El gráfico longitudinal de PKD en TraceOrg convierte estudios de imagen repetidos en un resumen visual de cómo cambia el volumen renal con el tiempo. Cada punto es un estudio. La línea muestra la tendencia estimada. El fondo de color muestra las bandas de Mayo Imaging Classification.
Empezar con un ejemplo
El ejemplo siguiente usa una cuenta simulada de TraceOrg con 8 estudios entre 2012 y 2040. Cuatro estudios están antes de la Transition date y cuatro después. Se añadió una pequeña variación entre estudios para parecerse más a mediciones repetidas reales.
En el gráfico:
Los puntos azules son estudios antes de la Transition date.
Los puntos verdes son estudios después de la Transition date.
La línea vertical roja marca la Transition date.
Las líneas azul y verde resumen los periodos antes y después.
Las bandas de fondo muestran las clases Mayo 1A a 1E.
La Transition date es un marcador neutral. Ayuda a dividir una línea de tiempo en dos periodos, pero el gráfico es solo descriptivo. No demuestra por qué ocurrió un cambio.
Cómo crear este gráfico en TraceOrg
Abre o crea un subject PKD.
Sube los estudios de imagen que quieres comparar.
Confirma que cada estudio tenga la study date correcta.
Ingresa la información requerida del subject: año de nacimiento y estatura.
Opcionalmente ingresa una Transition date si quieres dividir la línea de tiempo en periodos antes y después.
Ejecuta el PKD workflow.
Abre el longitudinal report generado.
El gráfico funciona mejor cuando hay varios estudios distribuidos en el tiempo. Más estudios válidos dan más información al ajuste y suelen facilitar la interpretación de la tendencia.
Qué mide TraceOrg
TraceOrg estima los volúmenes renales a partir de las salidas de segmentación disponibles:
TKV es la suma del volumen del riñón izquierdo y derecho.
htTKV es TKV dividido por la estatura en metros.
El reporte también lista el volumen del riñón izquierdo, riñón derecho e hígado cuando están disponibles.
La tabla debajo del gráfico muestra los valores usados en la figura: fecha del estudio, edad, htTKV, TKV, volúmenes de órganos y periodo.
Cómo se calcula la línea ajustada
TraceOrg modela htTKV como un cambio exponencial con la edad:
htTKV(age) = a * exp(b * age)El ajuste usa el logaritmo natural de htTKV:
log(htTKV) = log(a) + b * ageDespués TraceOrg aplica mínimos cuadrados a los valores transformados. El crecimiento anual es:
annual growth (%) = (exp(b) - 1) * 100Cuando hay 4 o más estudios htTKV válidos, TraceOrg usa un two-parameter least squares fit basado solo en estudios observados. En ese caso, el nivel inicial y la tasa de crecimiento se aprenden de las mediciones observadas.
Cuando hay 1 a 3 estudios htTKV válidos, TraceOrg usa un Mayo-anchored fallback para contexto. Este fallback usa la convención de Mayo Imaging Classification de htTKV al nacimiento de 150 mL/m. Este punto de anclaje se usa solo como contexto de ajuste. No se muestra como punto falso y no se añade a la tabla de volúmenes.
Cómo se maneja la división por Transition
Si se ingresa una Transition date, TraceOrg cuenta qué estudios están antes y después de esa fecha. Cuando ambos periodos tienen suficientes mediciones válidas, TraceOrg dibuja líneas de tendencia separadas.
Si un periodo tiene muy pocas mediciones válidas, TraceOrg aún muestra los puntos y la Transition date, pero evita forzar una conclusión fuerte por periodo. La nota del reporte explica cuándo la división tiene pocos datos.
Qué revisar antes de leer la tendencia
Las study dates son correctas.
El año de nacimiento y la estatura son correctos.
Los estudios incluidos pertenecen a la cuenta TraceOrg prevista.
La QA de segmentación renal parece razonable.
La tabla de volúmenes coincide con los estudios esperados.
El gráfico es un resumen de imagen para investigación. Ayuda a organizar mediciones longitudinales, pero debe leerse junto con las imágenes fuente, la QA de segmentación y el resto del reporte.
Referencias
1. Hu Z, Sharbatdaran A, He X, et al. Scientific Reports 2024. Nature article
2. Irazabal MV, Rangel LJ, Bergstralh EJ, et al. JASN 2015. PubMed
3. Bae KT, Shi T, Tao C, et al. JASN 2020. PMC