読んだ。
Pericapsular Nerve Group (PENG) Block for Hip Fracture.
Reg Anesth Pain Med. 2018 Nov;43(8):859-863.
骨頭置換のときに腸骨筋膜下ブロック(FIB)をすることがあるが、股関節の神経支配は大腿神経関節枝、閉鎖神経(前枝)、副閉鎖神経をブロックしないと痛いので、FIBでは疼痛管理が不十分で麻薬使用量があまり減らないことがあるらしい。
PENG ブロックは関節包周辺の神経をブロックするということでこの名前が付いている。Peng さんも著者にいるが関係なさそう。
Ultrasonography-guided articular branch of femoral nerve and anterior obturator nerve block for perioperative pain in hip surgery
腸骨稜から鼠径靭帯より頭側にコンベックス型プローブを当てると、骨盤と大腿神経が見える。報告では腸腰筋の腱が見えるようだが大腿神経がよく見えるような気がするのだが。
0.25% ブピバカイン 20ml に40万倍希釈のエピネフリンを添加して作用時間の延長を図っている。0.1-0.2% レボブピバカイン 20ml に3.3mg デキサメタゾンを使うことが多い。
こんな感じで見える。中央が坐骨神経、ひだりの黒丸が大腿動脈で、画面みぎ側が外側にあたる。針は画面みぎ上から刺入する。
2018年のアニソン10選
2018年は石原夏織、瀬戸麻沙美の台頭がすさまじかった。
2018年はブルートゥースイヤホンデビューしてみてアニソンライフが捗った。
カラーズ☆スラッシュ【結衣(CV.高田憂希)、さっちゃん(CV.高野麻里佳)、琴葉(CV.日岡なつみ)】
ジャンル: アニメ
リリース日: 2018-01-24
価格: 250円
きらら枠。よかった...(語彙力
たくのみ。はよかった。ED のストイックにデトックスもよかった。
きらら枠。よかった...(語彙力
M・A・O はいいぞ。
今年のpetit milady の曲はいいのが多かった。アニメでは咲月がどう考えても滑り台キャラだったのが悲しかった。
瀬戸麻沙美の評価が爆上がりとなった作品と一曲。BABY もよい。
きらら枠。宇希がかわいいと思ったら白石晴香の花和ちゃんもかわいかった。おざぴゅあは演技うまくなったと思う。
キャラソンもよい。
曲と言ったがアルバムをいれてしまった。石原夏織はいいぞ...
色づく世界の明日から、も結局メインヒロインなのに大勝利で終われなかった。SAOアリシゼーションもweb原作ではレ○プされた上にユージオ死ぬという滑り台の業を背負わされ過ぎてて愛おしさが突き抜けてしまった。
寿美菜子生きとったんかってなった。
年末に現れた伏兵。2018年は石原夏織と瀬戸麻沙美がフィーバーしたがこの歌は浅葱でも瀬戸麻沙美でも麻衣先輩でもない声で歌われていて??? ってなったが麻衣先輩に脳内変換して聴くと捗った。
10曲に絞れてない...
linkmaker を使いました。
伏臥位のときの心停止でどこを圧迫するべきか
読んだ。
Optimizing Prone Cardiopulmonary Resuscitation: Identifying the Vertebral Level Correlating With the Largest Left Ventricle Cross-Sectional Area via Computed Tomography Scan.
Anesth Analg. 2017 Feb;124(2):520-523.
