Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Receiver Operating Characteristic Plot01:15

Receiver Operating Characteristic Plot

A ROC (Receiver Operating Characteristic) plot is a graphical tool used to assess the performance of a binary classification model by illustrating the trade-off between sensitivity (true positive rate) and specificity (false positive rate). By plotting sensitivity against 1 - specificity across various threshold settings, the ROC curve shows how well the model distinguishes between classes, with a curve closer to the top-left corner indicating a more accurate model. The area under the ROC curve...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Feasibility, acceptability and efficacy of a nurse-led palliative care health coaching intervention (Educate, Nurture, Advise before Life Ends) for patients with heart failure and their caregivers in Singapore: a randomised wait-list controlled pilot study of health coaching in Asian heart failure.

BMJ open·2026
Same author

Prediction of total iodine dose of I-131 therapy for Graves' hyperthyroidism achieved remission status: a random forest regressor model approach to assess treatment efficacy.

Frontiers in endocrinology·2026
Same author

Evaluating the efficacy of the ResNet50 deep learning model utilizing thyroid scintigraphy images for predicting the outcomes of initial iodine-131 therapy in patients with Graves' disease.

Nuclear medicine communications·2025
Same author

Association of Urinary Iodine Concentration With Cognitive Function Among Older Adults: NHANES 2011-2014.

Food science & nutrition·2025
Same author

Development and validation of a nomogram prediction model for factors influencing <sup>131</sup>I-refractory Graves' hyperthyroidism.

Frontiers in endocrinology·2025
Same author

A two-way comparison of whole-body 18FDG PET-CT and whole-body contrast-enhanced MRI for distant metastasis staging in patients with malignant tumors: a meta-analysis of 13 prospective studies.

Annals of palliative medicine·2020

Video Experimental Relacionado

Updated: Jun 29, 2026

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

De los datos a la decisión: un modelo de aprendizaje automático interpretable para optimizar la terapia RAI en el

Lu Lu1, Xiaojuan Wei1, Yan Chen1

  • 1Department of Nuclear Medicine, People's Hospital of Guangxi Zhuang Autonomous Region, Nanning, Guangxi Zhuang Autonomous Region, China.

Frontiers in endocrinology
|February 11, 2026
PubMed
Resumen
Este resumen es generado por máquina.

La terapia con yodo radiactivo (IRA) para el hipertiroidismo de Graves (GH) tiene tasas de fracaso significativas. Los modelos de aprendizaje automático, particularmente Random Forest, pueden predecir los resultados de RAI con mayor precisión utilizando factores clave para el paciente, mejorando las estrategias de tratamiento.

Palabras clave:
La enfermedad de Graves.La IA explicable es una IA explicable.Aprendizaje automático de aprendizaje automático.La medicina de precisión es una medicina de precisión.terapia con yodo radiactivo.predicción del resultado del tratamiento predicción del resultado del tratamiento.

Más Videos Relacionados

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
12:18

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

Published on: January 11, 2020

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

Videos de Experimentos Relacionados

Last Updated: Jun 29, 2026

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
12:18

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

Published on: January 11, 2020

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

Área de la Ciencia:

  • Endocrinología Endocrinología.
  • La informática médica es la informática médica.

Sus antecedentes:

  • La terapia con yodo radiactivo (IRA) es un tratamiento primario para el hipertiroidismo de Graves.
  • Las estrategias de dosificación actuales a menudo resultan en un fracaso significativo del tratamiento debido a las complejas respuestas individuales de los pacientes.

Objetivo del estudio:

  • Desarrollar y validar un marco de aprendizaje automático interpretable para predecir los resultados de la terapia RAI en pacientes con GH.
  • Identificar los predictores clínicos clave del éxito o el fracaso del tratamiento de RAI.

Principales métodos:

  • Análisis retrospectivo de 1.292 pacientes con GH tratados con RAI.
  • Selección de características utilizando regresión escalonada con AIC para identificar nueve predictores óptimos.
  • Comparación de seis algoritmos de aprendizaje automático, con el rendimiento evaluado por AUC, puntaje Brier y análisis SHAP.

Principales resultados:

  • Se observó una tasa de remisión del 75,8% en la cohorte.
  • Se identificaron nueve predictores significativos: género, edad, historial de medicamentos antitiroideos, duración de la enfermedad, dosis total de yodo, FT4, RAIU 3h, peso tiroideo y TRAb.
  • El modelo de Bosque Aleatorio logró un AUC de 0.950 y una puntuación de Brier de 0.067, lo que demuestra un rendimiento predictivo superior.

Conclusiones:

  • Un marco de aprendizaje automático interpretable puede predecir con precisión los resultados de RAI para el hipertiroidismo de Graves.
  • Esta herramienta tiene el potencial de guiar estrategias de dosificación personalizadas y reducir las tasas de fracaso del tratamiento.