEITERE BEISPIELE:
Auf MDA 180-Messgeräten wurden bei einer Wellenlänge von 580 nm optische Messungen für APTT- und PT-Analysen vorgenommen. Plasmaeinzelproben (n = 200) beinhalteten normale Patienten, Patienten mit einer Vielfalt von Gerinnungsfaktormängeln und Patienten, die einer Heparin-Therapie oder einer anderen Antikoagulans-Therapie unterzogen wurden. An jeder Einzelprobe wurden mit zwei MDA 180-Geräten unter Verwendung von Einzelchargen von APTTund PT-Reagenzien APTT- und PT-Screeninganalysen-Dubletten ausgeführt. Diese Einzelproben wurden außerdem unter Verwendung spezifischer Analysen für FII, FV, FVII, FVIII, FIX, FX, FXI, FXII, Heparin, Fibrinogen, Plasminogen, Protein C und Antithrombin-III analysiert.
Datenverarbeitung und neuronale Netze
Dateien optischer Profildaten wurden aus den MDA 180-Geräten exportiert und offline verarbeitet. Es wurde ein Satz von neun Parametern abgeleitet, um die Taktgebung, die Rate und die Größenordnung von Koagulationsereignissen zu beschreiben. Diese Parameter wurden für alle APTT- und PT-Tests berechnet. Der Parametersatz wird ausgehend von dem für das Beispiel 1 geringfügig modifiziert. Bei diesem Ansatz wurden die optischen Daten für eine PT- oder APTT-Analyse unter Verwendung von auf dem Mindestwert und dem Höchstwert der zweiten Ableitung für Änderungen des optischen Signals in Bezug auf die Zeit basierenden Aufteilungen in drei Segmente unterteilt (ein Vor-Koagulationssegment, ein Koagulationssegment und ein Nach-Koagulationssegment). Die Parameter, die analysiert wurden, beinhalteten: (1) die Zeitpunkte, zu denen der Anfang, der Mittelpunkt und das Ende der Koagulationsphase erfolgt (tmin2, tmin1 bzw. tmax2); (2) die mittleren Steigungen für die Vor-Koagulationsphase und die Nach-Koagulationsphase (Steigung1 bzw. Steigung3) und die Steigung beim Mittelpunkt der Koagulation (min1, die Koagulations-„Geschwindigkeit" beim Reaktionsmittelpunkt, die zu Steigung2 analog ist); (3) Terme für die Koagulations-„Beschleunigung" und -„Verlangsamung" (min2 bzw. max2) und (4) die Größenordnung der Signalveränderung während der Koagulation (delta).
Drei verschiedene Sätze von Datenparametern wurden als Eingabe zum neuronalen Netz verwendet: (1) die neun Parameter von PT-Analysen, (2) die neun Parameter von APTT-Analysen und (3) die kombinierten Parameter der APTT- und PT-Analysen. Jede Einzelprobe wurde auf zwei Messgeräten doppelt ausgeführt, um insgesamt ungefähr 800 Parametersätze aus den 200 Einzelproben zu ergeben. Die Gesamtzahl variierte aufgrund von fehlenden Daten aus Gründen einer unzureichenden Probe, einem mechanischen Versagen oder nicht spezifizierten Versagen geringfügig. Die Datenparametersätze wurden willkürlich pro Einzelprobe in Trainings- und Vergleichsprüfungssätze unterteilt, wobei alle Kopien einer gegebenen Einzelprobe entweder im Vergleichsprüfungssatz oder im Trainingssatz gruppiert wurden. Dieselben Trainings- und Vergleichsprüfungssätze wurden in der gesamten vorliegenden Studie verwendet. Das Verfahren zum Training und zur Vergleichsprüfung der neuronalen „Back-Propagation"-Netze ist in Verbindung mit dem Beispiel 1 beschrieben worden. Jedes neuronale Netz wurde 1000 Epochen lang trainiert. Die Trainingsparameter waren: Lernrate: 0,01; Momentum: 0,5; Lerntoleranz: 0,10; Abfall: 0,05; Größe der Eingabeschicht: 18 (bzw. 9 für Einzelanalysen); Größe der verborgenen Schicht: 9 (bzw. 5 für Einzelanalysen) und Größe der Ausgabeschicht: 1. Es wurden drei Typen von Netzen trainiert. Diese beinhalteten Netze, die Einzelproben auf Grundlage eines einzigen diagnostischen Trennwerts („Cutoffs") als mit Mangel oder ohne Mangel klassifizierten; Sätze von Netzen, die diagnostische Trennwerte bei verschiedenen Niveaus desselben Faktors verwendeten, und Netze, die auf das Abschätzen der tatsächlichen Konzentration eines spezifischen Faktors trainiert waren.
Klassifizierung von Gerinnungsfaktormängeln auf Grundlage eines einzigen diagnostischen „Cutoff"-Niveaus
Im ersten Satz von Tests wurden neuronale Netze zum Klassifizieren von Plasmaproben in zwei Gruppen, positiv (Gerinnungsfaktormangel) und negativ (kein Mangel), trainiert und die Ergebnisse wurden mit der Klassifizierung auf Grundlage der gemessenen Gerinnungsfaktorkonzentration für die Einzelproben verglichen. Bei den meisten Tests wurde der diagnostische Trennwert („Cutoff") zum Definieren von Gerinnungsfaktormängeln auf 30 % festgesetzt; das heißt, dass Einzelproben mit einer gemessenen Konzentration von weniger als 30 % des Normalwerts für einen spezifischen Gerinnungsfaktor als einen Mangel aufweisend und jene mit einer Aktivität von mehr als 30 % als keinen Mangel aufweisend definiert wurden. Diese diagnostischen „Cutoff"-Niveaus wurden willkürlich definiert, basierten jedoch auf klinischen Anforderungen und der Reagenzempfindlichkeit. Die gewünschte Ausgabe von positiven Proben und negativen Proben wurde als „1" bzw. „0" definiert; die tatsächliche Ausgabe für jede Einzelprobe war ein Gleitkommawert, a, wobei 0 ≤ a ≤ 1. 22 zeigt die Zusammensetzung der Trainings- und Vergleichsprüfungssätze in Bezug auf jeden Gerinnungsfaktormangel. Die Klassifizierung von Einzelproben wurde bei variierenden „Entscheidungsgrenzen", die die Ausgaben des neuronalen Netzes in positive und negative Gruppen unterteilten, ausgewertet. Diese Positiv- oder Negativ-Klassifizierung wurde dann mit der gewünschten Ausgabe (der bekannten Klassifizierung) für jeden Eingabedatensatz verglichen. Die Ergebnisse wurden als nicht-parametrische „Receiver-Operating Characteristic"-Kurven (ROC-Kurven) aufgetragen und die Flächen unter den Kurven wurden zusammen mit deren zugeordneten Standardfehlern errechnet. Zum Vergleich wurden auch ROC-Kurven für APTT- und PT-Gerinnungszeitwerte abgeleitet. Datenpunkte auf den ROC-Kurven stehen für den Anteil von Wahr-Positiv- und Falsch-Positiv-Klassifizierungen bei verschiedenen Entscheidungsgrenzen. Optimale Ergebnisse werden erreicht, wenn der Wahr-Positiv-Anteil sich 1,0 und der Falsch-Positiv-Anteil sich 0,0 nähert (linke obere Ecke des Graphen). Die optimale pauschale Messung der ROC-Kurve ist eine Fläche von 1,0.
Klassifizierung von Gerinnungsfaktormängeln bei mehreren diagnostischen „Cutoff"-Niveaus
Ein zweiter Satz von Netzen wurde zur Klassifizierung von FX auf ähnliche Weise wie der erste Satz trainiert, mit der Ausnahme, dass das diagnostische „Cutoff"-Niveau variiert wurde (10 %, 30 % und 50 %). FX wurde für diesen Versuch gewählt, weil der Datensatz eine höhere Anzahl an positiven Proben bei allen „Cutoff"-Niveaus als von anderen Gerinnungsfaktoren enthielt.
Abschätzung der Gerinnungsfaktorkonzentration unter Verwendung von neuronalen Netzen
Es wurde ein dritter Satz von Netzen trainiert, um die tatsächlichen spezifischen Gerinnungsfaktoraktivitäten ( FII, FV, FVII, FVIII, FIX, FX, FXI und FXII) und Fibrinogenspiegel anhand von kombinierten PT- und APTT-Parametern von unbekannten Proben einzuschätzen. In diesen Fällen war die gewünschte Ausgabe der Trainings- und Vergleichsprüfungssätze die gemessene Aktivität eines spezifischen Faktors bei jeder Einzelprobe und die tatsächliche Ausgabe des neuronalen Netzes war eine vorausgesagte Konzentration dieser spezifischen Faktoraktivität. Die Koeffizienten linearer Rückgänge, die die gewünschten Ausgaben gegen die tatsächlichen Ausgaben des neuronalen Netzes für den Vergleichsprüfungssatz verwendeten, wurden zum Beschreiben der Leistung dieser Netze verwendet. Der Produktmomenten-Korrelationskoeffizient nach Pearson, r, wurde zum Abschätzen der Korrelation zwischen den zwei Datensätzen verwendet.