CTでの左心室最大断面積は、肩甲骨下縁の0-2椎体下で86% くらいの人が該当するから、ここを押しておけばどうにかなる。
既報では伏臥位でのCPR は、仰臥位でのCPR と同等もしくはそれ以上の駆出効率があるとかなんとからしく、仰臥位に戻せない脊椎手術、開頭術などではここをメルクマークにがんばる。ただし、手術室で気道確保がされていることが前提なので、市中で遭遇した場合は普通にひっくり返したほうがいいと思う。
googlevis でいろいろ触れるプロットを作る
この記事はR Advent Calendar 2018 の24日目の記事です。
R でプロットするときに、標準ではgraphics のなかにあるplot を使ってべたなプロットを作ると思うが、最近ではggplot なんかが流行っている。
最近、プロット上にマウスカーソルを持ってくるとデータの内容を確認できる、html ベースの我らがgoogle 様のおつくりになったgooglevis というパッケージが使えるような、いややっぱ使えないような感じだったので紹介する。
とりあえずやってみると、自分のデフォルトで設定しているブラウザーでナイル川の流量サンプル折れ線グラフができる。
library(googleVis) dat <- data.frame(year=seq(tsp(Nile)[1], tsp(Nile)[2]), flow=Nile@.Data) opt <- list(lineWidth=3, width=800, height=300, legend="none", title="Nile flow", vAxis="{title: 'Flow'}", hAxis="{title:'Year'}") g <- gvisLineChart(dat, xvar="year", yvar="flow", options=opt) plot(g)
ここで、作成したオブジェクト g は、html である。
R で描出する場合は、
plot(g)
で表示されるが、このhtml を流用すると、R 以外で使えるようになる。
ちなみに、プロットの下にある
Data: data • Chart ID: LineChartID15692e451cdc • googleVis-0.6.2 R version 3.4.4 (2018-03-15) • Google Terms of Use • Documentation and Data Policy
が邪魔な場合は、g の中のhtml を削除すればよい。具体的には
g$html$caption <- NULL g$html$footer <- NULL
で消える。
例えば、このhtml をそのままサイトに貼り付けると、googlevis のAPI が勝手に理解して、サイト上でグラフにしてくれる。
はてなブログであれば、記事を書くときに「HTML 編集」モードがあるので、そこにベタ貼りして、プレビューすると、html 表示でgooglevis のグラフを見ることができる。ただし、HTML 編集モードで書き始めてしまった記事は、その後HTML 編集モードでないと編集できない仕様らしいので、HTML タグが分からない場合にお手軽記法が使えないと思うので少しハードルが高い。
おそらくQiita やgithub でもできそうな気がする。
はてなダイアリーではちょっと頑張ってもできなかったのであきらめた。どのみち2019年春に使えなくなるらしいのではてなブログへの移行をする時期なのか...
2019年春「はてなダイアリー」終了のお知らせと「はてなブログ」への移行のお願い - はてなダイアリー日記
googlevis が使いにくい点は、グラフをいじりたいときにgooglevis が定める仕様以外のことはなかなかしにくいことだと思う。
こちらを参考にパラメータをいじればどうにかなる。
サイトにHTML ベースの触れるプロットを埋め込む方法は他にもあって、例えば水平ラベルをいじりたいときに、hAxis をいじるわけだが、hAxis にはhAxis.color やhAxis.gridlines があり、さらにhAxis.gridlines にはhAxis.gridlines.color やhAxis.gridlines.count などが定められている。これらをリスト形式でひたすらoptions=... にいれるわけだが、例えば色を複数設定したいときには色の数と、どの範囲の値のときにその色を対応させるか、などを記述しないといけない。これがひたすらhoge.color に記載されないと色を読み込んでくれないわけだが、手打ちするのは面倒なのでそこはsprintf 関数などを使って機械的にテキスト処理するとなんとかなる。けっこう面倒だった。
あとネットにつながっていないとプロットされない。
html ベースの、いろいろ触れるプロットを作るには他にも方法があって、例えばplotly はその候補である。これはオフラインでも描出できるし、ブログにも貼り付け可能だが、ユーザー登録が必要(?) らしいので、何も考えずにhtml として貼り付けるならばgooglevis のほうがよさそうだった。
第113回医師国家試験を項目反応理論で解析します(予告)、の予備実験
予備実験用の解答サンプルシートはこちら
第112回から適当に20問とってきたもの。
↓
https://docs.google.com/forms/d/e/1FAIpQLSfiLVA-1m7NC5SMmyi0X1ftSYJzhWuOac6kr-WMR8gKgFLWVA/viewform
