Krooninen sairaus

tiivistelmä

Tällä hetkellä karsinogeeninen malleja tarkoita, että kaikki yksilöt populaatiossa ovat alttiita syöpä. Nämä mallit joko jättää lasku syövän esiintyvyys on vanhuspalvelut, tai käyttää joitakin huonosti tunnistettavissa parametreja kirjanpitoon. Tässä työssä uusi heuristista mallia ehdotetaan. Mallissa oletetaan, että populaatiossa, vain pieni osa (pool) yksilöiden on altis syöpä ja hajoaa ongelman karsinogeeninen mallinnuksen kahteen peräkkäin ratkaistavissa ongelmia: (i) määritys ikävakioidun vaaraa henkilöillä, alttiita syöpään (yksittäinen vaara nopeus) alkaen havaitun vaaran verokannan väestöstä (vaarojen rate); ja (ii) mallinnus yksittäisten vaara korkoa valittu ”ylös” teoreettisesta vaaran toiminto kuvataan syövän esiintymistä yksilöissä ajassa (ikä). Mallissa arvioidaan syövän synnyn epäonnistumisena yksilöiden altis syöpä vastustamaan syövän esiintymisen ikääntyminen ja käyttötarkoitukset, kuten teoreettinen vaara toiminto, kolmen parametrin Weibullin vaaran toiminto, hyödynnetään usein vika-analyysi. Parametrit tämän toiminnon, joka tarjoaa parhaiten mallinnetun ja havaitut yksittäiset vaaran hinnat (määritetään väestöstä vaara hinnat), ovat tulosta mallinnuksen. Mallia sovelletaan haimasyövän tiedot. On osoitettu, että väestön ositettu sukupuolen, rodun ja maantieteellisellä Elävät, mallinnettu ja havaitut väestö vaara hinnat haimasyövän esiintyminen on samanlainen liikevaihdot klo vanhuspalvelut. Koot altaat yksilöiden alttiita tämä syöpä: (i) riippuu sukupuoli, rotu ja maantieteellinen alue elää; (Ii) jotka on osittain vaikuttaa vastaavan väestön vaara hinnat; ja (iii) eivät vaikuta yksittäisten vaara hinnat. Mallia tulisi edelleen testata käyttämällä tietoja muiden syöpien sekä väestön ositettu eri kategorisen muuttujia.

Citation: Mdzinarishvili T, Sherman S (2014) heuristinen mallinnus Karsinogeenisuus varten väestö Dikotomiset Alttius syöpä: haimasyöpä esimerkki. PLoS ONE 9 (6): e100087. doi: 10,1371 /journal.pone.0100087

Editor: Raffaele A. Calogero, University of Torino, Italia

vastaanotettu: 14 marraskuu 2013; Hyväksytty: 22 toukokuu 2014; Julkaistu: 16 kesäkuu 2014

Copyright: © 2014 Mdzinarishvili, Sherman. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Tämä työ oli osittain tukee 1 R01 CA140940-04 (NIH, SS PI) avustuksen. Ei ylimääräistä ulkoista rahoitusta saatiin tätä tutkimusta varten. Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

tarkoitus syöpää aiheuttava mallinnus on lisätä ymmärrystä johtavia prosesseja syövän kehitystä ajassa (karsinogeneesissä). Mallinnus mahdollistaa yhden herättää kysymyksiä ja tuoton arvioinnin, joka voitaisiin validoituja (tai vääräksi) uusiin biolääketieteen kokeissa [1]. Parempi ymmärrys syövän voi auttaa tutkijoita tuottaa ja testata uusia hypoteeseja sekä kehittää parempia strategioita syövän ehkäisyyn. Koko lähes 60 vuoden karsinogeenisia mallinnus historiaa, suuri elin eri malleja on ehdotettu (katso esimerkiksi [2] – [14] ja siinä olevat viitteet).

