-

[Gast1]

Hoi Kiek,

Ik zal nog eens wat uitgebreider m'n idee beschrijven.

Globaal, ik zoek 2 dingen: voorspellen van de optimale dosis en nauwkeurig(er) bepalen optimale SK-waardes.
Globaal hè. En dan persoonlijk

Alles op één hoop houdt dan in dat jouw FT4 invloed heeft op mijn TSH...
Of andersom. Daar moet je toch niet aan denken?
Maar dat is wel de consequentie van deze wijze van toepassen van statistiek.

Bepalen optimale dosis is iets anders dan dat mijn waardes vervolgens invloed zouden hebben op jouw waardes.
Wel: iedereen heeft bij een bepaalde dosering bepaalde sk-waardes, rekeninghoudend met gewicht, geslacht, leeftijd, merk en misschien nog wat andere variabelen.
Al die mensen hebben ook een setpoint met bijbehorende statistische waardes (R2 = maat voor de juistheid vd curve, steilheid).

Mijn waardes, samen met die van vele anderen valideren het algemene model. Dat algemene model is de basis voor ieders individuele model.

Bij dosis bepalingen gaan artsen nu nog uit van gemiddeldes, algemene waardes, 1,8mcg/kg lichaamsgewicht etc.

Middels een beter, nog te ontwikkelen model en gebruikmakend van betere statistische technieken en voorspellingsmethodes (daar komt dan machine learning om de hoek kijken) moet beter voorspeld kunnen worden wat voor iemand de optimale dosering is, bij welke schildklierwaardes (primair T4/TSH, later misschien ook T3). Je kunt dan ook gaan voorspellen wat een dosiswijziging betekent.

In eerste instantie ontwikkel je dan een globaal model, maar iedereen heeft uiteindelijk zijn eigen model, met zijn/haar eigen waardes en parameters. En da niet statisch, maar meebewegend. Iedere nieuwe waarde is nuttig. Als er een "vreemde" waarde via prikken wordt gevonden, eentje die niet logisch is volgens het model, outlier waarde. Dan is dat een teken dat er iets anders aan de hand is (of dat parameters in model aangepast moeten worden).

In eerste instantie zou je eigenlijk willen weten, wat doet +6mcg met mijn SK-waardes?
Op basis van je eigen data (niet enkel setpointcurve) is daar vast al iets over te zeggen. Validatie via een model met waardes van veel meer mensen helpt.
Hoeveel mensen hebben, met vergelijkbare karakteristieken (geslacht, gewicht, etc), vergelijkbare waardes gedurende langere tijd (zijn dus stabiel)?

[Gast1]

Dus de allerlaatste set point uitkomsten, met het allerlaatste waardelijstje (zie hierboven) en de allerlaatste app-cijfers (zie hieronder) zitten in de app.
MCoumansSPLijstjeApr2017.jpg

Wat me overigens aan je tabelletje opvalt:

TSH = 0.87 +/- 6.23
T4 = 20.93 +/- NaN

Zowel de NaN (not-a-number) als die 6.23 zijn apart...

[Kiek]

Die rare toevoegingen achter FT4 en TSH: gewoon negeren.
Dat is een dingetje dat er nog uitgehaald moet worden.

- Voorspellen optimale dosis.
- Optimale TSH/FT4 bepalen van een individu.

De variabelen voor dosering had ik altijd aangenomen. Niet uitgeplozen/opgezocht op PubMed.
Kleine kinderen hebben bijvoorbeeld wel een hogere doseringsrichtwaarde: hogere µg/kg.
Niet lang geleden hoorde ik dat het gewicht in onderzoek blijkbaar toch geen criterium is voor dosering, noch geslacht, noch BMI, noch lichaamsoppervlakte.
Het gewicht wordt vaak wel als start-uitgangspunt gebruikt. Je moet iets. Net als referentiewaarden.

De steilheid van de curve (phi) heeft weer niet te maken met de hoeveelheid van de dosis, maar wel met de gevoeligheid voor dosiswijzigingen. Dat wil zeggen dat je gevoelige TSH super-de-luxe omhoog of omlaag knalt bij al kleine dosiswijzigingen.
Steile curven hebben lagere TSH's in hun set point.
Jij hebt een steile curve.
Ik heb ook een steile curve, zelfs nog steiler....

Een outlier is een misser die nergens bijhoort.
Daarop is niet een model gebaseerd. Wel andersom.
Het model kan dienen om uit te vinden wat de outliers zijn.

Hoe maak je een model?
Je neemt iets waar.
In dit geval de fysiologische werkelijkheid van je schildkliersysteem.
Dit beschrijf je in wiskundige termen.
En daarna toets je het model met metingen in de werkelijkheid.
Als dit overeenkomt, dan heb je het model gevalideerd.
Komen de metingen niet overeen, dan is het model/theorie fout.

Als je uitgaat van het feit dat iedereen eenzelfde soort schildkliersysteem heeft, dan kan je toe met één model.
Dat is dan ook vastgesteld (en gevalideerd).
Een algemeen geldend model voor de fysiologie van de menselijke schildklier.
Het verschil in schildklierwerking van man en vrouw is mogelijk vast te stellen (cyclus beïnvloedt FT4-TSH), maar het model blijft desondanks geldig.

Mark, de tekst vanaf 'Hoe maak je een model' heb ik deels te danken aan een goede vriend.

[Gast1]

Die rare toevoegingen achter FT4 en TSH: gewoon negeren.
Dat is een dingetje dat er nog uitgehaald moet worden.

Dat zijn nou juist - voor de statisticus/analyticus de interessante waardes. Niet enkel de geschatte/berekende waarde, maar juist het betrouwbaarheidsinterval, standaarddeviatie erbij. Althans, zo interpreteer ik dat.