shiny 上でその20問の項目反応理論(IRT)
↓
https://yfujii08.shinyapps.io/medicalexamltm/
※重要な話なので先頭にもってきました※
データを集めるわけだが、某予備校や解答収集サービスのようにセキリュティ強固なサーバーを持っているわけではなくむしろ予算 ゼ ロ 円解析なので、グーグルアンケートフォームにひたすらみなさんの善意でポチポチやってもらえれば、と思っています。
予備実験では20問、たぶん1問1分くらいかかって15−20分くらい時間を使わせてしまいます。
本番では400問あるので、受験者が1万人、上記サービスで7000人くらい入力しているらしいので、ネット宣伝と口コミで希望者・入力者を募りつつ、サーバー負荷やセキリュティ問題はgoogle 様やshiny 様に丸投げしようと思います。個人の特定はできないようにします。
※以下から本文※
医師国家試験とは、2日間(昔は3日間)にわたって400問をマークシートで解く。
そのほとんどは5択から1つ正解を選べ、だが、2つ選べや3つ選べ、計算結果を数値を塗りつぶして答えろ、1問1点の場合と3点の場合がある、A-F の6ブロックある、一般/臨床問題と必修問題の両方を合格基準を超えないといけない、禁忌肢という選んでしまったらそれだけで不合格となる問題や選択肢がある、といったレギュレーションがある。
そこで受験生は、ひたすら問題を解くわけだが、合格率90% を誇る試験で、たいていの問題は正答率100% に近かったりするわけだが、割問という「2択ないしは複数選択肢に解答が割れる」という問題がある。
これが毎年話題になる。
受験生としては、自分が答えた問題の正答が気になるので、○ECとかTECO○とか○んコレとかに解答を登録したりするわけだが、ここらでいう割問というのは、「その問題単体で見た時の、解答のばらつき」しか見ていない。
さて、項目反応理論(IRT) というのは、マルチョイ問題において、受験者個人の能力値(すべての問題への正答率を考慮している)、問題の難易度(その個々人が、どの問題を正答できて、どの問題を誤答したかという情報を考慮する)といったパラメータを定量的に推定する。
ここで、mirt パッケージにあるSAT12 という試験解答サンプルを使ってみる。SAT12 は600人32問題の解答パターンをもつ。
これを正解したかしてないかの1/0 バイナリデータにする。IRT 自体はltm パッケージを使うことにして、IRT により各問題の難しさや識別能の推定はltm 関数を、各個人の能力はfactor.scores 関数で得られる。
# 先頭の15人、8問目まで Item.1 Item.2 Item.3 Item.4 Item.5 Item.6 Item.7 Item.8 1 1 4 5 2 3 1 2 1 2 3 4 2 8 3 3 2 8 3 1 4 5 4 3 2 2 3 4 2 4 4 2 3 3 2 4 5 2 4 5 2 3 2 2 1 6 1 4 3 1 3 2 2 3 7 1 4 5 2 2 2 2 2 8 2 4 1 5 3 2 2 5 9 5 1 2 3 2 2 4 4 10 5 3 4 2 3 2 4 5 11 2 1 4 5 2 3 2 4 12 3 1 3 4 2 2 2 2 13 4 5 5 4 2 2 4 1 14 1 4 3 2 3 2 2 5 15 3 4 3 5 5 2 2 2
library(ltm) library(mirt) key <- c(1,4,5,2,3,1,2,1,3,1,2,4,2,1,5,3,4,4,1,4,3,3,4,1,3,5,1,3,1,5,4,5) # 正解 data <- key2binary(SAT12, key=key) # バイナリ化 l <- ltm(data ~ z1) # IRT ans <- t(mapply(function(z) table(factor(SAT12[,z], 1:5)), 1:ncol(SAT12))) plot(l)
32問分の難しさはこんな感じで出力される。
さて、各問題について見てみる。32問分の解答分布、正答、IRTの推定値は以下のとおりである。
cbind(round(ans/nrow(SAT12), 3), key, l$coefficients)
1 2 3 4 5 key (Intercept) z1 Item.1 0.283 0.203 0.267 0.232 0.013 1 -1.0458445 0.8018208 Item.2 0.212 0.022 0.070 0.568 0.127 4 0.4361887 1.5040666 Item.3 0.165 0.183 0.260 0.098 0.280 5 -1.1425458 1.0746489 Item.4 0.165 0.378 0.148 0.172 0.128 2 -0.5309422 0.5845126 Item.5 0.093 0.143 0.620 0.093 0.048 3 0.6044634 0.9900492 Item.6 0.160 0.582 0.107 0.043 0.108 1 -2.0509622 1.1494988 Item.7 0.025 0.760 0.007 0.190 0.017 2 1.3818932 1.0042941 Item.8 