CN112837815A - 基于Lauren分型和术后残留淋巴结评估胃癌预后的模型及应用 - Google Patents
基于Lauren分型和术后残留淋巴结评估胃癌预后的模型及应用 Download PDFInfo
- Publication number
- CN112837815A CN112837815A CN202110153296.0A CN202110153296A CN112837815A CN 112837815 A CN112837815 A CN 112837815A CN 202110153296 A CN202110153296 A CN 202110153296A CN 112837815 A CN112837815 A CN 112837815A
- Authority
- CN
- China
- Prior art keywords
- gastric cancer
- prognosis
- typing
- model
- lauren
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000005718 Stomach Neoplasms Diseases 0.000 title claims abstract description 71
- 206010017758 gastric cancer Diseases 0.000 title claims abstract description 71
- 201000011549 stomach cancer Diseases 0.000 title claims abstract description 71
- 238000004393 prognosis Methods 0.000 title claims abstract description 64
- 210000001165 lymph node Anatomy 0.000 title claims abstract description 40
- HEVGGTGPGPKZHF-UHFFFAOYSA-N Epilaurene Natural products CC1C(=C)CCC1(C)C1=CC=C(C)C=C1 HEVGGTGPGPKZHF-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 230000002980 postoperative effect Effects 0.000 title claims abstract description 23
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 27
- 238000011226 adjuvant chemotherapy Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000013210 evaluation model Methods 0.000 claims abstract description 7
- 230000000968 intestinal effect Effects 0.000 claims description 10
- 238000011227 neoadjuvant chemotherapy Methods 0.000 claims description 9
- 210000004881 tumor cell Anatomy 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 238000012502 risk assessment Methods 0.000 claims description 7
- 238000002512 chemotherapy Methods 0.000 claims description 6
- 230000000762 glandular Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract description 2
- 201000011510 cancer Diseases 0.000 description 3
- 238000009104 chemotherapy regimen Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000005189 Embolism Diseases 0.000 description 1
- 206010061968 Gastric neoplasm Diseases 0.000 description 1
- 101100476641 Homo sapiens SAMM50 gene Proteins 0.000 description 1
- 101100013154 Medicago truncatula FLOT4 gene Proteins 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 208000007660 Residual Neoplasm Diseases 0.000 description 1
- 102100035853 Sorting and assembly machinery component 50 homolog Human genes 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 208000009956 adenocarcinoma Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 201000006585 gastric adenocarcinoma Diseases 0.000 description 1
- 238000002575 gastroscopy Methods 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 210000004969 inflammatory cell Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000011252 neoadjuvant chemotherapy regimen Methods 0.000 description 1
