近似エントロピーアルゴリズムを介したホルモン脈拍の定量化

近似エントロピー（APEN）は、データの規則性の量を定量化するための最近開発された式です。ホルモン分泌データの拍動性を定量化するために、臨床内分泌学に対するアペンの潜在的な適用性を調べます。エピソードデータを生成する2つの異なるクラスのモデルの分析を介して、Ultraで表現される広く使用されているパルス検出アルゴリズムに対する相補的統計としてのApenの役割を評価します。Apenは、微妙なシステムの変更を識別し、Ultraが与えられたものとは別の洞察を提供できると結論付けています。Apenは、下位とピークの動作を評価し、多くの場合、サブシステム間のフィードバックの直接的な尺度を提供します。APENは一般に、180のデータポイントと8％の変動係数係数を与えられたシステムを区別できます。これは、近い将来の臨床ホルモン分泌データに適用可能なApenを示唆しています。さらに、分析されたモデルと現存する臨床データはどちらも、周期的ではなく、エピソード的な規範生理学と一致しています。

Approximate entropy (ApEn) is a recently developed formula to quantify the amount of regularity in data. We examine the potential applicability of ApEn to clinical endocrinology to quantify pulsatility in hormone secretion data. We evaluate the role of ApEn as a complementary statistic to widely employed pulse-detection algorithms, represented herein by ULTRA, via the analysis of two different classes of models that generate episodic data. We conclude that ApEn is able to discern subtle system changes and to provide insights separate from those given by ULTRA. ApEn evaluates subordinate as well as peak behavior and often provides a direct measure of feedback between subsystems. ApEn generally can distinguish systems given 180 data points and an intra-assay coefficient of variation of 8%. This suggests ApEn as applicable to clinical hormone secretion data within the foreseeable future. Additionally, the models analyzed and extant clinical data are both consistent with episodic, not periodic, normative physiology.