Modeling Prostate Specific Antigen Kinetics in Patients on Active Surveillance
Notice bibliographique
Résumé
PURPOSE: Prostate specific antigen doubling time was used to stratify patients into groups at low and high risk for progression. The prostate specific antigen kinetics in these 2 groups were modeled. MATERIALS AND METHODS: In this prospective, single-arm cohort study patients with favorable clinical parameters (stage T1b-T2b N0M0, Gleason score 7 or less, prostate specific antigen 15 ng/ml or less) were conservatively treated with watchful waiting. Evolution of serial prostate specific antigen measurements over time was estimated from a general linear mixed model of the natural log of prostate specific antigen. The corresponding average and individual prostate specific antigen doubling times were also calculated. RESULTS: Since November 1995 a total of 231 patients had at least 6 months of followup and at least 3 prostate specific antigen measurements. Based on prostate specific antigen doubling time and repeat biopsy, 93 patients fulfilled the criteria for high risk of disease progression and 138 were defined as low risk. Given the baseline status of these individuals, 2 reference average lines (high risk and low risk) were derived to model the evolution of prostate specific antigen levels and permit more rational decision making regarding the need for definitive intervention. The average prostate specific antigen doubling time was 2.97 years (95% CI 2.2-4.4) in patients allocated to the high risk group and 6.54 years (95% CI 4.8-12.3) in those at low risk. CONCLUSIONS: By applying the dynamic prognostic rule in combination with serial biopsy, a rational decision for definitive intervention based on the risk of disease progression could be optimally recommended about 2.3 years after initiated surveillance.
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) | 0,000 | 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 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 ».