Le graphique longitudinal PKD de TraceOrg transforme des examens d'imagerie répétés en un résumé visuel de l'évolution du volume rénal dans le temps. Chaque point correspond à une étude. La ligne montre la tendance estimée. Le fond coloré montre les bandes de la Mayo Imaging Classification.
Commencer par un exemple
L'exemple ci-dessous utilise un compte TraceOrg simulé avec 8 études de 2012 à 2040. Quatre études sont avant la Transition date et quatre après. Une petite variation entre études est ajoutée pour ressembler davantage à des mesures répétées réelles.
Dans le graphique :
Les points bleus sont les études avant la Transition date.
Les points verts sont les études après la Transition date.
La ligne verticale rouge marque la Transition date.
Les lignes bleue et verte résument les périodes avant et après.
Les bandes de fond montrent les classes Mayo 1A à 1E.
La Transition date est un repère temporel neutre. Elle aide à diviser une chronologie en deux périodes, mais le graphique est uniquement descriptif. Il ne prouve pas pourquoi un changement s'est produit.
Créer ce graphique dans TraceOrg
Ouvrez ou créez un subject PKD.
Importez les études d'imagerie à comparer.
Vérifiez que chaque étude a la bonne study date.
Renseignez les informations requises du subject : année de naissance et taille.
Ajoutez éventuellement une Transition date si vous voulez diviser la chronologie en périodes avant et après.
Lancez le PKD workflow.
Ouvrez le longitudinal report généré.
Le graphique fonctionne mieux lorsqu'il existe plusieurs études réparties dans le temps. Plus il y a d'études valides, plus l'ajustement dispose d'informations et plus la tendance est facile à interpréter.
Ce que TraceOrg mesure
TraceOrg estime les volumes rénaux à partir des sorties de segmentation disponibles :
Le TKV est la somme du volume du rein gauche et du rein droit.
Le htTKV est le TKV divisé par la taille en mètres.
Le rapport liste aussi les volumes du rein gauche, du rein droit et du foie lorsqu'ils sont disponibles.
Le tableau sous le graphique affiche les valeurs utilisées pour la figure : date d'étude, âge, htTKV, TKV, volumes d'organes et période.
Calcul de la ligne ajustée
TraceOrg modélise le htTKV comme un changement exponentiel avec l'âge :
htTKV(age) = a * exp(b * age)L'ajustement utilise le logarithme naturel du htTKV :
log(htTKV) = log(a) + b * ageTraceOrg applique ensuite les moindres carrés aux valeurs transformées. La croissance annuelle est :
annual growth (%) = (exp(b) - 1) * 100Avec 4 études htTKV valides ou plus, TraceOrg utilise un two-parameter least squares fit basé sur les études observées. Dans ce cas, le niveau initial et le taux de croissance sont estimés à partir des mesures observées.
Avec 1 à 3 études htTKV valides, TraceOrg utilise un Mayo-anchored fallback pour le contexte. Ce fallback utilise la convention de la Mayo Imaging Classification selon laquelle le htTKV à la naissance est de 150 mL/m. Cet ancrage sert uniquement au contexte d'ajustement. Il n'est pas affiché comme faux point d'étude et n'est pas ajouté au tableau de volumes.
Gestion de la division Transition
Si une Transition date est saisie, TraceOrg compte les études avant et après cette date. Lorsque les deux périodes contiennent assez de mesures valides, TraceOrg trace des lignes de tendance séparées.
Si une période contient trop peu de mesures valides, TraceOrg affiche quand même les points et la Transition date, mais évite de forcer une conclusion forte par période. La note du rapport explique quand la division est insuffisamment alimentée.
Points à vérifier avant de lire la tendance
Les study dates sont correctes.
L'année de naissance et la taille sont correctes.
Les études incluses appartiennent au compte TraceOrg prévu.
La QA de segmentation rénale semble raisonnable.
Le tableau de volumes correspond aux études attendues.
Ce graphique est un résumé d'imagerie pour la recherche. Il aide à organiser les mesures longitudinales, mais il doit être lu avec les images sources, la QA de segmentation et le reste du rapport.
Références
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