期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
病例队列设计下乳腺癌患者雌二醇水平及其生存数据的联合建模研究
1
作者
吴梦娟
张涛
+2 位作者
高春洁
赵婷
王蕾
《中国全科医学》
北大核心
2025年第14期1765-1772,共8页
背景乳腺癌是一种性激素受体依赖的恶性肿瘤,雌二醇(E2)的动态变化在乳腺癌发展过程中起着非常重要的作用;经典病例队列设计完全忽略未选入样本的信息,容易产生估计偏倚。目的探究乳腺癌患者E2水平动态变化对其生存预后的影响,评估改良...
背景乳腺癌是一种性激素受体依赖的恶性肿瘤,雌二醇(E2)的动态变化在乳腺癌发展过程中起着非常重要的作用;经典病例队列设计完全忽略未选入样本的信息,容易产生估计偏倚。目的探究乳腺癌患者E2水平动态变化对其生存预后的影响,评估改良病例队列设计的优良性。方法对2015—2019年于新疆医科大学附属肿瘤医院经病理学检查确诊为乳腺癌的8226例患者进行随访,以患者确诊时间作为随访时间起点、患者因乳腺癌死亡为结局事件,随访截止日期为2021-12-31。收集患者的人口学特征、免疫组化指标、临床病理特征以及生存状态等,并对患者的血清E2水平进行纵向测量。基于经典病例队列设计,通过纳入病例队列样本外患者的生存数据改良病例队列设计。在经典及改良病例队列设计下采用线性混合效应模型和Cox比例风险模型分别拟合乳腺癌患者的纵向数据(纵向子模型)和生存数据(生存子模型),并建立纵向与时间-事件数据的联合模型;进一步采用马尔可夫链蒙特卡罗算法对联合模型参数进行估计;此外,通过受试者工作特征曲线下面积(AUC)以及预测误差(PE)比较经典及改良病例队列设计下联合模型的区分度与校准度。结果基于纳入与排除标准,本研究全队列中共纳入895例乳腺癌患者作为研究对象,其中53例患者因乳腺癌死亡。患者中位随访时间约为28个月。从全队列中抽取1/4的患者作为随机子队列,与随机子队列外在随访期间死亡的患者合并作为经典病例队列设计的样本,其中,包含236例患者的生存数据、1062人次E2水平的测量值。此外,在经典病例队列设计的基础上,纳入经典病例队列样本之外在随访期间存活的乳腺癌患者(G_(4))的生存数据,作为改良病例队列设计的样本(共包含895例患者的生存数据、236例患者1062人次的E2水平测量值,其中认为存在2958人次E2水平测量的纵向缺失值)。经典和改良病例队列设计下的联合模型结果均显示E2水平动态变化是乳腺癌患者预后的影响因素,且lg(E2)纵向每增加1个单位,患者的死亡风险将分别增加23%(HR=1.23,R^=1.015)和8%(HR=1.08,R^=1.020)。此外,改良病例队列设计下的联合模型展现出更好的区分度与校准度(AUC=0.706~0.962,PE=0.0012~0.0108)。结论乳腺癌患者E2水平纵向升高可能会导致患者生存概率降低。病例队列设计下联合模型能够对纵向与生存数据同时进行分析,且改良病例队列设计优于经典病例队列设计。
展开更多
关键词
乳腺癌
雌二醇
病例队列设计
联合模型
生存数据
在线阅读
下载PDF
职称材料
基于血清标志物等临床特征的机器学习模型在浸润性乳腺癌腋窝淋巴结转移预测中的应用研究
2
作者
依帕拉·伊力哈木
王蕾
+4 位作者
马涛
高春洁
刘静
赵婷
王岩
《中国肿瘤临床》
2025年第10期507-514,共8页
目的:本研究旨在结合血清生物标志物(serum tumor markers,STMs)和临床病理因素,预测浸润性乳腺癌患者腋窝淋巴结转移(axillary lymph node metastasis,ALNM)风险。方法:收集2015年1月至2019年12月在新疆医科大学附属肿瘤医院接受诊治的...
