Multiomics-Studie zum biologischen Verhalten von Lymphknotenmetastasen bei papillärem Schilddrüsenkarzinom

Bei dieser Studie handelt es sich um eine multizentrische Beobachtungskohortenstudie, die darauf abzielt, die Genauigkeit und Wirksamkeit des ThyMPR-CLNM-Multi-Omics-Modells bei der Vorhersage von CLNM bei Patienten mit diagnostiziertem PTC im Stadium T1 zu bewerten. Das Design umfasst die folgenden kritischen Komponenten:

An der Studie nahmen zwischen Dezember 2024 und Dezember 2026 2.000 Patienten aus dem Hangzhou Traditional Chinese Medical Hospital teil, bei denen PTC im Stadium T1 diagnostiziert wurde. Von den Teilnehmern wurden frisch gefrorenes Tumorgewebe, Serumproben und präoperative Ultraschallbilder gesammelt. Diese Proben wurden für umfassende Multi-Omics-Analysen verwendet, einschließlich metabolomischer und proteomischer Profilerstellung sowie der Extraktion radiomischer Ultraschallmerkmale. Um Selektionsverzerrungen zu minimieren und Kovariaten auszugleichen, wurde der Neigungsbewertungsabgleich in zwei Runden durchgeführt, wobei ein Entdeckungssatz und ein Validierungssatz mit übereinstimmenden Gruppen basierend auf den durch logistische Regression berechneten Neigungsbewertungen erstellt wurden. Dies stellte vergleichbare Gruppen für nachfolgende Analysen sicher. Die Studie umfasste die Analyse der gesammelten Proben mithilfe fortschrittlicher Techniken wie Flüssigkeitschromatographie-Massenspektrometrie (LC-MS) für metabolomische und proteomische Analysen und Pyradiomics zur Extraktion radiomischer Merkmale aus Ultraschallbildern. Differenziell exprimierte Metaboliten, Proteine ​​und radiomische Merkmale wurden identifiziert und für die Entwicklung des ThyMPR-CLNM-Vorhersagemodells integriert. Die Regressionstechnik „Least Absolute Shrinkage and Selection Operator“ (LASSO) wurde verwendet, um das ThyMPR-CLNM-Modell basierend auf identifizierten Merkmalen aus den Multi-Omics-Analysen zu erstellen. Die Leistung des Modells wurde anschließend anhand eines unabhängigen Datensatzes validiert. Statistische Auswertungen wurden mit R-Software durchgeführt, um die Genauigkeit, Sensitivität, Spezifität und AUC-Werte des Modells zu bestimmen. Um die Vorteile des ThyMPR-CLNM-Modells hervorzuheben, wurden Vergleiche mit herkömmlichen Diagnosemethoden durchgeführt.