Detecting colorectal cancer by <sup>1</sup>H magnetic resonance spectroscopy of fecal extracts
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Colorectal cancer is one of the most common cancers in the western world. Its early detection has been found to improve the prognosis of the patient, providing a wide window of opportunity for successful therapeutic interventions. However, current diagnostic techniques all have some limitations; there is a need to develop a better technique for routine screening purposes. We present a new methodology based on magnetic resonance spectroscopy of fecal extracts for the non-invasive detection of colorectal cancer. Five hundred twenty-three human subjects (412 with no colonic neoplasia and 111 with colorectal cancer, who were scheduled for colonoscopy or surgery) were recruited to donate a single sample of stool. One-dimensional (1)H magnetic resonance spectroscopy (MRS) experiments were performed on the supernatant of aqueous dispersions of the stool samples. Using a statistical classification strategy, several multivariate classifiers were developed. Applying the preprocessing, feature selection and classifier development stages of the Statistical Classification Strategy led to approximately 87% average balanced sensitivity and specificity for both training and monitoring sets, improving to approximately 92% when only crisp results, i.e. class assignment probabilities > or =75%, are considered. These results indicate that (1)H magnetic resonance spectroscopy of human fecal extracts, combined with appropriate data analysis methodology, has the potential to detect colorectal neoplasia accurately and reliably, and could be a useful addition to the current screening tools.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 découle