您的账号已在其他设备登录,您当前账号已强迫下线,
如非您本人操作,建议您在会员中心进行密码修改

确定
收藏 | 浏览216 | 下载84

目的 试图建立去势抵抗性前列腺癌(CRPC)患者预后预测模型,并评估其准确性.方法 回顾分析2007年1月至2012年1月在中山大学附属第三医院就诊的去势抵抗性前列腺癌病例,收集入组时年龄、基线PSA值、PSA倍增时间、血红蛋白、碱性磷酸酶、白蛋白、是否采用多西他赛三周化疗方案治疗等因素,运用Cox单因素分析筛选潜在预后预测变量后,分别以Cox多因素回归分析与部分指数回归人工神经网络建立预后预测模型,以ROC曲线下面积评估模型准确性.结果 Cox多因素回归模型的ROC曲线下面积为0.69,部分指数回归人工神经网络模型ROC曲线下面积为0.84.结论 通过部分指数人工神经网络建立的预后预测模型可以纳入不符合比例风险假定的临床数据,改善预测准确度,较好的预测去势抵抗性前列腺癌患者的预后情况.

作者:郑骏明;高新

来源:中华腔镜泌尿外科杂志(电子版) 2013 年 7卷 6期

知识库介绍

临床诊疗知识库该平台旨在解决临床医护人员在学习、工作中对医学信息的需求,方便快速、便捷的获取实用的医学信息,辅助临床决策参考。该库包含疾病、药品、检查、指南规范、病例文献及循证文献等多种丰富权威的临床资源。

详细介绍
热门关注
免责声明:本知识库提供的有关内容等信息仅供学习参考,不代替医生的诊断和医嘱。

收藏
| 浏览:216 | 下载:84
作者:
郑骏明;高新
来源:
中华腔镜泌尿外科杂志(电子版) 2013 年 7卷 6期
标签:
前列腺癌 预后 人工神经网络 Prostate cancer Prognosis Artificial neural networks
目的 试图建立去势抵抗性前列腺癌(CRPC)患者预后预测模型,并评估其准确性.方法 回顾分析2007年1月至2012年1月在中山大学附属第三医院就诊的去势抵抗性前列腺癌病例,收集入组时年龄、基线PSA值、PSA倍增时间、血红蛋白、碱性磷酸酶、白蛋白、是否采用多西他赛三周化疗方案治疗等因素,运用Cox单因素分析筛选潜在预后预测变量后,分别以Cox多因素回归分析与部分指数回归人工神经网络建立预后预测模型,以ROC曲线下面积评估模型准确性.结果 Cox多因素回归模型的ROC曲线下面积为0.69,部分指数回归人工神经网络模型ROC曲线下面积为0.84.结论 通过部分指数人工神经网络建立的预后预测模型可以纳入不符合比例风险假定的临床数据,改善预测准确度,较好的预测去势抵抗性前列腺癌患者的预后情况.

Baidu
map