目的:本研究旨在结合血清生物标志物(serum tumor markers,STMs)和临床病理因素,预测浸润性乳腺癌患者腋窝淋巴结转移(axillary lymph node metastasis,ALNM)风险。方法:收集2015年1月至2019年12月在新疆医科大学附属肿瘤医院接受诊治的3360例患者的11个临床特征资料,采用5种机器学习(machine learning,ML)算法构建ALNM预测模型,并通过曲线下面积(area under curve,AUC)、准确度、Kappa值和Brier评分比较模型性能,并将表现最好的模型与基于逻辑回归(Logistic regression,LR)构建的列线图进行比较,以确定最终的模型。最后,根据确定的最终模型的夏普利加性解释(Shapley additive explanations,SHAP)值,对影响ALNM的危险因素进行重要性排序。结果:极限梯度增强(eXtreme gradient boosting,XGBoost)模型展现出最佳的预测性能(AUC=0.769,准确度=0.735,Kappa=0.450),并在训练和验证集上均优于传统基于LR的列线图[训练集AUC和Brier评分为0.822(0.810~0.820)vs.0.742(0.721~0.763),0.170(0.163~0.177)vs.0.197(0.189~0.204);验证集AUC和Brier评分为0.769(0.740~0.770)vs.0.747(0.716~0.779),0.190(0.178~0.202)vs.0.195(0.189~0.204)],最终确定XGBoost为本研究的最佳模型。SHAP值分析显示,影响ALNM的前四位因素为肿瘤分期、年龄、分子分型和CEA水平。结论:基于STMs和临床特征的XGBoost模型能较为准确地预测浸润性乳腺癌ALNM风险,其性能优于传统模型,且肿瘤分期是最关键的预测因素。
展开更多
关键词
乳腺癌
腋窝淋巴结转移
机器学习
血清标志物
SHAP值
在线阅读
下载PDF
职称材料
题名
病例队列设计下乳腺癌患者雌二醇水平及其生存数据的联合建模研究
1
作者
吴梦娟
张涛
高春洁
赵婷
王蕾
机构
新疆医科大学
公共卫生学院流行病与卫生统计学教研室
新疆医科大学附属肿瘤医院病案管理科
新疆医科大学
医学工程技术学院数学教研室
出处
《中国全科医学》
北大核心
2025年第14期1765-1772,共8页
基金
国家自然科学基金资助项目(12061079)
“天山英才”青年科技创新人才培养(2022TSYCCX0108)
新疆自然科学基金资助项目(2022D01C287)。
文摘
背景乳腺癌是一种性激素受体依赖的恶性肿瘤,雌二醇(E2)的动态变化在乳腺癌发展过程中起着非常重要的作用;经典病例队列设计完全忽略未选入样本的信息,容易产生估计偏倚。目的探究乳腺癌患者E2水平动态变化对其生存预后的影响,评估改良病例队列设计的优良性。方法对2015—2019年于新疆医科大学附属肿瘤医院经病理学检查确诊为乳腺癌的8226例患者进行随访,以患者确诊时间作为随访时间起点、患者因乳腺癌死亡为结局事件,随访截止日期为2021-12-31。收集患者的人口学特征、免疫组化指标、临床病理特征以及生存状态等,并对患者的血清E2水平进行纵向测量。基于经典病例队列设计,通过纳入病例队列样本外患者的生存数据改良病例队列设计。在经典及改良病例队列设计下采用线性混合效应模型和Cox比例风险模型分别拟合乳腺癌患者的纵向数据(纵向子模型)和生存数据(生存子模型),并建立纵向与时间-事件数据的联合模型;进一步采用马尔可夫链蒙特卡罗算法对联合模型参数进行估计;此外,通过受试者工作特征曲线下面积(AUC)以及预测误差(PE)比较经典及改良病例队列设计下联合模型的区分度与校准度。结果基于纳入与排除标准,本研究全队列中共纳入895例乳腺癌患者作为研究对象,其中53例患者因乳腺癌死亡。患者中位随访时间约为28个月。从全队列中抽取1/4的患者作为随机子队列,与随机子队列外在随访期间死亡的患者合并作为经典病例队列设计的样本,其中,包含236例患者的生存数据、1062人次E2水平的测量值。此外,在经典病例队列设计的基础上,纳入经典病例队列样本之外在随访期间存活的乳腺癌患者(G_(4))的生存数据,作为改良病例队列设计的样本(共包含895例患者的生存数据、236例患者1062人次的E2水平测量值,其中认为存在2958人次E2水平测量的纵向缺失值)。经典和改良病例队列设计下的联合模型结果均显示E2水平动态变化是乳腺癌患者预后的影响因素,且lg(E2)纵向每增加1个单位,患者的死亡风险将分别增加23%(HR=1.23,R^=1.015)和8%(HR=1.08,R^=1.020)。此外,改良病例队列设计下的联合模型展现出更好的区分度与校准度(AUC=0.706~0.962,PE=0.0012~0.0108)。结论乳腺癌患者E2水平纵向升高可能会导致患者生存概率降低。病例队列设计下联合模型能够对纵向与生存数据同时进行分析,且改良病例队列设计优于经典病例队列设计。
