Making Sense of Prostate Specific Antigen: Improving its Predictive Value in Patients Undergoing Prostate Biopsy
Notice bibliographique
Résumé
PURPOSE: The clinical usefulness of PSA for prostate cancer screening is unclear, although the test remains in common use. New methods to interpret PSA are needed. MATERIALS AND METHODS: We examined a cohort of 2,637 men who underwent prostate biopsies for abnormal DRE or PSA between 1999 and 2004. Using risk factors for prostate cancer, including patient age, ethnicity, family history of prostate cancer, previous negative biopsy, voiding symptoms and prostate volume, we developed risk groups for prostate cancer using recursive partitioning modeling independent of PSA or DRE. We then compared prostate cancer probabilities by PSA ranges by risk group. RESULTS: Of the 2,637 men 1,282 (48.6%) had prostate cancer. Age, ethnicity, family history, previous negative biopsy and prostate volume were predictive for cancer. We constructed 6 risk groups by combining these factors and created tables to assign patients to these groups. Independent of PSA and DRE the probability of cancer ranged from 15% in patients in group 1 to 78% in patients in group 6 (p <0.0001). By adding PSA and DRE to each risk group prostate cancer probabilities were refined from 0% to 100%. Patients in the higher risk groups also had higher grade cancer (p <0.0001). CONCLUSIONS: We generated 6 risk groups based on simple risk factors for prostate cancer. When used in the right context and patient, PSA is highly accurate for predicting prostate cancer and permitting rational decision making in patients with abnormal PSA.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».