Klassifizierung von Gerinnungsfaktormängeln auf Grundlage eines einzigen diagnostischen „Cutoff"-Niveaus
Neuronale Netze wurden zum Klassifizieren von Proben als einen Mangel aufweisend (positives Ergebnis) und keinen Mangel aufweisend (negatives Ergebnis) für individuelle Plasmagerinnungsfaktoren trainiert, wobei ein Wert einer Aktivität von 30 % als diagnostischer Trennwert („Cutoff") zum Definieren von Mängeln verwendet wurde. Die Ergebnisse wurden mit „Receiver-Operating Characteristic"-Kurven (ROC-Kurven) graphisch betrachtet. Diese Graphen tragen den Wahr-Positiv-Anteil (Anzahl der erkannten „Positiven" geteilt durch die Gesamtzahl der Positiven) gegen den Falsch-Positiv-Anteil (Anzahl der fälschlicherweise als positiv diagnostizierten negativen Einzelproben geteilt durch die Gesamtzahl der „Negativen") auf. Eine ROC-Kurve wird durch Bestimmen des Wahr-Positiv- und des Falsch-Positiv-Anteils bei verschiedenen „Entscheidungsgrenzen" für den Diagnosetest erzeugt. Eine ROC-Auftragung für die Diagnose von FII-Mängeln unter Verwendung der PT-Gerinnungszeit beispielsweise wurde durch Variieren der Entscheidungsgrenze (Wert der PT-Gerinnungszeit) erzeugt, die zum Unterscheiden zwischen Einzelproben mit Mangel und Einzelproben ohne Mangel verwendet wurde. Wenn als Entscheidungsgrenze eine kurze Gerinnungszeit verwendet wird, können die meisten Einzelproben mit Mangel identifiziert werden; es kann jedoch auch ein erheblicher Anteil von Einzelproben ohne Mangel gekennzeichnet (markiert) sein („Falsch-Positive"). Wenn als Entscheidungsgrenze eine lange Gerinnungszeit verwendet wird, nimmt der Anteil an Falsch-Positiven ab; die Anzahl an Wahr-Positiv-Einzelproben, die nicht diagnostiziert werden, kann jedoch auch zunehmen. Unter idealen Bedingungen kann eine Entscheidungsgrenze anhand einer ROC-Kurve identifiziert werden, die einen sehr hohen Anteil an „Wahr-Positiven" und einen sehr geringen Anteil an „Falsch-Positiven" produziert. Dieser Zustand entspricht dem linken oberen Bereich der ROC-Auftragung. Zwei verwandte Ausdrücke, die häufig auf klinische Diagnosetests angewendet werden, sind „Empfindlichkeit" und „Spezifität". Empfindlichkeit bezieht sich auf die Fähigkeit zum Erkennen positiver Einzelproben und entspricht der Y-Achse der ROC-Auftragungen. Spezifität bezieht sich auf den Anteil an als negativ diagnostizierten Einzelproben, die korrekt identifiziert wurden. Die ROC-X-Achse ist gleich (1-Spezifität). Bei der visuellen Auswertung der ROC-Kurven handelt es sich um ein Verfahren, das zum Bewerten der Leistung der neuronalen Netze und zum Vergleichen dieser mit der Diagnosepotenz der PT- und APTT-Gerinnungszeiten angewendet wird. Ein weiteres Verfahren ist das Messen der Diagnoseleistung mittels Verwendung der Fläche unter den ROC-Kurven. Die Fläche unter der ROC-Kurve entspricht einer Abschätzung der Wahrscheinlichkeit, dass eine willkürlich ausgewählte positive Einzelprobe ein positiveres Ergebnis als eine willkürlich ausgewählte negative Einzelprobe aufweisen wird. Im Fall, dass ROC-Kurven einander überlappen, gewinnen die Form der Kurven als auch die Flächen unter ihnen an Bedeutung. Eine ROC-Kurve, die eine kleinere Fläche abgrenzt, kann einer überlappenden Kurve mit einer größeren Fläche vorgezogen werden, je nach der gewünschten Leistung bei einem gegebenen Diagnosesystem.
Die 14 – 21 zeigen ROC-Kurven für neuronale Netze, die zum Voraussagen von FII-, FV-, FVII-, FVIII, FIX-, FX-, FXI- und FXII-Mängeln anhand von PT-Parametern für sich, APTT-Parametern für sich oder kombinierten APTT- und PT-Parametern trainiert wurden. Zum Vergleich sind ROC-Auftragungen, die auf einer Klassifizierung unter Verwendung von APTT- und PT-Gerinnungszeiten basieren, eingebunden. 23 zeigt die Fläche unter diesen Kurven und deren zugeordnete Standardfehler.
Die Ergebnisse der Klassifizierung von FII-Mängeln sind in der 14 gezeigt. Die besten Ergebnisse wurden bei neuronalen Netzen, die APTT-Parameter für sich oder kombiniert mit PT-Parametern verwenden, beobachtet, wobei die Fläche unter den ROC-Kurven in beiden Fällen größer als 0,99 war (23). Die auf PT- oder APTT-Gerinnungszeiten basierende Klassifizierung oder die Klassifizierung anhand von neuronalen Netzen, die PT-Daten für sich verwenden, resultierte in einer weniger erfolgreichen Klassifizierung und einer verringerten Fläche unter den Kurven.
Die Ergebnisse der Klassifizierung von FV-Mängeln zeigten etwas andere Charakteristika (15 und 23). Die besten Ergebnisse wurden bei der Klassifizierung anhand eines neuronalen Netzes, das APTT-Datenparameter verwendet, auf Grundlage einer visuellen Betrachtung und der Fläche unter der ROC-Kurve, beobachtet. Anhand von neuronalen Netzen, die PT-Datenparameter für sich oder kombiniert mit APTT-Daten verwenden, und anhand der PT-Gerinnungszeit wurde eine weniger erfolgreiche Klassifizierung erzielt, wie mittels der Flächen unter den ROC-Kurven beurteilt wurde. Die auf der PT-Gerinnungszeit basierende Klassifizierung unterschied sich jedoch qualitativ von neuronalen Netzen, die PT-Daten verwenden, und tendierte mehr in Richtung einer höheren Empfindlichkeit als einer Spezifität. Diese Musterart wurde bei der Klassifizierung von mehreren Gerinnungsfaktoren, insbesondere den Gerinnungsfaktoren VIII, X und XI, beobachtet. In Situationen, in denen einander überlappende ROC-Kurven erhalten wurden, gewinnen die Berücksichtigung des relativen Werts der Spezifität und der Empfindlichkeit als auch der Fläche unter den ROC-Kurven beim Vergleichen von Diagnoseergebnissen an Bedeutung.
Bei mehreren dieser Plasmagerinnungsfaktoren, einschließlich FV, FVIII, FIX, FX, FXI und FXII (15, 17, 18, 19, 20 und 21), schien es möglich zu sein, aus neuronalen Netzen, die PT-, APTT- oder kombinierte Parametern verwenden, einen mäßig hohen Wahr-Positiv-Anteil (> 0,6) bei gleichzeitigem Aufrechterhalten eines geringen Falsch-Positiv-Anteils (< 0,1) zu erhalten. Dies entspricht einer Situation, in der ein erheblicher Anteil an Einzelproben mit Mangen nicht erkannt wird (mäßige Empfindlichkeit), aber jene, die erkannt wurden, korrekt als einen Mangel dieses spezifischen Faktors aufweisend klassifiziert werden (hohe Spezifität). Dahingegen war es bei Verwendung von PT- oder APTT-Gerinnungszeiten bei den meisten Gerinnungsfaktoren möglich, die Entscheidungsgrenzen anzupassen, um die meisten Mängel (sich 1,0 nähernder Wahr-Positiv-Anteil, hohe Empfindlichkeit) zu identifizieren, allerdings bei einer relativ hohen Rate von „Falsch-Positiven" (geringe Spezifität). Dies entspricht einer Situation, in der die meisten oder alle Einzelproben mit Mangel erkannt werden, der spezifische Gerinnungsfaktormangel jedoch häufig nicht korrekt identifiziert wird. Das erste Szenario, das mäßige oder hohe Wahr-Positiv-Raten mit sehr geringen Falsch-Positiv-Raten umfasste, kann im in der 13 gezeigten Diagnoseschema bevorzugt sein.
Bei den Gerinnungsfaktoren II, V, IX und XII schien es, dass eine geeignete Wahl eines neuronalen Netzes die beste Diagnoseleistung erbrachte, wie mittels der Fläche unter den Kurven beurteilt wurde. Bei den Gerinnungsfaktoren VIII, X und XI waren neuronale Netze der auf Gerinnungszeiten basierenden Diagnose nicht sichtbar überlegen, wenn die Flächen unter den ROC-Kurven den einzigen Gesichtspunkt darstellten; neuronale Netze für diese Gerinnungsfaktoren lieferten jedoch eine bessere Spezifität. Bei einem Gerinnungsfaktor (FVII, 16) war die Klassifizierung des neuronalen Netzes zumindest in diesem Testsystem weniger effektiv als bei anderen Gerinnungsfaktoren.
Die Leistung von Netzen, die Datenparameter von PT- oder APTT-Analysen für sich oder in Kombination verwenden, variierte bei verschiedenen Gerinnungsfaktoren. Bei den Gerinnungsfaktoren VIII und XII wurde die beste Leistung (erheblich größere Fläche mit keiner Überlappung) beobachtet, wenn die kombinierten Sätze von APTT/PT-Datenparametern verwendet wurden. Bei mehreren anderen Gerinnungsfaktoren lieferte die Verwendung eines einzigen Parametersatzes Ergebnisse, die mit den kombinierten APTT- und PT-Parametern vergleichbar oder besser als diese waren. Ein Netz, das nur APTT-Datenparameter (APTT NN) verwendet, war einem Netz, das kombinierte APTT/PT-Daten (APTT-PT NN) verwendet, bei FII und FX gleichwertig (ähnliche Fläche) und bei FV überlegen (größere Fläche und keine Überlappung). Netze, die nur PT-Parameter verwenden, lieferten Ergebnisse, die mit den kombinierten Parametern bei der FV-Klassifizierung vergleichbar (ähnliche Fläche) und bei der FIX-Klassifizierung besser (größere Fläche und unwesentliche Überlappung) waren.
Die Daten für falsch klassifizierte positive Einzelproben wurden genauer untersucht. Falsch klassifizierte positive Einzelproben wurden in mehreren Kategorien angehäuft: 1) Einzelproben mit APTT- und PT-Ergebnissen mit „keinen Gerinnseln" (Einzelproben mit äußerst verlängerter oder sehr schwacher Koagulationsreaktion, für die keine Gerinnungszeit verlässlich berechnet werden kann); 2) Einzelproben mit mehreren Mängeln oder Abnormitäten; 3) Einzelproben mit Grenzmängeln (Gerinnungsfaktoraktivität etwas geringer als der diagnostische Trennwert („Cutoff") von 30 %) und 4) Einzelproben mit atypisch steiler Steigung während der Vor-Koagulationsphase bei APTT-Analysen, die nicht für andere Einzelproben derselben Klassifizierung charakteristisch waren (FX-Mängel wurden bei zwei Einzelproben, die dieses Charakteristikum aufzeigten, mit FX-Aktivitäten von 26,8 % bzw. 16,8 % nicht erkannt).
Klassifizierung von Gerinnungsfaktormängeln bei mehreren diagnostischen „Cutoff"-Niveaus
Die Fähigkeit von neuronalen Netzen, Einzelproben mit einem FX-Mangel zu klassifizieren, wurde mit variierenden diagnostischen Trennwerten(„Cutoffs") getestet. Die Flächen unter den ROC-Kurven für „Cutoff"-Niveaus bei einer FX-Aktivität von 10 %, 30 % und 50 % sind in der 24 gezeigt. Die Ergebnisse zeigen an, dass eine zunehmend schlechtere Klassifizierung (wie sich durch kleinere Flächen unter den ROC-Kurven zeigte) beobachtet wurde, wenn höhere „Cutoff"-Niveaus verwendet wurden. Dies traf auf die auf neuronalen Netzen oder PT-Gerinnungszeiten basierende Klassifizierung zu.
