Search research articles

关于 JoVE

概览领导团队博客 JoVE 帮助中心

作者

出版流程编辑委员会范围与政策同行评审常见问题投稿

图书馆员

用户评价订阅访问资源图书馆顾问委员会常见问题

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

相关概念视频

Search research articles

这页已由机器翻译。其他页面可能仍然显示为英文。View in English

首页
研究领域
生物医学和临床科学
瘤学和致癌症
预测和预后标志物
开发和验证影响i-耐火格雷夫斯甲状腺功能障碍的因子的诺米克预测模型

开发和验证影响I-耐火格雷夫斯甲状腺功能障碍的因子的诺米克预测模型

Kehua Liao¹, 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

|August 29, 2025

相关实验视频

Establishing a Competing Risk Regression Nomogram Model for Survival Data

Establishing a Competing Risk Regression Nomogram Model for Survival Data

Published on: October 23, 2020

Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery

Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery

Published on: September 27, 2024

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Published on: April 18, 2025

在PubMed 上查看摘要

概括

此摘要是机器生成的。

这项研究确定了预测Graves病甲状腺功能过高的放射性 (RAI) 治疗耐药性的关键因素. 一个经过验证的诺姆图模型有助于个性化治疗,并改善耐受性甲状腺功能障碍患者的治疗结果.

科学领域:

内分泌学
核医学
医疗信息学

背景情况:

格雷夫病 (GD) 甲状腺功能过高通常需要放射性 (RAI) 治疗.
一部分患者对RAI治疗表现出耐药性,需要进一步的治疗策略.
预测RAI的折射性对于优化患者护理和避免长期或无效治疗至关重要.

研究的目的:

鉴定影响RAI耐药性甲状腺疾病的因素.
开发和验证RAI折射性的一种名ogram预测模型.
有助于个性化治疗高甲状腺疾病的决策.

主要方法:

对272名用RAI治疗的甲状腺功能障碍患者进行了分析.
使用LASSO回归和多变量逻辑回归来确定预测因素.
使用ROC曲线,校准曲线和决策曲线分析构建并验证了一个名ogram预测模型.

主要成果:

预测RAI折射性的六个独立因素被确定:甲状腺功能过高的持续时间,睡眠质量,格雷夫斯眼病,有效半衰期<131>I,<99m>Tc吸收和甲状腺质量.
诺莫图表显示出强大的预测性能,AUC为0. 943 (训练) 和0. 926 (验证).
该模型在一系列值概率中显示出良好的校准和临床效用.

关键词:

甲状腺功能障碍拉索回归一个名字预测模型

相关实验视频

Establishing a Competing Risk Regression Nomogram Model for Survival Data

Establishing a Competing Risk Regression Nomogram Model for Survival Data

Published on: October 23, 2020

Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery

Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery

Published on: September 27, 2024

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Published on: April 18, 2025

结论:

开发的诺米图准确地预测了RAI耐火性甲状腺疾病.
这种工具可以指导临床决策,改善RAI治疗疗效评估,并支持个性化GD管理.
早期识别耐药病例可以减少患者的负担,并优化治疗策略.

放射性治疗