0.202 0.205 0.207 0.250 0.133 1 -1.5090070 0.6927192 Item.9 0.065 0.010 0.885 0.033 0.007 3 2.1427139 0.5328306 Item.10 0.422 0.215 0.165 0.028 0.167 1 -0.3615247 1.0086219 Item.11 0.003 0.983 0.008 0.003 0.002 2 5.2441772 1.7296232 Item.12 0.072 0.082 0.218 0.415 0.205 4 -0.3455723 0.1611497 Item.13 0.110 0.662 0.070 0.118 0.040 2 0.8507691 1.1074704 Item.14 0.723 0.027 0.108 0.022 0.117 1 1.1727517 1.0370366 Item.15 0.035 0.062 0.060 0.025 0.817 5 1.9224593 1.2930864 Item.16 0.070 0.105 0.413 0.215 0.195 3 -0.3825038 0.7263422 Item.17 0.008 0.005 0.010 0.963 0.013 4 4.1603459 1.5479738 Item.18 0.303 0.033 0.165 0.352 0.142 4 -0.8530572 1.7008815 Item.19 0.548 0.053 0.358 0.030 0.010 1 0.2363424 0.8403153 Item.20 0.012 0.002 0.105 0.873 0.007 4 2.6034887 1.5311169 Item.21 0.050 0.008 0.915 0.013 0.012 3 2.5167030 0.6058270 Item.22 0.028 0.005 0.935 0.017 0.015 3 3.4736774 1.5369172 Item.23 0.290 0.177 0.128 0.313 0.087 4 -0.8505416 0.6379289 Item.24 0.728 0.162 0.042 0.022 0.045 1 1.2673661 1.2051755 Item.25 0.240 0.170 0.375 0.065 0.142 3 -0.5674927 0.7713010 Item.26 0.020 0.227 0.030 0.262 0.460 5 -0.1728073 1.5352022 Item.27 0.862 0.093 0.012 0.020 0.010 1 2.7575590 1.9045292 Item.28 0.082 0.010 0.530 0.337 0.037 3 0.1722115 1.0711318 Item.29 0.340 0.295 0.205 0.085 0.067 1 -0.7508683 0.8350190 Item.30 0.150 0.110 0.107 0.183 0.440 5 -0.2484688 0.3855356 Item.31 0.075 0.020 0.012 0.833 0.058 4 2.7738863 2.3285203 Item.32 0.125 0.183 0.443 0.075 0.162 5 -1.6516711 0.1291500
IRTの推定値をプロットするとこうなる。
i1 <- c(10, 12, 16, 26, 30) i2 <- c(2, 17, 20, 22, 26) plot(l$coefficient,type="n") abline(v=mean(l$coefficients[i1, 1]), lty=3, col="blue", lwd=3) abline(h=mean(l$coefficients[i2, 2]), lty=3, col="green", lwd=3) text(l$coefficients[,1], l$coefficients[,2], 1:ncol(SAT12), font=2)
似たようなintercept を持つがz1 が異なる10, 12, 16, 26, 30 番の問題を取り上げてみると(青の垂直線、下図のひだり側)、いずれも割問である。しかし、赤の12番が平たい曲線なのに比べ、青の26番はいくぶん急峻な曲線である。
これは、前者が高得点者でもそんなに得点率が上昇しないのに比べて、後者はある得点水準から得点率が急上昇するので、その境界線の能力の受験者を分けるのにはよい。
12番と26番を見てみると、どちらも正答率は40%半ばであるが、問題の性能としてはずいぶん違う。26番は良問だが、12番はクソ問。
1 2 3 4 5 key (Intercept) z1 Item.10 0.422 0.215 0.165 0.028 0.167 1 -0.3615247 1.0086219 Item.12 0.072 0.082 0.218 0.415 0.205 4 -0.3455723 0.1611497 Item.16 0.070 0.105 0.413 0.215 0.195 3 -0.3825038 0.7263422 Item.26 0.020 0.227 0.030 0.262 0.460 5 -0.1728073 1.5352022 Item.30 0.150 0.110 0.107 0.183 0.440 5 -0.2484688 0.3855356