Abschätzung der Gerinnungsfaktorkonzentration durch neuronale Netze
Es wurden ebenfalls neuronale Netze trainiert, um die tatsächlichen Proteinkonzentrationen (im Gegensatz zur Positiv/Negativ-Klassifizierung bei einem definierten Trennwert) für FII, FV, FVII, FVIII, FIX, FX, FXI, FXII und Fibrinogen abzuschätzen. Die linearen Korrelationskoeffizienten für die abgeschätzten und gemessenen Konzentrationen sind in der 25 für alle Versuche gezeigt und Auftragungen der Korrelationsdaten sind in der 26 für Fibrinogen und in der 27 für FX gezeigt. Die Korrelationsdaten zwischen der PT- und APTT-Gerinnungszeit und den gemessenen Konzentrationen sind ebenfalls zum Vergleich in der 25 gezeigt.
Beispiel: Selbstorganisierende Merkmalskarten
Neuronale Netze, die selbstorganisierende Merkmalskarten und Lernvektorquantisierung verwenden, wurden zum Analysieren von optischen Daten aus klinischen Koagulationstests eingesetzt. Selbstorganisierende Merkmalskarten, die einen nicht überwachten Lernalgorithmus anwenden, wurden mit Daten von normalen Spendern, Patienten mit abnormen Spiegeln von Koagulationsproteinen und Patienten, die einer Antikoagulans-Therapie unterzogen wurden, trainiert. Einzelprobenkategorien waren in diesen Karten durch variierende Auflösungsgrade unterscheidbar. Ein überwachtes Verfahren mit einem neuronalen Netz, die Lernvektorquantisierung, wurde zum Trainieren der Karten auf die Klassifizierung von Koagulationsdaten verwendet. Diese Netze zeigten eine Empfindlichkeit von mehr als 0,6 und eine Spezifität von mehr als 0,85 beim Nachweis mehrerer Gerinnungsfaktormängel und von Heparin.
Ein alternativer Ansatz zum Analysieren von PT- und APTT-Daten mit künstlichen neuronalen Netzen (wie im Beispiel 1 dargelegt ist) besteht darin, selbstorganisierende Merkmalskarten zu verwenden. Selbstorganisierende Merkmalskarten enthalten lediglich Schichten von Eingabe- und Ausgabeneuronen und keine verborgenen Schichten. Das Training basiert auf konkurrierendem Lernen, wobei Ausgabeneuronen miteinander um ihre Aktivierung konkurrieren und nur ein Ausgabeneuron für einen beliebigen gegebenen Satz von Eingaben aktiviert wird. Ausgabeneuronen werden selektiv auf bestimmte Eingabemuster abgestimmt und Daten mit ähnlichen Merkmalen tendieren dazu, räumlich zusammen gruppiert zu werden. Diese Art von neuronalem Netz kann entweder einen nicht überwachten oder überwachten Lernalgorithmus verwenden. Wenn ein nicht überwachtes Verfahren verwendet wird, wie beispielsweise der SOM-Algorithmus (SOM = self-organizing map, selbstorganisierende Karte), werden dem Netz während des Trainings nicht identifizierte Eingabemuster dargeboten und bei der Ausgabe für jedes Eingabemuster handelt es sich um die Koordinaten des siegreichen Neurons in der Ausgabeschicht bzw. Karte. Wenn ein überwachtes Verfahren verwendet wird, wie beispielsweise die Lernvektorquantisierung (LVQ), werden dem Netz während des Trainings Eingabemuster zusammen mit der Klassifizierung einer bekannten Probe dargeboten und bei der Ausgabe handelt es sich um eine einzigartige vorausgesagte Klassifizierung. Das LVQ-Verfahren ist der SOM ähnlich, mit der Ausnahme, dass die Karte in Klassen unterteilt wird und der Algorithmus versucht, Ausgaben von den Grenzen zwischen diesen Klassen wegzubewegen.
MDA Simplastin L (PT-Reagenz), MDA Platelin L (APTT-Reagenz) und andere Reagenzien wurden von Organon Teknika Corporation, Durham, NC 27712, USA, bezogen, sofern nicht anders angegeben. Plasmas mit einem Gerinnungsfaktormangel für Gerinnungsfaktoranalysen wurden von Organon Teknika und George King Bio-Medical Corporation, Overland Park, Kansas 66210, USA, bezogen. Weitere Plasmas mit einem Gerinnungsfaktormangel wurden von HRF, Raleigh, NC 27612, USA, bezogen. Willkürliche Proben, Einzelproben von Patienten, die Heparin oder eine oral verabreichte Antikoagulans-Therapie erhielten, und andere Einzelproben wurden vom Duke University Medical Center Coagulation Laboratory bezogen.
Alle Tests wurden auf MDA 180-Koagulationsanalysatoren (Organon Teknika) ausgeführt. Optische Messungen für PT- und APTT-Analysen wurden bei einer Wellenlänge von 580 nm vorgenommen. Plasmaeinzelproben (n = 200) beinhalteten normale Patienten, Patienten mit einer Vielfalt von Mängeln und Patienten, die einer Heparin-Therapie oder einer anderen Antikoagulans-Therapie unterzogen wurden. An jeder Einzelprobe wurden mit zwei MDA 180-Geräten APTT- und PT-Analysen-Dubletten ausgeführt, um insgesamt ungefähr 800 Parametersätze aus den 200 Einzelproben zu ergeben. Die Gesamtzahl variierte aufgrund von fehlenden Daten aus Gründen einer unzureichenden Probe, einem mechanischen Versagen oder nicht spezifizierten Versagen geringfügig. Diese Einzelproben wurden außerdem zum Bestimmen der Konzentration von Gerinnungsfaktoren (FII, FV, FVII, FVIII, FIX, FX, FXI, FXII), Heparin und Fibrinogen getestet. Der diagnostische Trennwert („Cutoff") zum Definieren von Gerinnungsfaktormängeln wurde auf 30 % festgesetzt; das heißt, dass Einzelproben mit einer gemessenen Konzentration von weniger als 30 % des Normalwerts für einen spezifischen Gerinnungsfaktor als einen Mangel aufweisend und jene mit einer Aktivität von mehr als 30 % als keinen Mangel aufweisend definiert wurden. Die Proben wurden als positiv in Bezug auf Heparin definiert, wenn die gemessene Heparin-Konzentration mehr als 0,05 IE/ml betrug.
Verarbeitung optischer Daten
Dateien optischer Profildaten wurden aus den MDA 180- Geräten exportiert und offline verarbeitet. Es wurde ein Satz von neun Parametern abgeleitet, um die Taktgebung, die Rate und die Größenordnung von Koagulationsereignissen für PT- und APTT-Tests zu beschreiben, wie zuvor beschrieben wurde. Bei diesem Ansatz wurden die optischen Daten für eine PT- oder APTT-Rnalyse unter Verwendung von auf dem Mindestwert und dem Höchstwert der zweiten Ableitung für Änderungen des optischen Signals in Bezug auf die Zeit basierenden Aufteilungen in drei Segmente unterteilt (ein Vor-Koagulationssegment, ein Koagulationssegment und ein Nach-Koagulationssegment). Die Parameter beinhalteten: (1) die Zeitpunkte, zu denen der Anfang, der Mittelpunkt und das Ende der Koagulationsphase erfolgt; (2) die mittleren Steigungen für die Vor-Koagulationsphase und die Nach-Koagulationsphase und die Steigung beim Mittelpunkt der Koagulation; (3) Terme für die Koagulations-„Beschleunigung" und -„Verlangsamung" und (4) die Größenordnung der Signalveränderung während der Koagulation.
Algorithmus einer selbstorganisierenden Karte (SOM-Algorithmus)
Ein neuronales Netz mit selbstorganisierender Merkmalskarte besteht aus Eingabe- und Ausgabeschichten von Neuronen. Der SOM-Algorithmus (SOM = self-organizing map, selbstorganisierende Karte) wandelt einen Eingabevektor (einen Satz von Datenparametern aus optischen PT- oder APTT-Daten für einen einzigen Test) in ein individuelles Ausgabeneuron um, dessen Position in der Ausgabeschicht bzw. Karte den Merkmalen der Eingabedaten entspricht. Diese Merkmale tendieren dazu, in der Karte räumlich korreliert zu sein. Der SOM-Lernprozess weist fünf Schritte auf:

1. Einzigartige Gewichtungsvektoren w_j(0) werden willkürlich ausgewählt.
2. Eine Probe aus dem Trainingssatz wird ausgewählt.
3. Das am Besten passende siegreiche Neuron i(x) zur Zeit n wird unter Verwendung des euklidischen Mindestdistanz-Kriteriums identifiziert.
4. Die Gewichtungsvektoren aller Neuronen werden mit der Formel aktualisiert, wobei α(n) der Lernratenparameter und N_c(n) die Umgebungsfunktion ist, die um das siegreiche Neuron i(x) herum zentriert ist; sowohl α(n) als auch N_c(n) variieren während des Trainings dynamisch.
5. Die Schritte 2 bis 4 werden wiederholt, bis die Karte ein Gleichgewicht erreicht.

Die SOM-Tests wurden mit dem vom Helsinki University of Technology, Laboratory of Computer Sciences, erhältlichen „Self-Organizing Map Program Package" (SOM PAK) ausgeführt. Es wurden zwei verschiedene Sätze von Parametern als Eingabe zu den SOMs verwendet: (1) die neun Parameter einer PT-Analyse und (2) die neun Parameter der APTT-Analyse. Alle Datensätze (786) wurden zum Trainieren der SOMs verwendet. Eine 10×10-Karte wurde unter Verwendung einer hexagonalen Umgebung in zwei Stufen trainiert. In der ersten Stufe wurde die Karte 1000 Epochen lang (eine Epoche ist ein Zyklus durch alle Datensätze) mit einem anfänglichen Lernratenparameter von 0,5 (der während des Trainings linear auf Null abnimmt) und einem Umgebungsradius von 10 (der während des Trainings linear auf 1 abnimmt) trainiert. In der zweiten Stufe wurde die Karte 10.000 Epochen lang unter Verwendung eines Lernratenparameters von 0,1 und eines Radius von 3 trainiert.
