Video Experimental Relacionado
Updated: Sep 10, 2025
Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
Desarrollo y validación de un nomograma multiómico basado en TC para predecir los resultados del alta hospitalaria
Feifan Liu1, Jiayi Hong1, Yuhan Chen1
1Department of Neurology, The Fourth Affiliated Hospital of School of Medicine, and International School of Medicine, International Institutes of Medicine, Zhejiang University, Yiwu, China.
Un nuevo nomograma multi-ómico predice con precisión los resultados de los pacientes después de la trombectomía mecánica (MT) mediante la combinación de datos clínicos, radiómicos y características de aprendizaje de transferencia profunda (DTL) de las tomografías computarizadas. Esta herramienta ayuda a la identificación temprana de riesgos para mejorar la gestión de los pacientes.
Área de la Ciencia:
- Imágenes neurológicas
- Radiología
- Aprendizaje automático en medicina
Sus antecedentes:
- La trombectomía mecánica (MT) es una intervención crítica para el accidente cerebrovascular isquémico agudo.
- La predicción de los resultados funcionales después de la MT es esencial para el manejo del paciente y la asignación de recursos.
- Los marcadores de imagen hiperatenuados (HIM) en las tomografías computarizadas (TC) proporcionan información pronóstica valiosa.
Objetivo del estudio:
- Desarrollar y validar un nomograma multi-ómico que integre las características clínicas, radiómicas y de aprendizaje de transferencia profunda (DTL).
- Para predecir los resultados funcionales en el alta en pacientes sometidos a MT para HIM.
- Mejorar la precisión de la predicción de resultados más allá de los métodos tradicionales.
Principales métodos:
- Se inscribieron 246 pacientes con HIM sometidos a MT, divididos en cohortes de capacitación, validación y prueba.
- Extrajo 1.834 características radiómicas y 25.088 DTL de las imágenes CT de HIM.
- Desarrolló un nomograma basado en la máquina vectorial de soporte (SVM) que incorpora características clínicas, radiómicas y DTL seleccionadas utilizando regresión LASSO y otros métodos estadísticos.
Principales resultados:
- El nomograma alcanzó valores de área bajo la curva (AUC): 0,995 (entrenamiento), 0,959 (validación) y 0,894 (prueba).
- Significativamente superó los modelos clínicos, radiómicos y DTL individuales.
- Demostró un rendimiento superior en comparación con las evaluaciones de médicos superiores (0,693) y menores (0,600).
Conclusiones:
- El nomograma multiómico desarrollado predice con precisión los resultados funcionales posteriores a la MT.
- La integración de las características clínicas, radiómicas y DTL derivadas de HIM ofrece un poder predictivo superior.
- Esta herramienta facilita la identificación temprana de pacientes de alto riesgo, lo que permite un manejo optimizado y un mejor pronóstico.