Matemaattisesti, ongelma on syöpää aiheuttavien mallinnus on todettu parhaaksi asentamista mallinnetun syövän vaara nopeus kanssa havaittu nopeus. Tämän ongelman ratkaisemiseksi, nykyiset mallit käyttävät ”alhaalta ylös” Computing kehys, joka edellyttää tietämystä mekanismin syövän esiintymisen yksilöiden altis syöpä (yksilötasolla) ajassa (ikä) mittakaavassa. Koska tällaista mekanismia ei tunnettu vielä, tutkijat aluksi arvelevat uskottava mekanismi ja kuvata sitä matemaattisesti vastaavia kaavoja. Käyttämällä näitä kaavoja, tutkijat laskea syövän vaara populaatiossa (populaatio vaara nopeus) ja, jonka laskettu korko, sopivat syövän vaara vauhtiaan väestölle. Parametrit käytetyt kaavat, jotka tarjoavat parhaiten sopii havaitun väestölle vaaran korko tehdään mahdollisimman lopputuloksen mallinnus. Kun sovitus ei ole tarpeeksi hyvä, tai kun saatu parametrien arvot eivät hyväksy nykyistä biologista tietoa, tutkijat ”säätää” alun perin arveltu mekanismi syövän (matemaattinen esitys vastaavalla kaavat) ja toista mallinnus.

moderni karsinogeenisia malleja tarkoita, että kaikki yksilöt populaatiossa, sairastuminen syöpään on tietty tapahtuma, eli ne olettavat ”syöpä on väistämätön, jotka elävät tarpeeksi kauan”. Jotkut näistä malleista (esimerkiksi [2] – [6]) oletetaan, että kaikki yksilöt populaatiossa ovat yhtä alttiita syöpä, kun taas toiset ([7] – [12]) olettaa, että ihmisillä on erilainen alttius syöpään (takia havaitsematon satunnaistekijät) ja ottaa käyttöön ei-negatiivinen satunnaismuuttuja (a haurautta). Käyttö hauraudesta mahdollistaa tutkijoiden saada paremman sopiva, mutta vaatii lisäparametreja, kuvaavat haurauden jakeluun. Nämä parametrit, eivät kuitenkaan aina ole selvä biologinen merkitys. Parantaakseen istuva, tutkijat myös toteuttaa yhä enemmän biologisia yksityiskohtia mekanismeja syövän esiintymisen yksilöissä [5] – [6]. Kuitenkin kehittyneiden biologisten mekanismien tekee mallintamisen hyvin monimutkainen laskennallinen ongelma huonosti tunnistettavissa parametrit [12]. Toisin sanoen, tutkijat yrittävät ”korvata biologisessa järjestelmässä yritämme ymmärtää valtava laskennallinen malli, että meillä ei ole mitään mahdollisuutta koskaan ymmärtää!” [1].

Nykyinen karsinogeenisia mallit huonosti hyödyntää sitä, että , monien yksilöiden populaation, saada syöpä ei ole tietyn tapahtuman: väestöstä, suuri osa yksilöiden kestävät syöpä ja ei saa syövän elinaikanaan, vaikka vain pieni osa (pool) yksilöiden alkaen väestö ovat alttiita syöpä ja yksityishenkilöiden Poolista lopulta saa syövän. On syytä huomata, että jopa silloin, kun väestö on voimakkaasti alttiina tunnettuja kemiallisia syöpää aiheuttaville aineille, on vähemmän kuin 20% väestöstä voi kehittää tietyn tyyppinen syöpä [13]. Suurimmalle osalle syöpätyyppien, koko altaan yksilöiden altis syöpä ei ylitä useita prosentteja [10].

Päätavoitteena tämä työ on kehittää uusi lähestymistapa syöpää aiheuttavia mallintamiseen että tulee täysin käytä havainto, että syöpä on harvinainen sairaus. Jotkut osat ehdotetun lähestymistavan julkaistiin [15] – [17]. Lähestymistapa käyttää hypoteesi dikotomista syöpäalttiuteen väestössä. Tämä hypoteesi oli alun perin ehdotettiin ja hylätty [14]. Siksi esillä olevassa työssä, kaavat ja esitetyt tulokset [14] tarkastettiin tarkistaa voimassaolon hypoteesin. Ehdotettu lähestymistapa sovellettiin mallintamiseen haimasyövän esiintymisen tietojen avulla, kerätään Surveillance, Epidemiology, ja Lopputulokset (SEER) tietokannat [18].