- 238000012335 pathological evaluation Methods 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000004876 tela submucosa Anatomy 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Urology & Nephrology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型及应用，属于生物医学检测技术领域。本发明将Lauren分型和新辅助化疗后残留淋巴结个数综合作为胃癌新辅助化疗后的预后评估指标，建立了一种针对胃癌新辅助化疗后患者的预后评估模型。通过临床验证，该评估模型能够有效对胃癌新辅助化疗后的疾病转归进行预判，较传统日本JGCA标准和德国Becker标准更为准确，为肿瘤患者的预后提供一种参考信息，从而帮助临床医生为肿瘤患者制定最合理的诊疗计划，并有利于进行及时有效的医患沟通。
Description
技术领域
本发明涉及一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型及应用，属于生物医学检测技术领域。
背景技术
肿瘤是威胁人类健康最主要的疾病之一。虽然，肿瘤的诊治已经得到了飞速的发展，但仍有很大一部分肿瘤患者的预后不容乐观。胃癌是世界范围内严重影响人类健康的重大疾病，目前世界范围内占肿瘤死因第三位。我国是胃癌高发的国家，2015年我国新增癌症患病及死亡人数中胃癌均居第二位。由于早期症状不典型且胃镜常规检查没有普及，我国发病人群存在分期晚和预后差等特点，多数胃癌患者初诊时即为进展期。新辅助化疗作为胃癌综合治疗的重要手段，在胃癌患者围手术期治疗中的作用已得到越来越多的临床研究证据支持。与经典化疗方案EOX/ECF方案对比而言，化疗方案DOS方案的新辅助化疗近期缓解率及远期疗效更佳，与化疗方案FLOT4方案的近期和远期疗效一致。
目前广泛采用的胃癌新辅助化疗的病理评估日本JGCA标准和德国Becker标准存在缺陷和不足。日本JGCA新辅助病理评估标准始于2011年，以胃癌原发肿瘤无变化、残留超过2/3、残留为2/3至1/3、残留小于1/3以及无肿瘤残留分为Grade0、Grade1a、Grade1b、Grade2和Grade3。而德国Becker标准始于2003年，也是以原发胃部肿瘤的退缩比例作为评估对象，原发肿瘤无残留、残留小于10％、残留为10％-50％以及残留超过50％分别是TRG1a、TRG1b、TRG2及TRG3。此标准仅仅探索肿瘤原发病灶退缩的情况，而无对区域淋巴结退缩的描述和分级。因此，该标准不能精确评估胃癌新辅助化疗后总体肿瘤负荷变化的情况，也不能准确指导预后。
发明内容
本发明的目的是为解决如何精确评估胃癌新辅助化疗后总体肿瘤负荷变化的情况，为准确指导预后提供依据。
在本发明前期研究中发现，胃癌Lauren分型以及新辅助化疗术后淋巴结残留个数与胃癌新辅助化疗预后密切相关。弥漫型患者较肠型/混合型患者预后差，而残留淋巴结转移个数>2个较残留淋巴结≤2预后差。因此，结合Lauren分型和术后残留淋巴结个数能够协助判断胃癌新辅助化疗的疾病转归及预后。
目前，胃癌新辅助化疗采用的术后评估标准为日本JGCA标准、德国Becker标准和ypTNM分期。以上标准并不能精确评估胃癌新辅助化疗后总体肿瘤负荷变化的情况，也不能准确指导预后。本发明基于前期观察结果，开发一种结合Lauren分型和术后淋巴结残留个数的评估模型，对接受新辅助化疗的胃癌患者疾病转归和预后进行预测。
具体而言，本发明所采取的技术方案是提供一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型，该模型包括相关的风险因子、相关的风险因子不同状态时对应的评估分值以及各项评估分值相加后获得的总分值对应的预后状态；所述相关的风险因子包括Lauren分型和胃癌新辅助化疗后的淋巴结残留个数。
本发明提供一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型的构建方法，包括以下步骤：
步骤1：获取胃癌新辅助化疗后的Lauren分型；分型包括肠型、弥漫型和混合型；肠型为肿瘤有不同程度的腺管分化；弥漫型为肿瘤细胞之间粘附性差，单个散在，弥漫性分布，不形成腺管；混合型为肿瘤具有2种或2种以上成分，且每种成分所占比例均大于或等于5％；
步骤2：获取胃癌新辅助化疗后的淋巴结残留个数；
步骤3：根据Lauren分型和胃癌新辅助化疗后的淋巴结残留个数的风险因子及其数据指标建立用以评估肿瘤患者预后的评估模型；
具体如下：
胃癌新辅助化疗后的Lauren分型为弥漫型，其风险因子的数据指标为2；若为肠型/混合型，其风险因子的数据指标为1；
胃癌新辅助化疗后残留淋巴结个数大于或等于2枚，其风险因子的数据指标为2；若小于2枚，其风险因子的数据指标为1；
步骤4：将步骤3中获得的2项风险因子的数据指标相加，得到总的风险指标，即2-4分；不同的总分值对应不同的预后状态；其中2分对应低危预后状态，3分对应中危预后状态，4分对应高危预后状态；即根据风险评估模型得到的风险评估值，获取相对应的临床预后状态。
本发明提供一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型，模型如下表所示：
本发明提供一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型在评价胃癌预后中的应用。
优选地，所述应用包括一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型在评价胃癌预后的相关计算机软件中的应用。
相比现有技术，本发明具有如下有益效果：
本发明首次将Lauren分型和新辅助化疗后残留淋巴结个数综合作为胃癌新辅助化疗后的预后评估指标，建立了一种针对胃癌新辅助化疗后患者的新型预后评估模型。通过临床验证，该评估模型能够有效对胃癌新辅助化疗后的疾病转归进行预判，较传统日本JGCA标准和德国Becker标准更为准确，有利于医生制定合理的治疗方案以及及时有效的医患沟通。
具体实施方式
为使本发明更明显易懂，兹以优选实施例，作详细说明如下：
本发明提供一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型，该模型包括相关的风险因子、相关的风险因子不同状态时对应的评估分值以及各项评估分值相加后获得的总分值对应的预后状态；相关的风险因子包括Lauren分型和胃癌新辅助化疗后的淋巴结残留个数。
本发明提供一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型的构建方法；包括以下步骤：
步骤1：获取胃癌新辅助化疗后的Lauren分型；分型包括肠型、弥漫型和混合型；肠型为肿瘤有不同程度的腺管分化；弥漫型为肿瘤细胞之间粘附性差，单个散在，弥漫性分布，不形成腺管；混合型为肿瘤具有2种或2种以上成分，且每种成分所占比例均大于或等于5％；
步骤2：获取胃癌新辅助化疗后的淋巴结残留个数；
步骤3：根据Lauren分型和胃癌新辅助化疗后的淋巴结残留个数的风险因子及其数据指标建立用以评估肿瘤患者预后的评估模型；
具体如下：
胃癌新辅助化疗后的Lauren分型为弥漫型，其风险因子的数据指标为2；若为肠型/混合型，其风险因子的数据指标为1；
胃癌新辅助化疗后残留淋巴结个数大于或等于2枚，其风险因子的数据指标为2；若小于2枚，其风险因子的数据指标为1；
