Obesity does not predispose to more aggressive prostate cancer either at biopsy or radical prostatectomy in European men
Notice bibliographique
Résumé
Many investigators suggested that obesity predisposes to adverse prostate cancer characteristics and outcomes. We tested the effect of obesity on the rate of aggressive prostate cancer at either prostate biopsy or radical prostatectomy (RP). Clinical and pathological data were available for 1,814 men. Univariable and multivariable logistic regression models addressed the rate of high grade prostate cancer (HGPCa) at either biopsy or final pathology. Clinical stage, prostate-specific antigen (PSA), percentage of free PSA and prostate volume were the base predictors. All models were fitted with and without body mass index (BMI), which quantified obesity. BMI and its reciprocal (InvBMI) were coded as cubic splines to allow nonlinear effects. Predictive accuracy (PA) was quantified with area under curve estimates, which were subjected to 200 bootstrap re-samples to reduce overfit bias. Gains in PA related to the inclusion of BMI were compared using the Mantel-Haenszel test. HGPCa at biopsy was detected in 562 (31%) and HGPCa at RP pathology was present in 931 (51.3%) men. In either univariable or multivariable models predicting HGPCa at biopsy, BMI or InvBMI failed to respectively reach statistical significance or add to multivariable PA (BMI gain = 0%, p = 1.0; InvBMI gain = -0.2%, p = 0.9). Conversely, in models predicting HGPCa at RP, BMI and InvBMI represented independent predictors but failed to increase PA (BMI gain = 0.7%, p = 0.6; InvBMI gain = 0.5, p = 0.7%). Obesity does not predispose to more aggressive prostate cancer at biopsy. Similarly, obesity does not change the ability to identify those who may harbor HGPCa at RP.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».