![]()
9
diagnostiska variabler och sjukdomsstatus kan den
logistiska regressionsmodellen optimeras att räkna
ut sannolikheten för att en patient har sjukdomen i
fråga.
Logistisk regression användes allmänt inom epi-
demiologisk forskning redan på 1980-talet. Under
det senaste decenniet har metoden börjat användas
inom en hel rad andra forskningsområden. Den här
artikeln fokuserar på konstruktion av diagnostiska
algoritmer. Också för det ändamålet är logistisk
regression vanligare än neurala nätverk: vid sök på
Medline den 12 maj 2003 gav orden ”logistic”,
”regression” och ”diagnosis” 15 710 träffar efter
1.1.1995 medan orden ”artificial”, ”neural” och
”diagnosis” gav 915 träffar. Under de senaste åren
har logistisk regressionsanalys blivit standard i alla
större statistikprogram. Analysen är lätt att utföra,
men att tolka analysresultaten och konstruera fun-
gerande algoritmer kräver en del erfarenhet.
En fördel med logistisk regression jämfört med
neurala nätverk är att det är lätt att avgöra vilka vari-
abler som verkligen tillför viktig information för att
ställa diagnos. Figur 2 visar ett exempel på hur två
laboratorievariabler och två kliniska variabler kan
användas för att precisera risken för prostatacancer
hos män med 4-20
µ
g/l prostataspecifikt antigen
(PSA) i serum. Alla fyra variabler påverkar risken:
totalt PSA och misstänkt fynd vid DRE sammanhän-
ger med förhöjd risk, medan en hög andel fritt PSA
och stor prostatavolym innebär lägre risk. Logistiska
regressionsekvationen som står som grund för algo-
ritmen har publicerats tidigare,
2
och algoritmen finns
också tillgänglig som en Excel-applikation, som kan
laddas ned på webben, www.finne.info. Exempelvis
kan ett PSA-värde på 6
µ
g/l i serum innebära mycket
varierande risker för prostatacancer: om andelen fritt
PSA är 25 procent, DRE negativt och prostatavoly-
men är större än 37 ml är risken mindre än 10 pro-
cent, medan risken är större än 60 procent om ande-
len fritt PSA är 10 procent, DRE positivt och prosta-
tavolymen mindre än 37 ml (Figur 2). Algoritmen
skapades på basis av data om 758 män i åldern 55–67
år, som hade en serum-PSA-koncentration mellan 4
och 20
µ
g/l i den finländska prostatacancerscree-
ningstudien.
6
Information om ålder och prostatacan-
cer hos nära släktingar utvärderades också som för-
klarande variabler, men det visade sig att de inte
bidrog med tilläggsinformation utöver de fyra inklu-
derade variablerna.
Det område där diagnostiska algoritmer kanske
använts mest i praktiken är screening för Downs
syndrom. Logistisk regression och liknande stati-
stiska modeller har använts för att beräkna risken
för Downs syndrom på basis av moderns ålder,
serumnivåer av alfafetoprotein, estriol och korion-
gondadotropin.
7,8
Algoritmerna ökar sensitiviteten i
Downscreening jämfört med användning av enskil-
da variabler.
Den största nackdelen med logistisk regression är
att komplexa förhållanden och korrelationer inom
datamängden kan vara svåra att påvisa. Typen av
korrelation mellan förklarande variabler och
utgångsvariabel måste väljas i förväg genom att
transformera de förklarande variablerna. För att dra
nytta av mer komplex information lämpar sig fler-
lagersperceptronen bättre, och den kan i själva ver-
ket ses som en utvidgning av logistisk regression.
Flerlagersperceptronen
Perceptronen var den första artificiella neurala
modellen och introducerades på 1950-talet.
9
Sedan
dess har tekniken utvecklats avsevärt och i dag är
| 3 | 2003
Klinisk Biokemi i Norden
4 6 8 10 12 14 16 18 20
5
10
15
20
25
30
35
40
45
50
Totalt PSA (µg/l)
Andel fritt PSA (%)
4 6 8 10 12 14 16 18 20
5
10
15
20
25
30
35
40
45
50
Totalt PSA (µg/l)
Andel fritt PSA (%)
4 6 8 10 12 14 16 18 20
Totalt PSA (µg/l)
4 6 8 10 12 14 16 18 20
Totalt PSA (µg/l)
DRE -, Prostatavolym < 37 ml
DRE -, Prostatavolym > 37 ml
DRE +, Prostatavolym < 37 ml
DRE +, Prostatavolym > 37 ml
Risk för prostatacancerfynd i biopsi (%)
0-9 10-19 20-29 30-39 40-49 50-59 60-69 70-79 80-89
Figur 2.
(Fortsætter side 10)