步骤4：将步骤3中获得的2项风险因子的数据指标相加，得到总的风险指标，即2-4分；不同的总分值对应不同的预后状态；其中2分对应低危预后状态，3分对应中危预后状态，4分对应高危预后状态；即根据风险评估模型得到的风险评估值，获取相对应的临床预后状态。
本发明提供一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型，模型如下表所示：
本发明提供的一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型在评价胃癌预后中的应用。
本发明提供的一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型在评价胃癌预后的相关计算机软件中的应用。
本发明作为胃癌新辅助化疗患者预后评估的一种方法，允许以计算机软件(计算机程序)形式被输入智能医疗系统、或者被输入医生的电脑中，直接通过自动化信息提取及计算，得到患者的预后评分，协助医生更便捷地使用,从而实施相应的临床治疗方案。
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于举例说明目的，而不是对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
该风险评估模型的风险因子和数据指标可用下表进行表述。
实施例
如患者2020-6-1就诊，年龄60岁，女性。2020-1-8确诊局部晚期胃腺癌，Lauren分型弥漫型。2020-1-20开始DOS方案新辅助化疗。2020-5-25行胃癌根治性手术。患者术后病理如下：(全胃)溃疡型腺癌，癌组织浸润胃壁粘膜下层，脉管内见癌栓，肿瘤周围纤维组织增生，炎细胞浸润，符合治疗后改变，残余肿瘤细胞占原瘤床80％，淋巴结0/31。
该例中，患者确诊胃癌时Lauren分型弥漫型，其风险因子的数据指标为2分。
该例中，患者胃癌根治术后残留淋巴结0枚，其风险因子的数据指标为1分。
因此，该患者的预后综合评分为3分，属于中危患者，预后中等。
以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。
Claims (5)
1.一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型，其特征在于：该模型包括相关的风险因子、相关的风险因子不同状态时对应的评估分值以及各项评估分值相加后获得的总分值对应的预后状态；所述相关的风险因子包括Lauren分型和胃癌新辅助化疗后的淋巴结残留个数。
2.一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型的构建方法，其特征在于；包括以下步骤：
步骤1：获取胃癌新辅助化疗后的Lauren分型；分型包括肠型、弥漫型和混合型；肠型为肿瘤有不同程度的腺管分化；弥漫型为肿瘤细胞之间粘附性差，单个散在，弥漫性分布，不形成腺管；混合型为肿瘤具有2种或2种以上成分，且每种成分所占比例均大于或等于5％；
步骤2：获取胃癌新辅助化疗后的淋巴结残留个数；
步骤3：根据Lauren分型和胃癌新辅助化疗后的淋巴结残留个数的风险因子及其数据指标建立用以评估肿瘤患者预后的评估模型；
具体如下：
胃癌新辅助化疗后的Lauren分型为弥漫型，其风险因子的数据指标为2；若为肠型/混合型，其风险因子的数据指标为1；
胃癌新辅助化疗后残留淋巴结个数大于或等于2枚，其风险因子的数据指标为2；若小于2枚，其风险因子的数据指标为1；
步骤4：将步骤3中获得的2项风险因子的数据指标相加，得到总的风险指标，即2-4分；不同的总分值对应不同的预后状态；其中2分对应低危预后状态，3分对应中危预后状态，4分对应高危预后状态；即根据风险评估模型得到的风险评估值，获取相对应的临床预后状态。
3.一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型，其特征在于；模型如下表所示：
4.一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型在评价胃癌预后中的应用。
5.如权利要求4所述的一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型在评价胃癌预后中的应用，其特征在于，所述应用包括一种基于Lauren分型和术后残留淋巴结评估胃癌预后的模型在评价胃癌预后的相关计算机软件中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110153296.0A CN112837815A (zh) | 2021-02-04 | 2021-02-04 | 基于Lauren分型和术后残留淋巴结评估胃癌预后的模型及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110153296.0A CN112837815A (zh) | 2021-02-04 | 2021-02-04 | 基于Lauren分型和术后残留淋巴结评估胃癌预后的模型及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112837815A true CN112837815A (zh) | 2021-05-25 |
Family
ID=75932023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110153296.0A Pending CN112837815A (zh) | 2021-02-04 | 2021-02-04 | 基于Lauren分型和术后残留淋巴结评估胃癌预后的模型及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112837815A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114141376A (zh) * | 2021-11-12 | 2022-03-04 | 蚌埠医学院第一附属医院 | 基于vegfa的her2阴性晚期胃癌患者一线化疗疗效预测模型及其应用 |
| CN114420291A (zh) * | 2022-01-14 | 2022-04-29 | 安徽省肿瘤医院 | 基于机器学习的胃癌淋巴结转移风险评估系统、设备及存储介质 |
| CN116042840A (zh) * | 2023-04-03 | 2023-05-02 | 天津云检医学检验所有限公司 | 混合型胃腺癌患者精准分型和辅助治疗的设备及制备 |
| CN116259414A (zh) * | 2023-05-09 | 2023-06-13 | 南京诺源医疗器械有限公司 | 转移性淋巴结区分模型、构建方法及应用 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1995034818A1 (en) * | 1994-06-10 | 1995-12-21 | National University Of Singapore | Tumor diagnosis and prognosis |
