Intégrer le coefficient d'expansion IVIM-productivité réelle et le PSAD pour prédire les significati
Récemment, les institutions médicales mondiales et le système de santé publique ont continué à promouvoir la construction de capacités de service pour fournir des garanties plus solides à la santé publique. Le développement et la vérification d'un graphique de nomenclature quantitative des coefficients de propagation réelles d'IVIM-D) et de PSAD (PSAD) pour prévoir les patients atteints de PSAD cliniquement significatifs (ocsPCa)). Dans ces patients, les niveaux élevés de PSA dans la séleucémie étaient > 3ng/ml et la signification clinique des coefficients de propagation réelle dérivés de l'IVIM (D) et de l'anticorps antiprotéine D (PSAD) pour déterminer la différence entre les performances de l'anticorps dans les patients prévoyant la signification clinique de l'anticorps (ocsPCa) et les performances de l'anticorps dans les patients basées sur l'évaluation PI-RADS ont été prises en compte.
Ce projet combine des recherches récurrentes et des recherches préliminaires dans le cadre d'un projet d'imagerie magnétique par resson magnétique (MRI) à l'aide d'IVIM (IVIM-Diffusion-Weighting Imaging, IVIM-DIFF) et de confirmations pathologiques ultérieures. Les coordonnées récurrentes (n=253) sont randomisées en groupes d'entraînement (n=176) et en groupes de vérification interne (n=77). Les variables de prévision indépendantes sont identifiées à partir des paramètres d'IVIM-dérivés D, D*, f, coefficients de diffusion réfléchissants ADC et PSA-dérivés SPA*.
Utiliser des modèles de regression logique multivariée pour établir des modèles progressivement compliqués et déterminer la meilleure combinaison de paramètres. Le PSAD est utilisé comme comparaison de référence. Le PSAD, l'ADC et le D ont été identifiés comme des facteurs de prédiction indépendants du csPCa.
Les modèles PSAD+D ont obtenu des AUC de 0,920 à 0,900 et 0,916 respectivement lors de la formation, de la vérification et des concentrations potentielles, tandis que dans le test DeLong, les trois modèles ont obtenu des AUC moyennes de 0,903, 0,919 et 0,936 respectivement dans n'importe quel échantillon. L'analyse IDI a montré que l'intégration de l'ADC dans les modèles PSAD+D a entraîné une amélioration significative de la discrimination négative des trois ensembles de données. Les performances du modèle PSAD+D sont comparables aux performances de la prédiction de PI-RADS+PSAD de CSPCa, mais les performances de la prédiction de CSPCa peuvent être améliorées de manière négative à celles de la prédiction de CSPCa en éliminant la dépendance des lecteurs et en améliorant considérablement les performances de la prédiction de CSPCa en identifiant des paramètres avec des coefficients de correlation intraclassés: 0.
93-0. 96). L'augmentation de l'ADC montre que les paradoxes qui ont conduit à une baisse des performances sont fausses et montrent que les paramètres sont simplifiés et non réduits en dimension.
Il faut préciser que les données ci-dessus sont rédigées sur la base des résultats de recherches internationales et publiées en vue d'une référence au HealthCop et ne constituent pas des recommandations de traitement clinique.
