1. Supplemental Figures 2. Supplemental Tables 3. A Sweave file with R code and output for microarray expression analysis 4.

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "1. Supplemental Figures 2. Supplemental Tables 3. A Sweave file with R code and output for microarray expression analysis 4."

Transcript

1 Supplemental materials for the manuscript including: 1. Supplemental Figures 2. Supplemental Tables 3. A Sweave file with R code and output for microarray expression analysis 4. R function code A 3q gene signature associated with triple negative breast cancer organ specific metastasis and response to neoadjuvant chemotherapy Jun Qian 1,#*, Heidi Chen 2,#, Xiangming Ji 1, Rosana Eisenberg 3, A. Bapsi Chakravarthy 4, Ingrid A. Mayer 5, Pierre P. Massion 1,6,*. 1 Division of Pulmonary and Critical Care Medicine, Department of Medicine, 2 Vanderbilt Center for Quantitative Sciences, Department of Statistics, Vanderbilt University Medical Center, 3 Department of Pathology, Microbiology and Immunology, Vanderbilt University, 4 Department of Radiation Oncology, 5 Divsion of Oncology, Department of Medicine, Vanderbilt-Ingram Cancer Center, Vanderbilt University Medical Center, Nashville, TN, 6 Veterans Affairs Medical Center, Nashville, TN,USA

2 Figure S1 Age (P=0.07) Grade (P<2.2e-16) Tumor size (P=0.005) <50 >50 I-II III <2cm >2cm Node status (P=0.26) ER (p=1.42e-08) PR (P=4.75e-09) Neg Pos Neg Pos Neg Pos HER2 (P=0.53) TNBC (P=3.06e-12) Neg Pos No Yes

3 Figure S2 GSE11121 GSE2034 TRANSBIG GSE2603 GSE12276 GSE5327 GSE12093 GSE17705 GSE19615 GSE26971 GSE9195 E-TABM-158 GSE1456 GSE20685 GSE25066 GSE16446

4 Figure S3 E-TABM-158 GSE16391 GSE20685 GSE20711 GSE21653 GSE31519 GSE3494 GSE42568 GSE45255 GSE6532 GSE7390 GSE9195

5 Figure S4 P=0.99 GSE2034 GSE11121 TRANSBIG

6 PIK3CA mrna expression Figure S5 A P=0.23 B P<2.2e-16 Non Mutated Mutated n=646 n=314 Deletion Diploid Gain Amplification n=

7 Supplemental Figure legend Supplemental Figure 1. Association between 3q gene signature and clinical parameters in 4,801 breast tumors. Neg, negative; Pos, positive. ER, estrogen receptor; PR, progesterone receptor; HER2, epidermal growth factor receptor 2; TNBC, triple negative breast cancer. P value was calculated using student T test. Supplemental Figure 2. Forest plot of hazard ratios and distant metastasis free survival plot of 3q gene signature in 16 breast cancer datasets. Gray squares indicate hazard ratios (HRs), and solid horizontal lines represent 95% confidence intervals (CIs). The vertical solid line indicates point of no effect. Blue diamond indicates overall effect. Supplemental Figure 3. Forest plot of hazard ratios and distant metastasis free survival plot of 3q gene signature in 12 breast cancer datasets. Gray squares indicate hazard ratios (HRs), and solid horizontal lines represent 95% confidence intervals (CIs). The vertical solid line indicates point of no effect. Blue diamond indicates overall effect. Supplemental Figure 4. Level of 3q 19-gene signature was no difference in three node-negative breast cancer datasets. P value was calculated using Kruskal Wallis one-way analysis of variance (ANOVA) analysis. Supplemental Figure 5. PIK3CA mrna expression is correlated to its copy number (CN) alterations but not mutation status in The Cancer Genome Atlas (TCGA) breast cancer (n=960). CN alterations were derived from GISTIC score. "- 1" is deletion, "0" is diploid, "1" indicates a low-level gain, and "2" is a high-level amplification.

8 Table S1. Summary of 27 Affymetrix microarray datasets used in this study Dataset No. of patients Number of events DMFS RFS OS DSS Hormone Chemo pcr No Yes No Yes No Yes No Yes No Yes No Yes No Yes E-TABM GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE GSE Total DMFS, distant metastasis free survival; RFS, recurrence-free survival; OS, overall survival; DSS, disease specific survival. Hormone, hormone treatment. Chemo, chemotherapy, including neoadjuvant, adjuvant and other unspecified chemotherapy. pcr, pathological complete response Refs.

9 Table S2. Summary of node-negative breast cancer datasets (n=788) Dataset Age Tumor size Grade ER PR HER2 Distant Met. No. of <50 >50 <2 >2cm I-II III Neg Pos Neg Pos Neg Pos No Yes Patients GSE GSE TRANSBIG Total Neg, negative; Pos, positive; ER, estrogen receptor; PR, progesterone receptor; HER2, epidermal growth factor receptor 2; Met, metastasis.

10 Table S3. Univariable Cox analysis of 3q gene signature for DMFS in node-negative breast cancer datasets Dataset HR 95% C.I. P GSE e-06 GSE e-05 TRANSBIG HR, hazard ratio; DMFS, distant metastasis free survival.

11 Table S4. Covariables Multivariable Cox analysis for DMFS in node-negative breast cancer datasets GSE2034 GSE11121 TRANSBIG GSE11121+TRANSBIG GSE2034+ GSE11121+TRANSBIG HR 95% C.I. P HR 95% C.I. P HR 95% C.I. P HR 95% C.I. P HR 95% C.I. P 3q 19-gene e ER (Pos vs Neg) <2e PR (Pos vs Neg) HER2 (Pos vs Neg) Grade (III vs I-II) Age (>50 vs <50) Tumor size ( > 2 vs <2 cm) HR, hazard ratio; ER, estrogen receptor; PR, progesterone receptor; HER2, epidermal growth factor receptor 2; Pos, positive; Neg, negative; DMFS, distant metastasis free survival. The status of ER, PR and HER2 was determined using mrna expression cutoff.

12 Table S5. Multivariable Cox proportional hazards analysis for DMFS in combined node-negative breast cancer datasets Covariables HR 95% C.I. P value 3q 19-gene e-08 Basal like HER Luminal A Luminal B e-05 DMFS, distant metastasis free survival; HR, hazard ratio; C.I., confidence interval. Normal-like subtype was used as baseline for HR calculation.

13 Table S6. Multivariable Cox proportional hazards analysis for DMFS in combined node-negative breast cancer datasets Covariables HR 95% C.I. P value 3q 19-gene e-07 GENE GENE GGI Oncotype DX PCNA 117-gene DMFS, distant metastasis free survival. ; HR, hazard ratio; C.I., confidence interval. Table S7. Multivariable Cox proportional hazards analysis for DMFS in combined node-negative breast cancer datasets Covariables HR 95% C.I. P value 3q 19-gene e-09 T cell metagene B cell metagene <2.0e-16 Proliferation metagene <2.0e-16 ER metagene DMFS, distant metastasis free survival; HR, hazard ratio. C.I., confidence interval. ER, estrogen receptor.

14 Table S8. Univariable Cox proportional hazards analysis of 3q gene signature for DMFS in PAM50 subtypes of node-negative breast cancer patients. Subtype HR 95% C.I. P Basal-like e-11 Luminal B <2e-16 Luminial A HER Normal-like DMFS, distant metastasis free survival; HR, hazard ratio. C.I., confidence interval.

15 Table S9. Multivariable Cox proportional hazards analysis for DMFS in Basal-like (n=137), Luminal B (n=254), HER2 (n=81) and Normal-like (n=28) subtypes of node-negative breast cancer patients Covariables HR 95% C.I. P HR 95% C.I. P HR 95% C.I. P HR 95% C.I. P 3q 20-gene B cell metagene Proliferation metagene Basal-like Luminal B HER2 Normal-like E E <2.0e E E DMFS, distant metastasis free survival; HR, hazard ratio. C.I., confidence interval.

16 Table S10. Summary of three breast cancer datasets that had lung, brain and bone metastasis information (n=618) Dataset Age Grade Tumor size Node ER* PR* HER2* TNBC* Distant Met. <50 >50 I-II III <2 >2cm Neg Pos Neg Pos Neg Pos Neg Pos No Yes Lung Brain Bone EMC GSE GSE Total *The status of ER, PR, HER2 and TNBC was determined using microarray expression value of ER,PR and HER2 as described in the Methods. Neg, negative. Pos, positive. ER, estrogen receptor. PR, progesterone receptor. HER2, epidermal growth factor receptor 2. TNBC, triple negative breast cancer. Met, metastasis. No. of Patients

17 Table S11. Univariable Cox proportional hazards analysis of 3q 19-gene signature for DMFS in breast cancer datasets that had lung,brain and bone metastasis information. Dataset HR 95% C.I. P value EMC GSE e-06 GSE Combined <2.0e-16 (lung) EMC e-05 GSE GSE Combined e-11 (brain) EMC GSE GSE Combined (bone) HR, hazard ratio. C.I., confidence interval. DMFS, distant metastasis free survival.

18 Table S12. Multivariable Cox proportional hazards analysis for lung and brain metastasis free survival in breast cancer dataset (n=618) Covariables Lung metastasis Brain metastasis HR 95% C.I. P HR 95% C.I. P 3q 19-gene <2.0e Age (>50 vs <50) Node (Pos vs Neg) ER (Pos vs Neg)* <2.0e-16 PR (Pos vs Neg)* e HER2 (Pos vs Neg)* e-05 *The status was determined using microarray expression value of ER,PR and HER2 as described in the Methods.

19 Table S13. Multivariable Cox proportional hazards analysis for lung metastasis free survival in subtypes of breast cancer (n=618) Covariables TNBC (n=194) Non-TNBC (n=424) Basal-like (n=157) HR 95% C.I. P HR 95% C.I. P HR 95% C.I. P 3q 19-gene e e-07 GENE e-11 GENE e LMS 18-gene TGFb LMS 6-gene Age (>50 vs <50) E Node (Pos vs Neg) e <2.0e-16 * HR, harzad ratio. C.I., confidence interval. TNBC status was determined using microarray expression value of ER,PR and HER2 as described in the Methods. Table S14. Multivariable Cox proportional hazards analysis for brain metastasis free survival in subtypes of breast cancer (n=618) Covariables TNBC (n=191) Non-TNBC (n=424) Basal-like (n=157) HR 95% C.I. P HR 95% C.I. P HR 95% C.I. P 3q 19-gene e e-12 Age (>50 vs <50) Node (Pos vs Neg) * HR, harzad ratio. C.I., confidence interval. TNBC status was determined using microarray expression value of ER,PR and HER2 as described in the Methods.

20 Table S15. Summary of four datasets of breast cancer patients who received neoadjuvant chemotheropy (n=1054) Dataset Age Tumor size Grade Node ER PR HER2 TNBC pcr Distant Met. <50 >50 <2 >2 I-II III Neg Pos Neg Pos Neg Pos Neg Pos No Yes RD pcr No Yes GSE GSE GSE GSE Total Neg, negative; Pos, positive; ER, estrogen receptor; PR, progesterone receptor; HER2, epidermal growth factor receptor 2; Met, metastasis. The status of triple negative breast cancer (TNBC) was determined using microarray expression value of ER,PR and HER2. Total

21 Table S16. Multivariable logistic regression analysis for variables associated with pcr in combined datasets of breast cancer patients who received neoadjuvant chemotherapy Covariables OR 95% C.I. P 3q 19-gene < Grade (III vs I-II) < Age (>50 VS <50) < Tumor size ( >2 vs <2 cm) Node status (Pos vs Neg) ER (Pos vs Neg) < PR (Pos vs Neg) HER2 (Pos vs Neg) OD, odds ratio. C.I., confidence interval. Neg, negative; Pos, positive; ER, estrogen receptor; PR, progesterone receptor; HER2, epidermal growth factor receptor 2. The status of ER,PR and HER2 was determined using microarray expression value.