Lernvektorquantisierung
Bei der Lernvektorquantisierung (LVQ) handelt es sich um einen überwachten Lernalgorithmus, der oft zum Feinabstimmen selbstorganisierender Merkmalskarten verwendet wird, um diese in der Rolle eines Musterklassifizierers zu verwenden. Die Klassifizierungsgenauigkeit der Karte wird durch Wegziehen der Gewichtungsvektoren von den Entscheidungsoberflächen, die die Klassengrenzen in der topologischen Karte abgrenzen, verbessert. Es gibt mehrere Variationen des LVQ-Algorithmus; der hier verwendete wird als LVQ1 bezeichnet. Der Lernprozess ist dem oben beschriebenen SOM-Algorithmus ähnlich, mit der Ausnahme, dass bekannte Probenklassifizierungen einbezogen werden, wenn die Gewichtungsvektoren aktualisiert werden (Schritt 4):

1. Anfängliche Gewichtungsvektoren w_j(0) werden willkürlich ausgewählt.
2. Eine Probe aus dem Trainingssatz mit einer bekannten Klassifizierung wird ausgewählt.
3. Das am Besten passende siegreiche Neuron i(x) zur Zeit n wird unter Verwendung des euklidischen Mindestdistanz-Kriteriums i(x) = arg min{∥x(n) – w_j(n)∥} identifiziert.
4. Die Gewichtungsvektoren aller Neuronen werden mit der Formel
aktualisiert, wobei C_wi die dem Vektor W_i zugeordnete Klasse und C_X die dem Eingabevektor x zugeordnete Klasse ist.
5. Die Schritte 2 bis 4 werden wiederholt, bis die Karte ein Gleichgewicht erreicht.

Die LVQ-Tests wurden mit dem „Vector Quantization Program Package" (LVQ-PAK), das ebenfalls vom Helsinki University of Technology, Laboratory of Computer Sciences, erhältlich ist, ausgeführt. Für die LVQ-Netze wurden die Sätze von Parametern der APTT-Analyse oder der PT-Analysen verwendet. Die Datenparametersätze wurden willkürlich pro Einzelprobe in Trainings- und Vergleichsprüfungssätze unterteilt, wobei alle Kopien einer gegebenen Einzelprobe entweder im Vergleichsprüfungssatz oder im Trainingssatz gruppiert wurden. Dieselben Trainings- und Vergleichsprüfungssätze wurden in der gesamten vorliegenden Studie verwendet. Die LVQ-Netze wurden auf das Klassifizieren von Plasmaproben in zwei Kategorien, positiv (Einzelproben mit einem Gerinnungsfaktormangel oder Einzelproben von Patienten, die einer Antikoagulans-Therapie unterzogen wurden) und negativ (kein Mangel oder keine Antikoagulans-Therapie), trainiert und die Ergebnisse wurden mit der auf der gemessenen Gerinnungsfaktorkonzentration oder dem therapeutischen Zustand basierenden Klassifizierung für die Einzelproben verglichen. Das LVQ-Training wurde unter Verwendung von 200 Gewichtungsvektoren, 10.000 Epochen, einem anfänglichen Lernratenparameter von 0,5 (der linear auf 0 abnimmt) und 7 in der knn-Klassifizierung verwendeten Nachbarn ausgeführt.
Die LVQ-Netze wurden unter Verwendung der Empfindlichkeit (dem Anteil der bekannten positiven Einzelproben, die vom Netz korrekt als positiv klassifiziert wurden), der Spezifität (dem Anteil der bekannten negativen Einzelproben, die vom Netz korrekt als negativ klassifiziert wurden), des positiven Prädiktionswerts (PPW), des negativen Prädiktionswerts (NPW) und der Effizienz bewertet. Diese Terme sind im Folgenden definiert, wobei WP, WN, FP und FN den Klassifizierungen Wahr-Positiv, Wahr-Negativ, Falsch-Positiv bzw. Falsch-Negativ entsprechen.
Algorithmus einer selbstorganisierenden Karte (SOM-Algorithmus)
Selbstorganisierende Merkmalskarten wurden unter Verwendung von optischen Datenparametern aus entweder PT- oder APTT-Daten für 200 Einzelproben als Eingabe trainiert. Die Netzausgabe bestand aus Kartenkoordinaten für jede Einzelprobe. Es wurden Konturenauftragungen für sechs Kategorien bekannter Einzelprobenklassifizierungen konstruiert: normale Spender, Einzelproben mit Heparin > 0,05 IE/ml, Fibrinogen > 600 mg/dl, Fibrinogen < 200 mg/dl, Patienten, die Antikoagulantien oral erhielten, und Einzelproben mit Gerinnungsfaktormangel (Einzelproben mit < 30 % normaler Aktivität gegenüber FII, FV, FVII, FVIII, FIX, FX, FXI oder FXII). Diese Konturenauftragungen stellen die Verteilung von Einzelproben innerhalb einer Kategorie gemäß ihrer Kartenkoordinaten bildlich dar.
28: Konturenauftragungen für Populationen von Proben, die beim Training einer selbstorganisierenden Merkmalskarte unter Verwendung des nicht überwachten Trainingsverfahrens SOM auf Grundlage von Daten aus APTT-Analysen angewendet wurden. Zum Trainieren dieser selbstorganisierenden Merkmalskarte wurden optische Datenparameter aus 765 APTT-Analysen verwendet. Die schattierten Bereiche stellen die Verteilung der Ausgabeneuronen für spezifische Einzelprobenpopulationen in der Merkmalskarte dar. Jede Konturenlinie stellt eine schrittweise Stufe eines Testergebnisses dar, die sich bei einem gegebenen Satz von Kartenkoordinaten befindet.
28 zeigt SOM-Konturenauftragungen, die von optischen APTT-Daten abgeleitet wurden, für die sechs Einzelprobenkategorien. Einzelproben, die geringes Fibrinogen und hohes Fibrinogen enthalten, wurden an entgegengesetzten Randbereichen der SOM ohne Überlappung klassifiziert. Normale Populationen zeigten etwas Überlappung bei den Kategorien mit geringem Fibrinogen, Gerinnungsfaktormangel und oral verabreichtem Antikoagulans. Die Überlappung zwischen normalen Einzelproben und Kanten der Populationen mit hohem und geringem Fibrinogen kommt erwartet, da ein gewisser Anteil von gesunden Spendern Fibrinogenspiegel aufweist, die niedriger oder höher als normal sind. Die Überlappung zwischen der Kartierung von normalen Einzelproben und Plasmas mit Gerinnungsfaktormangel ist ebenfalls keine Überraschung, da APTT-Tests gegenüber einigen Gerinnungsfaktormängeln (jedoch nicht anderen) empfindlich sind, wohingegen PT-Analysen gegenüber einem separaten Teilsatz von Gerinnungsfaktormängeln empfindlich sind. Die Kategorie mit geringem Fibrinogen tendierte zum Überlappen der Kategorie mit Gerinnungsfaktormangel, was mit unserer Beobachtung übereinstimmte, dass viele Einzelproben mit Gerinnungsfaktormangel ebenfalls verminderte Fibrinogenspiegel aufwiesen. Die Kategorie mit Heparin tendierte zum Überlappen der Kategorie mit hohem Fibrinogen, was wiederum mit den für diese Einzelproben gemessenen Spiegeln von Fibrinogen konsistent war. Geringe oder keine Überlappung wurde zwischen normalen Einzelproben und Heparin enthaltenden Einzelproben beobachtet.
Einzelproben von Patienten, die eine oral verabreichte Antikoagulans-Therapie erhielten, zeigten eine signifikante Überlappung mit sowohl normalen als auch Heparin-Populationen. Dies ist mit bekannten Eigenschaften von APTT-Analysen konsistent, die gegenüber Heparin-Therapie empfindlich, gegenüber oral verabreichter Antikoagulans-Therapie jedoch relativ unempfindlich sind.
29: Konturenauftragungen für Populationen von Proben, die beim Training einer selbstorganisierenden Merkmalskarte unter Verwendung des nicht überwachten Trainingsverfahrens SOM auf Grundlage von optischen Daten aus 765 PT-Analysen angewendet wurden. Versuchsdetails sind wie im Abschnitt „Materialien und Verfahren" und in der 28 beschrieben.
Konturenauftragungen für mit PT-Daten trainierte selbstorganisierende Merkmalskarten sind in der 29 gezeigt. Die Ergebnisse sind den Karten aus APTT-Daten in mehreren Punkten ähnlich: (1) hohes und geringes Fibrinogen wurden an entgegengesetzten Seiten der Karte gut aufgelöst; (2) normale Einzelproben wurden in einer Region lokalisiert, die Einzelproben mit geringem Fibrinogen geringfügig überlappte; (3) Einzelproben mit Gerinnungsfaktormangel wurde zwischen sich nicht überlappenden Regionen und Regionen, die Populationen mit geringem Fibrinogen und normale Populationen überlappten, verteilt. Die Überlappung war mit dem für einige Einzelproben gemessenen Fibrinogen und in anderen Fällen mit der schlechten Empfindlichkeit von PT-Reagenzien gegenüber einigen Gerinnungsfaktormängeln konsistent; (4) Einzelproben mit oral verabreichtem Antikoagulans zeigten eine gewisse Überlappung mit sowohl normalen als auch Heparin-Populationen und (5) die heparinisierte Population war über einen großen Teil der Karte verteilt. Die Überlappung zwischen heparinisierten Einzelproben und Populationen mit hohem Fibrinogen war mit gemessenen Fibrinogenspiegeln konsistent. Die Auflösung der Heparin-Population war etwas überraschend, wenn man berücksichtigt, dass PT-Reagenzien gegenüber Heparin relativ unempfindlich sind.
Diese Ergebnisse zeigen auf, dass selbstorganisierende Merkmalskarten selbst dann zwischen Unterschieden der optischen Datenparameter aus APTT- und PT-Analysen unterscheiden können, wenn dem neuronalen Netz keine Informationen bezüglich der Einzelprobendiagnose dargeboten werden. Die Auflösung von Einzelprobenpopulationen war variabel in Abhängigkeit von den Eigenschaften und Empfindlichkeiten des Reagenzes und davon, ob Einzelproben einzig zu einer gegebenen Kategorie oder zu mehreren überlappenden Kategorien gehörten.
