Lubomír Pavliska. Datový sklad pro vědu a výzkum s návazností na datové analýzy klinických dat FNO

Transkript

1 Lubomír Pavliska Datový sklad pro vědu a výzkum s návazností na datové analýzy klinických dat FNO

2 Hlavní funkce datového skladu Modelování datových struktur Zabezpečený přístup uživatelů Přímé analytické funkce Tvorba výstupů analýz Průběžné analýzy klinických studií Správa klinických studií na jednom místě Archivace dat

3 Technické řešení

4 Vnitřní struktura

5 Řešení Labkey Server

6 Příklad vstupních dat

7 Přehledy: celk. počet pacientů 55 Pacienti podle skupin Amputace celkové Pocet pac. Procento Skup. B 22% Skup. A 25% Skup. A Skup. B Amp. 25% Amputov. Pocet pac. 14 Procento 25.5 Skup. C Neamputov Skup. C 27% Skup. D 25% Skup. D Neamp. 75% Pacienti podle pohlaví Amputace podle skupin Muži 85% Male Pocet pac. 47 Procento 85.5 Skup. B 33% Skup. A 14% Amput. A Amput. B Pocet pac. 2 4 Procento Ženy 15% Female Skup. C 27% Skup. D 29% Amput. C Amput. D

8 Příklad analýzy dat ABI Ankle Brachial Index group I.M Probability Density Quantile Prob. Vstup Prob. 6 m.. síc.. Den. Vstup Den. 6 m.. síc..

9 Příklad testování MMSE 30 Pacienti (CMP, ACER[40 79], Test,Re test) Probability[P] Density[D] MMSE Quantile: Bounds [MinD1,MinD2]=[20, 20]; [MaxD1,MaxD2]=[29, 30] 0 0 Test Re test Medians [24.1, 26.2] with bounds Test hypotesis: H 0 : µ 1 = µ 2 against H A : µ 1 µ 2, α = 0.05 p value = Result: rejected null hypothesis. M W U test: p value= [P] Test (n=13) [P] Re test (n=13) [D] Test [D] Re test

10 Analýza časových vzorků Depth (group B) Depth [cm] Enter W1 W2 W3 W4 W5 W6 W7 W8 W9 W10 W11 W12 Index Perc 0.05 LowBound Perc 0.25 Perc 0.10 Perc 0.75 Median Perc 0.95 Perc 0.90 UpperBound

11 3 Pacienti test re-test (ACER-CMP) Výběr pacientů definovaném z podmínky pro CMP ACER Test/Re-Test (MMSE >= 18, ACER100 <= 79, DgOkruh = 1, Vek >= 55) 3.1 Tabulky statistik Pacient ID Vek Pohlavi Rozsah Leze Medián Věk od Věk do Muži Ženy Počet Pacienti CMP 71, Min value Max value Robust median Robust(mean ± deviation) Count CMP PAC MMSE 30 Pac ± CMP PAC MMSE 30 Pac ± CMP PAC ACE R100 Pac ± CMP PAC ACE R100 Pac ± CMP PAC PozornostOrientace18 Pac ± CMP PAC PozornostOrientace18 Pac ± CMP PAC Pamet26 Pac ± CMP PAC Pamet26 Pac ± CMP PAC SlovniProdukce14 Pac ± CMP PAC SlovniProdukce14 Pac ± CMP PAC Jazyk26 Pac ± CMP PAC Jazyk26 Pac ± CMP PAC ZrakoveProstoroveSchopnosti16 Pac ± CMP PAC ZrakoveProstoroveSchopnosti16 Pac ±

