Shared landscape, divergent visions? transboundary environmental management in the Northern Great Plains
Notice bibliographique
Résumé
Lymph node metastasis (LNM) is considered to be one of the important factors in determining the optimal treatment for early gastric cancer (EGC). This study aimed to develop and validate a nomogram to predict LNM in patients with EGC. A total of 842 cases from the Surveillance, Epidemiology, and End Results (SEER) database were divided into training and testing sets with a ratio of 6 : 4 for model development. Clinical data (494 patients) from the hospital were used for external validation. Univariate and multivariate logistic regression analyses were used to identify the predictors using the training set. Logistic regression, LASSO regression, ridge regression, and elastic-net regression methods were used to construct the model. The performance of the model was quantified by calculating the area under the receiver operating characteristic curve (AUC) with 95% confidence intervals (CIs). Results showed that T stage, tumor size, and tumor grade were independent predictors of LNM in EGC patients. The AUC of the logistic regression model was 0.766 (95% CI, 0.709-0.823), which was slightly higher than that of the other models. However, the AUC of the logistic regression model in external validation was 0.625 (95% CI, 0.537-0.678). A nomogram was drawn to predict LNM in EGC patients based on the logistic regression model. Further validation based on gender, age, and grade indicated that the logistic regression predictive model had good adaptability to the population with grade III tumors, with an AUC of 0.803 (95% CI, 0.606-0.999). Our nomogram showed a good predictive ability and may provide a tool for clinicians to predict LNM in EGC patients.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».