Objectives

• 對先前發表的 decision tree (DT) 模型進行外部驗證，該模型用於預測分化型甲狀腺癌 (DTC) 患者在治療後 131I whole-body scintigraphy (WBS) 的陽性結果。
• 開發了一個內部模型，使用 multivariable logistic regression (MLR) 演算法，除了 N stage 和 thyroglobulin (Tg) 水平外，還納入了 T stage 和 radioactive iodine (RAI) 活性，顯示出更高的預測價值。

Methodology

• 使用 non-parametric tests (Wilcoxon signed-rank test 或 chi-square test) 進行組間比較。
• 使用與原始研究相同的軟體程序（R 中的 ctree 函數）和 cut-off 值對 DT 模型進行外部驗證。
• 使用 MLR 演算法開發內部模型，並採用 10-fold cross-validation 以最小化 overfitting。
• 使用 accuracy、positive predictive value (PPV)、negative predictive value (NPV)、area under the receiver operating characteristic (ROC) curve 和 Brier score 評估模型性能。

Results

• 外部驗證：Area under ROC curve = 0.60 (95% CI, 0.56–0.64), PPV = 58% (95% CI, 41–74%), NPV = 90% (95% CI, 88–92%).
• 內部模型：Area under ROC curve = 0.75 (95% CI, 0.69–0.81), PPV = 90% (95% CI, 68–99%), NPV = 90% (95% CI, 88–92%), Brier score = 0.0841.
• 內部模型（包括 T stage 和 RAI 活性）顯示出比先前發表的 DT 模型的外部驗證顯著更高的預測價值。

Discussions

• DT 模型的外部驗證顯示預測價值有限，這可能是由於原始世代和驗證世代之間患者特徵的差異。具體來說，本研究中治療後 WBS 陽性的發生率較低（11.8% 對 15.2%）。
• 內部模型顯示出改進的性能，但其普遍性受到研究的單中心性質的限制。 需要在不同人群中進行進一步的外部驗證。
• 該研究強調了跨不同人群應用預測模型的挑戰，以及考慮原始模型中包含的因素之外的因素的重要性。 納入 T stage 和 RAI 活性顯著提高了模型的性能。
• 作者適當地使用了 10-fold cross-validation 來減輕內部模型中的 overfitting。 使用 nomogram 是一個優勢，為風險計算提供了一個用戶友好的工具。

---

Reference: External validation of a predictive model for post treatment persistent disease by 131I whole body scintigraphy in patients with differentiated thyroid cancer