Lernvektorquantisierung
Achtzehn LVQ-Netze wurden zur Prädiktion des Vorhandenseins oder der Abwesenheit eines spezifischen Gerinnungsfaktormangels oder eines therapeutischen Zustands anhand von optischen APTT- oder PT-Daten trainiert. Die Ergebnisse für die Vergleichsprüfungsdaten sind in der 30 zusammengefasst. Vorherige Studien kamen zum Ergebnis, dass neuronale „Back-Propagation"-Netze unter Verwendung einer geeigneten Auswahl von PT- und APTT-Daten, separat oder in Kombination, zu einer Empfindlichkeit von > 0,6 bei gleichzeitigem Aufrechterhalten einer Spezifität von > 0,9 für alle Gerinnungsfaktoren außer FVII in der Lage waren. In dieser Studie ergaben APTT-Daten verwendende LVQ-Netze für die Gerinnungsfaktoren II, X, XI und XII und Heparin eine Empfindlichkeit von > 0,6 mit einer Spezifität von > 0,85. PT-Daten verwendende LVQ-Netze konnten bei den Gerinnungsfaktoren II, X und XI und Heparin eine Empfindlichkeit von > 0,6 bei Aufrechterhaltung einer Spezifität von > 0,85 erzielen (30). Die Ergebnisse von LVQ-Netzen zeigten weniger Empfindlichkeit gegenüber der Prädiktion von FVII-Mängeln, was mit den Ergebnissen von „Back-Propagation"-Netzen konsistent war. Bei FV, FVIII und FIX war die Empfindlichkeit gegenüber der Prädiktion von Mängeln anhand von LVQ-Vergleichsprüfungssätzen im Allgemeinen geringer (< 0,35) als bei den Gerinnungsfaktoren II, X, XI und XII.
Beispiel: Hämostatische Dysfunktion (z. B. disseminierte intravaskuläre Gerinnung (Disseminated Intravascular Coagulation, DIC))
In einer weiteren Ausführungsform der Erfindung kann nicht nur eine bestimmte Abnormität (hämostatische Dysfunktion) nachgewiesen werden, sondern darüber hinaus das Fortschreiten der Erkrankung in einem einzigen Patienten überwacht werden. Bei hämostatischer Dysfunktion, so wie sie hierin verwendet wird, handelt es sich um die Aktivierung der Koagulation vor dem Einsetzen der Gerinnselbildung, was in einer biphasischen Wellenform resultiert.
Die Prognose von disseminierter intravaskulärer Gerinnung (Disseminated Intravascular Coagulation, DIC – eine Art von hämostatischer Dysfunktion) wurde durch das Fehlen eines Markers für die Frühdiagnose, der nützlich und schnell verfügbar ist, erschwert. Die Erfindung hat sich nicht nur als ein einzelner Marker zur Frühdiagnose und Überwachung von DIC von Nutzen herausgestellt, sondern die quantifizierbaren und normierbaren Änderungen ermöglichen darüber hinaus die Anwendbarkeit in der Prognose bei der klinischen Handhabung.
Bei disseminierter intravaskulärer Gerinnung (Disseminated Intravascular Coagulation, DIC) handelt es sich um eine sekundäre Reaktion auf eine vorher bestehende Pathologie, wodurch die hämostatische Reaktion gestört und im Gegensatz zu fokussierten Ereignissen normaler Hämostase disseminiert wird. Trotz Verbesserungen sowohl bei der Handhabung der Intensivtherapie von Patienten als auch unseres Grundlagewissens bezüglich hämostatischer Mechanismen der DIC ist das Überleben in dieser Patientengruppe noch immer sehr entmutigend. Die Umsetzung von aggressiver Therapie, die auf das Verhindern oder Auslöschen der primären Pathologie als der Quelle des auslösenden Stimulus abzielt, ist bei der Handhabung dieser Komplikation wesentlich. Praktisch gesehen besteht das Problem jedoch weiterhin in der frühen Identifikation von DIC, um eine sofortige und angemessene Intervention zu erleichtern. Obwohl das dem klinischen Versuchsleiter zur Verfügung stehende technologische Arsenal sich enorm vergrößert hat, schließt das Tempo akuter DIC die meisten der spezifischeren Tests aus und es wird noch immer in herkömmliche Screeningtests, wie beispielsweise das Prothrombin (PT), die aktivierte partielle Thromboplastinzeit (activated partial thromboplastin time, APTT) und die Blutplättchenzahl, Vertrauen gesetzt. Diesen Tests fehlt es an Spezifität auf einer individuellen Basis und sie sind nur dann bei der DIC von Nutzen, wenn sie zu weiteren Bestimmungen von Fibrinogen und Fibrin-Abbauprodukten/D-Dimeren führen. Änderungen dieser Parameter können jedoch möglicherweise nicht alle zur selben Zeit erfolgen und daher sind häufig Reihentests erforderlich, die unweigerlich zu einer Verzögerung der Diagnose und der klinisch dienlichen Intervention führt.
Das normale s-förmige Erscheinungsbild einer APTT-TW (TW = transmittance waveform, Übertragungswellenform) verändert sich in DIC-Patienten zu einem „biphasischen" Erscheinungsbild. Dies stellt einen Verlust im Plateau einer normalen APTT-TW bei Entwicklung einer anfänglichen Steigung mit einem geringen Gradienten, gefolgt von einer wesentlich steileren Steigung dar (32a und 32b). Darüber hinaus kann dieses biphasische Muster selbst dann erkannt werden, wenn das Ergebnis der APTT-Gerinnungszeit normal ist.
Frisch abgenommene Blutproben, die eine PT oder eine APTT erforderten, wurden vorausblickend über einen Arbeitszeitraum von zwei Wochen analysiert. Sie befanden sich in 0,105 M Trinatriumcitrat im Verhältnis von 1 Teil Antikoagulans zu 9 Teilen Vollblut und das an Blutplättchen arme Plasma wurde auf dem MDA (Multichannel Discrete Analyzer) 180, einem automatisierten Analysator zum Durchführen klinischer Labor-Koagulationsanalysen, unter Verwendung eines optischen Erkennungssystems (Organon Teknika Corporation, Durham, NC, USA) analysiert. Darüber hinaus wurde zum Ableiten der Gerinnungszeiten für sowohl PT (normal 11,2 – 15 s) unter Verwendung von MDA Simplastin LS als auch APTT (normal 23 – 35 s) unter Verwendung von MDA Platelin LS mit 0,025 M Calciumchlorid (Organon Teknika Corporation, USA) jedes Mal eine Analyse der TW für die APTT bei einer Wellenlänge von 580 nm durchgeführt. Um das visuelle Profil zu quantifizieren, wurde der Umfang an Lichtübertragung zu 25 Sekunden aufgezeichnet. Eine normale Wellenform hat eine Lichtübertragung von 100 %, die auf dem Analysator und in der 32a ohne das Dezimalkomma als 10000 dargestellt ist. Dementsprechend wird eine biphasische Änderung eine verminderte Lichtübertragung von weniger als 10000 aufweisen. Abfallende Niveaus der Lichtübertragung korrelieren demzufolge direkt mit einer ansteigenden Steilheit der biphasischen Steigung. Die Aufzeichnung der Lichtübertragung zu 25 Sekunden ermöglicht außerdem die Normierung zwischen Patienten und beim selben Patienten mit der Zeit. Wenn stattdessen das Mindestniveau der Lichtübertragung für jede Probe verwendet werden würde, würde dieses durch Variationen der Gerinnungszeit des APTT beeinträchtigt werden und wäre somit für Vergleiche nicht ideal.
Um sicherzustellen, dass keine Fälle von DIC übersehen wurden, wurden die folgenden Kriterien befolgt. Wenn (a) eine abnorme biphasische TW angetroffen wurde oder (b) ein spezifischer DIC-Screen angefordert wurde oder (c) eine Verlängerung entweder der PT oder der APTT in Abwesenheit einer offensichtlichen Anticoagulans-Therapie vorlag, wurde ein kompletter DIC-Screen durchgeführt. Dieser beinhaltete weiterhin die Thrombinzeit (thrombin time, TT) (normal 10,5 – 15,5 Sekunden), das Fibrinogen (Fgn) (normal 1,5 – 3,8 g/l) und die Abschätzung der D-Dimer-Spiegel (normal < 0,5 mg/l) auf dem Nyocard D-Dimer (Nycomed Pharma AS, Oslo, Norwegen). Es wurden zur selben Zeit an einer EDTA-Probe durchgeführte Zählungen der Blutplättchen (platelet counts, Plt) (normal 150 – 400 · 10⁹/l) aufgezeichnet. Darüber hinaus wurden bei jedem Patienten mit einer biphasischen TW oder Koagulationsabnormitäten, die mit DIC übereinstimmten, die klinischen Details vollständig aufgeklärt.
Die Diagnose von DIC war im Zusammenhang von sowohl Labor- als auch klinischen Befunden strikt auf mindestens 2 Abnormitäten in den Screeningtests (erhöhte PT, erhöhte APTT, vermindertes Fgn, erhöhte TT oder verminderter Plt) plus des Befundes eines erhöhten D-Dimer-Spiegels (> 0,5 mg/l) in Verbindung mit einem primären Zustand, der in der Pathogenese von DIC anerkannt ist, definiert. Bei diesen Patienten standen außerdem Reihenscreeningtests, um das Fortschreiten und die Bestätigung der Diagnose von DIC zu erfassen, als auch eine direkte klinische Auswertung und Handhabung zur Verfügung. Zur statistischen Analyse wurden die Werte der Empfindlichkeit, Spezifität und der positiven und negativen Prädiktion der APTT-TW für die Diagnose von DIC unter Einsatz einer Zwei-zu-Zwei-Tabelle berechnet. Konfidenzintervalle (confidence intervals, CI) von 95 wurden durch die exakte binomische Methode berechnet.
Es wurden insgesamt 1470 Proben analysiert. Diese stammten von 747 Patienten. 174 Proben (11,9 %) von 54 Patienten wiesen die biphasische Wellenformänderung auf. Bei 22 dieser 54 Patienten standen mehr als 3 aufeinander folgende Proben zur Analyse zur Verfügung. In 41 Patienten wurde DIC diagnostiziert, wobei 30 von diesen Pflege durch Transfusion mit frisch gefrorenem Plasma, Kryopräzipitat oder Blutplättchen benötigten. Die zugrunde liegenden klinischen Störungen sind in der Tabelle 1 gezeigt.
Tabelle 1: Klinische Störungen, die Patienten für DIC prädisponierten.
