Präoperative Vorhersage von anhaftendem perirenalem Fett. (APF)

Bedeutung:

Für Patienten mit Nierentumoren, die eine chirurgische Behandlung erfordern, ist adhäsives perirenales Fett eine frustrierende Variable, mit der Chirurgen während der Operation konfrontiert werden. Das derzeitige bildabhängige nierenmorphometrische Bewertungssystem, das zur Vorhersage der potenziellen Schwierigkeit einer Operation verwendet wird, ignoriert diesen Faktor. Eine genaue präoperative Vorhersage des perirenalen Fettstatus bleibt ein dringender Bedarf.

Zweck:

Um festzustellen, ob aus Computertomographiebildern abgeleitete radiomische Merkmale des perirenalen Fetts wertvolle Informationen zur Beurteilung des perirenalen Fettstatus liefern können, entwickeln Sie ein Vorhersagemodell auf der Grundlage von CT-Radiomics in Kombination mit Deep Learning und validieren Sie die Leistung des Modells in einer unabhängigen Kohorte.

Design, Aufbau und Teilnehmer:

Die Studie umfasste einen retrospektiven Datensatz und einen prospektiven Datensatz aus vier medizinischen Zentren zwischen Januar 2020 und September 2023. Bei xx erwachsenen Patienten mit partieller Nephrektomie oder radikaler Nephrektomie wurde ein einfacher CT-Scan der Niere durchgeführt. Der Trainingssatz, der Validierungssatz und der interne Testsatz wurden vom Ersten Krankenhaus der Jilin-Universität bereitgestellt, und der externe Testsatz wurde vom Ersten Krankenhaus der Stadt Siping, dem Liaoyuan Central Hospital und dem Dongfeng County Hospital bereitgestellt. In dieser diagnostischen Studie wurden Einzelinstitutsdaten von Januar 2020 bis Mai 2023 verwendet, um Bildgebungs-Omics-Merkmale aus der perirenalen Fettregion zu extrahieren (unabhängiger Stichproben-T-Test, minimale absolute Kontraktion und logistische Regression des Auswahloperators wurden verwendet, um nach den besten Bildgebungs-Omics-Merkmalen zu suchen ). Es wurden univariate und multivariate Analysen klinischer Variablen bei Patienten vor einer Nierenoperation durchgeführt, um unabhängige Prädiktoren für anhaftendes perirenales Fett im klinischen Umfeld zu ermitteln. Verschiedene Klassifikatoren wurden verwendet, um Vorhersagemodelle zu erstellen, die nur die Bild-Omics-Merkmale verwendeten, und Fusionsvorhersagemodelle unter Verwendung unabhängiger klinischer Prädiktoren in Kombination mit den Bild-Omics-Merkmalen. Seine Leistung wird in zwei Testsätzen überprüft.

Wichtigste Erfolge und Maßnahmen:

Die diskriminante Leistung des Bild-Omics-Modells wurde anhand der Fläche unter der Betriebskennlinie des Empfängers bewertet und durch Entscheidungskurvenanalyse bestätigt.