Het gewicht wordt vaak wel als start-uitgangspunt gebruikt. Je moet iets. Net als referentiewaarden.

Dat "je moet wat" daar wil ik wat aan doen.

Een outlier is een misser die nergens bijhoort.
Daarop is niet een model gebaseerd. Wel andersom.
Het model kan dienen om uit te vinden wat de outliers zijn.

Outliers zijn wel degelijk van belang. Het zijn gemeten waarden en in die zin zijn ze correct. Het is alleen de vraag o en hoe je ze in je model wil meenemen.
Outliers kunnen ook een indicatie zijn dat er op dat moment iets anders aan de hand is.

Hoe maak je een model?
...
Mark, de tekst vanaf 'Hoe maak je een model' heb ik deels te danken aan een goede vriend.

In zekere zin is dat hoe je het moet doen. Echter, door de grotere hoeveelheid data die tegenwoordig verzameld wordt (big data) zijn er nu andere, ook nuttige technieken ontwikkeld die ook andersom werken. Dat gaat om lastige patronen herkennen, afhankelijkheden bepalen tussen een heleboel variabelen (dus iets meer dan Y = a + b*X).

Het model bepaalt dan voor een deel de uitkomst (bijvoorbeeld T4-waarde) op basis van de dosis levothyroxine, rekeninghoudend met een aantal bekende variabelen. Gezien de hoeveelheid factoren, ook factoren (variabelen) die niet sk-gerelateerd zijn, zal een model, hoe goed ook, nooit een exacte voorspelling kunnen doen. Maar hoe beter het model, niet allen vanuit statistisch oogpunt, ook vanuit medisch, fysiologisch oogpunt, hoe beter de voorspelling.

En dat zijn nou net de dingen die ik momenteel bij ITvitae.nl in de Data Science opleiding leer.

[Kiek]

Outliers zijn wel degelijk van belang. Het zijn gemeten waarden en in die zin zijn ze correct. Het is alleen de vraag o en hoe je ze in je model wil meenemen.
Outliers kunnen ook een indicatie zijn dat er op dat moment iets anders aan de hand is.

Een outlier is van belang omdat die aangeeft dat er een meetfout is gemaakt.
Een fout in de machine.
Een fout bij het prikken.
Een fout bij het verdunnen, etc. etc.
Daarom wordt een outlier er hier uitgevist, en niet meegerekend bij de andere metingen. Want het heeft niets met het individu te maken.

Een lichaam is een natuurlijke hoedanigheid, waarin geen hoeken, onderbrekingen of onverwachte onregelmatigheden voorkomen. Zoals evenmin in het baanverloop van de planeten.

Echter, door de grotere hoeveelheid data die tegenwoordig verzameld wordt (big data) zijn er nu andere, ook nuttige technieken ontwikkeld die ook andersom werken. Dat gaat om lastige patronen herkennen, afhankelijkheden bepalen tussen een heleboel variabelen (dus iets meer dan Y = a + b*X).

Dit is niet geldig in de wereld van de fysica en van de biologie.
Want men past statistische methoden toe op gegevens die niets meer met het individu te maken heeft. En dat is wel onderwerp van het onderzoek.

Robert Matthews, een wetenschapsjournalist, schreef "Changing it", The laws of chance and how they can work for you. . Ik las een recensie in de NRC van 18 februari j.l. in de wetenschapsbijlage.
Het laatste stukje uit die recensie:

[Gast1]

Dank voor je uitgebreide reactie.
Ik zal het zaterdag eens ter sprake brengen tijdens de les. M'n docent is sociale wetenschapper

Ga er even de hele link van het NRC bijzoeken; altijd goed om te lezen en om dit soort discussies ook te voeren.

[Gast1]

Nieuwe waardes:

Geprikt 23-5-2017
TSH: 0,43
T4: 21,0

Slik nu sinds 14-4 118mcg (1e 2 dagen 14/15-4: 112)

[Kiek]

De plaats van je laatste waarden, het groene blokje onder de oranje ster, heeft de curve prompt een scherpere hoek gegeven/steiler gemaakt. Waardoor de phi is gestegen...
Phi 0.905
FT4 20.96
TSH 0.78
R2 0.971/ 97%

[Gast1]

Thanks!

Ik blijf moe, vermoeid, snel moe, bewegingsintolerant. Het wisselt een beetje, maar overwegend *niet goed*. Niet goed genoeg in ieder geval. Merk ook geestelijk dat het niet klopt, moeite met m'n DataScience studie, zowel qua concentratie als opnemen/begrijpen stof. Werk duidelijk trager dan anderen in de groep, stel minder snel en vaak de juiste vragen. Baal!


Und jetzt?
[*] -6mcg
[*] gelijk
[*] afspraak maken

Heb in ieder geval al weer prik formulier voor over x weken... Geen afpsraak met HA, dat voegt weinig toe en hij laat dosering toch aan mij over.

Ik kan ook weer eens afspraak maken bij internist Pierre Zelissen, UMC Utrecht. Maar veel dingen zijn al aardig uitgezocht. Geen opname-problemen (pariëtale cellen, intrinsieke factor goed; geen coeliakie (ook geen genetisch profiel daarvoor), bijnieren goed).

[Gast1]

Eerste beginnetje gemaakt om m'n schildklier te gaan modelleren.

Waardes inlezen uit m'n Google Docs document. Beetje opschonen en onzin eruit.
Ik houd ook nog geen rekening met het slikken van Cytomel eind 2015/begin 2016.

Kleur op basis van dosering

schildklier.gif (30.35 KiB) 466 keer bekeken

En omdat het leuk kleurt...

SK-waardes / jaar

schildklier1.gif (31.54 KiB) 466 keer bekeken