22 Table S17. Multivariable logistic regression analysis for variables associated with pcr in TNBC and non-tnbc patients who received neoadjuvant chemotherapy Covariables TNBC (n=405) OR 95% C.I. P Non-TNBC (n=649) OR 95% C.I. P 3q 19-gene e Age (>50 VS <50) e Tumor size ( >2 vs <2 cm) Grade (III vs I-II) e e-13 Node status (Pos vs Neg) GENE e GGI e e-09 PCNA 117-gene LMS 6-gene OD, odds ratio. C.I., confidence interval. Neg, negative; Pos, positive; ER, estrogen receptor; PR, progesterone receptor; HER2, epidermal growth factor receptor 2. The status of ER,PR, HER2 and TNBC was determined using microarray expression value.

23 Table S18. Multivariable Cox analysis of 19 3q genes for lung and brain metastasis free survival in breast cancer Lung metastasis a Brain metastasis b TNBC HR 95% CI P Non-TNBC HR 95% CI P HR 95% CI P PIK3CA <2E E FXR E MFN E E PSMD E NDUFB E ATP11B ZNF E ABCC EIF2B NCBP ACTL6A E-12 PRKCI DCUN1D <2e DVL <2e SENP SENP <2e-16 LSG UBXN E DLG TNBC Non-TNBC HR 95% CI P a. HR was adjusted for age, node and five proliferation gene signatures. b. HR was adjusted for age, node and PCNA proliferation gene signature. TNBC, triple negative breast cancer. HR, hazard ratio. CI, confidence interval.

24 Table S19. Clinical characteristics of 69 breast cancer patients for IHC study Variables No. of patients Age >50 41 <50 25 Stage I 20 II 24 III 17 Size >2 cm 55 <2 cm 8 Node status Negative 29 Positive 32 ER Negative 23 Positive 35 HER2 Negative 28 Positive 8 PR Negative 21 Positive 30 TNBC Negative 42 Positive 16 Outcome events OS 38 DMFS 29 RFS 23 Neoadjuvant chemotherapy Yes 4 No 62 Hormone therapy Yes 30 No 29 ER, estrogen receptor; PR, progesterone receptor; HER2, epidermal growth factor receptor 2. DMFS, distant metastasis free survival; RFS, recurrence-free survival; OS, overall survival;

25 Table S20. Cox proportional hazards analysis for association of FXR1 protein expression with DMFS, OS and RFS in breast cancer Univariable Multivariable* TNBC (n=16) Non-TNBC (n=42) TNBC HR 95% CI P HR 95% CI P HR 95% CI P DMFS OS RFS DMFS, distant metastasis free survival; RFS, recurrence-free survival; OS, overall survival. HR, hazard ration. *HR was adjusted for stage in multivariable Cox model.

26 Table S21. The number of literatures on biological role for 19 3q genes in human cancers Lung cancer Brest cancer Ovarian cancer human cancers Function/mechanism study Function implication ABCC Yes* drug resistance 20 ACTL6A 2 10 Yes ATP11B Yes DCUN1D Yes DLG Yes DVL Yes* metastasis 21 EIF2B FXR Yes* invasion 9 LSG1 1 1 MFN Yes* Invasion 22 NCBP NDUFB PIK3CA Yes* invasion2 4, etc PRKCI Yes* metastasis 26 PSMD SENP Yes* repression of estrogen receptor 25 SENP5 1 6 Yes* invasion 23 UBXN ZNF *Studies were done using breast cancer cell lines or tissues.

27 Table S22. Prevalence of PIK3CA genomic alterations in TCGA breast cancer dataset (n=809) PAM50 subtype Mutation (%) Amplification (%) a No. of Patients P value Basal-like < HER Luminal A < Luminal B Normal-like Total a. The prevalence includes both low level gain and high level amplification derived from the copy-number analysis algorithms GISTIC. The P value was calculated using X 2 test.

28 A 3q gene signature associated with triple negative breast cancer organ specific metastasis and response to neoadjuvant chemotherapy Jun Qian 1 and Heidi Chen 2 1 Division of Pulmonary and Critical Care Medicine 2 Vanderbilt Center for Quantitative Sciences, Vanderbilt University Medical Center, Nashivlle,TN,USA Contents 1 Figure Figure S1 5 3 Figure S2 7 4 Figure S Figure S Table S GSE GSE TRANSBIG Table S GSE GSE TRANSBIG GSE11121+TRANSBIG GSE2034+GSE11121+TRANSBIG Table S Table S Table S7 21 1

29 11 univariable analysis : Table S Basal LumB LumA HER Normal Table S Basal LumB Her Normal Figure 2 : KM plot for Basal-like Figure 2 : KM plot for LumB Table S Lung EMC gse gse Combine Brain EMC gse gse Combine Bone EMC gse gse Combine Table S Lung Brain Table 2 UniCox model for lung metastasis Lung met in Basal-like Lung met in Her Lung met in LumA Lung met in LumB

30 17.5 Lung met in Normal Lung met in TNBC Lung met in Non-TNBC Table 2 multicox model for lung metastasis see Table S13 for lung met in TNBC, non-tnbc and Basal-like Lung met in Her Lung met in LumA Table 2 UniCox model for brain metastasis brain met in Basal-like brain met in Her brain met in LumA brain met in LumB brain met in Normal brain met in TNBC brain met in Non-TNBC Table 2 multicox model for brain metastasis see Table S14 for brain met in TNBC, non-tnbc and Basal-like Lung met in LumB Table S Lung TNBC Lung Non-TNBC Lung Basal-like Table S Brain TNBC Brain Non-TNBC Brain Basal-like Table S Table S TNBC non-tnbc Table S TNBC Non-TNBC

31 26 Table S19 lung metastasis TNBC non-tnbc Table S19 brain metastasis TNBC non-tnbc Table S

32 library(meta) library(rms) library(xtable) library(gridextra) source("c:/users/qianj/onedrive/temp8/paper/to ppm rd version/to Nature SR /response /from Heidi/sweav file and dat ###### read in data all <- read.csv("c:/users/qianj/onedrive/temp8/paper/to ppm rd version/to Nature SR /response /from Heidi/sweav fil all <- updata(all, levels = list(pam50.robust.1=list(normal="normal", Basal="Basal", Her2="Her2", LumA="LumA", LumB="LumB"))) 5

33 1 Figure 1 ww <- kruskal.test(ch3q20.19.n.scale ~ pam50.robust.1, data=all) if( ww$p.value < 0.001) tittxt="p < 0.001" else tittxt <- paste0("p= ", round(ww$p.value,3)) g1 <- ggplot(all,aes(y=ch3q20.19.n.scale,x=pam50.robust.1))+geom_boxplot()+ggtitle(tittxt) g1 6

34 P < ch3q20.19.n.scale Normal Basal Her2 LumA LumB pam50.robust.1 7

35 2 Figure S1 selgroup <- c("age", "grade", "size","node","er.orig", "pr.orig", "her2.orig", "TRNeg") pp=list() for ( i in 1:length(selgroup) ) { } temp <- subset(all, select=c("ch3q20.19.n.scale", selgroup[i])) colnames(temp) <- c("ch3q20.19.n.scale", "group") ww <- wilcox.test(ch3q20.19.n.scale ~ group, data=temp) if( ww$p.value < 0.001) tittxt="p < 0.001" else tittxt <- paste0("p= ", round(ww$p.value,3)) g1 <- ggplot(temp,aes(y=ch3q20.19.n.scale,x=group))+geom_boxplot()+xlab(selgroup[i])+ggtitle(tittxt) pp[[i]] <- g1 grid.arrange(pp[[1]],pp[[2]],pp[[3]], pp[[4]], pp[[5]],pp[[6]], pp[[7]], pp[[8]], ncol=3) 8

36 6 P= P < P= ch3q20.19.n.scale ch3q20.19.n.scale ch3q20.19.n.scale <50 >50 NA age 6 I II III NA grade 6 <2 >2 NA size 6 P= P < P < ch3q20.19.n.scale ch3q20.19.n.scale ch3q20.19.n.scale neg pos NA node 6 neg pos NA er.orig 6 neg pos NA pr.orig 6 P= P < ch3q20.19.n.scale ch3q20.19.n.scale neg pos NA her2.orig 6 no yes TRNeg 9

37 3 Figure S2 temp <- all temp$dataset5 <- temp$dataset4 temp$dataset5 <-ifelse(temp$tbig302 %nin% c("tbig302"), temp$dataset5, "TRANSBIG") temp$dataset3 <- temp$dataset5 temp <- subset(temp, dataset3!= "gse7390" ) temp <- subset(temp, dataset3 %in% gse2034, TRANSBIG, gse2603, gse12276, gse5327, gse12093, gse17705, gse19615, gse26971, gse9195, etabm158, gse1456, gse20685, gse25066, gse16446) ) Cs(gse11121, temp$dataset3 <-factor(temp$dataset3, levels=cs(gse11121, gse2034, TRANSBIG, gse2603, gse12276, gse5327, gse12093, gse17705, gse19615, gse26971, gse9195, etabm158, gse1456, gse20685, gse25066, 10

38 gse16446) ) library(knitr) knitr::opts_chunk$set(echo=f, eval=t, message = F, warning=f, cache = F, fig=true) ## ## ############################## Meta analysis ## HR 95%-CI %W(fixed) %W(random) ## gse [1.4256; ] ## gse [1.2135; ] ## TRANSBIG [1.0213; ] ## gse [0.8802; ] ## gse [1.0766; ] ## gse [0.6248; ] ## gse [1.1846; ] ## gse [1.1410; ] ## gse [0.9713; ] ## gse [0.8535; ] ## gse [0.7062; ] ## etabm [0.6696; ] ## gse [0.5520; ] ## gse [0.9062; ] ## gse [0.9286; ] ## gse [0.6982; ] ## ## Number of studies combined: k = 16 ## ## HR 95%-CI z p-value ## Fixed effect model [1.1696; ] 6.79 < ## Random effects model [1.1282; ] 4.32 < ## ## Quantifying heterogeneity: ## tau^2 = ; H = 1.44 [1.08; 1.91]; I^2 = 51.5% [14.1%; 72.6%] ## ## Test of heterogeneity: ## Q d.f. p-value ## ## ## Details on meta-analytical method: 11

39 ## - Inverse variance method ## - DerSimonian-Laird estimator for tau^2 12

40 Study Hazard Ratio HR 95% CI Weight (fixed) Weight (random) gse11121 gse2034 TRANSBIG gse2603 gse12276 gse5327 gse12093 gse17705 gse19615 gse26971 gse9195 etabm158 gse1456 gse20685 gse25066 gse [1.43; 2.39] [1.21; 1.73] [1.02; 1.56] [0.88; 2.02] [1.08; 1.46] [0.62; 1.79] [1.18; 3.28] [1.14; 1.90] [0.97; 2.81] [0.85; 1.44] [0.71; 2.15] [0.67; 1.30] [0.55; 1.21] [0.91; 1.34] [0.93; 1.29] [0.70; 1.52] 6.1% 13.0% 9.0% 2.3% 17.3% 1.5% 1.6% 6.2% 1.4% 5.9% 1.3% 3.7% 2.6% 10.6% 14.9% 2.7% 7.3% 9.8% 8.6% 4.1% 10.6% 2.9% 3.0% 7.3% 2.8% 7.2% 2.6% 5.5% 4.4% 9.1% 10.2% 4.5% Fixed effect model Random effects model Heterogeneity: I 2 = 52%, τ 2 = , p < [1.17; 1.33] [1.13; 1.38] 100.0% 100.0% 13

