Development and Validation of a Clinical Prediction Model to Diagnose Sinonasal Inverted Papilloma Based on Computed Tomography Features and Clinical Characteristics
Notice bibliographique
Résumé
Objectives: Sinonasal inverted papilloma (SNIP) is one of the most common benign tumors of the nasal cavity and sinuses and is at risk for recurrence and malignant transformation. It is crucial to precisely predict SNIP before surgery to determine the optimal surgical technique and prevent SNIP recurrence. This study aimed to evaluate the diagnostic value of computed tomography (CT) features and SNIP clinical characteristics and to develop and validate a clinically effective nomogram. Methods: Here, 267 patients with SNIP and 273 with unilateral chronic rhinosinusitis with/without nasal polyps were included. Patient’s demographic and clinical characteristics (i.e., gender, age, nasal symptoms, history of sinus surgery, smoking, and alcohol dependence) and CT features (i.e., lobulated/wavy edge, air sign, focal hyperostosis, diffuse hyperostosis, focal osseous erosion, and CT values) were recorded. Independent risk factors were screened using logistic regression analysis. A nomogram model was developed and validated. Results: Logistic regression analysis showed that age, facial pain/headache, history of sinus surgery, lobulated/wavy edge, air sign, focal hyperostosis, focal osseous erosion, and CT values were independent predictors of SNIP. A nomogram comprising these 8 independent risk factors was established. The area under the curve (AUC) for the training set was .960 (95% CI, .942–.978) and the AUC for the validation set was .951 (95% CI, .929–.971). Conclusion: The obtained results suggested that the nomogram based on age, facial pain/headache symptoms, history of sinus surgery, and CT characteristics had an excellent diagnostic value for SNIP.
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 | 0,001 | 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) | 0,000 | 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 ».