Materiaalit ja menetelmät

Terminologia, Merkinnät ja yleisluonteinen Ongelman

Tavallisesti parametrien karsinogeenisia mallien määräytyvät usein syövän esiintymisen populaatioissa. Tätä tarkoitusta varten ikävakioidun esiintyvyys (raa’at rate), tunnettu useita tapauksia, joissa erillinen syöpätyyppi sisällä ikävakioidun väestöstä (yksilöiden populaation tasaisin tietyn iän välein) käytetään usein. Ikävakioidun ilmaantuvuus määritetään suhteena todettu määrä syöpätapauksia, jaettuna htv vaarassa, väestön yksilöiden sisällä erillisen ikä välein (usein otetaan peräkkäisiä, viiden vuoden iässä välein) ihmisen elinikä [19]. Koska syöpä on harvinainen sairaus, ikävakioidun ilmaantuvuus kerätään aikana pitkän aikaa henkilöille eri ikäryhmissä. Vuodesta havaittu ikävakioidun ilmaantuvuus syövän, arvioiden ikävakioidun vaaraa luvut ovat tietyn iän väliajoin voidaan laskea käyttämällä ikään kauden kohortti (APC) analyysi [3] – [5], [16 ], [20]. Ikävakioidun syövän vaaraa muutoskertoimella siten kutsutaan väestön vaaraan korko [17]. Analogisesti ikävakioidun syövän vaaraa korko määritetään pidetään iässä välein ihmishenkien yksittäisen alttiita syöpä kutsutaan yksittäisten vaaraa rate [17].

Tässä työssä helpotukseksi matemaattinen esitys, käsitteet väestön ja yksittäisten (teoreettinen) vaarojen toimintoja käytetään yhdessä väestön ja yksilön vaara hinnat. Väestölle ja yksittäiset vaaran toiminnot, ikä on jatkuva muuttuja, kun taas väestön ja yksilön vaara hinnat, ikä väli on diskreetti muuttuja esittää vastaavan peräkkäisen ikä välein indeksit.

Matemaattinen suhde väestö ja yksittäiset Hazard toiminnot

Merkitään ehdollisella selviytymisen toiminto, että yksittäinen ”selviää” saamasta tietyn tyyppinen syöpä iässä, koska tämä henkilö kuuluu altaan yksilöiden altis syöpä. Henkilöille ole alttiita syöpä, ehdollinen selviytymisen toiminto on sama kuin missä tahansa iässä. Olkaamme myös Merkitään todennäköisyyttä (osa altaan sisällä väestöstä), että satunnaisesti valittu yksilö kuuluu altaan yksilöiden altis syöpä. Sitten, on todennäköisyys, että tämä henkilö kuuluu altaan yksilöiden ole altis syövälle. Mukaan [21], ehdoitta selviytymisen toiminto (tai väestö selviytymisen toiminto) että yksittäinen, satunnaisesti valittu väestöstä, selviää syöpään iässä ovat: (1) ja

(2) eloonjääminen analyysi, vaara toiminto (teoreettinen vaara toiminnon

thf

), tiheysfunktio, ja selviytyminen toiminto liittyvät seuraavien yhtälöiden [21] 🙁 3) (4) ja (5), jossa tarkoittaa määritetyn arvon elinaika satunnaismuuttuja ja (6) on kumulatiivinen yksittäisen vaaran toiminto.

alkaen kaavojen (1) – (6) seuraa, että ehdoton (väestö) vaara toiminta yksittäisen, satunnaisesti valitaan koko väestöä, saa syövän iässä on: (7) B

näistä kaavoista, tästä seuraa, että yksittäisen satunnaisesti valittu altaan yksilöiden altis syöpä, vaaran toiminto, on sairastuminen syöpään iässä on: (8), jossa: (9) on kumulatiivinen väestön vaaran toiminto.

Huomaa, kaavasta (7) seuraa, että jos ja pyrkii äärettömyyteen, kun sitten. Toisin sanoen, kun yksittäiset vaaran toiminto lisääntyy vanhuspalvelut, väestö vaara toiminto laskee.

(7) ja (1) seuraa: (10) Huomautus, edellä mainittujen nimitysten: ja.

