LU Eksperimentālās un klīniskās medicīnas insitūts „Plaušu vēža diagnostikas metodes un datorprogrammas prototipa izstrāde, izmantojot izelpas gaisa analīzi ar mākslīgo ožas sensoru” ERAF. 2.1.1.1.0 aktivitāte „Atbalsts zinātnei un pētniecībai” Vienošanās Nr. 2010/0303/2DP/2.1.1.1.0/10/APIA/VIAA/043 Dr.med Māris Bukovskis, Dr.biol. Gunta Strazda, Dr.med. Uldis Kopeika, Dr.biol. Normunds Jurka, Līga Balode, Agnese Kislina LU Eksperimentālās un klīniskās medicīnas insitūts LU 70. zinātniskā konference 02.02.2012.

Plaušu vēzis: mirstība un agrīnas diagnostikas nozīme 5 gadu dzīvildze pacientiem ar III stadijas plaušu vēzi 20% 5 gadu dzīvildze pacientiem ar I stadijas plaušu vēzi 70% Krēpu citoloģiskā analīze, fluorescentā bronhoskopijas un plaušu spirāles DT Lam S et al. Can Fam Physician 2001 Mulshine JL et al. Chest 1995 Henschke CI et al. Radiol Clin North Am 2000

Gaistošie organiskie savienojumi izelpas gaisā: sākums ... 1971.g. Pauling et al. ar gāzu hromatogrāfijas palīdzību pierāda, ka izelpas gaisā atrodas vairāki simti gaistošu organisku savienojumu Gaistošo organisko savienojumi (volatile organic components) mērāmi pikomolārā jeb 10-12 mol/L koncentrācijā Pauling L et al. Quantitative analysis of urine vapor and breath by gas-liquid partition chromatography. Proc Natl Acad Sci U S A 1971; 68:2374–2376

Elektroniskā deguna darbības princips Gaistošo organisko savienojumu oglekļa atomi izraisa polimēru sensoru tilpuma palielināšanos Tas izraisa elektriskās pretestības pārmaiņas

Elektroniskā deguna darbības princips Parauga atbildes reakcija uz 32 sensoriem Relatīvā elektriskā pretestība Bazālā līkne Laiks (sekundes)

Smaržas “nospieduma” analīze Diferencētā elektriskā pretestība (ΔR/R)

Pētījuma pacienti Savāktas gaisa paraugu analīzes no 514 pacientiem un veseliem brīvprātīgiem Datu analīzes tabulā ievadīti dati par 421 pacientiem Datu statistiskai analīzei atlasīti 176 pacienti (86 ar plaušu vēzi un 90 pacienti ar citām diagnozēm un veseli brīvprātīgie)

Datu statistiskā analīze Analizēti sekojoši parametri un to kombinācijas - līknes maksimums Rmax - Σ jeb laukums zem līknes (AUC) - līknes pieauguma ātrums tg 0-60 Dati analizēti ar datorprogrammu Statistica 6.0 Atbalsta vektora analīze (SVM) Daudzfaktoru loģiskās regresijas analīze Analīze ar mākslīgo neironu tīklu

Analīze ar SVM (vēzis pret citiem: veseli, citas diagnozes, operēti) Krustotā novērtēšana % Klases precizitāte % Citi pareizi % Vezis MAX 71,8 74,0 85,7 62,2 Σ 71,3 70,7 83,5 57,8 tg 0-60” 73,5 76,2 84,6 67,8 MAX+Σ 64,4 Σ+ tg 79,0 80,2 77,8 MAX+tg 72,9 63,3 MAX+Σ+tg 72,4 77,9 82,4 73,3 Σ+tg sm MAX+Σ+tg sm 76,8 71,1

Datu statistiskā analīze Plaušu vēža diagnozes varbūtība y tika aprēķināta pēc formulas , kur e naturālā logaritma bāze 2,7183...

Datu statistiskā analīze ar LRG Optimālās detektoru kombinācijas atlase ar atpakaļejošā soļa metodi Ar LGR analīzi pareizi izdodas prognozēt vēzi 73,8% gadījumu

LRG analīzes rezultāti Analizējot datus atkarībā no mērījuma NRPK neatrod būtisku tā ietekmi uz modeli (pareizi 75%) Pārbaudot modeļa precizitāti kā papildus faktoru ņemot smēķēšanu neatrod tās būtisku ietekmi (pareizi 73,9%)

MNT matemātiskie modeļi   Profile Train Perf. Select Perf. Test Perf. Train Error Select Error Test Error Training/ Members 1 MLP 6:6-8-1:1 0.824176 0.659091 0.704545 0.623642 0.879263 0.812094 BP100,CG20,CG0b 2 PNN 6:6-91-2-2:1 0.714286 0.590909 0.681818 0.534203 0.526876 0.545048 3 RBF 6:6-14-1:1 0.802198 0.636364 0.384817 0.483034 0.554329 KM,KN,PI 4 Linear 6:6-1:1 0.613636 0.750000 0.389443 0.458726 0.621961 PI 5 Linear 5:5-1:1 0.791209 0.398953 0.452954 0.536841

1.modelis 2.modelis 3.modelis 4.modelis 5.modelis

MNT modeļu diagnostiskā precizitāte   Vezis.1 Citi.1 Vezis.2 Citi.2 Vezis.3 Citi.3 Vezis.4 Citi.4 Vezis.5 Citi.5 Kopā 88.0 91.0 Pareizi 67.0 68.0 55.0 66.0 63.0 64.0 65.0 Nepareizi 21.0 23.0 33.0 25.0 27.0 24.0 26.0 Nezināms 0.0 Pareizi (%) 76.1 74.7 62.5 72.5 71.6 70.3 72.7 71.4 Nepareizi (%) 23.9 25.3 37.5 27.5 28.4 29.7 27.3 28.6 Nezināms (%) MLP 6:6-8-1:1 Linear 6:6-1:1

Secinājumi Izelpas gaisa analīzi ar mākslīgo ožas sensoru palīdzību nākotnē varētu izmantot kā plaušu vēža skrīninga diagnostikas metodi Pateicība Dr. Biol. Guntai Strazdai, Dr.med. Uldim Kopeikam, Dr.biol. Normundam Jurkam, Līgai Balodei, Agnesei Kislinai un prof. Immanuelam Taivanam

Paldies par uzmanību!