MétaCan
Menu
Retour à la cohorte
Enregistrement W2158677811 · doi:10.1148/radiol.12120186

Primary Colorectal Cancer: Use of Kinetic Modeling of Dynamic Contrast-enhanced CT Data to Predict Clinical Outcome

2013· article· en· W2158677811 sur OpenAlexaff
Tong San Koh, Quan Sing Ng, Choon Hua Thng, Jin Wei Kwek, Robert Kozarski, Vicky Goh

Notice bibliographique

RevueRadiology · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueMRI in cancer diagnosis
Établissements canadiensSt. Thomas Hospital
Organismes subventionnairesNational Institute for Health and Care ResearchCancer Research UK
Mots-clésMedicineHomogeneity (statistics)Colorectal cancerAdiabatic processNuclear medicineStatisticsInternal medicineMathematicsCancerThermodynamicsPhysics

Résumé

récupéré en direct d'OpenAlex

PURPOSE: To compare four different tracer kinetic models for the analysis of dynamic contrast material-enhanced computed tomographic (CT) data with respect to the prediction of 5-year overall survival in primary colorectal cancer. MATERIALS AND METHODS: This study was approved by the ethical review board. Archival dynamic contrast-enhanced CT data from 46 patients with colorectal cancer, obtained as part of a research study, were analyzed retrospectively by using the distributed parameter, conventional compartmental, adiabatic tissue homogeneity, and generalized kinetic models. Blood flow, blood volume, mean transit time (MTT), permeability-surface area product, extraction fraction, extravascular extracellular volume (v(e)), and volume transfer constant (K(trans)) were compared by using the Friedman test, with statistical significance at 5%. Following receiver operating characteristic analysis, parameters of the different kinetic models and tumor stage were compared with respect to overall survival discrimination, with use of Kaplan Meier analysis and a univariate Cox proportional hazard model, with additional cross-validation and permutation testing. RESULTS: Blood flow was lower with the distributed parameter model than with the conventional compartmental and adiabatic tissue homogeneity models (P < .0001), and blood flow values determined with the conventional compartmental and adiabatic tissue homogeneity models were similar. Conversely, MTT was longer with the distributed parameter model than with the conventional compartmental and adiabatic tissue homogeneity models (P < .0001). Blood volume, permeability-surface area product, and v(e) were higher with the conventional compartmental model than with the adiabatic tissue homogeneity, distributed parameter, or generalized kinetic models (P < .0001). The extraction fraction was higher with the distributed parameter model than with the adiabatic tissue homogeneity model. With respect to 5-year overall survival, only the distributed parameter model-derived v(e) was predictive of 5-year overall survival with a threshold value of 15.48 mL/100 mL after cross-validation and permutation testing. CONCLUSION: Parameter values differ significantly between models. Of the models investigated, the distributed parameter model was the best predictor of 5-year overall survival. SUPPLEMENTAL MATERIAL: http://radiology.rsna.org/lookup/suppl/doi:10.1148/radiol.12120186/-/DC1.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,296
Score d'incertitude au seuil0,634

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,113
Tête enseignante GPT0,390
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations30
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRadiologyMême sujetMRI in cancer diagnosisTravaux en français237 207