Kun (koko altaan yksilöiden altis syöpä) on pieni, niin, jossa ensimmäisen kertaluvun approksimaatio, yleinen kumulatiivinen vaara voidaan esittää: (11) B

Huomaa myös että pienten (eli kun on pieni), kaavojen (7) ja (8) voidaan esittää ensimmäisen kertaluvun approksimaatio kuten: (12) (13) B

syöpä, yleistä kumulatiivinen väestön vaaraan on pieni (esimerkiksi haimasyövän, 0,01). Siksi syövän, kaavan (13) voidaan käyttää arvioitaessa alkaen. Empiirinen arvio (täällä ja alle merkki ”∧” nimeää empiirinen arvio), voidaan esittää: (14) B

Käyttäen vakiosääntöjä virhe lisääminen [22], että keskivirheet (

SE

) arvioiden, että

thf

, saimme: (15) B

Huomaa, että tässä työssä, kaavojen (14) – (15) on johdettu joka yksinkertaisempi tapa verrattuna tehdyt [17]. Tässä yhteydessä se on huomautettava, että oikeat puolet kaavojen (20) ja (40) esitetään [17] on kirjoitusvirhe (oikeaksi, oikealta puolelta näitä kaavoja on ylösalaisin), jotka eivät vaikuta muihin kaavat ja tulokset esitetään [17].

Computing puitteet syöpää Modeling että väestö Dikotomiset Alttius syövän

Tässä työssä, yksilöiden alttiita syöpä , syöpää aiheuttava mallinnus suoritetaan ”ylhäältä alas” computing puitteet, joka sisältää seuraavat neljä vaihetta:

Voit määrittää arvioiden kooltaan osa yksilöiden altis syöpä väestössä (eli kokonaispituus väestön vaara), ja sen keskivirhe, kumulatiivinen väestön vaara nopeus ja)

kautta

ja.

määrittämiseksi arvioita yksittäisten vaaran hinnat, ja niiden

kautta

, ja.

Voit valita ”ylös” sopiva matemaattinen muoto teoreettisen (yksittäinen) vaara toiminnon.

Voit selvittää parametrien arvot, jotka parhaiten sopivat saatu vaiheessa 2 ja varmistaa niiden johdonmukaisuus nykyistä biologista tietoa.

vaiheessa 1, koko osa yksilöiden altis syöpä, voidaan helposti määrittää kaavalla (11). On tärkeää korostaa, että voidaan tulkita todennäköisyys

p

että yksittäinen, otetaan satunnaisesti populaatiossa, on altis syöpä. Arvio voidaan saada

kautta

Arvioiden.

Vaiheessa 2, arvioiden yksilön vaaran hinnat, ja niiden keskivirheet,, määritetään käyttämällä kaavojen (14) – ( 15). Huomaa, ja saadaan ilman mitään yksityiskohtaisia ​​tietoja syöpää aiheuttava mekanismeista annetaan etupainotteisesti.

Vaiheessa 3, uskottava ehdokas teoreettinen vaara toiminto on valittu ”ylös”. Sinänsä ehdokkaita, toimintoja, on jo käytetty suosittuja karsinogeenisia malleissa (kuten [2] – [6]) tai jotkin muut toiminnot voidaan ottaa. Esimerkiksi, kuten uskottava ehdokas, Weibullin vaaran toiminnon, jota käytetään usein selviytyminen analyysi [21], voidaan käyttää.

Vaiheessa 4, parametrit katsotaan parhaiten sopivaksi määritetään menetelmillä lineaarinen tai epälineaarinen regressioanalyysi [23]. Koska asennus suoritetaan yksilötasolla (varten osa yksilöiden yhtä alttiita syöpä), muita oletuksia syöpäalttiutta tarvitaan. Hyvyys valaisin voidaan arvion mukaan Akaike tiedot korjattu kriteeri (AIC). Olettaen, että hajonta pisteiden regressiolinjan ympärille noudattaa Gaussin, AIC voidaan määritellä seuraavan kaavan [17] 🙁 16) missä () on painotettu summa neliön poikkeamat tarkastelluissa pisteissä saadusta regressiosuoran , jossa on määrä tarkastelluissa pisteissä, ja (on parametrien määrä käyttää käyrän sovitus).

koostumus arvojen näiden parametrien kanssa nykyistä biologista tietoa todetaan. Esimerkiksi parametrin arvo esittää useita mutaatioita tarvitaan normaalin solun tulla pahanlaatuinen solu pitäisi olla välillä 2-7, koska suurempi määrä mutaatioita on tuskin saavutettavissa aikana ihmisen eliniän [3] – [4].