40 der 41 Patienten mit DIC wiesen die biphasische TW auf. Das eine Falsch-Negativ-Ergebnis (DIC ohne biphasische TW) trat in einem Patienten mit Präeklampsie (PET) auf, wobei die einzige, zur Analyse zur Verfügung stehende Probe eine verlängerte PT von 21,0 s, APTT von 44,0 s und erhöhte D-Dimere von 1,5 mg/l zeigte. Es wurden in dieser Studie 5 weitere Patienten mit PET identifiziert, von denen keiner entweder DIC oder eine biphasische TW aufwies. Von den 14 Patienten mit einer biphasischen TW, die nicht die Kriterien von DIC erfüllte, wiesen alle einen gewissen Hinweis auf eine Koagulopathie mit Abnormitäten in einem oder zwei der Screeningtests auf. Diese abnormen Ergebnisse verfehlten das wie oben definierte Kriterium für DIC. 4 dieser 14 Patienten hatten eine chronische Lebererkrankung mit verlängerter PT und gemäßigte Thrombozytopenie. Weitere 2 Patienten hatten Vorhofflimmern mit isolierter Erhöhung lediglich der D-Dimer-Spiegel. Die verbleibenden 8 Patienten waren auf der Intensivstation mit multiplen Organdysfunktionen, die aus Trauma oder einer vermuteten Infektion resultierten, jedoch ohne die klassischen Laboränderungen von DIC. Diese Patientenprofile wurden in der Intensivstation als mit dem „systemischen Entzündungsreaktionssyndrom" (systemic inflammatory response syndrome, SIRS) konsistent beschrieben. Auf Grundlage dieser Zahlen wies die biphasische TW eine Empfindlichkeit für die Diagnose von DIC von 97,6 % mit einer Spezifität von 98 % auf. Die Verwendung einer optischen Übertragungswellenform wurde als beim Erkennen der biphasischen Wellenform hilfreich gefunden. Tabelle 2: Leistung der TW-Analyse (TW = transmittance waveform, Übertragungswellenform) in Patienten mit oder ohne DIC
Empfindlichkeit: 97,6 % (CI 85,6 – 99,9 %), Spezifität: 98,0 % (CI 96,6 – 98,9 %), Positiv-Prädiktionswert: 74,0 % (CI 60,1 – 84,6 %), Negativ-Prädiktionswert: 99,9 % (CI 99,1 – 99,9 %)
Der Positiv-Prädiktionswert des Tests betrug 74 % und stieg mit ansteigender Steilheit der biphasischen Steigung und abnehmendem Niveau der Lichtübertragung (Tabelle 2 und 33) an. In den ersten zwei Tagen der Studie gab es 12 Patienten, die eine Abnormität in den Gerinnungstests sowie eine Erhöhung der D-Dimer-Spiegel aufwiesen. Dies waren Patienten, die sich von DIC klinisch erholten, die in der Woche vor der Studie aufgetreten war. Dies führte zum Eindruck, dass die TW-Änderungen mit klinischen Ereignissen enger korrelieren könnten als die Standardmarker von DIC. Tabelle 3: Reihenergebnisse in einem Patienten mit Sepsis
PT = Prothrombinzeit, APTT = aktivierte partielle Thromboplastinzeit, TT = Thrombinzeit, Fgn = Fibrinogen, Plt = Blutplättchenzählwert, TW = Übertragungswellenform
·Zeigt abnorme Änderungen an. B = biphasisch; N = normal
Die Verfügbarkeit von mehr als 3 aufeinander folgenden Proben bei 22 Patienten ermöglichte eine weitere Auswertung. Die Tabelle 3 stellt ein derartiges Beispiel mit Reihentestergebnissen von einem Patienten mit E. coli-Septikämie dar.
Das Auftreten einer biphasischen TW ging Änderungen in den Standardtests für die Diagnose von DIC voraus. Lediglich später am Tag wurden die PT, die APTT, der Plt und die D-Dimer-Spiegel abnorm und erfüllten die Diagnosekriterien von DIC. Die Behandlung mit intravenös verabreichten Antibiotika führte zu einer klinischen Verbesserung zu Tag 2 mit einer Normalisierung ihrer TW vor den Standardparametern von DIC. D-Dimere und Plt waren 24 bzw. 48 Stunden später noch immer abnorm.
Diese Korrelation zwischen klinischen Ereignissen und TW-Änderungen wurde in allen DIC-Patienten erkannt, bei denen Proben zum Aufzeichnen des Verlaufs der klinischen Ereignisse zur Verfügung standen. Da die TW-Änderungen durch das Aufzeichnen des Übertragungsniveaus zu 25 Sekunden quantifizierbar und normierbar waren, stellte diese Analyse eine Handhabe beim Bewerten der Anwendbarkeit auf die Prognose bereit. 34 stellt die Ergebnisse eines Patienten dar, der zunächst nach einer Darmperforation eine Peritonitis aufzeigte. Diese wurde durch gramnegative Septikämie nach einer Operation mit anfänglichem Verschlechtern der DIC, gefolgt von einer allmählichen Erholung nach einer geeigneten Therapie, weiter kompliziert. Während die DIC anfänglich fortschritt, gab es eine ansteigende Steilheit der biphasischen Steigung der TW und einen Abfall des Lichtübertragungsniveaus. Eine Umkehrung dieses Zustands leitete die klinische Erholung ein. 35 stellt die Ergebnisse eines Patienten dar, der schwere innere und äußere Verletzungen nach einem Jetski-Unfall erlitt. Obwohl er anfänglich durch Unterstützung mit einem Blutprodukt stabilisiert wurde, verschlechterte sich sein Zustand mit anhaltendem Blutverlust und der Entwicklung einer plötzlich auftretenden DIC. Die biphasische Steigung wurde bei Abnahmen des Übertragungsniveaus zunehmend steil, als sich die Auswirkungen seiner Verletzungen als tödlich erwiesen.
Da DIC aus einer Vielfalt von primären Erkrankungen entstehen kann, können die klinischen und Laborerscheinungsformen nicht nur von Patient zu Patient, sondern auch beim selben Patienten im Zeitverlauf äußerst veränderlich sein. Daher besteht ein Bedarf an Systemen, die nicht nur bei ihrer Diagnose robust, sondern auch in Bezug auf die Durchführung einfach und schnell sind. Obwohl gezeigt worden ist, dass die biphasische TW gegenüber hämostatischer Dysfunktion (z. B. DIC) empfindlich zu sein schien und in anderen ausgewählten Patientengruppen mit Koagulationsanomalien nicht zu sehen war bzw. nicht durch entweder (i) präanalytische Variable, (ii) verschiedene auf Siliciumdioxid basierende APTT-Reagenzien, (iii) die Verwendung von Thrombin als Initiator der Koagulationsreaktion oder (iv) Behandlung in der Form von Heparin oder Plasmaexpandern beeinflusst wurde, konnte die Robustheit dieser Analyse für DIC nur durch eine Prospektivstudie adressiert werden. Diese Studie hat gezeigt, dass die biphasische TW eine Diagnosegenauigkeit bei DIC mit einer Gesamtempfindlichkeit von 97,6 % und einer Spezifität von 98 % liefert. Im Gegensatz dazu hat keiner der Standardparameter auf einer individuellen Basis (d. h. PT, APTT, TT, Fgn, Plt, D-Dimere) oder sogar in Kombination jemals diesen Empfindlichkeits- oder Spezifitätsgrad erreicht. Die problemlose Verfügbarkeit von TW-Daten vom MDA-180 würde außerdem im Gegensatz zu den Bestimmungen von Thrombin-Antithrombin-Komplexen oder anderen Markern, die von der ELISR-Technologie abhängen, die Kriterien der Einfachheit und Schnelligkeit erfüllen. Darüber hinaus hat die TW-Analyse die folgenden Vorteile:
(a) die biphasische TW-Änderung scheint die einzige, nützlichste Korrelation in einer isolierten Probe für DIC darzustellen und dementsprechend muss nicht mehr Vertrauen in Reihenabschätzungen einer Testserie gesetzt werden, und
(b) das Auftreten oder die Auflösung der biphasischen TW kann Änderungen in den üblichen Standardparametern, die bei DIC überwacht werden, mit einer starken, klaren Korrelation zu klinischen Ereignissen und Ergebnissen vorausgehen.
Obwohl die biphasische TW auch in Patienten erkannt wurde, die an sich keine wie durch die obigen Kriterien definierte DIC hatten, hingen die klinischen Zustände mit hämostatischer Dysfunktion zusammen – und zwar aktivierte Koagulation vor dem Einsetzen der Gerinnselbildung, was in einer biphasischen Wellenform resultierte (beispielsweise bei chronischer Lebererkrankung oder bei schwerkranken Patienten in der Intensivabteilung, die multiple Organdysfunktion aufwiesen). Es scheint, dass die biphasische TW gegenüber nicht offen gezeigter oder kompensierter DIC empfindlich ist und ein Übertragungsniveau von weniger als 90 % (33) oder aufeinander folgende Abnahmen dieses Niveaus (35) die Dekompensation zu einer offener gezeigten Erscheinungsform und potenziell plötzlich auftretenden Form von DIC reflektiert. Dieser Punkt der Erklärung wird von der Beobachtung lediglich einer gemäßigten biphasischen TW (Übertragungsniveau von etwa 95 %) in 2 Patienten mit Vorhofflimmern gestützt; ein Zustand, der mit gemäßigter Koagulationsaktivierung und erhöhten D-Dimer-Spiegeln in Verbindung gebracht wird. Da bei diesen 2 Patienten, deren klinischen Details anderweitig unauffällig waren, keine Folgeproben zur Verfügung standen, könnten ihre biphasischen TW auch gut vorübergehend gewesen sein. Nichtsdestoweniger veranschaulichen diese Fälle, dass je geringer das Niveau der Lichtübertragung ist, desto wahrscheinlicher wird die biphasische TW prädiktiv in Bezug auf hämostatische Dysfunktion, insbesondere DIC.
Die Beobachtung einer normalen TW in einem Patienten mit PET und DIC bedarf weiterer Untersuchung, da die Studie nicht selektiv auf das Untersuchen von bestimmten Patientengruppen abzielte und lediglich insgesamt 6 Patienten mit PET umfasste, von denen die verbleibenden 5 keine DIC aufwiesen. Eine Erklärung, die von anderen Befunden in dieser Studie gestützt werden würde, ist, dass der Patient sich zur Zeit der Probe möglicherweise von PET und DIC erholte. Es könnte bereits eine Normalisierung der biphasischen TW vor den anderen Parametern, die noch immer abnorm waren und DIC anzeigten, erfolgt sein. Eine andere Erklärung ist, dass der gestörte hämostatische Prozess bei PET mehr lokalisiert ist und sich von der DIC unterscheidet, die sich aus anderen Zuständen entwickelt. Solche Patienten reagieren auf die Entbindung des Fötus auf drastische Weise, was eine anatomische Lokalisierung des pathologischen Prozesses zur Plazenta vermuten lässt, obwohl Standardlaborgerinnungstests einen systemischen Beleg des Zustands andeuten.