41 ## ## ## ## exp(coef) exp(-coef) lower.95 upper.95 pvalue se ## ch3q20.19.n.scale ## rob.se ## ch3q20.19.n.scale

42 4 Figure S3 ## ## ############################## Meta analysis ## HR 95%-CI %W(fixed) %W(random) ## etabm [0.7354; ] ## gse [1.1472; ] ## gse [0.4879; ] ## gse [0.6150; ] ## gse [0.9915; ] ## gse [0.6347; ] ## gse [1.0176; ] ## gse [0.6892; ] ## gse [0.9320; ] ## gse [1.1850; ] ## gse [0.8725; ] ## gse [0.5767; ] ## ## Number of studies combined: k = 12 ## ## HR 95%-CI z p-value ## Fixed effect model [1.0461; ] ## Random effects model [0.9764; ] ## ## Quantifying heterogeneity: ## tau^2 = ; H = 1.47 [1.06; 2.04]; I^2 = 53.9% [11.5%; 76.0%] ## ## Test of heterogeneity: ## Q d.f. p-value ## ## ## Details on meta-analytical method: ## - Inverse variance method ## - DerSimonian-Laird estimator for tau^2 15

43 Study Hazard Ratio HR 95% CI Weight (fixed) Weight (random) etabm158 gse16391 gse20685 gse20711 gse21653 gse31519 gse3494 gse42568 gse45255 gse6532 gse7390 gse [0.74; 1.28] [1.15; 3.85] [0.49; 1.18] [0.62; 1.16] [0.99; 1.65] [0.63; 1.33] [1.02; 1.57] [0.69; 1.25] [0.93; 2.25] [1.19; 1.79] [0.87; 1.33] [0.58; 1.65] 9.3% 1.9% 3.7% 7.0% 10.9% 5.1% 15.1% 7.9% 3.7% 16.8% 16.1% 2.6% 9.7% 3.7% 5.8% 8.5% 10.3% 7.2% 11.6% 9.0% 5.9% 11.9% 11.8% 4.6% Fixed effect model Random effects model Heterogeneity: I 2 = 54%, τ 2 = , p = [1.05; 1.24] [0.98; 1.27] 100.0% 100.0% ## ## 16

44 ## ## exp(coef) exp(-coef) lower.95 upper.95 pvalue se ## ch3q20.19.n.scale ## rob.se ## ch3q20.19.n.scale

45 5 Figure S4 temp788 <- subset(all, dataset4 %in% c("gse11121","gse2034" ) tbig302 %in% c("tbig302","gse2034")) ### 788 temp788$dataset3 <- ifelse(temp788$dataset4 %in% c("gse11121","gse2034" ), temp788$dataset4, "transbig" ) temp <- temp788 temp$dataset3 <- factor(temp$dataset3, levels=c("gse2034", "gse11121", "transbig")) ww <- kruskal.test(ch3q20.19.n.scale ~ dataset3, data=temp) if( ww$p.value < 0.001) tittxt="p < 0.001" else tittxt <- paste0("p= ", round(ww$p.value,3)) g1 <- ggplot(temp,aes(y=ch3q20.19.n.scale,x=dataset3))+geom_boxplot()+ggtitle(tittxt) g1 18

46 P= ch3q20.19.n.scale 0 2 gse2034 gse11121 transbig dataset3 19

47 6 Table S3 6.1 GSE1121 temp <- subset(temp788, dataset3=="gse11121") get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) exp(-coef) lower.95 upper.95 pvalue ch3q20.19.n.scale GSE2034 temp <- subset(temp788, dataset3=="gse2034") get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) exp(-coef) lower.95 upper.95 pvalue ch3q20.19.n.scale TRANSBIG temp <- subset(temp788, dataset3=="transbig") get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) exp(-coef) lower.95 upper.95 pvalue ch3q20.19.n.scale

48 7 Table S4 7.1 GSE2034 temp <- subset(temp788, dataset3=="gse2034") get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale+er+pr+her2+grade+age", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) lower.95 upper.95 pvalue ch3q20.19.n.scale erpos prpos her2pos gradeiii age> GSE11121 temp <- subset(temp788, dataset3=="gse11121") get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale+er+pr+her2+grade+age+size", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) lower.95 upper.95 pvalue ch3q20.19.n.scale erpos prpos her2pos gradeiii age> size> TRANSBIG 21

49 temp <- subset(temp788, dataset3=="transbig") get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale+er+pr+her2+grade+age+size", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) lower.95 upper.95 pvalue ch3q20.19.n.scale erpos prpos her2pos gradeiii age> size> GSE11121+TRANSBIG temp <- subset(temp788, dataset3 %in% c("transbig", "gse11121")) get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale+er+pr+her2+grade+age+size", metflag="no") ch3q20.19.n.scale erpos prpos her2pos gradeiii age> size> GSE2034+GSE11121+TRANSBIG get_analysis(datain=temp788, outcome="dmfs",xin="ch3q20.19.n.scale+er+pr+her2+grade+age", metflag="no") 22

50 ch3q20.19.n.scale erpos prpos her2pos gradeiii age>

51 8 Table S5 get_analysis(datain=temp788, outcome="dmfs",xin="ch3q20.19.n.scale+pam50.robust.1", metflag="no") ch3q20.19.n.scale pam50.robust.1basal pam50.robust.1her pam50.robust.1luma pam50.robust.1lumb Table S6 get_analysis(datain=temp788, outcome="dmfs",xin="ch3q20.19.n.scale+gene70+gene76+ggi+oncotypedx2+pcna117.n.scale", metflag="no") ch3q20.19.n.scale GENE GENE GGI oncotypedx pcna117.n.scale Table S7 get_analysis(datain=temp788, outcome="dmfs",xin="ch3q20.19.n.scale+tcell.g11121.scale+bcell.g11121.scale+prof.g11121.scale+er.g11121.scale", 24

52 ch3q20.19.n.scale tcell.g11121.scale bcell.g11121.scale prof.g11121.scale er.g11121.scale

53 11 univariable analysis : Table S Basal temp <- subset(temp788, pam50.robust.1== "Basal") get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale LumB temp <- subset(temp788, pam50.robust.1== "LumB") get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale LumA temp <- subset(temp788, pam50.robust.1== "LumA") get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale

54 11.4 HER2 temp <- subset(temp788, pam50.robust.1== "Her2") get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale Normal temp <- subset(temp788, pam50.robust.1== "Normal") get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale Table S Basal temp=subset(temp788, pam50.robust.1=="basal" ) get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale+bcell.g11121.scale+prof.g11121.scale", metflag="no") ch3q20.19.n.scale

55 bcell.g11121.scale prof.g11121.scale LumB temp=subset(temp788, pam50.robust.1=="lumb" ) get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale+bcell.g11121.scale+prof.g11121.scale", metflag="no") ch3q20.19.n.scale bcell.g11121.scale prof.g11121.scale Her2 temp=subset(temp788, pam50.robust.1=="her2" ) get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale+bcell.g11121.scale+prof.g11121.scale", metflag="no") ch3q20.19.n.scale bcell.g11121.scale prof.g11121.scale Normal temp=subset(temp788, pam50.robust.1=="normal" ) get_analysis(datain=temp, outcome="dmfs",xin="ch3q20.19.n.scale+bcell.g11121.scale+prof.g11121.scale", metflag="no") 28

56 ch3q20.19.n.scale bcell.g11121.scale prof.g11121.scale

57 13 Figure 2 : KM plot for Basal-like temp=subset(temp788, pam50.robust.1=="basal" ) temp$ch3q.group3 <- ifelse(temp$ch3q20.19.n.scale < quantile(temp$ch3q20.19.n.scale, 0.33), "Low", ifelse(temp$ch3q20.19.n.scale < quantile(temp$ch3q20.19.n.scale, 0.66), "Median", "High")) get_kmplot(datain=temp, outcome="dmfs", group="ch3q.group3") Overall DMFS Probability p= ch3q.group3=low ch3q.group3=median ch3q.group3=high Years

58 14 Figure 2 : KM plot for LumB temp=subset(temp788, pam50.robust.1=="lumb" ) temp$ch3q.group3 <- ifelse(temp$ch3q20.19.n.scale < quantile(temp$ch3q20.19.n.scale, 0.33), "Low", ifelse(temp$ch3q20.19.n.scale < quantile(temp$ch3q20.19.n.scale, 0.66), "Median", "High")) get_kmplot(datain=temp, outcome="dmfs", group="ch3q.group3") 31

59 Overall DMFS Probability P< ch3q.group3=low ch3q.group3=median ch3q.group3=high Years

60 temp618 <- subset(all, dataset3 %in% c("gse12276","emc344", "gse2603" )) temp.tnbc1 <- subset(temp618, temp.tnbc0 <- subset(temp618, TRNeg=="yes") TRNeg=="no") 15 Table S Lung EMC344 temp <- subset(temp618, dataset3=="emc344") get_analysis(datain=temp, outcome="dmfs.lung",xin="ch3q20.19.n.scale", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) exp(-coef) lower.95 upper.95 pvalue ch3q20.19.n.scale gse12276 temp <- subset(temp618, dataset3=="gse12276") get_analysis(datain=temp, outcome="dmfs.lung",xin="ch3q20.19.n.scale", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) exp(-coef) lower.95 upper.95 pvalue ch3q20.19.n.scale gse2603 temp <- subset(temp618, dataset3=="gse2603") get_analysis(datain=temp, outcome="dmfs.lung",xin="ch3q20.19.n.scale", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) exp(-coef) lower.95 upper.95 pvalue ch3q20.19.n.scale

61 Combine get_analysis(datain=temp618, outcome="dmfs.lung",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale Brain EMC344 temp <- subset(temp618, dataset3=="emc344") get_analysis(datain=temp, outcome="dmfs.brain",xin="ch3q20.19.n.scale", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) exp(-coef) lower.95 upper.95 pvalue ch3q20.19.n.scale gse12276 temp <- subset(temp618, dataset3=="gse12276") get_analysis(datain=temp, outcome="dmfs.brain",xin="ch3q20.19.n.scale", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) exp(-coef) lower.95 upper.95 pvalue ch3q20.19.n.scale gse

62 temp <- subset(temp618, dataset3=="gse2603") get_analysis(datain=temp, outcome="dmfs.brain",xin="ch3q20.19.n.scale", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) exp(-coef) lower.95 upper.95 pvalue ch3q20.19.n.scale Combine get_analysis(datain=temp618, outcome="dmfs.brain",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale Bone EMC344 temp <- subset(temp618, dataset3=="emc344") get_analysis(datain=temp, outcome="dmfs.bone",xin="ch3q20.19.n.scale", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) exp(-coef) lower.95 upper.95 pvalue ch3q20.19.n.scale gse12276 temp <- subset(temp618, dataset3=="gse12276") get_analysis(datain=temp, outcome="dmfs.bone",xin="ch3q20.19.n.scale", metflag="no") 35

63 ################################### Not Adjust for gse cluster ( one gse) exp(coef) exp(-coef) lower.95 upper.95 pvalue ch3q20.19.n.scale gse2603 temp <- subset(temp618, dataset3=="gse2603") get_analysis(datain=temp, outcome="dmfs.bone",xin="ch3q20.19.n.scale", metflag="no") ################################### Not Adjust for gse cluster ( one gse) exp(coef) exp(-coef) lower.95 upper.95 pvalue ch3q20.19.n.scale Combine get_analysis(datain=temp618, outcome="dmfs.bone",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale

64 16 Table S Lung get_analysis(datain=temp618, outcome="dmfs.lung",xin="ch3q20.19.n.scale+age+node+er+pr+her2", metflag="no") ch3q20.19.n.scale age> nodepos erpos prpos her2pos Brain get_analysis(datain=temp618, outcome="dmfs.brain",xin="ch3q20.19.n.scale+age+node+er+pr+her2", metflag="no") ch3q20.19.n.scale age> nodepos erpos prpos her2pos

65 17 Table 2 UniCox model for lung metastasis 17.1 Lung met in Basal-like temp=subset(temp618, pam50.robust.1=="basal" ) get_analysis(datain=temp, outcome="dmfs.lung",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale Lung met in Her2 temp=subset(temp618, pam50.robust.1=="her2" ) get_analysis(datain=temp, outcome="dmfs.lung",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale Lung met in LumA temp=subset(temp618, pam50.robust.1=="luma" ) get_analysis(datain=temp, outcome="dmfs.lung",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale

66 17.4 Lung met in LumB temp=subset(temp618, pam50.robust.1=="lumb" ) get_analysis(datain=temp, outcome="dmfs.lung",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale Lung met in Normal temp=subset(temp618, pam50.robust.1=="normal" ) get_analysis(datain=temp, outcome="dmfs.lung",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale Lung met in TNBC get_analysis(datain=temp.tnbc1, outcome="dmfs.lung",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale

67 17.7 Lung met in Non-TNBC get_analysis(datain=temp.tnbc0, outcome="dmfs.lung",xin="ch3q20.19.n.scale", metflag="no") exp(coef) exp(-coef) lower.95 upper.95 pvalue se ch3q20.19.n.scale rob.se ch3q20.19.n.scale

68 18 Table 2 multicox model for lung metastasis 18.1 see Table S13 for lung met in TNBC, non-tnbc and Basal-like 18.2 Lung met in Her2 temp=subset(temp618, pam50.robust.1=="her2" ) get_analysis(datain=temp, outcome="dmfs.lung",xin="ch3q20.19.n.scale+age+node", metflag="no") ch3q20.19.n.scale age> nodepos Lung met in LumA temp=subset(temp618, pam50.robust.1=="luma" ) get_analysis(datain=temp, outcome="dmfs.lung",xin="ch3q20.19.n.scale+age+node", metflag="no") ch3q20.19.n.scale age> nodepos

Does anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis

Does anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis Does anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis Xue Han, MPH and Matt Shotwell, PhD Department of Biostatistics Vanderbilt University School of Medicine March 14, 2014

Διαβάστε περισσότερα

Best of Uro-oncology Kidney Cancer 2016

Best of Uro-oncology Kidney Cancer 2016 Best of Uro-oncology Kidney Cancer 2016 Ιάσων Κυριαζής, MD, MSc, FEBU Κλινικά εντοπισμένη νόσος 417 PN patients all techniques: Long term oncological outcomes. Only tumor stage was associated with recurrence.

Διαβάστε περισσότερα

Group 2 Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks. Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks

Group 2 Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks. Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks Group 1 Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks Group 2 Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks Sulfasalazine 2000-3000 mg/day Leflunomide 20 mg/day Infliximab

Διαβάστε περισσότερα

Supplemental tables and figures

Supplemental tables and figures Supplemental tables and figures Supplemental Table S1. Demographic and clinical parameters by quartiles of white Variables blood cell count. WBC quartiles( 1 9 cells/l) Q1(.6-5.3, n=2587) Q2(5.4-6.3, n=263)

Διαβάστε περισσότερα

Μελέτη της έκφρασης του ογκοκατασταλτικού γονιδίου Cyld στον καρκίνο του μαστού

Μελέτη της έκφρασης του ογκοκατασταλτικού γονιδίου Cyld στον καρκίνο του μαστού Σχολή Θετικών Επιστημών Τμήμα Βιολογίας Πρόγραμμα Μεταπτυχιακών Σπουδών Κατεύθυνση: Εφαρμοσμένη γενετική και βιοτεχνολογία ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Μελέτη της έκφρασης του ογκοκατασταλτικού γονιδίου

Διαβάστε περισσότερα

Statistics 104: Quantitative Methods for Economics Formula and Theorem Review

Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Harvard College Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Tommy MacWilliam, 13 tmacwilliam@college.harvard.edu March 10, 2011 Contents 1 Introduction to Data 5 1.1 Sample

Διαβάστε περισσότερα

Biostatistics for Health Sciences Review Sheet

Biostatistics for Health Sciences Review Sheet Biostatistics for Health Sciences Review Sheet http://mathvault.ca June 1, 2017 Contents 1 Descriptive Statistics 2 1.1 Variables.............................................. 2 1.1.1 Qualitative........................................

Διαβάστε περισσότερα

Supplemental Table 1. ICD-9-CM codes and ATC codes used in this study

Supplemental Table 1. ICD-9-CM codes and ATC codes used in this study Supplemental Table 1. ICD-9-CM codes and ATC codes used in this study Comorbidities ICD-9-CM codes Medication ATC codes Diabetes 250 Angiotensin-converting enzyme inhibitors C09AA Ischemic heart disease

Διαβάστε περισσότερα

Nature Medicine doi: /nm.2457

Nature Medicine doi: /nm.2457 ature Medicine doi:10.1038/nm.2457 ature Medicine doi:10.1038/nm.2457 ature Medicine doi:10.1038/nm.2457 ature Medicine doi:10.1038/nm.2457 ature Medicine doi:10.1038/nm.2457 Table S1 - Candidate genes

Διαβάστε περισσότερα

22 .5 Real consumption.5 Real residential investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.5 Real house prices.5 Real fixed investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.3 Inflation

Διαβάστε περισσότερα

Γενικευμένα Γραμμικά Μοντέλα (GLM) Επισκόπηση

Γενικευμένα Γραμμικά Μοντέλα (GLM) Επισκόπηση Γενικευμένα Γραμμικά Μοντέλα (GLM) Επισκόπηση Γενική μορφή g( E[ Y X ]) Xb Κατανομή της Υ στην εκθετική οικογένεια Ανεξάρτητες παρατηρήσεις Ενας όρος για το σφάλμα g(.) Συνδετική συνάρτηση (link function)

Διαβάστε περισσότερα

IL - 13 /IL - 18 ELISA PCR RT - PCR. IL - 13 IL - 18 mrna. 13 IL - 18 mrna IL - 13 /IL Th1 /Th2

IL - 13 /IL - 18 ELISA PCR RT - PCR. IL - 13 IL - 18 mrna. 13 IL - 18 mrna IL - 13 /IL Th1 /Th2 344 IL - 13 /IL - 18 1 2 1 2 1 2 1 2 1 2 3 1 2 13 18 IL - 13 /IL - 18 10% / OVA /AL OH 3 5% 16 ~ 43 d 44 d ELISA BALF IL - 13 IL - 18 PCR RT - PCR IL - 13 IL - 18 mrna IL - 13 mrna 0. 01 IL - 18 mrna 0.

Διαβάστε περισσότερα

PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI

PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI 155 Lampiran 6 Yayan Sumaryana, 2014 PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI Universitas Pendidikan Indonesia

Διαβάστε περισσότερα

Simon et al. Supplemental Data Page 1

Simon et al. Supplemental Data Page 1 Simon et al. Supplemental Data Page 1 Supplemental Data Acute hemodynamic effects of inhaled sodium nitrite in pulmonary hypertension associated with heart failure with preserved ejection fraction Short

Διαβάστε περισσότερα

Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov.

Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov. A. ΈΛΕΓΧΟΣ ΚΑΝΟΝΙΚΟΤΗΤΑΣ A 1. Έλεγχος κανονικότητας Kolmogorov-Smirnov. Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov. Μηδενική υπόθεση:

Διαβάστε περισσότερα

Αν οι προϋποθέσεις αυτές δεν ισχύουν, τότε ανατρέχουµε σε µη παραµετρικό τεστ.

Αν οι προϋποθέσεις αυτές δεν ισχύουν, τότε ανατρέχουµε σε µη παραµετρικό τεστ. ΣΤ. ΑΝΑΛΥΣΗ ΙΑΣΠΟΡΑΣ (ANALYSIS OF VARIANCE - ANOVA) ΣΤ 1. Ανάλυση ιασποράς κατά µία κατεύθυνση. Όπως έχουµε δει στη παράγραφο Β 2, όταν θέλουµε να ελέγξουµε, αν η µέση τιµή µιας ποσοτικής µεταβλητής διαφέρει

Διαβάστε περισσότερα

FORMULAS FOR STATISTICS 1

FORMULAS FOR STATISTICS 1 FORMULAS FOR STATISTICS 1 X = 1 n Sample statistics X i or x = 1 n x i (sample mean) S 2 = 1 n 1 s 2 = 1 n 1 (X i X) 2 = 1 n 1 (x i x) 2 = 1 n 1 Xi 2 n n 1 X 2 x 2 i n n 1 x 2 or (sample variance) E(X)

Διαβάστε περισσότερα

Supplementary figures

Supplementary figures A Supplementary figures a) DMT.BG2 0.87 0.87 0.72 20 40 60 80 100 DMT.EG2 0.93 0.85 20 40 60 80 EMT.MG3 0.85 0 20 40 60 80 20 40 60 80 100 20 40 60 80 100 20 40 60 80 EMT.G6 DMT/EMT b) EG2 0.92 0.85 5

Διαβάστε περισσότερα

Άσκηση 10, σελ. 119. Για τη μεταβλητή x (άτυπος όγκος) έχουμε: x censored_x 1 F 3 F 3 F 4 F 10 F 13 F 13 F 16 F 16 F 24 F 26 F 27 F 28 F

Άσκηση 10, σελ. 119. Για τη μεταβλητή x (άτυπος όγκος) έχουμε: x censored_x 1 F 3 F 3 F 4 F 10 F 13 F 13 F 16 F 16 F 24 F 26 F 27 F 28 F Άσκηση 0, σελ. 9 από το βιβλίο «Μοντέλα Αξιοπιστίας και Επιβίωσης» της Χ. Καρώνη (i) Αρχικά, εισάγουμε τα δεδομένα στο minitab δημιουργώντας δύο μεταβλητές: τη x για τον άτυπο όγκο και την y για τον τυπικό

Διαβάστε περισσότερα

Supplemental Table S1. Tumor specific networks are enriched with somatically mutated genes (taken from the database COSMIC)

Supplemental Table S1. Tumor specific networks are enriched with somatically mutated genes (taken from the database COSMIC) Additional file 1 Supplemental Table S1. Tumor specific networks are enriched with somatically mutated genes (taken from the database COSMIC) COSMIC genes in tumor network COSMIC genes not in tumor network

Διαβάστε περισσότερα

ΕΟΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΙΑΤΡΙΚΗ ΣΧΟΛΗ ΤΟΜΕΑΣ ΜΟΡΦΟΛΕΙΤΟΥΡΓΙΚΟΣ ΕΡΓΑΣΤΗΡΙΟ ΙΣΤΟΛΟΓΙΑΣ & ΕΜΒΡΥΟΛΟΓΙΑΣ

ΕΟΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΙΑΤΡΙΚΗ ΣΧΟΛΗ ΤΟΜΕΑΣ ΜΟΡΦΟΛΕΙΤΟΥΡΓΙΚΟΣ ΕΡΓΑΣΤΗΡΙΟ ΙΣΤΟΛΟΓΙΑΣ & ΕΜΒΡΥΟΛΟΓΙΑΣ ΕΟΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΙΑΤΡΙΚΗ ΣΧΟΛΗ ΤΟΜΕΑΣ ΜΟΡΦΟΛΕΙΤΟΥΡΓΙΚΟΣ ΕΡΓΑΣΤΗΡΙΟ ΙΣΤΟΛΟΓΙΑΣ & ΕΜΒΡΥΟΛΟΓΙΑΣ ΔΙΕΥΟΥΝΤΗΣ: ΚΑΘΗΓΗΤΗΣ ΧΡΗΣΤΟΣ ΚΙΤΤΑΣ ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ ΑΝΑΠΤΥΞΗ ΜΕΘΟΔΩΝ ΜΕΤΡΗΣΗΣ

Διαβάστε περισσότερα

Chapter 1 Introduction to Observational Studies Part 2 Cross-Sectional Selection Bias Adjustment

Chapter 1 Introduction to Observational Studies Part 2 Cross-Sectional Selection Bias Adjustment Contents Preface ix Part 1 Introduction Chapter 1 Introduction to Observational Studies... 3 1.1 Observational vs. Experimental Studies... 3 1.2 Issues in Observational Studies... 5 1.3 Study Design...

