![]()
13
| 3 | 2003
Klinisk Biokemi i Norden
6. Määttänen L, Auvinen A, Stenman UH, et al:
Three-year results of the Finnish prostate cancer
screening trial. J Natl Cancer Inst 93:552-553,
2001
7. Wald NJ, Cuckle HS, Densem JW, et al: Maternal
serum screening for Down's syndrome in early
pregnancy. BMJ 297:883-887, 1988
8. Haddow JE, Palomaki GE, Knight GJ, et al:
Screening of maternal serum for fetal Down's syn-
drome in the first trimester. N Engl J Med
338:955-961, 1998
9. Rosenblatt F: A probabilistic model for informati-
on storage and organization in the brain.
Psychological Review 65:386-408, 1958
10.Foresee FD, Hagan MT: Gauss-Newton approxi-
mation to Bayesian Regularization, Proceedings of
the 1997 International Joint Conference on Neural
Networks. Houston, TX, IEEE, 1997, pp 1930-35
11. Sargent DJ: Comparison of artificial neural
networks with other statistical approaches. Cancer
91:1636-42., 2001
12.Finne P, Finne R, Stenman UH: Neural network
analysis of clinicopathological factors in urologi-
cal disease: a critical evaluation of available
techniques. BJU Int 88:825-825, 2001
13.Schwarzer G, Vach W, Schumacher M: On the
misuses of artificial neural networks for progno-
stic and diagnostic classification in oncology. Stat
Med 19:541-561, 2000
14.Schwarzer G, Schumacher M: Artificial neural
networks for diagnosis and prognosis in prostate
cancer. Semin Urol Oncol 20:89-95, 2002
Referenser
1. Finne P, Finne R, Auvinen A, et al: Predicting the
outcome of prostate biopsy in screen-positive men
by a multilayer perceptron network. Urology
56:418-422, 2000
2. Finne P, Auvinen A, Aro J, et al: Estimation of
prostate cancer risk on the basis of total and free
prostate-specific antigen, prostate volume and
digital rectal examination. Eur Urol 41:619-626,
2002
3. Djavan B, Remzi M, Zlotta A, et al: Novel artifici-
al neural network for early detection of prostate
cancer. J Clin Oncol 20:921-929, 2002
4. Stephan C, Jung K, Cammann H, et al: An artifi-
cial neural network considerably improves the
diagnostic power of percent free prostate-specific
antigen in prostate cancer diagnosis: results of a
5-year investigation. Int J Cancer 99:466-473,
2002
5. Hosmer DW, Lemeshow S: Applied Logistic
Regression (ed 2). New York, John Wiley & Sons,
2000
redan i början av 1990-talet så felen kan inte bara
skyllas på allt för användarvänliga program. Det
kanske vanligaste felet var att konstruera orimliga
funktioner, genom att använda ett för stort parame-
terantal i förhållande till antalet patienter. Det var
också vanligt att neurala nätverks precision i
förhållande till regressionsmetoder överdrevs och
att nätverkens struktur inte beskrevs tillräckligt
noga. Analys- och rapporteringsfel kan leda till att
de neurala nätverken inte fungerar när de applice-
ras i praktiken.
Hur ser en bra diagnostisk algoritm ut? Det vik-
tigaste är att algoritmen ger bättre precision än
enskilda diagnostiska test. Algoritmen ska också
vara kostnadseffektiv och inte kräva inmatning av
onödiga variabler, som inte tillför diagnostisk infor-
mation. Algoritmen ska helst ge en exakt sanno-
likhet för en viss diagnos. Algoritmen måste vara
väldokumenterad och validerad och dessutom lättill-
gänglig, t.ex. via webben. Algoritmer som uppfyller
de här kriterierna har alla förutsättningar att
komma i utbrett kliniskt bruk. Även om en algoritm
fungerar bra till en början gör den knappast det för
alltid, t.ex. på grund av att klinisk praxis ändras
eller nya diagnostiska metoder utvecklas. Diag-
nostiska algoritmer behöver fortsatt validering och
uppdatering med jämna mellanrum.
Reflektion. Foto: Henrik Alfthan.