Beispiel:
Obwohl die Analyse der Übertragung zu einem Zeitpunkt von 25 Sekunden beim Voraussagen von DIC hilfreich ist, ist eine zweite Ausführungsform der Erfindung gefunden worden, die die Empfindlichkeit und Spezifität erheblich verbessert. Es hat sich herausgestellt, dass das Betrachten der Übertragung zu einem bestimmten Zeitpunkt im Erkennen eines Artefakts oder einer anderen Abnahme der Übertragung zu diesem Punkt resultieren kann, selbst wenn die Wellenform keine biphasische Wellenform ist. Ein zeitweiser Abfall der Übertragung zu 25 Sekunden beispielsweise würde bewirken, dass eine solche Patientenprobe als biphasisch gekennzeichnet wird, selbst wenn die Wellenform normal oder zumindest nicht biphasisch war. Wenn des Weiteren eine Patientenprobe eine besonders kurze Gerinnungszeit aufweist und die Gerinnselbildung dann z. B. vor 25 Sekunden (oder welcher Zeitpunkt auch immer zuvor gewählt wurde) beginnt, könnte die Wellenform als biphasisch gekennzeichnet werden, selbst wenn der wahre Grund für die zurückgegangene Übertragung zu 25 Sekunden darin besteht, dass die Gerinnselbildung bereits begonnen hat/erfolgt ist.
Aus diesem Grund ist festgestellt worden, dass es, anstelle einer Analyse der Übertragung zu einem bestimmten Zeitpunkt, wünschenswert ist, die Steigung der Wellenform vor dem Einsetzen der Gerinnselbildung zu berechnen. Diese Berechnung kann die Bestimmung der Gerinnungszeit, gefolgt von der Bestimmung der Wellenformsteigung vor der Gerinnungszeit beinhalten. In einer weiteren Ausführungsform wird die Steigung (nicht die Übertragung) vor der Gerinnungszeit oder vor einem zuvor gewählten Zeitraum, je nachdem, welcher Wert niedriger ist, bestimmt. Wie in der 42 gesehen werden kann, liegt, wenn die Übertragung zum Bestimmen von z. B. DIC verwendet wird, eine schlechte Spezifität und Empfindlichkeit vor. Wie jedoch in der 40 gesehen werden kann, sind, wenn die Steigung vor dem Einsetzen der Gerinnselbildung verwendet wird, die Spezifität und Empfindlichkeit erheblich verbessert und besser als bei Standardtests, die bei der Diagnose von hämostatischer Dysfunktion, wie beispielsweise DIC, verwendet werden.
An drei Sätzen von Patienten wurden weitere Tests durchgeführt. Der erste Satz bestand aus 91 APTT-Analysen, die an Proben von 51 verschiedenen Patienten mit bestätigter DIC ausgeführt wurden. Der zweite Datensatz bestand aus 110 APTT-Analysen, die an Proben von 81 verschiedenen Patienten, deren Zustand als normal bestätigt war, ausgeführt wurden. Der dritte Datensatz beinhaltete 37 APTT-Analysen, die an 22 abnormen Nicht-DIC-Proben ausgeführt wurden. 36 stellt ROC-Auftragungen der Prädiktion von DIC für drei verschiedene Parameter dar, die unter Verwendung der beschriebenen kombinierten Datensätze von der APTT-Analyse abgeleitet wurden: (1) die Übertragung zu 25 Sekunden (ÜB25), (2) die APTT-Gerinnungszeit und (3) die Steigung 1 (die Steigung bis zum Einsetzen der Gerinnselbildung). Die Steigung 1 zeigte die beste Prädiktionsleistung auf, gefolgt von ÜB25. Es ist auch gezeigt worden, dass die Übertragung zu 18 Sekunden einen Prädiktionsnutzen aufweist, insbesondere wenn die APTT-Gerinnungszeit weniger als 25 Sekunden beträgt. Die der höchsten Effizienz für die drei Parameter zugeordneten Trennwerte („Cutoffs") sind in der Tabelle 4 aufgeführt:
Tabelle 4
Es sollte angemerkt werden, dass diese Trennwerte sich mit der Zugabe des dritten Satzes verschoben haben und sich wahrscheinlich in Abhängigkeit von den Probenpopulationen wieder verschieben würden. Die 37 und 38 zeigen die Histogramme der DIC, der normalen und der abnormen/Nicht-DIC-Populationen für die ÜB25 bzw. die Steigung 1. Die Tabellen 5 und 6 zeigen die Daten der Histogramme in der 37 bzw. 38:
Tabelle 5
Tabelle 6
Die 39 und 41 zeigen die Gruppenverteilungen für die Steigung 1 bzw. ÜB25 und die 40 und 42 zeigen die Gruppenverteilungen für die Steigung 1 bzw. ÜB25. Die 40 und 42 zeigen partielle. Subpopulationen der in den 39 und 41 gezeigten Daten.
Wenn die Prädiktion von hämostatischer Dysfunktion auf einem automatisierten oder halbautomatischen Analysator durchgeführt wird, kann die erkannte biphasische Wellenform gekennzeichnet werden. Auf diese Weise kann der Bediener der Maschine oder eine die Testergebnisse deutende Person (z. B. ein Mediziner oder ein anderer praktischer Arzt) auf das Vorhandensein der biphasischen Wellenform und die Möglichkeit/Wahrscheinlichkeit von hämostatischer Dysfunktion, wie beispielsweise DIC, aufmerksam gemacht werden. Die Kennzeichnung kann auf einem Monitor oder einem Ausdruck angezeigt werden. Der bevorzugte Trennwert zum Anzeigen einer biphasischen Wellenform ist eine Steigung von weniger als etwa –0,0003 oder weniger als etwa –0,0005. Eine ansteigende Steilheit der Steigung vor der Gerinnselbildung korreliert mit dem Fortschreiten der Erkrankung.
Die obigen Beispiele zeigen, dass die Wellenformanalyse bei der APTT-Analyse charakteristische biphasische Muster in Patienten mit hämostatischer Dysfunktion identifizieren kann. In der Mehrheit der Fälle könnte diese Dysfunktion als DIC markiert werden. Dieses diagnostische Wellenformprofil war in allen getesteten APTT-Reagenzien zu sehen, bei denen es sich entweder um Siliciumdioxid handelte oder die auf Ellagsäure basierten. Es ist außerdem überraschenderweise festgestellt worden, dass eine biphasische Wellenform auch bei PT-Analysen mit bestimmten Reagenzien erkannt werden kann und die biphasische Wellenform ebenfalls hämostatische Dysfunktion, vor allem DIC, anzeigt.
Unter Verwendung von Proben, die biphasische APTT-Wellenformen ergeben, wurde das PT-Wellenformprofil mit PT-Reagenzien (Thromboplastin), und zwar Recombiplast^TM (Ortho), Thromborel^TM (Dade-Behring) und Innovin^TM (Dade-Behring), abgeleitet. Sowohl Recombiplast als auch Thromborel waren beim Zeigen von biphasischen Reaktionen besonders gut. Innovin lag von seiner Empfindlichkeit her dazwischen. Unter Verwendung des Übertragungsniveaus zu 10 Sekunden der PT-Reaktion als quantitativem Index zeigten Recombiplast und Thromborel objektiv geringere Niveaus der Lichtübertragung als Innovin. Thromborel kann einen geringfügigen Anstieg der anfänglichen Lichtübertragung vor der darauf folgenden Abnahme zeigen. Dies kann teilweise mit der relativen Opazität von Thromborel zusammenhängen.
Es wurden weitere Studien zum Vergleich der APTT-Profile unter Verwendung von Platelin^TM und der PT-Wellenformprofile unter Verwendung von Recombiplast^TM durchgeführt. Aufeinander folgende Proben über einen Zeitraum von vier Wochen von der Intensivabteilung wurden ausgewertet. Visuell und mit objektiven Bewertungsziffern (Vergleich von ÜN18 bei APTT und ÜN10 bei PT) war das APTT-Profil gegenüber Änderungen der hämostatischen Dysfunktion und des klinischen Fortschreitens empfindlicher als das PT-Profil. Diese relative Empfindlichkeit kann im APTT-Profil der 43 (Platelin) im Vergleich zu den PT-Profilen der 44 (Recombiplast) und der 45 (Thromborel S) erkannt werden. Die APTT-Wellenform erkannte bei geringfügigeren Änderungen der Lichtübertragung Abnormitäten ausnahmslos einfacher als die PT-Wellenform. Nichtsdestoweniger stimmten beide biphasischen Profile bei schwereren Graden der hämostatischen Dysfunktion überein.

Claims

Verfahren zur Prädiktion des Vorhandenseins einer hämostatischen Dysfunktion in einem Patienten anhand eines zumindest zeitabhängigen Messprofils, wobei das Verfahren folgendes umfasst: a) Vornehmen mindestens einer zeitabhängigen Messung an einer unbekannten Probe und Messen einer entsprechenden Eigenschaft im Zeitverlauf, um ein zeitabhängiges Messprofil abzuleiten; b) Definieren einer Prädiktorvariable, die zumindest teilweise die Daten des zeitabhängigen Messprofils definiert, wobei die genannte Prädiktorvariable die Steigung des zeitabhängigen Messprofils vor der Gerinnselbildung aufweist; c) Ableiten eines Modells, das das Verhältnis zwischen der hämostatischen Fehlfunktion und der einen Prädiktorvariable darstellt; und d) Einsatz des Modells aus Schritt c) zur Prädiktion des Vorhandenseins einer hämostatischen Dysfunktion in dem Patienten.
Verfahren nach Anspruch 1, wobei es sich bei dem genannten mindestens einem zeitabhängigen Messprofil um mindestens ein optisches Profil handelt.
Verfahren nach Anspruch 2, wobei das genannte mindestens eine optische Profil durch einen automatisierten Analysator für Thrombose- und Hämostasetests vorgesehen wird.
Verfahren nach Anspruch 2 oder 3, wobei eine Mehrzahl optischer Messungen bei einer oder mehreren Wellenlängen im Zeitverlauf vorgenommen werden, um das genannte mindestens eine optische Profil abzuleiten, wobei die genannten optischen Messungen Änderungen der Lichtübertragung durch die Patientenprobe entsprechen.
Verfahren nach einem der Ansprüche 2 bis 4, wobei eine Mehrzahl optischer Messungen im Zeitverlauf vorgenommen werden, um das genannte mindestens eine optische Profil abzuleiten, und wobei die genannte Mehrzahl optischer Messungen jeweils auf eine erste optische Messung vereinheitlicht werden.
