BlandAltman方法判定测量一致性.docx

BlandAltman方法判定测量一致性.docx

《BlandAltman方法判定测量一致性.docx》由会员分享，可在线阅读，更多相关《BlandAltman方法判定测量一致性.docx（11页珍藏版）》请在冰豆网上搜索。

BlandAltman方法判定测量一致性

运用Bland-Altman分析水稻测量方法一致性

摘要：

在农业生产中，对水稻穗长进行测量的数据是预测水稻产量，观测农作物生长情况的重要指标。

在实际测量中，经常会遇到评价两种或多种检测、测量方法结果一致性的问题。

一般情况下，其中一种方法是目前广泛应用的或被称为“金标准”的方法，在对水稻穗长进行测量的过程中，水稻穗长的手动测量方法即人工对每棵水稻的穗长进行测量，此测量数据可作为“金标准”。

而另一种方法则是更先进、更便于应用、更经济的方法，在对水稻穗长进行测量的过程中，水稻穗长的自动测量方法即使用机器视觉采集水稻穗长图像，然后用图像识别的方法获得每个水稻的穗长。

本文将通过运用Bland-Altman方法对水稻穗长测量实例的分析，来判断这两种方法是否可以互相替代。

一、原理和方法

Bland-Altman方法的基本思想是计算出两种测量结果的一致性界限，并用图形的方法直观地反映这个一致性界限。

最后结合水稻穗长的实际状况，得出两种测量方法是否具有一致性的结论。

1．一致性界限

在进行两种方法的测定时，通常是对同一批受试对象同时进行测量。

这两种方法一般不会获得完全相同的结果，总是存在着有一定趋势的差异，如一种方法的测量结果经常大于（或小于）另一种方法的结果，这种差异被称为偏倚。

偏倚可以用两种方法测定结果的差值的均数d进行估计，均数d的变异情况则用差值的标准差Sd来描述。

如果差值的分布服从正态分布，则95％的差值应该位于d-1．96Sd和d+1．96Sd之间。

我们称这个区间为95％的一致性界限，绝大多数差值都位于该区间内。

如果两种测量结果的差异位于一致性界限内在实际上是可以接受的，则可以认为这两种方法具有较好的一致性，这两种方法可以互换使用。

当样本量较小时，抽样误差会相对较大，因此还要给出95％一致性界限的上下限的置信区间。

差值均数的标准差SE（d），一致性界限的上、下限的标准误近似等于1．71SE（d），则可以分别计算出一致性界限上限的95％置信区间和下限的95％置信区间。

2．一致性界限的图形表示——Bland—Altman图

Bland-A1tman图以图形的方式反映一致性界限。

在二维直角坐标中，用横轴z表示两种方法测量每个对象的平均值，纵轴Ⅳ表示两种方法测量每个对象的差值，即可得到Bland—Altman图3.3。

图中上下两条水平实线代表95％一致性界限的上下限，中间实线代表差值的均数，虚线代表差值均数为0。

两种测量方法的一致程度越高，代表差值均数的实线越接近代表差值均数为0的虚线。

根据95％一致性界限外的数据点数和一致性界限内的最大差值，以及临床上的可接受程度，对待评价的两种方法的一致性做出评价。

Bland．Altman图还清楚地显示了观察过程中出现的极端情况，如图中最下方的两个点。

二、水稻穗长测量实验

运用Bland-Altman差值方法对两次实验结果进行比较，第二次显示采用机器视觉测量水稻穗长的方法与手动测量方法即“金标准”具有较好的一致性，这两种方法可以互相替换。

而第一次实验两种测量方法的一致性较差。

以下是运用Bland-Altman方法对水稻数据进行分析。

1.用Bland-Altman方法对第一次实验结果进行分析：

图1.1第一次实验水稻穗长手动测量数据散点图

图1.2第一次实验水稻穗长自动测量数据散点图

图1.3第一次实验使用Bland-Altman差值法分析图

图1.4第一次实验使用Bland-Altman比值法分析图

2.用Bland-Altman方法对第二次实验方法进行分析

图2.1第二次实验水稻穗长手动测量数据散点图

图2.2第二次实验水稻穗长自动测量数据散点图

图2.3第二次实验使用Bland-Altman差值法分析图

图2.4第二次实验使用Bland-Altman比值法分析图

三、对Bland-Altman方法进行其他实验的验证

在本次作业中还对《Bland—Altman分析在临床测量方法一致性评价中的应用》论文中的方法进行了验证，实验证明，作业得出的结果与论文得出的结果一致。

可知，该方法和程序正确。

图3.1sEDV数据散点图

图3.2mEDV数据散点图

图3.3Bland-Altman差值法分析图

图3.4Bland-Altman比值法分析图

四、实验Matlab源代码

clear

closeall

clc

data=xlsread（'01.xls'）;

%data=xlsread（'02.xls'）;

%data=xlsread（'03.xls'）;

X=data（:

1）;

Y=data（:

2）;

%%%%%%%%%%%%%数据散点图%%%%%%%%%%%%%%%%%%%%%%%%%%%

figure

（1）

plot（X,'g*'）;

figure

（2）

plot（Y,'g*'）;

%%%%%%%%%%%%Bland-Altman差值法%%%%%%%%%%%%%%%%%%%%%%%

me1=mean（X-Y）;

s1=std（X-Y）;

figure（3）

plot（（X+Y）/2,（X-Y）,'r*'）;

holdon

hline=plot（60:

200,ones（1,141）*me1,'b-'）;

text（200,me1,'（X-Y）'）;

plot（60:

200,ones（1,141）*（me1-2*s1）,'b-'）;

text（200,me1+2*s1,'（X-Y+2*sigma）'）;

plot（60:

200,ones（1,141）*（me1+2*s1）,'b-'）;

text（200,me1-2*s1,'（X-Y-2*sigma）'）;

xlabel（'（X+Y）/2'）;

ylabel（'X-Y'）;

holdoff

%%%%%%%%%%%%%%%%Bland-Altman比值法%%%%%%%%%%%%%%%%%%%

me=mean（X./Y）;

s=std（X./Y）;

figure（4）

plot（（X+Y）/2,（X./Y）,'r*'）;

holdon

hline=plot（60:

200,ones（1,141）*me,'b-'）;

text（200,me,'（X/Y）'）;

plot（60:

200,ones（1,141）*（me-2*s）,'b-'）;

text（200,me+2*s,'（X/Y+2*sigma）'）;

plot（60:

200,ones（1,141）*（me+2*s）,'b-'）;

text（200,me-2*s,'（X/Y-2*sigma）'）;

xlabel（'（X+Y）/2'）;

ylabel（'X/Y'）;

holdoff

%[muhat,sigmahat,muci,sigmaci]=normfit（X-Y,0.05）

%%%%%%%%%%%%%获得95%置信区间的单边宽度%%%%%%%%%%%%%%%%%

y=X-Y;

[midu,midsig,miduci,midsigci]=normfit（y,0.05）;

%midSigleW=miduci-midu;

midSigleW=s/sqrt（length（y））*2;

highSigleW=1.71*s/sqrt（length（y））*2;

lowSigleW=1.71*s/sqrt（length（y））*2;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%