关键词
乳腺癌
雌二醇
病例队列设计
联合模型
生存数据
Keywords
Breast cancer
Estradiol
Case-cohort design
Joint model
Survival data
分类号
R737.9 [医药卫生—肿瘤]
在线阅读
下载PDF
职称材料
题名
基于血清标志物等临床特征的机器学习模型在浸润性乳腺癌腋窝淋巴结转移预测中的应用研究
2
作者
依帕拉·伊力哈木
王蕾
马涛
高春洁
刘静
赵婷
王岩
机构
新疆医科大学
公共卫生学院
出处
《中国肿瘤临床》
2025年第10期507-514,共8页
基金
国家重点研发计划专项项目(编号:2022YFC2505100)资助。
文摘
目的:本研究旨在结合血清生物标志物(serum tumor markers,STMs)和临床病理因素,预测浸润性乳腺癌患者腋窝淋巴结转移(axillary lymph node metastasis,ALNM)风险。方法:收集2015年1月至2019年12月在新疆医科大学附属肿瘤医院接受诊治的3360例患者的11个临床特征资料,采用5种机器学习(machine learning,ML)算法构建ALNM预测模型,并通过曲线下面积(area under curve,AUC)、准确度、Kappa值和Brier评分比较模型性能,并将表现最好的模型与基于逻辑回归(Logistic regression,LR)构建的列线图进行比较,以确定最终的模型。最后,根据确定的最终模型的夏普利加性解释(Shapley additive explanations,SHAP)值,对影响ALNM的危险因素进行重要性排序。结果:极限梯度增强(eXtreme gradient boosting,XGBoost)模型展现出最佳的预测性能(AUC=0.769,准确度=0.735,Kappa=0.450),并在训练和验证集上均优于传统基于LR的列线图[训练集AUC和Brier评分为0.822(0.810~0.820)vs.0.742(0.721~0.763),0.170(0.163~0.177)vs.0.197(0.189~0.204);验证集AUC和Brier评分为0.769(0.740~0.770)vs.0.747(0.716~0.779),0.190(0.178~0.202)vs.0.195(0.189~0.204)],最终确定XGBoost为本研究的最佳模型。SHAP值分析显示,影响ALNM的前四位因素为肿瘤分期、年龄、分子分型和CEA水平。结论:基于STMs和临床特征的XGBoost模型能较为准确地预测浸润性乳腺癌ALNM风险,其性能优于传统模型,且肿瘤分期是最关键的预测因素。
关键词
乳腺癌
腋窝淋巴结转移
机器学习
血清标志物
SHAP值
Keywords
breast cancer
axillary lymph node metastasis(ALNM)
machine learning(ML)
serum biomarkers
SHAP values
分类号
R737.9 [医药卫生]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
病例队列设计下乳腺癌患者雌二醇水平及其生存数据的联合建模研究
吴梦娟
张涛
高春洁
赵婷
王蕾
《中国全科医学》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于血清标志物等临床特征的机器学习模型在浸润性乳腺癌腋窝淋巴结转移预测中的应用研究
依帕拉·伊力哈木
王蕾
马涛
高春洁
刘静
赵婷
王岩
《中国肿瘤临床》
2025
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
