Præoperativ forudsigelse af adherent perirenalt fedt. (APF)

Betydning:

For patienter med nyretumorer, der kræver kirurgisk behandling, er adhæsivt perirenalt fedt en frustrerende variabel, som kirurger støder på under operationen, men det nuværende billedafhængige nyremorfometriske scoringssystem, der bruges til at forudsige den potentielle vanskelighed ved operation, ignorerer denne faktor. Nøjagtig præoperativ forudsigelse af perirenal fedtstatus er fortsat et presserende behov.

Formål:

For at afgøre, om radiomikrofonegenskaber af perirenalt fedt afledt af computertomografibilleder kan give værdifuld information til at bedømme perirenalt fedtstatus, skal du udvikle en forudsigelsesmodel baseret på CT-radiomik kombineret med dyb læring og validere modellens ydeevne i en uafhængig kohorte.

Design, opsætning og deltagere:

Undersøgelsen omfattede et retrospektivt datasæt og et prospektivt datasæt fra fire medicinske centre mellem januar 2020 og september 2023. Nyre almindelig CT-scanning blev udført hos xx voksne patienter med partiel nefrektomi eller radikal nefrektomi. Træningssættet, valideringssættet og det interne testsæt blev leveret af First Hospital of Jilin University, og det eksterne testsæt blev leveret af First Hospital of Siping City, Liaoyuan Central Hospital og Dongfeng County Hospital. Denne diagnostiske undersøgelse brugte enkeltinstitutionsdata fra januar 2020 til maj 2023 til at udtrække billeddiagnostiske egenskaber fra den perirenale fedtregion (uafhængig prøve-T-test, minimum absolut kontraktion og logistisk regression af udvælgelsesoperatør blev brugt til at screene for de bedste billeddiagnostiske egenskaber ). Univariate og multivariate analyser af kliniske variabler hos patienter før nyrekirurgi blev udført for at bestemme uafhængige prædiktorer for adhærent perirenalt fedt i kliniske omgivelser. Forskellige klassifikatorer blev brugt til at bygge forudsigelsesmodeller ved kun at bruge image-omics-funktionerne og fusionsforudsigelsesmodeller ved hjælp af uafhængige kliniske prædiktorer kombineret med image-omics-funktionerne. Dens ydeevne verificeres i to testsæt.

Vigtigste resultater og foranstaltninger:

Den diskriminerende ydeevne af billedomics-modellen blev evalueret af arealet under modtagerens funktionskarakteristikkurve og bekræftet ved beslutningskurveanalyse.