elvyttäminen Hylätty hypoteesi Dikotomiset alttius syövän väestötietojärjestelmän

ehdotettu ”ylhäältä alaspäin” computing kehys voidaan hyödyntää hypoteesi dikotomisten alttiutta syöpään väestö on oikea. Kuitenkin tämä hypoteesi pidettiin vuonna [14] ja lopulta hylkäsi sen tekijöistä. Täällä me väittävät, että syy tähän hylkäämiseen oli virheellinen, ja siten tämä hypoteesi on elvytetty.

runkoon multi-mutaatio malli syövän [2] (eli kun on eksponenttifunktio ), kirjoittajat [14] tutkittu, miten muodot käyrät syöpä ikäryhmittäisten ilmaantuvuus riippuu koot altaat yksilöiden altis syöpä, (meidän nimitys), vuonna dikotomista, altis syöpä väestön . Mukaan niiden laskelmien syövän ilmaantuvuus on liikevaihdot, jossa on piikit eri ikäisten riippuen koot altaat yksilöiden altis syöpä (katso kuva 1 [14]). Siten tämä analyysi ehdotti, että huiput ja kaatumiset syövän ilmaantuvuus harvinaisempien syöpien pitäisi näkyä nuorempina. Tällaisia ​​analyysejä on ristiriidassa havaintoaineistoa osoittavat, että aikojen jolla sitten laskee sekä ikävakioidun esiintyvyys ilmaantuu, ovat riippumattomia rareness vastaavan syöpätyyppien [14], [24]. Tästä johtuen epäjohdonmukaisuutta, hypoteesi dikotomisten syöpäalttiuteen väestössä hylättiin [14].

Näistä populaatiot, arvioiden hinnat ja niiden 95% luottamusväli (

CI

) annetaan yksiköissä useissa syövän tapausta 100000 henkilövuotta ja esittämän ympyröitä ja virhepalkkeja sinistä (miesten) ja punainen (naisilla) vs. ikävuosillasi. Mallinnetun väestö ja yksittäiset vaaran toiminnot esitellään yhtenäisillä viivoilla.

Alla on osoittaa, että tämä epäjohdonmukaisuus on kertynyt johtuvan virheestä kaavassa (), joka käytettiin [14] voitaisiin kokeilla hypoteesin . Tämän todistamiseksi edellä mainittu kaava (7) kirjoitetaan uudelleen logaritmisessa muodossa: (17) B

Kaava (17) tulisi olla sama kuin kaavan () esitetään [14]. Kuitenkin kaava () kirjoitettu uudelleen mallinnuskielistä olevassa työssä on: (18) B

Kuten voidaan helposti nähdä, kaavan (17) ja kaavan (18) eroavat toisistaan ​​ainoastaan ​​sijoittamista suluissa. Tässä työssä, vastaavat laskelmat tehtiin kaavojen (17) ja (18) (tietoja ei ole esitetty). Mielenkiintoista on, että laskelmat suoritetaan kaavan (18) kvalitatiivisesti toista esitetyt tulokset [14]. Kuitenkin laskelmat suoritetaan kaavan (17), jotka ovat erilaisia ​​laskelmia saadaan kaavan (18), viittaavat siihen, että altaan kokoa,

suhteellisesti vaikuttaa väestön vaara-toiminto, mutta iät, jolloin piikit ja laskee näistä toiminnoista tapahtuvat ovat lähes samat eri. Tämä on sopusoinnussa Havaintojen (katso alla Results). Tämän vertailun perusteella, voidaan olettaa, että hypoteesi, että väestö on dikotomisten syöpäalttiuteen virheellisesti hylättiin [14].

valmistaminen haimasyövän Data

Tässä työssä on tarjota uusia havaintoihin näyttöä dikotomisten syöpäalttiuteen väestössä, PC data keränneet SEER9 tietokannoista [18] vuodesta 1975 vuoteen 2004 saakka asuvan väestön yhdeksällä maantieteellisillä alueilla (Atlanta, CT, Detroit, IA, lahden alueella, Seattle, HI , NM, UT), on käytetty. Varten sopii, PC kerätyt tiedot yhdeksällä maantieteellisillä alueilla jaettiin kahteen aineistot nimeltään ”Itä” ja ”Länsi”. PC kerättyjä tietoja Atlanta, CT, Detroit ja IA jaettiin Itä aineisto, kun tietoja kerätään lahden alueella, Seattle, HI, NM ja UT jaettiin Länsi aineisto. Vain potilaat, joilla on diagnosoitu ensimmäinen ensisijainen, mikroskooppisen varmistettujen PC käytettiin. Tällaisten tietojen selviytyminen analyysi PC suositteli [25].