Διαβάστε περισσότερα

Διδακτορική Διατριβή

Διδακτορική Διατριβή ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Διδακτορική Διατριβή Η ΕΠΙΔΡΑΣΗ ΕΚΠΑΙΔΕΥΤΙΚΗΣ ΠΑΡΕΜΒΑΣΗΣ ΥΠΟΒΟΗΘΟΥΜΕΝΗΣ ΑΠΟ ΥΠΟΛΟΓΙΣΤΗ ΣΤΗΝ ΠΟΙΟΤΗΤΑ ΖΩΗΣ ΚΑΙ ΣΤΗΝ ΑΥΤΟΦΡΟΝΤΙΔΑ ΑΣΘΕΝΩΝ ΜΕ ΚΑΡΔΙΑΚΗ

Διαβάστε περισσότερα

APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 651 APPENDIX B. BIBLIOGRAPHY 677 APPENDIX C. ANSWERS TO SELECTED EXERCISES 679

APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 651 APPENDIX B. BIBLIOGRAPHY 677 APPENDIX C. ANSWERS TO SELECTED EXERCISES 679 APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 1 Table I Summary of Common Probability Distributions 2 Table II Cumulative Standard Normal Distribution Table III Percentage Points, 2 of the Chi-Squared

Διαβάστε περισσότερα

Καρκίνος ορθού Προεγχειρητική ακτινοθεραπεία. Λουίζα Βίνη Ογκολόγος Ακτινοθεραπεύτρια Τμήμα Ακτινοθεραπείας Ιατρικό Αθηνών

Καρκίνος ορθού Προεγχειρητική ακτινοθεραπεία. Λουίζα Βίνη Ογκολόγος Ακτινοθεραπεύτρια Τμήμα Ακτινοθεραπείας Ιατρικό Αθηνών Καρκίνος ορθού Προεγχειρητική ακτινοθεραπεία Λουίζα Βίνη Ογκολόγος Ακτινοθεραπεύτρια Τμήμα Ακτινοθεραπείας Ιατρικό Αθηνών Prognostic groups in 1676 patients with T3 rectal cancer treated without preoperative

Διαβάστε περισσότερα

Παιδιατρική ΒΟΡΕΙΟΥ ΕΛΛΑΔΟΣ, 23, 3. Γ Παιδιατρική Κλινική, Αριστοτέλειο Πανεπιστήμιο, Ιπποκράτειο Νοσοκομείο Θεσσαλονίκης, 2

Παιδιατρική ΒΟΡΕΙΟΥ ΕΛΛΑΔΟΣ, 23, 3. Γ Παιδιατρική Κλινική, Αριστοτέλειο Πανεπιστήμιο, Ιπποκράτειο Νοσοκομείο Θεσσαλονίκης, 2 162 Σύγκριση της επίδρασης της Μοντελουκάστης και των Εισπνεομένων Στεροειδών στο Εκπνεόμενο Μονοξείδιο του Αζώτου (eno) και την αναπνευστική λειτουργία σε ασθματικά παιδιά Ε. Χατζηαγόρου 1, Β. Αβραμίδου

Διαβάστε περισσότερα

Χριστίνα Φεβράνογλου, Μάριος Ζωντανός, Παρασκευή Μπούρα, Σωτήρης Τσιµπούκης, Σοφία Τσαγκούλη, Ιωάννης Γκιόζος, Ανδριανή Χαρπίδου

Χριστίνα Φεβράνογλου, Μάριος Ζωντανός, Παρασκευή Μπούρα, Σωτήρης Τσιµπούκης, Σοφία Τσαγκούλη, Ιωάννης Γκιόζος, Ανδριανή Χαρπίδου Χριστίνα Φεβράνογλου, Μάριος Ζωντανός, Παρασκευή Μπούρα, Σωτήρης Τσιµπούκης, Σοφία Τσαγκούλη, Ιωάννης Γκιόζος, Ανδριανή Χαρπίδου ΟΓΚΟΛΟΓΙΚΗ ΜΟΝΑ Α, Γ ΠΑΝΕΠΙΣΤΗΜΙΑΚΗ ΠΑΘΟΛΟΓΙΚΗ ΚΛΙΝΙΚΗ, ΓΝΝΘΑ ΣΩΤΗΡΙΑ ΝΕΥΡΟΕΝ

Διαβάστε περισσότερα

Repeated measures Επαναληπτικές μετρήσεις

Repeated measures Επαναληπτικές μετρήσεις ΠΡΟΒΛΗΜΑ Στο αρχείο δεδομένων diavitis.sav καταγράφεται η ποσότητα γλυκόζης στο αίμα 10 ασθενών στην αρχή της χορήγησης μιας θεραπείας, μετά από ένα μήνα και μετά από δύο μήνες. Μελετήστε την επίδραση

Διαβάστε περισσότερα

Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές. Εργαστήριο Γεωργίας. Viola adorata

Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές. Εργαστήριο Γεωργίας. Viola adorata One-way ANOVA µε το SPSS Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata To call in a statistician after the experiment is

Διαβάστε περισσότερα

HOMEWORK#1. t E(x) = 1 λ = (b) Find the median lifetime of a randomly selected light bulb. Answer:

HOMEWORK#1. t E(x) = 1 λ = (b) Find the median lifetime of a randomly selected light bulb. Answer: HOMEWORK# 52258 李亞晟 Eercise 2. The lifetime of light bulbs follows an eponential distribution with a hazard rate of. failures per hour of use (a) Find the mean lifetime of a randomly selected light bulb.

Διαβάστε περισσότερα

Optimizing Microwave-assisted Extraction Process for Paprika Red Pigments Using Response Surface Methodology

Optimizing Microwave-assisted Extraction Process for Paprika Red Pigments Using Response Surface Methodology 2012 34 2 382-387 http / /xuebao. jxau. edu. cn Acta Agriculturae Universitatis Jiangxiensis E - mail ndxb7775@ sina. com 212018 105 W 42 2 min 0. 631 TS202. 3 A 1000-2286 2012 02-0382 - 06 Optimizing

Διαβάστε περισσότερα

.5 Real consumption.5 Real residential investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.5 Real house prices.5 Real fixed investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.3 Inflation rate.3

Διαβάστε περισσότερα

< (0.999) Graft (0.698) (0.483) <0.001 (0.698) (<0.001) (<0.001) 3 months (0.999) (0.483) (<0.001) 6 months (<0.

< (0.999) Graft (0.698) (0.483) <0.001 (0.698) (<0.001) (<0.001) 3 months (0.999) (0.483) (<0.001) 6 months (<0. Supplementary table 1. Correlation of endothelial cell density among graft, 3, 6, and 12 months after Descemet s automated stripping endothelial keratoplasty. Graft 3 months 6 months 12 months Graft

Διαβάστε περισσότερα

SECTION II: PROBABILITY MODELS

SECTION II: PROBABILITY MODELS SECTION II: PROBABILITY MODELS 1 SECTION II: Aggregate Data. Fraction of births with low birth weight per province. Model A: OLS, using observations 1 260 Heteroskedasticity-robust standard errors, variant

Διαβάστε περισσότερα

519.22(07.07) 78 : ( ) /.. ; c (07.07) , , 2008

519.22(07.07) 78 : ( ) /.. ; c (07.07) , , 2008 .. ( ) 2008 519.22(07.07) 78 : ( ) /.. ;. : -, 2008. 38 c. ( ) STATISTICA.,. STATISTICA.,. 519.22(07.07),.., 2008.., 2008., 2008 2 ... 4 1...5...5 2...14...14 3...27...27 3 ,, -. " ", :,,,... STATISTICA.,,,.

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή Εργασία Χαμηλά επίπεδα βιταμίνης D σχετιζόμενα με το βρογχικό άσθμα στα παιδιά και στους έφηβους Κουρομπίνα Αλεξάνδρα Λεμεσός [2014] i ΤΕΧΝΟΛΟΓΙΚΟ

Διαβάστε περισσότερα

Σχεδιασμός Κλινικών Δοκιμών. Ερμηνεία & Αξιολόγηση Αποτελεσμάτων. Κλινικών Δοκιμών. Μάθημα Ερευνητικής Μεθοδολογίας

Σχεδιασμός Κλινικών Δοκιμών. Ερμηνεία & Αξιολόγηση Αποτελεσμάτων. Κλινικών Δοκιμών. Μάθημα Ερευνητικής Μεθοδολογίας Μάθημα Ερευνητικής Μεθοδολογίας Σχεδιασμός Κλινικών Δοκιμών Ερμηνεία & Αξιολόγηση Αποτελεσμάτων Ουρανία Δαφνή Καθηγήτρια, Διευθύντρια Εργαστήριο Βιοστατιστικής Τμήμα Νοσηλευτικής Πανεπιστήμιο Αθηνών Αθήνα,

Διαβάστε περισσότερα

Research on Economics and Management

Research on Economics and Management 36 5 2015 5 Research on Economics and Management Vol. 36 No. 5 May 2015 490 490 F323. 9 A DOI:10.13502/j.cnki.issn1000-7636.2015.05.007 1000-7636 2015 05-0052 - 10 2008 836 70% 1. 2 2010 1 2 3 2015-03

Διαβάστε περισσότερα

1. Hasil Pengukuran Kadar TNF-α. DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm

1. Hasil Pengukuran Kadar TNF-α. DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm HASIL PENELITIAN 1. Hasil Pengukuran Kadar TNF-α DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm NO KADAR ( pg/ml) ABSORBANSI 1. 0 0.055 2. 15.6 0.207 3. 31.5 0.368 4. 62.5 0.624

Διαβάστε περισσότερα

Supplementary Appendix

Supplementary Appendix Supplementary Appendix Measuring crisis risk using conditional copulas: An empirical analysis of the 2008 shipping crisis Sebastian Opitz, Henry Seidel and Alexander Szimayer Model specification Table

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΠΟΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΒΙΟΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΕΠΙΣΤΗΜΗΣ ΤΡΟΦΙΜΩΝ. Πτυχιακή εργασία