12 3.2 Výsledky testů M-W U-test p-value Gnostic p-value CMP PAC MMSE 30 0,1633 0,0121 CMP PAC ACE R100 0,1360 0,0148 CMP PAC PozornostOrientace18 0,8148 0,0343 CMP PAC Pamet26 0,0442 0,0075 CMP PAC SlovniProdukce14 0,2541 0,0133 CMP PAC Jazyk26 0,6214 0,0408 CMP PAC ZrakoveProstoroveSchopnosti16 0,8562 0,0179 MMSE 30 Pacienti (CMP, ACER[40 79], Test,Re test) ACE R100 Pacienti (CMP, ACER[40 79], Test,Re test) Probability[P] Density[D] MMSE Probability[P] Density[D] ACE R Quantile: Bounds [MinD1,MinD2]=[20, 20]; [MaxD1,MaxD2]=[29, 30] 0 0 Test Re test Quantile: Bounds [MinD1,MinD2]=[46, 49]; [MaxD1,MaxD2]=[79, 83] 0 0 Test Re test Medians [24.1, 26.2] with bounds Medians [66.9, 72.4] with bounds Test hypotesis: H0: µ1 = µ2 against HA: µ1 µ2, α = 0.05 p value = Result: rejected null hypothesis. M W U test: p value= Test hypotesis: H0: µ1 = µ2 against HA: µ1 µ2, α = 0.05 p value = Result: rejected null hypothesis. M W U test: p value= [P] Test (n=13) [P] Re test (n=13) [D] Test [D] Re test [P] Test (n=13) [P] Re test (n=13) [D] Test [D] Re test

13 3.3 Relativní změna mediánů Relat. změna mediánů: Pacienti Test/Re test, CMP(MMSE>=18,ACER<=79) Poměr nárůstu(+)/poklesu( ) v [%] MMSE 30 ACE R100 Pozornost a orientace Paměť Slovní produkce Jazyk Zrakově prostorové schopnosti Hodnota 0 představuje hladinu mediánů pro Test

14 Porovnání mediánů: Pacienti Test/Re test, CMP (P1,P2) AD (P1,P2) CMP P1 CMP P2 AD P1 AD P MMSE 30 ACE R100 Pozornost a orientace Paměť Slovní produkce Jazyk Zrakově prostorové schopnosti

15 Correlation coefficient D48 (Placebo) mirna Correlation coefficient D48 (TFC) mirna LDP 0.37 LDP LDP 0.16 LDP SMA SMA Correlation coefficient D48 (SIS) mirna Correlation coefficient D48 (TFC + SIS) mirna LDP 0.79 LDP LDP 0.8 LDP SMA SMA

16 Regression D48 (Placebo) Regression D48 (TFC) mir mir Regression D48 (SIS) Regression D48 (TFC + SIS) mir mir

17 Datový cluster Soustava serverů Jednotná správa vědeckých dat Sjednocení a kooperace analytických kapacit Společný vývoj analytických metod Jednotné prostředí pro analýzy Prostředí pro výuku posluchačů Prostředí pro doktorandské studium Vývoj nových metod a funkcí

18 Schéma clusteru Organizace n Organizace 2 Organizace 1: PC 1 PC n Data Uživatelské komponenty Rozhraní web prohlížeče Server n Server 2 Server 1: Operační systém Databáze Web server Komponenty uživatelského prostředí Externí servery a databáze

19 Sdílení dat a tvorba datových analýz Spolupráce externích organizací nad jednotnými daty VŠB-TUO, Ostravská Univerzita Projekty IT4, 4MEDI Tvorba nových analytických funkcí a výstupů ve spolupráci s VŠB-TUO

20 Tvorba nových vícerozměrných metod analýzy TESTS OF HYPOTHESES ON GNOSTICAL QUANTITIES J. KNIZEK 1,2, L. PAVLISKA 1, V. PROCHAZKA 1, P. BOUCHAL 2,3, B. VOJTESEK 2, R. NENUTIL 2, L. BERANEK 4 1 Institute of Radiodiagnostics and Department for Science and Research, University Hospital Ostrava, Czech Republic; 2 Regional Centre for Applied Molecular Oncology, Masaryk Memorial Cancer Institute, Brno, Czech Republic; 3 Masaryk University, Faculty of Science, Department of Biochemistry, Brno, Czech Republic; 4 Southbohemian University, Faculty of Economics, Department of Applied Mathematics, Ceske Budejovice, Czech Republic Nové metody vícerozměrné analýzy Ověřování skriptů numericky náročných metod ve spolupráci s týmem VŠB-TUO superpočítače (IT4Inovation)

21 Věda a Výzkum Děkuji za pozornost