tietojen poiminta ja ensisijaisen tietojenkäsittely, tilastollinen ohjelmistopaketti, SEER * Stat versio 8.0.4, käytettiin. Tämän ohjelmiston ikävakioidun ilmaantuvuus kerätty 30 vuoden aikana (1975-2004) väestölle ositettu sukupuolen (miehet ja naiset), rotu (musta ja valkoinen), ja maantieteellinen alue (Itä- ja Länsi) määritettiin. Tiedot yhdistettiin kuusi (), viisi vuotta kestäneen (poikkileikkauksen) ajanjaksoina välein (197-1979, 1980-1984, 1985-1989, 1990-1994, 1995-1999 ja 2000-2004). Koska numero PC tapauksissa yksilöiden alle 30 vuotias oli liian pieni tilastolliseen analyysiin, tapauksissa vain yksilöiden diagnosoitu PC 30-vuotiaana ja vanhemmat hyödynnettiin.

valittu PC tapauksissa fraktoitiin ryhmiin , joka vastaa viiden vuoden mittainen ikä väliajoin vuotta, vaihtelee 30: stä 99-vuotias. Kullekin näistä ikäryhmissä (todennut kanssa keskipisteen) ja kunkin kuuden katsoi ajanjaksoina välein (todennut) ikävakioidun ilmaantuvuus sekä niiden keskivirheet arvioitiin seuraavasti: (19) (20 ) in (19) ja (20), ja ovat lukumäärä syöpätapauksia ja koko väestön nnen ikä intervalli, aikana havaitut nnen ajanjaksoina vastaavasti.

käytettiin Arvioimme väestöstä vaara korko. Yleisessä tapauksessa olisi saatu käyttämällä ikään kauden-kohortti analyysi [3] – [5], [14], [15]. Kuitenkin [17] todettiin, että aika-jakson ja syntymä-kohortti vaikutuksia ikävakioidun ilmaantuvuus tietokoneen tietoja ovat merkityksettömiä pieniä. Siksi esillä olevassa työssä, saatiin painotettuna avulla ikävakioidun Ilmaantuvuus: (21) missä painot, laskettiin (22) ja

(23) Arviot teoreettisen (yksittäiset ) vaara hinnat, sekä arviot niiden keskivirheet,, saatiin käyttämällä yhtälöitä (14) – (15), joka esiteltiin kaavoilla: (24) (25) B

arviot kumulatiivisen väestön vaaran korko, yleinen kumulatiivinen väestön vaaran, ja arvot (sekä ja) saatiin

kautta of the ja, antamien kaavojen (21) ja (23), ja käyttämällä äärellinen summia kanssa askel lähentäminen integraalin (9) ja (11), suoritetaan standardin tavalla [17].

Modeling väestö- ja Individual Hazard Toiminnot Stratifioitu populaatiot

tässä työssä mallintamiseen yksittäisen vaaran toiminnon, kolmen parametrinen Weibull toiminto hyödynnetään [17] 🙁 26) missä

λ

– keskimäärin klooneja kehitetty mutatoidun soluista ensimmäisen vuoden kuluttua alusta tehokkaan ajan syövän altistumisen,

r –

useita mutaatioita, joita tarvitaan muuntamaan normaalin solun pahanlaatuinen yhteen, ja

– aikasiirtymä (in vuotta), jotka voivat sisältää ajan syntymästä ikä alussa karsinogeneesin sekä tarvittava keskimääräinen aika kloonilaajenemisen pahanlaatuisten solujen kliinisesti havaittava kasvain [14].

Olettaen, että Ositetusta väestön yksilön vaara on sama kuin yksittäisten vaaraa toiminnon stratifioitu väestölle, voidaan saada: (27) B

tässä tapauksessa että kerrostunut väestön väestö vaara toiminto on seuraavat muoto: (28) B

kaava (28) seuraa, kaavojen (12) ja (27). In (28), että vastaavat arviot, jotka on saatu kerrostunut väestön käytetään.