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΠΟΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΒΙΟΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΕΠΙΣΤΗΜΗΣ ΤΡΟΦΙΜΩΝ. Πτυχιακή εργασία ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΠΟΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΒΙΟΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΕΠΙΣΤΗΜΗΣ ΤΡΟΦΙΜΩΝ Πτυχιακή εργασία ΜΕΛΕΤΗ ΠΟΛΥΦΑΙΝΟΛΩΝ ΚΑΙ ΑΝΤΙΟΞΕΙΔΩΤΙΚΗΣ ΙΚΑΝΟΤΗΤΑΣ ΣΟΚΟΛΑΤΑΣ Αναστασία Σιάντωνα Λεμεσός

Διαβάστε περισσότερα

ΠΑΧΥΣΑΡΚΙΑ ΚΑΙ ΚΑΡΚΙΝΟΣ

ΠΑΧΥΣΑΡΚΙΑ ΚΑΙ ΚΑΡΚΙΝΟΣ 1 ΠΑΧΥΣΑΡΚΙΑ ΚΑΙ ΚΑΡΚΙΝΟΣ Δ. Κιόρτσης Ενδοκρινολόγος Αν. Καθηγητής Ιατρικής Σχολής Παν/μίου Ιωαννίνων European SCOPE fellow 1η ΠΑΝΕΛΛΗΝΙΑ ΕΠΙΔΗΜΙΟΛΟΓΙΚΗ ΜΕΛΕΤΗ ΕΠΙΠΟΛΑΣΜΟΥ ΠΑΧΥΣΑΡΚΙΑΣ Ελληνική Ιατρική

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή Εργασία "Η ΣΗΜΑΝΤΙΚΟΤΗΤΑ ΤΟΥ ΜΗΤΡΙΚΟΥ ΘΗΛΑΣΜΟΥ ΣΤΗ ΠΡΟΛΗΨΗ ΤΗΣ ΠΑΙΔΙΚΗΣ ΠΑΧΥΣΑΡΚΙΑΣ" Ειρήνη Σωτηρίου Λεμεσός 2014 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

Διαβάστε περισσότερα

Μέτρα Υπολογισµού του Κινδύνου εκδήλωσης µιας κατάστασης

Μέτρα Υπολογισµού του Κινδύνου εκδήλωσης µιας κατάστασης 1st Workshop on Evidence Based Medicine Athens, 6-7 December 2003 Ελληνικό Ίδρυµα Καρδιολογίας & Εργ. Βιοστατιστικής, Τµήµατος Νοσηλευτικής Πανεπιστηµίου Αθηνών Μέτρα Υπολογισµού του Κινδύνου εκδήλωσης

Διαβάστε περισσότερα

UMI Number: All rights reserved

UMI Number: All rights reserved UMI Number: 3408360 All rights reserved INFORMATION TO ALL USERS The quality of this reproduction is dependent upon the quality of the copy submitted. In the unlikely event that the author did not send

Διαβάστε περισσότερα

Table 1: Military Service: Models. Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed

Table 1: Military Service: Models. Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed Tables: Military Service Table 1: Military Service: Models Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed mili 0.489-0.014-0.044-0.044-1.469-2.026-2.026

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΒΑΛΛΟΝΤΟΣ. Πτυχιακή εργασία

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΒΑΛΛΟΝΤΟΣ. Πτυχιακή εργασία ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Πτυχιακή εργασία ΠΑΡΑΓΟΝΤΕΣ ΠΟΥ ΕΠΗΡΕΑΖΟΥΝ ΤΗΝ ΘΝΗΣΙΜΟΤΗΤΑ ΕΡΙΦΙΩΝ ΤΗΣ ΦΥΛΗΣ ΔΑΜΑΣΚΟΥ ΜΕΧΡΙ ΤΟΝ ΑΠΟΓΑΛΑΚΤΙΣΜΟ ΣΟΦΟΚΛΕΟΥΣ

Διαβάστε περισσότερα

Προενταξιακός ασθενής - Επιλογή μεθόδου κάθαρσης

Προενταξιακός ασθενής - Επιλογή μεθόδου κάθαρσης Προενταξιακός ασθενής - Επιλογή μεθόδου κάθαρσης Παπαχρήστου Ευάγγελος Επίκουρος Καθηγητής Παθολογίας Νεφρολογίας Ιατρική Σχολή Πανεπιστημίου Πατρών Χρόνια Νεφρική Νόσος (ΧΝΝ) Διαταραχή της δομής ή της

Διαβάστε περισσότερα

Supplementary Materials: A Preliminary Link between Hydroxylated Metabolites of Polychlorinated Biphenyls and Free Thyroxin in Humans

Supplementary Materials: A Preliminary Link between Hydroxylated Metabolites of Polychlorinated Biphenyls and Free Thyroxin in Humans S1 of S11 Supplementary Materials: A Preliminary Link between Hydroxylated Metabolites of Polychlorinated Biphenyls and Free Thyroxin in Humans Eveline Dirinck, Alin C. Dirtu, Govindan Malarvannan, Adrian

Διαβάστε περισσότερα

Cardiovascular Center Aalst

Cardiovascular Center Aalst Σύγκριση Αγγειογραφικών σε σχέση µε Αιµοδυναµικές παραµέτρους για την πρόγνωση της φυσικής πορείας της στεφανιαίας αθηρωµάτωσης. Μια Yπό-ανάλυση της µελέτης FAME II G. Ciccarelli, 1 A. Milkas, 1,9 E. Barbato,

Διαβάστε περισσότερα

Λογαριθµιστική εξάρτηση

Λογαριθµιστική εξάρτηση Είδη δεδοµένων Σε µία επιδηµιολογική έρευνα, καταγράφονται τα παρακάτω δεδοµένα για κάθε άτοµο: Λογαριθµιστική εξάρτηση Βάνα Σύψα Επίκουρη Καθηγήτρια Επιδηµιολογίας και Προληπτικής Ιατρικής Εργαστήριο

Διαβάστε περισσότερα

5.4 The Poisson Distribution.

5.4 The Poisson Distribution. The worst thing you can do about a situation is nothing. Sr. O Shea Jackson 5.4 The Poisson Distribution. Description of the Poisson Distribution Discrete probability distribution. The random variable

Διαβάστε περισσότερα

«ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ ΓΔΓΟΜΔΝΩΝ ΣΟΝ ΔΛΛΑΓΗΚΟ ΥΩΡΟ»

«ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ ΓΔΓΟΜΔΝΩΝ ΣΟΝ ΔΛΛΑΓΗΚΟ ΥΩΡΟ» ΓΔΩΠΟΝΗΚΟ ΠΑΝΔΠΗΣΖΜΗΟ ΑΘΖΝΩΝ ΣΜΗΜΑ ΑΞΙΟΠΟΙΗΗ ΦΤΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗ ΜΗΥΑΝΙΚΗ ΣΟΜΕΑ ΕΔΑΦΟΛΟΓΙΑ ΚΑΙ ΓΕΩΡΓΙΚΗ ΥΗΜΕΙΑ ΕΙΔΙΚΕΤΗ: ΕΦΑΡΜΟΓΕ ΣΗ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ΣΟΤ ΦΤΙΚΟΤ ΠΟΡΟΤ «ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ

Διαβάστε περισσότερα

Βηηακίλε D θαη Αλάινγα

Βηηακίλε D θαη Αλάινγα Βηηακίλε D θαη Αλάινγα Οκάδα ελψζεσλ, πνπ ζπκπεξηιακβάλεη: Φπζηθή βηηακίλε D Καιζηηξηφιε/Οξκφλε D (δξαζηηθφο κεηαβνιίηεο) Αιθαθαιζηδφιε (αλάινγν ηεο βηηακίλεο D) Φπζηθή Βηηακίλε D πκπεξηιακβάλεη ηελ εξγνθαιζηθεξφιε

Διαβάστε περισσότερα

VBA Microsoft Excel. J. Comput. Chem. Jpn., Vol. 5, No. 1, pp (2006)

VBA Microsoft Excel. J. Comput. Chem. Jpn., Vol. 5, No. 1, pp (2006) J. Comput. Chem. Jpn., Vol. 5, No. 1, pp. 29 38 (2006) Microsoft Excel, 184-8588 2-24-16 e-mail: yosimura@cc.tuat.ac.jp (Received: July 28, 2005; Accepted for publication: October 24, 2005; Published on

Διαβάστε περισσότερα

Table of Contents 1 Supplementary Data MCD

Table of Contents 1 Supplementary Data MCD Electronic Supplementary Material (ESI) for Dalton Transactions. This journal is The Royal Society of Chemistry 2017 Supporting Information for Magnetic circular dichroism and density functional theory

Διαβάστε περισσότερα

MSM Men who have Sex with Men HIV -

MSM Men who have Sex with Men HIV - ,**, The Japanese Society for AIDS Research The Journal of AIDS Research HIV,0 + + + + +,,, +, : HIV : +322,*** HIV,0,, :., n,0,,. + 2 2, CD. +3-ml n,, AIDS 3 ARC 3 +* 1. A, MSM Men who have Sex with Men

Διαβάστε περισσότερα

Long intergenic non-coding RNA expression signature in human breast cancer

Long intergenic non-coding RNA expression signature in human breast cancer Long intergenic non-coding RNA expression signature in human breast cancer Yanfeng Zhang 1,5,#, Erin K. Wagner 2,#, Xingyi Guo 1, Isaac May 3, Qiuyin Cai 1, Wei Zheng 1, Chunyan He 2,4,*, Jirong Long 1,*

Διαβάστε περισσότερα

Mean bond enthalpy Standard enthalpy of formation Bond N H N N N N H O O O

Mean bond enthalpy Standard enthalpy of formation Bond N H N N N N H O O O Q1. (a) Explain the meaning of the terms mean bond enthalpy and standard enthalpy of formation. Mean bond enthalpy... Standard enthalpy of formation... (5) (b) Some mean bond enthalpies are given below.

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ. Εαρινό εξάµηνο ακαδηµαϊκού έτους 2003-2004 ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. Εργασία 4 - Ενδεικτική λύση

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ. Εαρινό εξάµηνο ακαδηµαϊκού έτους 2003-2004 ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. Εργασία 4 - Ενδεικτική λύση ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ Εαρινό εξάµηνο ακαδηµαϊκού έτους 34 ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 5 Μαΐου 4 Εργασία 4 - Ενδεικτική λύση Το κείµενο απευθύνεται στους φοιτητές και αιτιολογεί και περιγράφει

Διαβάστε περισσότερα

Δεδομένα ασφάλειας του certolizumab pegol από τα αρχεία της UCB

Δεδομένα ασφάλειας του certolizumab pegol από τα αρχεία της UCB Click to edit Master title style 1 Δεδομένα ασφάλειας του certolizumab pegol από τα αρχεία της UCB cut-off date of 31st October 2010 Κων/να Χουχούλη Ρευματολόγος Medical Advisor Immunology Δεδομένα Click

Διαβάστε περισσότερα

χ 2 test ανεξαρτησίας

χ 2 test ανεξαρτησίας χ 2 test ανεξαρτησίας Καθηγητής Ι. Κ. ΔΗΜΗΤΡΙΟΥ demetri@econ.uoa.gr 7.2 Το χ 2 Τεστ Ανεξαρτησίας Tο χ 2 τεστ ανεξαρτησίας (όπως και η παλινδρόμηση) είναι στατιστικά εργαλεία για τον εντοπισμό σχέσεων μεταξύ

Διαβάστε περισσότερα

Pyrrolo[2,3-d:5,4-d']bisthiazoles: Alternate Synthetic Routes and a Comparative Study to Analogous Fused-ring Bithiophenes

