Webbläsaren som du använder stöds inte av denna webbplats. Alla versioner av Internet Explorer stöds inte längre, av oss eller Microsoft (läs mer här: * https://www.microsoft.com/en-us/microsoft-365/windows/end-of-ie-support).

Var god och använd en modern webbläsare för att ta del av denna webbplats, som t.ex. nyaste versioner av Edge, Chrome, Firefox eller Safari osv.

Snabb statistikmetod för analys av TEDDY data. 2021

TEDDY studien samlar in information 40–50 gånger fram till 15 års ålder beroende på om forskningspersonen har autoantikroppar eller ej.

Det är information av olika typ som samlas in. Vid varje besök analyseras sju olika autoantikroppar, som är biomarkörer för autoimmun (typ 1) diabetes, celiaki och sköldkörtelinflammation. IAA, GADA, IA-2A och ZnT8A är biomarkörer för autoimmun (typ 1) diabetes. tTGA (vävnadstransglutaminas autoantikroppar) är biomarkör för celiaki. TPOAb (tyroideaperoxidas autoantikroppar) och TGAb (thyroglobulin autoantikroppar) är biomarkörer för sköldkörtelinflammation.

Det är mycket information som ska tas om hand och bearbetas för de 4 000 barn som fortfarande är kvar i studien. 

All information i TEDDY bearbetas med olika statistiska metoder. Eftersom TEDDY är en av världens största uppföljningsstudier på barn är intresset stort från forskare världen över att analysera all data. Ett första arbete har publicerats där författarna har utvecklat en ny metod att analysera stora mängder data med hjälp av Bayesiansk statistik.

Bayes (en präst i England på 1800-talet) teorem användes för att kombinera insamlad data (till exempel autoantikroppar) med annan information (till exempel infektioner rapporterade i frågeformulär) till en samlad slutsats.

Resultaten visade att:

  • maskininlärning och Artificiell Intelligens (AI) kan användas för att analysera den stora mängden data som finns i TEDDY studien.
  • det gick att lägga ihop normalfördelad data till en samlad analys för att ta reda på vilka olika typer av information i TEDDY som hänger ihop med varandra.
  • det gick att ta 21 285 olika gener analyserade i TEDDY på 313 barn som lämnat 742 prov vid nio tillfällen och upptäcka fem gener – två var inte tidigare kända – som var kopplade till risk för autoimmun (typ 1) diabetes.

Slutsatsen var att den nya metoden kommer att kunna användas för att analysera all data som samlats in i TEDDY för att ta reda på varför barn utvecklar autoimmun (typ 1) diabetes.

 

Författare: Jia B, Liang F; TEDDY Study Group.

Titel: Fast hybrid Bayesian integrative learning of multiple gene regulatory networks for type 1 diabetes.

Publicerad i: Biostatistics. 2021.

TEDDY publikation nr 132, 2021 (PDF, 1,33 MB, nytt fönster)