Tulokset ja keskustelu

Heuristinen lähestymistapa ja vastaava neljä vaihetta computing puitteet, kuvattu Materiaalit ja menetelmät olivat käytetyt mallintamiseen syövän haimassa. Tarvittavat tiedot poimittiin näkijä 9 tietokannoista [18]. Syöpää aiheuttavia mallinnus, seitsemää tietojen valmistettiin (katso materiaalit ja menetelmät): yhdet tiedot stratifioitu väestölle ja kuusi sarjaa tiedot väestölle ositettu sukupuolen (mies, nainen), rotu (musta, valkoinen) ja maantieteellinen alueet elävä (Itä, Länsi). Koska tulokset karsinogeenisia mallintamista varten stratifioitu väestölle ilmoitettiin [17], lähinnä tulokset kerrostunut väestön esittelyyn.

kerrostunut väestön arvioiden väestön ilmaantuvuus, ja niiden standardi virheet,, yksikköinä useissa syövän tapausta 100000 henkilövuotta saatu SEER tiedot, on esitetty taulukoissa 1-6. Näistä arvioista, koot osa yksilöiden altis syöpä (eli kokonaispituus väestö vaarat,) ja niiden keskivirheet (), sekä arviot vastaava kumulatiivinen väestön vaara hinnat, ja niiden) määritettiin kuvatulla vaiheessa 1 ehdotetun computing puitteissa.

vertailu arvioiden ja osoittaa, että miehet ovat todennäköisesti saada haimasyöpä ( PC) kuin naisilla (eli koko altaan yksilöiden alttiita PC, on suurempi miehillä (;) kuin naisilla (;). Vastaavasti mustat (;) on suurempi mahdollisuus saada PC kuin valkoiset (;) . Lopuksi asuvat itäisellä alueella (;) ovat todennäköisesti saada PC verrattuna niihin, jotka asuvat Länsi-alueella (;). vertailu vastaavien tiedot osoittavat, että kaikki nämä erot ovat tilastollisesti merkitseviä.

arvot esitetään taulukoissa 1-6 viittaavat siihen, että kerrostunut väestön arvioiden väestön vaaran hinnat kaikissa ikä- välit ovat lähes verrannollinen: virherajoissa, suhteet vastaavien ovat lähes samat kaikissa ikä- väliajoin , lukuun ottamatta muutamia kohtia. Arvot näistä suhteista ovat lähellä suhde vastaavasta. On huomattava, että kerrostunut väestön kanssa samaan teoreettinen vaara toiminnon, suhteellisuus niiden seuraa kaavan (12). Koska kaavan (12) saatiin olettaen että populaatiossa on dikotomisten alttiutta syövän ja koska ennuste tehdään tämä kaava tukee havaittu data, voidaan päätellä, että tämä oletus olisi oltava voimassa.

Empiirinen arvioita yksittäisten vaaran hinnat, ja niiden saatiin

kautta

, ja kuten on kuvattu vaiheessa 2 ehdotetun computing puitteissa (katso materiaalit ja menetelmät). Saadut arviot on esitetty taulukoissa 1-6. On huomattava, että esitetyt Näissä taulukoissa ovat myös arvioiden vastaava teoreettinen vaara toiminnot PC esiintyminen vuotiaana välein (). Kuten voidaan nähdä näistä taulukoista, virherajoissa, arvot, määritetty katsotaan kerrostunut populaatiot ovat lähes samat ja kasvaa iän myötä. Lisäksi saadut arvot ovat hyvin lähellä niitä, jotka määritettiin esiintyminen PC stratifioitu populaation (katso taulukko 5 [17]). Yhdessä nämä tiedot viittaavat siihen mahdollisuus valita ”ylös” saman teoreettinen vaara funktio PC esiintymisen varten kerrostunut ja stratifioitu populaatiot. Choosing ”ylös” teoreettinen vaara toiminta syövän edellytetään Vaihe 3 ehdotetun computing puitteissa (katso materiaalit ja menetelmät). Tässä työssä, joilla mallinnetaan yksittäisten vaara toiminnon, kolmen parametrinen Weibull toiminto, esitetty Materiaalit ja menetelmät kaavan (26), käytettiin. Perustellaan sillä tämä vaihtoehto on, että tämä toiminto on onnistuneesti käytetty [17] PC mallinnus stratifioitu väestöstä.

