A nomogram and random forest model for predicting liver metastasis in patients with early-onset colorectal cancer
8.0
来源：
Nature
关键字：
deep learning brain science
发布时间：
2025-09-26 03:39
摘要：
本研究利用SEER数据库数据开发了一个nomogram和随机森林模型，以预测早发结直肠癌患者的肝转移风险。研究发现N阶段、CEA、骨转移和肺转移是肝转移的独立风险因素。模型在训练集和验证集中的AUC分别为0.7958和0.7653，显示出良好的预测准确性和临床适用性。这一工具将有助于临床医生进行风险评估和决策。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0分+1.0分
business_impact
0.5分+0.5分
scientific_rigor
1.5分+1.5分
timeliness_innovation
1.5分+1.5分
investment_perspective
2.5分+2.5分
market_value_relevance
1.0分+1.0分
team_institution_background
0.5分+0.5分
technical_barrier_competition
1.0分+1.0分
关键证据
构建的nomogram显示出良好的预测准确性，训练集AUC为0.7958，验证集AUC为0.7653。
随机森林模型的AUC在训练集为0.885，验证集为0.750，显示出较强的预测能力。
研究识别了N阶段、CEA、骨转移和肺转移作为肝转移的独立风险因素。
真实性检查
否
AI评分总结
本研究利用SEER数据库数据开发了一个nomogram和随机森林模型，以预测早发结直肠癌患者的肝转移风险。研究发现N阶段、CEA、骨转移和肺转移是肝转移的独立风险因素。模型在训练集和验证集中的AUC分别为0.7958和0.7653，显示出良好的预测准确性和临床适用性。这一工具将有助于临床医生进行风险评估和决策。