Pyrrolo[2,3-d:5,4-d']bisthiazoles: Alternate Synthetic Routes and a Comparative Study to Analogous Fused-ring Bithiophenes SUPPORTING INFORMATION Pyrrolo[2,3-d:5,4-d']bisthiazoles: Alternate Synthetic Routes and a Comparative Study to Analogous Fused-ring Bithiophenes Eric J. Uzelac, Casey B. McCausland, and Seth C. Rasmussen*

Διαβάστε περισσότερα

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007 Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Αν κάπου κάνετε κάποιες υποθέσεις να αναφερθούν στη σχετική ερώτηση. Όλα τα αρχεία που αναφέρονται στα προβλήματα βρίσκονται στον ίδιο φάκελο με το εκτελέσιμο

Διαβάστε περισσότερα

Καρδιακή Συχνότητα και Πρόσληψη Οξυγόνου Ατόμων Μέσης Ηλικίας κατά την Εκτέλεση Ελληνικών Παραδοσιακών Χορών

Καρδιακή Συχνότητα και Πρόσληψη Οξυγόνου Ατόμων Μέσης Ηλικίας κατά την Εκτέλεση Ελληνικών Παραδοσιακών Χορών Ερευνητική Αναζητήσεις στη Φυσική Αγωγή & τον Αθλητισμό τόμος 6 (3), 329 339 Δημοσιεύτηκε: 31 Δεκεμβρίου 2008 Inquiries in Sport & Physical Education Volume 6 (3), 329-339 Released: December 31, 2008 www.hape.gr/emag.asp

Διαβάστε περισσότερα

Aquinas College. Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET

Aquinas College. Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET Aquinas College Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET Pearson Edexcel Level 3 Advanced Subsidiary and Advanced GCE in Mathematics and Further Mathematics Mathematical

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΕΠΗΡΕΑΖΕΙ ΤΗΝ ΠΡΟΛΗΨΗ ΚΑΡΚΙΝΟΥ ΤΟΥ ΜΑΣΤΟΥ

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΕΠΗΡΕΑΖΕΙ ΤΗΝ ΠΡΟΛΗΨΗ ΚΑΡΚΙΝΟΥ ΤΟΥ ΜΑΣΤΟΥ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΠΩΣ Η ΚΑΤΑΝΑΛΩΣΗ ΦΡΟΥΤΩΝ ΚΑΙ ΛΑΧΑΝΙΚΩΝ ΕΠΗΡΕΑΖΕΙ ΤΗΝ ΠΡΟΛΗΨΗ ΚΑΡΚΙΝΟΥ ΤΟΥ ΜΑΣΤΟΥ Όνομα φοιτήτριας ΚΑΛΑΠΟΔΑ ΜΑΡΚΕΛΛΑ

Διαβάστε περισσότερα

Numerical Analysis FMN011

Numerical Analysis FMN011 Numerical Analysis FMN011 Carmen Arévalo Lund University carmen@maths.lth.se Lecture 12 Periodic data A function g has period P if g(x + P ) = g(x) Model: Trigonometric polynomial of order M T M (x) =

Διαβάστε περισσότερα

k A = [k, k]( )[a 1, a 2 ] = [ka 1,ka 2 ] 4For the division of two intervals of confidence in R +

k A = [k, k]( )[a 1, a 2 ] = [ka 1,ka 2 ] 4For the division of two intervals of confidence in R + Chapter 3. Fuzzy Arithmetic 3- Fuzzy arithmetic: ~Addition(+) and subtraction (-): Let A = [a and B = [b, b in R If x [a and y [b, b than x+y [a +b +b Symbolically,we write A(+)B = [a (+)[b, b = [a +b

Διαβάστε περισσότερα

Πτυχιακή Εργασία Η ΠΟΙΟΤΗΤΑ ΖΩΗΣ ΤΩΝ ΑΣΘΕΝΩΝ ΜΕ ΣΤΗΘΑΓΧΗ

Πτυχιακή Εργασία Η ΠΟΙΟΤΗΤΑ ΖΩΗΣ ΤΩΝ ΑΣΘΕΝΩΝ ΜΕ ΣΤΗΘΑΓΧΗ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή Εργασία Η ΠΟΙΟΤΗΤΑ ΖΩΗΣ ΤΩΝ ΑΣΘΕΝΩΝ ΜΕ ΣΤΗΘΑΓΧΗ Νικόλας Χριστοδούλου Λευκωσία, 2012 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ

Διαβάστε περισσότερα

Supplementary Material for The Cusp Catastrophe Model as Cross-Sectional and Longitudinal Mixture Structural Equation Models

Supplementary Material for The Cusp Catastrophe Model as Cross-Sectional and Longitudinal Mixture Structural Equation Models Supplementary Material for The Cusp Catastrophe Model as Cross-Sectional and Longitudinal Mixture Structural Equation Models Sy-Miin Chow Pennsylvania State University Katie Witkiewitz University of New

Διαβάστε περισσότερα

Πανθηλωμάτωση ουροδόχου κύστεως Πολλαπλές TUR η ριζική κυστεκτομή

Πανθηλωμάτωση ουροδόχου κύστεως Πολλαπλές TUR η ριζική κυστεκτομή Πανθηλωμάτωση ουροδόχου κύστεως Πολλαπλές TUR η ριζική κυστεκτομή ΚΑΛΟΓΕΡΟΠΟΥΛΟΣ ΘΕΟΔΩΡΟΣ MD,MSc,FEBU ΕΠΙΜΕΛΗΤΗΣ Β, ΟΥΡΟΛΟΓΙΚΟ ΤΜΗΜΑ Α.Ο.Ν.Α Θεωρίες προέλευσης της πολλαπλότητας των όγκων

Διαβάστε περισσότερα

ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΙΣ «ΚΛΙΝΙΚΕΣ ΚΑΙ ΚΛΙΝΙΚΟΕΡΓΑΣΤΗΡΙΑΚΕΣ ΙΑΤΡΙΚΕΣ ΕΙΔΙΚΟΤΗΤΕΣ»

ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΙΣ «ΚΛΙΝΙΚΕΣ ΚΑΙ ΚΛΙΝΙΚΟΕΡΓΑΣΤΗΡΙΑΚΕΣ ΙΑΤΡΙΚΕΣ ΕΙΔΙΚΟΤΗΤΕΣ» ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΜΗΜΑ ΙΑΤΡΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΙΣ «ΚΛΙΝΙΚΕΣ ΚΑΙ ΚΛΙΝΙΚΟΕΡΓΑΣΤΗΡΙΑΚΕΣ ΙΑΤΡΙΚΕΣ ΕΙΔΙΚΟΤΗΤΕΣ» ΑΡΝΗΤΙΚΗ ΡΥΘΜΙΣΗ ΤΗΣ ΜΕΤΑΒΙΒΑΣΗΣ ΤΟΥ ΣΗΜΑΤΟΣ ΤΗΣ

Διαβάστε περισσότερα

Hippokratia Μετα ανάλυση. ανάλυση. Κων/νος Α. Τουλής, MD MRes MSc PhD Ενδοκρινολόγος, 424 ΓΣΝΕ

Hippokratia Μετα ανάλυση. ανάλυση. Κων/νος Α. Τουλής, MD MRes MSc PhD Ενδοκρινολόγος, 424 ΓΣΝΕ Hippokratia 2014 Μετα ανάλυση ανάλυση Κων/νος Α. Τουλής, MD MRes MSc PhD Ενδοκρινολόγος, 424 ΓΣΝΕ GlaxoSmithKline yesterday unveiled a cost-cutting programme that will involve job losses and the closure

Διαβάστε περισσότερα

Δείγμα (μεγάλο) από οποιαδήποτε κατανομή

Δείγμα (μεγάλο) από οποιαδήποτε κατανομή ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 4ο Κατανομές Στατιστικών Συναρτήσεων Δείγμα από κανονική κατανομή Έστω Χ= Χ Χ Χ τ.δ. από Ν µσ τότε ( 1,,..., n) (, ) Τ Χ Χ Ν Τ Χ σ σ Χ Τ Χ n Χ S µ S µ 1( ) = (0,1), ( ) = ( n 1)

Διαβάστε περισσότερα

; +302 ; +313; +320,.

; +302 ; +313; +320,. 1.,,*+, - +./ +/2 +, -. ; +, - +* cm : Key words: snow-water content, surface soil, snow type, water permeability, water retention +,**. +,,**/.. +30- +302 ; +302 ; +313; +320,. + *+, *2// + -.*, **. **+.,

Διαβάστε περισσότερα

Άσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις:

Άσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις: Άσκηση. Δίνονται οι παρακάτω παρατηρήσεις: X X X X Y 7 50 6 7 6 6 96 7 0 5 55 9 5 59 6 8 8 5 0 59 7 7 8 8 5 5 0 7 69 9 6 6 7 6 9 5 7 6 8 5 6 69 8 0 50 66 0 0 50 8 59 76 8 7 60 7 87 6 5 7 88 9 8 50 0 5

Διαβάστε περισσότερα

Thin Film Chip Resistors

Thin Film Chip Resistors FEATURES PRECISE TOLERANCE AND TEMPERATURE COEFFICIENT EIA STANDARD CASE SIZES (0201 ~ 2512) LOW NOISE, THIN FILM (NiCr) CONSTRUCTION REFLOW SOLDERABLE (Pb FREE TERMINATION FINISH) Type Size EIA PowerRating

Διαβάστε περισσότερα

Biology of Cancer. Pharmakogenetics.. Expression Signatures.. Mutated Genes.. Micro-RNAs Epigenetics..Methylation.. Technology

Biology of Cancer. Pharmakogenetics.. Expression Signatures.. Mutated Genes.. Micro-RNAs Epigenetics..Methylation.. Technology Tumor Biology of Cancer Pharmacology Histology Grade Technology Molecular Biology Pharmakogenetics.. Expression Signatures.. Mutated Genes.. Micro-RNAs Epigenetics..Methylation.. Technology Erlotinib Gefitinib

Διαβάστε περισσότερα

Πέτρος Γαλάνης, MPH, PhD Εργαστήριο Οργάνωσης και Αξιολόγησης Υπηρεσιών Υγείας Τμήμα Νοσηλευτικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών

Πέτρος Γαλάνης, MPH, PhD Εργαστήριο Οργάνωσης και Αξιολόγησης Υπηρεσιών Υγείας Τμήμα Νοσηλευτικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών Πέτρος Γαλάνης, MPH, PhD Εργαστήριο Οργάνωσης και Αξιολόγησης Υπηρεσιών Υγείας Τμήμα Νοσηλευτικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών Καθορισμός ερευνητικής υπόθεσης Κριτήρια ένταξης και αποκλεισμού

Διαβάστε περισσότερα

LAMPIRAN. Fixed-effects (within) regression Number of obs = 364 Group variable (i): kode Number of groups = 26

LAMPIRAN. Fixed-effects (within) regression Number of obs = 364 Group variable (i): kode Number of groups = 26 LAMPIRAN Lampiran 1 Uji Chow Test Model Pertama Hipotesis: Ho: Pooled Least Square Ha: Fixed Effect Method Decision Rule: Tolak Ho apabila P-value < α Fixed-effects (within) regression Number of obs =

Διαβάστε περισσότερα

Μην ξεχάσετε να προσθέσετε μόνοι σας τα Session του Minitab! Δηλαδή την ημερομηνία και ώρα που κάνατε κάθε άσκηση!