Lopuksi arvoja yksilön ja väestön vaara hinnat PC esiintyminen kerrostunut väestön ennustettiin käyttämällä kaavojen (27) ja (28), vastaavasti. Koska parametrit näistä toiminnoista, seuraavia arvoja käytettiin: sekä = 17. Nämä arvot määritettiin PC esiintymisen stratifioitu väestön ehdotetulla vaiheessa 4 ehdotetun computing puitteissa. Huomaa, kuten parametrical arvot saatiin myös [17] PC esiintymisestä stratifioitu väestöstä. Toisin sanoen, (itsenäisesti sukupuolen, etnisen taustan ja maantieteellisen alueen elämisen) Haimasyöpä voi ilmetä, kun keskimäärin klooneja kehitetty mutatoidun soluista ensimmäisen vuoden jälkeen alun tehokkaan ajan syövän valotus on noin ja useita mutaatioita muuttaa normaalin solun pahanlaatuinen yksi on noin. Tämä syöpä on kliinisesti havaittu kanssa ajansiirto (joka sisältää ajan syntymästä ikä alussa Karsinogeneesin sekä tarvittava keskimääräinen aika kloonilaajenemisen pahanlaatuisten solujen kliinisesti havaittava kasvain [14]) on noin = 17 vuotta.

Kuviot 1-3 graafisesti esittää arvioita väestön (paneeli A) ja yksittäiset (paneeli B) vaara hinnat, sekä mallinnettu väestön ja yksittäisten vaaran toiminnot PC esiintyminen populaatioiden kerrostunut sukupuolen, rodun ja maantieteellinen aikakauden elävä. Arvioiden hinnat näkyvät keski pistettä vastaavan iän välein ja annetaan yksiköissä useissa syövän tapausta 100000 henkilötyövuotta. Virhe palkit osoittavat 95%: n luottamusväli (

CI

). Paneeleissa B, kohdat, on jätetty pois, koska suuri virhepalkit. Kuvioissa 1-3, mallinnettua väestön arvot ja yksittäiset vaaran toiminnot näkyvät yhtenäisillä viivoilla. Mallinnetun yksittäiset ja väestön vaaran toiminnot esitellään yhtenäisillä viivoilla.

Näistä populaatiot, arvioiden hinnat ja niiden 95% luottamusväli (

CI

) annetaan yksiköissä numero syöpätapauksista per 100000 henkilövuotta ja esittämän ympyröitä ja virhepalkkeja sinistä (valkoiset) ja punainen (varten mustat) vs. ikävuosillasi. Mallinnetun väestö ja yksittäiset vaaran toiminnot esitellään yhtenäisillä viivoilla.

Näistä populaatiot, arvioiden hinnat ja niiden 95% luottamusväli (

CI

) annetaan yksikköä määrä syövän tapausta 100000 henkilövuotta ja esittämän ympyröitä ja virhepalkkeja sinistä (Itä alue) ja punainen (Länsi alue) vs. ikävuosillasi. Mallinnetun väestö ja yksittäiset vaaran toiminnot esitellään yhtenäisillä viivoilla.

silmämääräinen kuvioiden 1-3 viittaa siihen, että ennustetut käyrät, ja, (jossa on ensimmäisen asteen approksimaatio) hyvin lähentää vastaava havaittu data, ja, vastaavasti. Näin ollen voidaan päätellä, että PC malli, kehitetty stratifioitu väestön dikotomisen alttiutta syöpään, hyvin ennustaa väestön arvot vaara nopeus PC populaatioita ositettu sukupuolen, rodun, ja maantieteellinen alue elää.

Johtopäätökset

tässä työssä romaani, ”ylhäältä alas” computing lähestymistavan syöpää aiheuttavia mallinnusta kehitetään. Tämä lähestymistapa perustuu yleiseen oletukseen, että väestö, vain pieni murto-osa yksilöiden altis syöpä lopulta saada syöpään elinaikanaan. Se mahdollistaa hajoavasta matemaattisen ongelman karsinogeenisen mallinnus kaksi yksinkertaista ongelmia.