| US20100304419A1 (en) * | 2009-05-27 | 2010-12-02 | National Taiwan University | Method for determining the prognosis of gastric cancer |
| CN107563134A (zh) * | 2017-08-30 | 2018-01-09 | 中山大学 | 一种用于精准预测胃癌患者预后的系统 |
| CN108445097A (zh) * | 2017-03-31 | 2018-08-24 | 北京谷海天目生物医学科技有限公司 | 弥漫型胃癌的分子分型、用于分型的蛋白标志物及其筛选方法和应用 |
| CN110993110A (zh) * | 2019-10-23 | 2020-04-10 | 中山大学附属第六医院 | 一种肠癌腹膜转移预测模型及该模型的构建方法 |
| WO2020191413A1 (en) * | 2019-03-21 | 2020-09-24 | The University Of North Carolina At Chapel Hill | De novo compartment deconvolution and weight estimation of tumor tissue samples using decoder |
| CN111724903A (zh) * | 2020-06-29 | 2020-09-29 | 北京市肿瘤防治研究所 | 预测受试者胃癌预后的系统 |
-
2021
- 2021-02-04 CN CN202110153296.0A patent/CN112837815A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1995034818A1 (en) * | 1994-06-10 | 1995-12-21 | National University Of Singapore | Tumor diagnosis and prognosis |
| US20100304419A1 (en) * | 2009-05-27 | 2010-12-02 | National Taiwan University | Method for determining the prognosis of gastric cancer |
| CN108445097A (zh) * | 2017-03-31 | 2018-08-24 | 北京谷海天目生物医学科技有限公司 | 弥漫型胃癌的分子分型、用于分型的蛋白标志物及其筛选方法和应用 |
| CN107563134A (zh) * | 2017-08-30 | 2018-01-09 | 中山大学 | 一种用于精准预测胃癌患者预后的系统 |
| WO2020191413A1 (en) * | 2019-03-21 | 2020-09-24 | The University Of North Carolina At Chapel Hill | De novo compartment deconvolution and weight estimation of tumor tissue samples using decoder |
| CN110993110A (zh) * | 2019-10-23 | 2020-04-10 | 中山大学附属第六医院 | 一种肠癌腹膜转移预测模型及该模型的构建方法 |
| CN111724903A (zh) * | 2020-06-29 | 2020-09-29 | 北京市肿瘤防治研究所 | 预测受试者胃癌预后的系统 |
Non-Patent Citations (1)
| Title |
|---|
| 高欣欣;王新;: "影响胃癌患者预后的独立危险因素研究进展", 肿瘤预防与治疗, no. 02, pages 123 - 127 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114141376A (zh) * | 2021-11-12 | 2022-03-04 | 蚌埠医学院第一附属医院 | 基于vegfa的her2阴性晚期胃癌患者一线化疗疗效预测模型及其应用 |
| CN114420291A (zh) * | 2022-01-14 | 2022-04-29 | 安徽省肿瘤医院 | 基于机器学习的胃癌淋巴结转移风险评估系统、设备及存储介质 |
| CN114420291B (zh) * | 2022-01-14 | 2023-04-07 | 安徽省肿瘤医院 | 基于机器学习的胃癌淋巴结转移风险评估系统、设备及存储介质 |
| CN116042840A (zh) * | 2023-04-03 | 2023-05-02 | 天津云检医学检验所有限公司 | 混合型胃腺癌患者精准分型和辅助治疗的设备及制备 |
| CN116259414A (zh) * | 2023-05-09 | 2023-06-13 | 南京诺源医疗器械有限公司 | 转移性淋巴结区分模型、构建方法及应用 |
| CN116259414B (zh) * | 2023-05-09 | 2023-08-18 | 南京诺源医疗器械有限公司 | 转移性淋巴结区分模型、构建方法及应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112837815A (zh) | 基于Lauren分型和术后残留淋巴结评估胃癌预后的模型及应用 | |
| Vetterlein et al. | Improving estimates of perioperative morbidity after radical cystectomy using the European Association of Urology quality criteria for standardized reporting and introducing the comprehensive complication index | |
| Huang et al. | Sarcopenia, as defined by low muscle mass, strength and physical performance, predicts complications after surgery for colorectal cancer | |
| Bryan et al. | Prediction of five‐year survival following presentation with scleroderma: development of a simple model using three disease factors at first visit | |