似たようなz1 を持つがintercept が異なる2, 17, 20, 22, 26 番の問題を取り上げてみると(緑の水平線、下図のみぎ側)、どれも似たような急斜面の曲線だが、左右に位置がずれている。正答率を見ると、赤の17番の問題で96%、水色の26番の問題で46%であり、みぎにいくほど正答率が低い難問である。
1 2 3 4 5 key (Intercept) z1 Item.2 0.212 0.022 0.070 0.568 0.127 4 0.4361887 1.504067 Item.17 0.008 0.005 0.010 0.963 0.013 4 4.1603459 1.547974 Item.20 0.012 0.002 0.105 0.873 0.007 4 2.6034887 1.531117 Item.22 0.028 0.005 0.935 0.017 0.015 3 3.4736774 1.536917 Item.26 0.020 0.227 0.030 0.262 0.460 5 -0.1728073 1.535202
各問題の難易度や良問具合がわかったので、次に、受験者個人の成績や能力値をどう定量化するかであるが、これはfactor.scores という関数で得られる。ここから結果を見ると、32問題の正答/誤答パターンが600人中どれくらいあったか(Obs) というデータから、z1(正規化した分布における確率点)が推定されるので、ここが自分(の解答から得られる正誤パターンにおける)の能力値(同一試験を受けた他の受験者全員をひっくるめた集団での)になる。
SAT12 データセットでは、全問正解が3人いるようである。
ここからz1 を拾ってきて横軸を定め、元のIRT 曲線に垂線を引くと、自分の能力で各問題をどれくらいの確率で正答できたのかが確率的にわかる。
f <- factor.scores(l) f$score.dat
Item.1 Item.2 Item.3 Item.4 Obs Exp z1 se.z1 1 0 0 0 0 1 7.320352e-07 -1.125597 0.3501032 2 0 0 0 0 1 1.192118e-05 -1.035763 0.3510456 3 0 0 0 0 1 7.614205e-06 -1.268032 0.3503369 4 0 0 0 0 1 2.158900e-04 -1.578284 0.3585213 5 0 0 0 0 1 1.354704e-03 -2.044771 0.3858258 6 0 0 0 0 1 7.785685e-06 -1.299507 0.3506911 7 0 0 0 0 1 2.653074e-04 -1.303414 0.3507428 8 0 0 0 0 1 9.714099e-05 -1.137476 0.3500392 9 0 0 0 0 1 2.220848e-05 -1.500034 0.3555113 10 0 0 0 0 1 2.611964e-04 -1.573319 0.3583131 . . . 598 1 1 1 1 3 4.027146e-02 2.590108 0.6140229 ← 全問正解が Obs = 3
データはどう集めるか問題があるが、実は某サービスが始まったときにデータを打診したらゴニョゴニョがあったので今回の解析を断念していたが、google 様とshiny 様のお力を借りて出来そう、と思い立ったのでネットで宣伝してN数稼げたらいいなあ…と思う。冒頭に書いた。
昔は3日間あった試験が今では2日間しかないのだから勉強量は2/3 でいいでしょう?
昔、とある試験を受けたのだが、最近では改定されて3日間あった日程が2日間に減っているらしい。
ならば昔の受験生がいままで一生懸命勉強に費やしていた期間は今の人達は2/3 でいいんじゃね?(適当 と後輩を煽っていたのだが、以前試験勉強に飽きたので今までやった模擬試験の得点推移から本番の得点を予想しようと遊んだ話をしたのに、肝心の得点推移と解析結果を記事にしていなかったようである。
というわけで図だけとってきた。
17回分の模擬試験を受けてそのときどきの95% 信頼区間と、本番での得点予想は一般 0.750, 臨床 0.801 ,必修 0.879 だったようである。
自然科学研究のためのR入門: 再現可能なレポート執筆実践 (Wanderful R)
読んだ。
自然科学研究のためのR入門―再現可能なレポート執筆実践― (Wonderful R 4)
- 作者: 江口哲史,石田基広,市川太祐,高橋康介,高柳慎一,福島真太朗,松浦健太郎
- 出版社/メーカー: 共立出版
- 発売日: 2018/10/11
- メディア: 単行本
- この商品を含むブログ (1件) を見る
カラーになって3000円とはかなり破格の値段設定だと思う。
Rmd ファイルの内容と、実際のコンパイル結果が載っているのは、わかる/できる人からすれば冗長で紙面の無駄だが、正直なところ全部載せしないとわからない人というのは手を動かし始めのときなど特にそうなので、入門書としては良いと思う。
が、だからといって完全に初心者でもわかりやすいかというとそうでもないと思う。それなりにやってきてないと最初に読んだ時にはわからないと思う。Rとしてもコンピューターとしても生化学としても。