Verfahren nach Anspruch 3, wobei in Schritt a) das genannte mindestens eine optische Profil automatisch durch den genannten Analysator vorgesehen wird, wodurch die genannte unbekannte Probe automatisch durch eine automatisierte Sonde aus einem Probenbehälter in einen Testschacht entfernt wird, wobei ein Reagenz oder mehrere Reagenzien automatisch dem genannten Testschacht hinzugefügt werden, um die genannten Eigenschaftsveränderungen in der genannten Probe einzuleiten, und wobei die Entwicklung der genannten Eigenschaft im Zeitverlauf automatisch optisch überwacht wird, um das genannte optische Datenprofil abzuleiten.
Verfahren nach Anspruch 6, wobei nach Schritt d) ein vorhergesehenes angeborenes oder erworbenes Ungleichgewicht oder ein therapeutischer Zustand automatisch in einem Speicher des genannten automatisierten Analysators gespeichert und/oder auf dem genannten automatisierten Analysator angezeigt wird.
Verfahren nach Anspruch 6 oder 7, wobei in Schritt d) eine oder mehrere Analysen zur Bestätigung des Vorhandenseins des genannten angeborenen oder erworbenen Ungleichgewichts oder des therapeutischen Zustands automatisch vorgenommen werden.
Verfahren nach Anspruch 8, wobei die genannte eine oder mehrere Analysen an dem genannten Analysator automatisch neu angeordnet und vorgenommen werden, wobei die Ergebnisse der genannten einen oder mehreren Analysen in einem Speicher des genannten automatisierten Analysators gespeichert und/oder an dem genannten Analysator angezeigt werden.
Verfahren nach einem der vorstehenden Ansprüche, wobei dieses ferner folgendes umfasst: vor dem Schritt a) das Vorsehen einer Gruppe von Daten aus bekannten Proben, wobei die Daten in Schritt c) zum Ableiten des genannten Modells verwendet werden.
Verfahren nach Anspruch 10, wobei die genannten Daten aus bekannten Proben durch das Vornehmen einer Mehrzahl von Analysen an den genannten Proben vorgesehen werden.
Verfahren nach einem der vorstehenden Ansprüche, wobei in Schritt a) eine Mehrzahl von zeitabhängigen Messprofilen zur Verwendung in Schritt b) abgeleitet wird.
Verfahren nach Anspruch 12, wobei die genannte Mehrzahl von zeitabhängigen Messprofilen mindestens zwei Profile aus Analysen aufweist, die mit PT-Reagenzien, APTT- Reagenzien, Fibrinogenreagenzien und TT-Reagenzien eingeleitet werden.
Verfahren nach einem der vorstehenden Ansprüche, wobei es sich bei der genannten unbekannten Probe um eine Probe eines medizinischen Patienten handelt, und wobei in Schritt d) sowohl die genannten Modelldaten als auch zusätzliche medizinische Patientendaten verwendet werden, um das Vorhandensein des genannten angeborenen oder erworbenen Ungleichgewichts oder des therapeutischen Zustands vorauszusehen.
Verfahren nach Anspruch 14, wobei die genannten zusätzlichen medizinischen Patientendaten eine oder mehrere der folgenden Informationen aufweisen: Fibrinogen, D-Dimer und Plättchenzählwert.
Verfahren nach einem der vorstehenden Ansprüche, wobei in Schritt d) die Prädiktion der hämostatischen Dysfunktion mehrfach vorgenommen wird, um das Fortschreiten oder den Rückgang einer Erkrankung in dem Patienten zu überwachen.
Verfahren nach einem der vorstehenden Ansprüche, wobei die Prädiktion der hämostatischen Dysfunktion eine Prädiktion der disseminierten intravaskulären Gerinnung ist.
Verfahren nach Anspruch 17, wobei die genannte Prädiktion der disseminierten intravaskulären Gerinnung in mindestens 75% der vorausgesagten Fälle richtig ist.
Verfahren nach einem der vorstehenden Ansprüche, wobei es sich bei dem genannten zeitabhängigen Messprofil um eine optische Übertragung durch eine Probe während einer APPT-Analyse oder einer PT-Analyse handelt.
Verfahren nach einem der vorstehenden Ansprüche, wobei in Schritt b) die Steigung des zeitabhängigen Messprofils vom Ende der Austastzeit bis unmittelbar vor dem Einsetzen der Gerinnselbildung oder über einen vorbestimmten Zeitraum ermittelt wird.
Verfahren nach einem der vorstehenden Ansprüche, wobei es sich bei dem genannten zeitabhängigen Messprofil um ein optisches Übertragungsprofil handelt, und wobei der genannte eine oder mehrere Parameter eine Mindestübertragungs- und/oder Gerinnselbildungszeit aufweist.
Verfahren nach einem der vorstehenden Ansprüche, wobei die genannte hämostatische Dysfunktion auf einen oder mehrere Zustände zurückgeht, die disseminierter intravaskulärer Gerinnung zugeordnet sind, einschließlich Trauma, Malignität, Chirurgie, Aorten-Aneurysma-Ruptur und systemisch-inflammatorischem Syndrom.
Verfahren nach einem der vorstehenden Ansprüche, wobei die genannte Prädiktion des Vorhandenseins einer hämostatischen Dysfunktion das Kennzeichnen des Vorhandenseins einer hämostatischen Dysfunktion oder der Wahrscheinlichkeit für eine hämostatische Dysfunktion aufweist.
Verfahren nach einem der vorstehenden Ansprüche, wobei es sich bei der einzigen Prädiktorvariable um die Steigung des zeitabhängigen Messprofils vor der Gerinnselbildung handelt.
Verfahren nach einem der vorstehenden Ansprüche, wobei es sich bei der Prädiktorvariable der Steigung des zeitabhängigen Messprofils vor der Gerinnselbildung um eine Steigung von weniger als –0,0005 handelt.
Verfahren nach einem der vorstehenden Ansprüche, wobei es sich bei der Prädiktorvariable der Steigung des zeitabhängigen Messprofils vor der Gerinnselbildung um eine Steigung von weniger als –0,0003 handelt.
Verfahren nach Anspruch 26, wobei die genannte Steigung von weniger als –0,0003 der Aktivierung der Koagulation vor dem Einsetzen der Gerinnselbildung entspricht.
Verfahren nach einem der vorstehenden Ansprüche, wobei die vorausgesagte hämostatische Dysfunktion auf einen oder mehrere der folgenden Zustände zurückgeht: Infektion, Trauma, einen schweren chirurgischen Eingriff, eine Lebererkrankung, Schwangerschaft und/oder Geburt eines Kindes, Hypoxie, Azidose, eine Lithiumüberdosis und die Abstoßung eines Transplantats.
Verfahren nach einem der vorstehenden Ansprüche, wobei die Verfahrensschritte a) bis d) an einem automatisierten oder halbautomatischen Analysator ausgeführt werden, und wobei die genannte Kennzeichnung einen Warnhinweis an eine den genannten Analysator bedienende Person darstellt oder an eine Person, die die Ergebnisse einer Testreihe an dem genannten Analysator liest oder auswertet, dass in Bezug auf einen Patienten, dessen Testprobe den Analysator durchlaufen hat und gekennzeichnet worden ist, die Möglichkeit oder Wahrscheinlichkeit einer hämostatischen Dysfunktion gegeben ist.
Verfahren nach Anspruch 29, wobei es sich bei dem genannten Warnhinweis um einen Warnhinweis auf einem Papierausdruck oder auf einem Monitor handelt.
Verfahren nach Anspruch 27, wobei eine Steigung von weniger als –0,0003 eine Kennzeichnung der Patientenprobe bewirkt, und wobei ein Anstieg der Steilheit der Steigung von Test zu Test einem Fortschreiten der Erkrankung entspricht.
Verfahren nach einem der vorstehenden Ansprüche, wobei es sich bei der genannten Patientenprobe um Vollblut oder einen Teil dessen handelt.
Verfahren nach Anspruch 32, wobei es sich bei der genannten Patientenprobe um eine Plasmaprobe handelt.
Verfahren nach einem der vorstehenden Ansprüche, wobei die genannte Prädiktion des Vorhandenseins einer hämostatischen Dysfunktion in dem Patienten eine Spezifizität und Empfindlichkeit aufweist, die größer sind als bei anderen zur Diagnostizierung einer hämostatischen Dysfunktion verwendeten Tests.
Verfahren nach einem der vorstehenden Ansprüche, wobei es sich bei der genannten hämostatischen Dysfunktion um disseminierte intravaskuläre Gerinnung handelt, und wobei die genannte Prädiktion der disseminierten intravaskulären Gerinnung in dem Patienten eine Spezifizität und Empfindlichkeit aufweist, die größer sind als bei anderen zur Diagnostizierung einer disseminierten intravaskulären Gerinnung verwendeten Tests.
Verfahren nach Anspruch 35, wobei es sich bei den genannten anderen Tests um einen oder mehrere der folgenden Tests handelt: Plättchenzählen, Bestimmung eines D-Dimer-Werts sowie Bestimmung des Fibrinogenwerts.
Verfahren nach einem der vorstehenden Ansprüche, wobei es sich bei der genannten hämostatischen Dysfunktion gemäß der Prädiktion um disseminierte intravaskuläre Gerrinung handelt, und wobei das Verfahren ferner die Durchführung der Analysen des Plättchenzählwerts, des D-Dimer-Werts und/oder des Fibrinogenwerts umfasst.
Verfahren nach einem der vorstehenden Ansprüche, wobei die genannte Steigung aus dem kürzeren Wert der Austastzeit bis zum Einsetzen der Gerinnselbildung oder aus der Austastzeit bis zu einem vorbestimmten Zeitraum bestimmt wird, der kürzer ist als der Zeitraum des Einsetzens der Gerinnselbildung.
Verfahren zur Prädiktion des Vorhandenseins von disseminierter intravaskulärer Gerinnung in einem Patienten anhand eines zeitabhängigen Messprofils, wobei das Verfahren folgendes umfasst: a) Ausführen einer zeitabhängigen Messung an einer unbekannten Probe und Messen einer entsprechenden Eigenschaft im Zeitverlauf, um ein zeitabhängiges Messprofil abzuleiten; b) Berechnen der Steigung des zeitabhängigen Messprofils bis zum Einsetzen der Gerinnselbildung oder bis zu einem vorbestimmten Zeitraum abzüglich des Zeitpunkts des Einsetzens der Gerinnselbildung, je nachdem, welcher Wert niedriger ist; c) Definieren einer Prädiktorvariable durch Berechnen eines Schwellenwerts für den Parameter in b) aus bekannten positiven und bekannten negativen Proben, wobei positive und negative Proben ausreichend separiert werden; und d) Verwenden des Schwellenwerts in Schritt c) zur Prädiktion des Vorhandenseins disseminierter intravaskulärer Gerinnung in dem Patienten.