| Timmerman et al. | Simple ultrasound‐based rules for the diagnosis of ovarian cancer | |
| Nunes et al. | Prospective evaluation of the IOTA logistic regression model LR2 for the diagnosis of ovarian cancer | |
| Krishnamurthy et al. | Endoscopic findings in patients presenting with dysphagia: analysis of a national endoscopy database | |
| Portillo et al. | Colorectal and interval cancers of the colorectal cancer screening program in the Basque Country (Spain) | |
| Ku et al. | Bladder cancer after nephroureterectomy in patients with urothelial carcinoma of the upper urinary tract | |
| Ionescu et al. | Correlation of ultrasound features and the Risk of Ovarian Malignancy Algorithm score for different histopathological subtypes of benign adnexal masses | |
| Nunes et al. | Prospective evaluation of IOTA logistic regression models LR1 and LR2 in comparison with subjective pattern recognition for diagnosis of ovarian cancer in an outpatient setting | |
| Tayfur et al. | Association between platelet to lymphocyte ratio, plateletcrit and the presence and severity of hyperemesis gravidarum | |
| Liu et al. | Ki-67 labeling index may be a promising indicator to identify “very high-risk” gastrointestinal stromal tumor: a multicenter retrospective study of 1022 patients | |
| Cavoretto et al. | A pictorial ultrasound essay of gestational trophoblastic disease | |
| Correa et al. | Small renal masses in close proximity to the collecting system and renal sinus are enriched for malignancy and high Fuhrman grade and should be considered for early intervention | |
| Peng et al. | Clinical analysis of uterine intravenous leiomyomatosis: A retrospective study of 260 cases | |
| Di Legge et al. | Clinical and ultrasound characteristics of surgically removed adnexal lesions with largest diameter≤ 2.5 cm: A pictorial essay | |
| Lin et al. | Delivery mode, levator avulsion and obstetric anal sphincter injury: a cross‐sectional study 20 years after childbirth | |
| Fu et al. | [Retracted] Value of Serum Glycocholic Acid and Total Bile Acids in Predicting Maternal and Perinatal Outcomes in Intrahepatic Cholestasis of Pregnancy | |
| CN105653886B (zh) | 一种预测前列腺穿刺活检患前列腺癌风险的装置 | |
| Lan et al. | Radiomics in addition to computed tomography-based body composition nomogram may improve the prediction of postoperative complications in gastric cancer patients | |
| Liu et al. | An artificial neural network model predicting pathologic nodal metastases in clinical stage I–II esophageal squamous cell carcinoma patients | |
| Racz et al. | The accuracy of three predictive models in the evaluation of recurrence rates for gastrointestinal stromal tumors | |
| Wu et al. | Prediction model of adnexal masses with complex ultrasound morphology | |
| Filipas et al. | Nephrometry and cumulative morbidity after partial nephrectomy: a standardized assessment of complications in the context of PADUA and RENAL scores |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |