Dyna-RR-DTC模型：整合临床病理特征与动态指标，预测放射性碘难治性分化甲状腺癌的风险

《Annals of Nuclear Medicine》：Dyna-RR-DTC model: integrating clinicopathological features with dynamic indicators to predict radioiodine-refractory differentiated thyroid cancer risk

早期诊断碘难治分化型甲状腺癌（RAIR-DTC）对调整治疗方案至关重要。本研究通过回顾性数据分析234例分化型甲状腺癌（DTC）患者，识别出治疗反应评估、复发/持续病灶、sTg变化比值等独立风险因素，并构建了包含血清学、影像学及临床评估的预测模型。模型在训练、内效验及外效验队列中AUC分别为0.893、0.920和0.743，校准曲线验证理想（P>0.05），决策曲线分析（DCA）证实临床价值，且RAIR-DTC组PFS显著短于非RAIR组。

　　

摘要

目的

早期诊断放射性碘难治性分化型甲状腺癌（RAIR-DTC）对于及时调整治疗方案至关重要。目前，诊断主要依赖于临床进展和病变部位对碘的摄取情况评估，这一过程耗时较长。本研究的目的是确定与RAIR-DTC相关的风险因素，并开发一个可视化预测模型，以便更早地识别该疾病。

方法

回顾性收集了2020年8月至2025年9月期间分化型甲状腺癌（DTC）患者的数据（包括一般信息、生化指标、病理学和影像学数据）。根据研究指南，共纳入234名患者，将其分为RAIR-DTC组（n=105）和非RAIR-DTC组（n=129）。数据集被划分为模型开发队列和外部验证队列，以2025年1月作为时间分界点。模型开发队列被随机分为训练队列和内部验证队列，比例为7:3。随后进行了单变量和多变量逻辑回归分析，以确定RAIR-DTC的独立预测因子，并通过诺模图（nomogram）将其可视化。通过训练队列、内部验证队列和外部验证队列中的接收者操作特征曲线下面积（AUC）来评估诺模图的性能。还使用校准曲线和决策曲线分析（DCA）来验证诺模图的性能。此外，还采用了Kaplan–Meier方法进行了无进展生存期（PFS）分析。

结果

通过多变量逻辑回归、治疗反应评估、复发/持续存在的病变、sTg-second值以及sTg-second/sTg-first比值，构建了一个用于预测RAIR-DTC的诺模图模型。在训练队列、内部验证队列和外部验证队列中，AUC分别为0.893、0.920和0.743。诺模图在校准曲线上的拟合度良好（P>0.05），DCA进一步证实了其临床实用性。此外，RAIR-DTC组的无进展生存期显著短于非RAIR-DTC组。

结论

基于动态血清学、影像学和临床评估构建的诺模图模型表现出良好的预测性能和临床实用性。该模型为DTC患者的个性化治疗决策提供了有价值的指导。

目的

早期诊断放射性碘难治性分化型甲状腺癌（RAIR-DTC）对于及时调整治疗方案至关重要。目前，诊断主要依赖于临床进展和病变部位对碘的摄取情况评估，这一过程耗时较长。本研究的目的是确定与RAIR-DTC相关的风险因素，并开发一个可视化预测模型，以便更早地识别该疾病。

方法

回顾性收集了2020年8月至2025年9月期间分化型甲状腺癌（DTC）患者的数据（包括一般信息、生化指标、病理学和影像学数据）。根据研究指南，共纳入234名患者，将其分为RAIR-DTC组（n=105）和非RAIR-DTC组（n=129）。数据集被划分为模型开发队列和外部验证队列，以2025年1月作为时间分界点。模型开发队列被随机分为训练队列和内部验证队列，比例为7:3。随后进行了单变量和多变量逻辑回归分析，以确定RAIR-DTC的独立预测因子，并通过诺模图将其可视化。通过训练队列、内部验证队列和外部验证队列中的接收者操作特征曲线下面积（AUC）来评估诺模图的性能。还使用校准曲线和决策曲线分析（DCA）来验证诺模图的性能。此外，还采用了Kaplan–Meier方法进行了无进展生存期（PFS）分析。

结果

通过多变量逻辑回归、治疗反应评估、复发/持续存在的病变、sTg-second值以及sTg-second/sTg-first比值，构建了一个用于预测RAIR-DTC的诺模图模型。在训练队列、内部验证队列和外部验证队列中，AUC分别为0.893、0.920和0.743。诺模图在校准曲线上的拟合度良好（P>0.05），DCA进一步证实了其临床实用性。此外，RAIR-DTC组的无进展生存期显著短于非RAIR-DTC组。

结论

基于动态血清学、影像学和临床评估构建的诺模图模型表现出良好的预测性能和临床实用性。该模型为DTC患者的个性化治疗决策提供了有价值的指导。