Μην ξεχάσετε να προσθέσετε μόνοι σας τα Session του Minitab! Δηλαδή την ημερομηνία και ώρα που κάνατε κάθε άσκηση! Μην ξεχάσετε να προσθέσετε μόνοι σας τα Session του Minitab! Δηλαδή την ημερομηνία και ώρα που κάνατε κάθε άσκηση! ΘΕΜΑ ο [Μονάδες 20] Ερώτημα i (4 μονάδες). Για να κάνουμε τους υπολογισμούς που χρειάζονται

Διαβάστε περισσότερα

Summary of the model specified

Summary of the model specified Program: HLM 7 Hierarchical Linear and Nonlinear Modeling Authors: Stephen Raudenbush, Tony Bryk, & Richard Congdon Publisher: Scientific Software International, Inc. (c) 2010 techsupport@ssicentral.com

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή Εργασία

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή Εργασία ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή Εργασία Ο ΜΗΤΡΙΚΟΣ ΘΗΛΑΣΜΟΣ ΚΑΙ Η ΣΧΕΣΗ ΤΟΥ ΜΕ ΤΟ ΚΑΡΚΙΝΟ ΤΟΥ ΜΑΣΤΟΥΣ ΣΤΙΣ ΓΥΝΑΙΚΕΣ ΠΟΥ ΕΙΝΑΙ ΦΟΡΕΙΣ ΤΟΥ ΟΓΚΟΓΟΝΙΔΙΟΥ BRCA1 ΚΑΙ BRCA2. Βασούλλα

Διαβάστε περισσότερα

A strategy for the identification of combinatorial bioactive compounds. contributing to the holistic effect of herbal medicines

A strategy for the identification of combinatorial bioactive compounds. contributing to the holistic effect of herbal medicines 1 2 Supplementary information 3 4 A strategy for the identification of combinatorial bioactive compounds contributing to the holistic effect of herbal medicines 5 6 Fang Long 1, Hua Yang 1, Yanmin Xu,

Διαβάστε περισσότερα

Statistics & Research methods. Athanasios Papaioannou University of Thessaly Dept. of PE & Sport Science

Statistics & Research methods. Athanasios Papaioannou University of Thessaly Dept. of PE & Sport Science Statistics & Research methods Athanasios Papaioannou University of Thessaly Dept. of PE & Sport Science 30 25 1,65 20 1,66 15 10 5 1,67 1,68 Κανονική 0 Height 1,69 Καμπύλη Κανονική Διακύμανση & Ζ-scores

Διαβάστε περισσότερα

Queensland University of Technology Transport Data Analysis and Modeling Methodologies

Queensland University of Technology Transport Data Analysis and Modeling Methodologies Queensland University of Technology Transport Data Analysis and Modeling Methodologies Lab Session #7 Example 5.2 (with 3SLS Extensions) Seemingly Unrelated Regression Estimation and 3SLS A survey of 206

Διαβάστε περισσότερα

!"!"!!#" $ "# % #" & #" '##' #!( #")*(+&#!', & - #% '##' #( &2(!%#(345#" 6##7

!!!!# $ # % # & # '##' #!( #)*(+&#!', & - #% '##' #( &2(!%#(345# 6##7 !"!"!!#" $ "# % #" & #" '##' #!( #")*(+&#!', '##' '# '## & - #% '##'.//0 #( 111111111111111111111111111111111111111111111111111 &2(!%#(345#" 6##7 11111111111111111111111111111111111111111111111111 11111111111111111111111111111111111111111111111111

Διαβάστε περισσότερα

ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙO ΑΘΗΝΩΝ ΤΜΗΜΑ ΑΞΙΟΠΟΙΗΣΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ

ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙO ΑΘΗΝΩΝ ΤΜΗΜΑ ΑΞΙΟΠΟΙΗΣΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙO ΑΘΗΝΩΝ ΤΜΗΜΑ ΑΞΙΟΠΟΙΗΣΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΓΕΣ ΤΗΣ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΟΥΣ ΦΥΣΙΚΟΥΣ ΠΟΡΟΥΣ» «Χωρικά μοντέλα πρόβλεψης αναβλάστησης

Διαβάστε περισσότερα

ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΣΕΞΟΥΑΛΙΚΗΣ ΔΡΑΣΤΗΡΙΟΤΗΤΑΣ ΤΩΝ ΓΥΝΑΙΚΩΝ ΚΑΤΑ ΤΗ ΔΙΑΡΚΕΙΑ ΤΗΣ ΕΓΚΥΜΟΣΥΝΗΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ

ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΣΕΞΟΥΑΛΙΚΗΣ ΔΡΑΣΤΗΡΙΟΤΗΤΑΣ ΤΩΝ ΓΥΝΑΙΚΩΝ ΚΑΤΑ ΤΗ ΔΙΑΡΚΕΙΑ ΤΗΣ ΕΓΚΥΜΟΣΥΝΗΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή Εργασία ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΣΕΞΟΥΑΛΙΚΗΣ ΔΡΑΣΤΗΡΙΟΤΗΤΑΣ ΤΩΝ ΓΥΝΑΙΚΩΝ ΚΑΤΑ ΤΗ ΔΙΑΡΚΕΙΑ ΤΗΣ ΕΓΚΥΜΟΣΥΝΗΣ ΑΝΔΡΕΟΥ ΣΤΕΦΑΝΙΑ Λεμεσός 2012 i ii ΤΕΧΝΟΛΟΓΙΚΟ

Διαβάστε περισσότερα

Α Καρδιολογική Κλινική ΑΠΘ, Νοσοκομείο ΑΧΕΠΑ, Θεσσαλονίκη

Α Καρδιολογική Κλινική ΑΠΘ, Νοσοκομείο ΑΧΕΠΑ, Θεσσαλονίκη ΚΑΤΑΛΥΣΗ ΤΑΧΥΚΑΡΔΙΑΣ ΕΞ ΕΠΑΝΕΙΣΟΔΟΥ ΣΤΟΝ ΚΟΜΒΟ ΣΕ ΗΛΙΚΙΩΜΕΝΟΥΣ ΚΑΙ ΣΕ ΑΤΟΜΑ ΜΕ ΠΑΡΑΤΕΤΑΜΕΝΟ PR ΔΙΑΣΤΗΜΑ. ΕΙΝΑΙ ΕΞΙΣΟΥ ΑΣΦΑΛΗΣ ΑΒLATION IN AVNRT IN OLDER AND IN PATIENTS WITH PROLONGED PR. IS IT SAFE ENOUGH?

Διαβάστε περισσότερα

Μαρία Κατσιφοδήμου. Ο ρόλος της έκκρισης HLA-G από τα ανθρώπινα έμβρυα στην επιτυχία της εξωσωματικής γονιμοποίησης. Μεταπτυχιακή Διπλωματική Εργασία

Μαρία Κατσιφοδήμου. Ο ρόλος της έκκρισης HLA-G από τα ανθρώπινα έμβρυα στην επιτυχία της εξωσωματικής γονιμοποίησης. Μεταπτυχιακή Διπλωματική Εργασία ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΒΙΟΛΟΓΙΑΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΚΑΤΕΥΘΥΝΣΗ: ΕΦΑΡΜΟΣΜΕΝΗ ΓΕΝΕΤΙΚΗ ΚΑΙ ΒΙΟΤΕΧΝΟΛΟΓΙΑ Ο ρόλος της έκκρισης HLA-G από τα ανθρώπινα

Διαβάστε περισσότερα

department listing department name αχχουντσ ϕανε βαλικτ δδσϕηασδδη σδηφγ ασκϕηλκ τεχηνιχαλ αλαν ϕουν διξ τεχηνιχαλ ϕοην µαριανι

department listing department name αχχουντσ ϕανε βαλικτ δδσϕηασδδη σδηφγ ασκϕηλκ τεχηνιχαλ αλαν ϕουν διξ τεχηνιχαλ ϕοην µαριανι She selects the option. Jenny starts with the al listing. This has employees listed within She drills down through the employee. The inferred ER sttricture relates this to the redcords in the databasee

Διαβάστε περισσότερα

Electronic Supplementary Information (ESI)

Electronic Supplementary Information (ESI) Electronic Supplementary Material (ESI) for RSC Advances. This journal is The Royal Society of Chemistry 2016 Electronic Supplementary Information (ESI) Cyclopentadienyl iron dicarbonyl (CpFe(CO) 2 ) derivatives

Διαβάστε περισσότερα

Web-based supplementary materials for Bayesian Quantile Regression for Ordinal Longitudinal Data

Web-based supplementary materials for Bayesian Quantile Regression for Ordinal Longitudinal Data Web-based supplementary materials for Bayesian Quantile Regression for Ordinal Longitudinal Data Rahim Alhamzawi, Haithem Taha Mohammad Ali Department of Statistics, College of Administration and Economics,

Διαβάστε περισσότερα

Μια κριτική ματιά στην κλινική. μελέτη GRIPHON

Μια κριτική ματιά στην κλινική. μελέτη GRIPHON Μια κριτική ματιά στην κλινική μελέτη GRIPHON Κατερίνα Μαραθιά Πνευμονολόγος Εντατικολόγος Διευθύντρια ΚΧ ΜΕΘ Διακλινικό Ιατρείο Πνευμονικής Υπέρτασης Ωνάσειο Καρδιοχειρουργικό Κέντρο Δήλωση σύγκρουσης

Διαβάστε περισσότερα

1 (forward modeling) 2 (data-driven modeling) e- Quest EnergyPlus DeST 1.1. {X t } ARMA. S.Sp. Pappas [4]

1 (forward modeling) 2 (data-driven modeling) e- Quest EnergyPlus DeST 1.1. {X t } ARMA. S.Sp. Pappas [4] 212 2 ( 4 252 ) No.2 in 212 (Total No.252 Vol.4) doi 1.3969/j.issn.1673-7237.212.2.16 STANDARD & TESTING 1 2 2 (1. 2184 2. 2184) CensusX12 ARMA ARMA TU111.19 A 1673-7237(212)2-55-5 Time Series Analysis

Διαβάστε περισσότερα

Supporting Information for Substituent Effects on the Properties of Borafluorenes

Supporting Information for Substituent Effects on the Properties of Borafluorenes Supporting Information for Substituent Effects on the Properties of Borafluorenes Mallory F. Smith, S. Joel Cassidy, Ian A. Adams, Monica Vasiliu, Deidra L. Gerlach, David Dixon*, Paul A. Rupar* Department

Διαβάστε περισσότερα

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ. Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ περισσότερων από δύο δειγμάτων, που διαχωρίζονται βάσει δύο ανεξάρτητων παραγόντων (Ανάλυση διακύμανσης για ανεξάρτητα δείγματα ως προς περισσότερους

Διαβάστε περισσότερα

Η παχυσαρκία επιβαρυντικός ή βοηθητικός παράγοντας. Π.Α. Κυριάκου Καρδιολόγος Διευθύντρια ΕΣΥ Διδάκτωρ ΑΠΘ Γ Καρδιολογική κλινική, ΙΓΠΝΘ

Η παχυσαρκία επιβαρυντικός ή βοηθητικός παράγοντας. Π.Α. Κυριάκου Καρδιολόγος Διευθύντρια ΕΣΥ Διδάκτωρ ΑΠΘ Γ Καρδιολογική κλινική, ΙΓΠΝΘ Η παχυσαρκία επιβαρυντικός ή βοηθητικός παράγοντας Π.Α. Κυριάκου Καρδιολόγος Διευθύντρια ΕΣΥ Διδάκτωρ ΑΠΘ Γ Καρδιολογική κλινική, ΙΓΠΝΘ Από μόνη η παχυσαρκία αυξάνει την θνητότητα Calle EE, Thun MJ, Petrelli

Διαβάστε περισσότερα