Jove
Visualize
お問い合わせ

関連する概念動画

Cancer Survival Analysis01:21

Cancer Survival Analysis

453
Cancer survival analysis focuses on quantifying and interpreting the time from a key starting point, such as diagnosis or the initiation of treatment, to a specific endpoint, such as remission or death. This analysis provides critical insights into treatment effectiveness and factors that influence patient outcomes, helping to shape clinical decisions and guide prognostic evaluations. A cornerstone of oncology research, survival analysis tackles the challenges of skewed, non-normally...
453
Kaplan-Meier Approach01:24

Kaplan-Meier Approach

260
The Kaplan-Meier estimator is a non-parametric method used to estimate the survival function from time-to-event data. In medical research, it is frequently employed to measure the proportion of patients surviving for a certain period after treatment. This estimator is fundamental in analyzing time-to-event data, making it indispensable in clinical trials, epidemiological studies, and reliability engineering. By estimating survival probabilities, researchers can evaluate treatment effectiveness,...
260
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー
  1. ホーム
  3. 臨床的変数,腫瘍のサイズ,および位置を用いて,膠芽細胞腫患者の全生存率の推定
  1. ホーム
  3. 臨床的変数,腫瘍のサイズ,および位置を用いて,膠芽細胞腫患者の全生存率の推定

関連する実験動画

Quantitative Immunohistochemistry of the Cellular Microenvironment in Patient Glioblastoma Resections
05:45

Quantitative Immunohistochemistry of the Cellular Microenvironment in Patient Glioblastoma Resections

Published on: July 31, 2017

9.7K

臨床的変数,腫瘍のサイズ,および位置を用いて,膠芽細胞腫患者の全生存率の推定

Alexandros Ferles1,2, Paulina Majewska3,4, Ragnhild Holden Helland5,6

  • 1Department of Radiology and Nuclear Medicine, Amsterdam University Medical Centers, Vrije Universiteit, Amsterdam, The Netherlands.

Neuro-oncology advances
|August 22, 2025

PubMed で要約を見る

まとめ
この要約は機械生成です。

臨床的要因と腫瘍の特徴は,グリオブラストーマの予後に影響を及ぼします. ディープ・サバイバルモデルは 患者の生存を効果的に予測し 治療決定に役立ちます

キーワード:
ディープニューラルネットワークグリオブラストーマ磁気共鳴画像検査生存率分析

さらに関連する動画

Bioluminescence Imaging of an Immunocompetent Animal Model for Glioblastoma
09:17

Bioluminescence Imaging of an Immunocompetent Animal Model for Glioblastoma

Published on: January 15, 2016

15.0K
Translational Orthotopic Models of Glioblastoma Multiforme
07:37

Translational Orthotopic Models of Glioblastoma Multiforme

Published on: February 17, 2023

3.0K

関連する実験動画

Quantitative Immunohistochemistry of the Cellular Microenvironment in Patient Glioblastoma Resections
05:45

Quantitative Immunohistochemistry of the Cellular Microenvironment in Patient Glioblastoma Resections

Published on: July 31, 2017

9.7K
Bioluminescence Imaging of an Immunocompetent Animal Model for Glioblastoma
09:17

Bioluminescence Imaging of an Immunocompetent Animal Model for Glioblastoma

Published on: January 15, 2016

15.0K
Translational Orthotopic Models of Glioblastoma Multiforme
07:37

Translational Orthotopic Models of Glioblastoma Multiforme

Published on: February 17, 2023

3.0K

科学分野:

  • 神経腫瘍学
  • 医学画像分析
  • 医療における機械学習

背景:

  • 効果的な治療計画と患者の改善のために,正確な膠芽細胞腫の予後が不可欠です.
  • この研究では,臨床的変数,腫瘍の大きさ,およびグリオブラストーマの位置に関する予後値が調査されます.
  • 信頼性の高い予後要因を特定することで,病気管理戦略を向上させることができます.

研究 の 目的:

  • 臨床的変数,腫瘍の大きさ,およびグリオブラストーマ患者の生存に対する予後的意義を評価する.
  • 総生存率を予測する際の異なる生存回帰モデルのパフォーマンスを比較する.
  • 患者の治療経路における予後評価の最適な段階を決定する.

主な方法:

  • リトロスペクティブ・マルチセンター研究では,1318人の膠芽細胞腫患者が参加しました.
  • 術前および術後のMRIデータは,腫瘍の大きさ,位置,および残留量について分析されました.
  • 生存予測モデル (CoxPH,ランダムな生存森林,DeepSurv) を適用し,C指数とブリアスコアを使用して評価した.

主要な成果:

  • 多変量コックス分析は,臨床的変数と腫瘍の大きさを有意な生存予測指標として確認した.
  • DeepSurvモデルは,すべてのタイムポイントで優れたパフォーマンスを示し,C指数スコアは61.71%から70.29%でした.
  • DeepSurvの統合ブリアスコアは7.63%から8.57%でした.

    • 結論:

    • 臨床的変数,腫瘍の大きさ,および位置は,膠芽細胞腫の有価な予後指標である.
    • すべての変数を統合したディープ・サバイバルモデルは,特に化学放射線治療の計画段階で,最も優れた予測精度を提供します.