Pro–Surfactant Protein B As a Biomarker for Lung Cancer Prediction
Notice bibliographique
Résumé
PURPOSE: Preliminary studies have identified pro-surfactant protein B (pro-SFTPB) to be a promising blood biomarker for non-small-cell lung cancer. We conducted a study to determine the independent predictive potential of pro-SFTPB in identifying individuals who are subsequently diagnosed with lung cancer. PATIENTS AND METHODS: Pro-SFTPB levels were measured in 2,485 individuals, who enrolled onto the Pan-Canadian Early Detection of Lung Cancer Study by using plasma sample collected at the baseline visit. Multivariable logistic regression models were used to evaluate the predictive ability of pro-SFTPB in addition to known lung cancer risk factors. Calibration and discrimination were evaluated, the latter by an area under the receiver operating characteristic curve (AUC). External validation was performed with samples collected in the Carotene and Retinol Efficacy Trial (CARET) participants using a case-control study design. RESULTS: Adjusted for age, sex, body mass index, personal history of cancer, family history of lung cancer, forced expiratory volume in one second percent predicted, average number of cigarettes smoked per day, and smoking duration, pro-SFTPB (log transformed) had an odds ratio of 2.220 (95% CI, 1.727 to 2.853; P < .001). The AUCs of the full model with and without pro-SFTPB were 0.741 (95% CI, 0.696 to 0.783) and 0.669 (95% CI, 0.620 to 0.717; difference in AUC P < .001). In the CARET Study, the use of pro-SFPTB yielded an AUC of 0.683 (95% CI, 0.604 to 0.761). CONCLUSION: Pro-SFTPB in plasma is an independent predictor of lung cancer and may be a valuable addition to existing lung cancer risk prediction models.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 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 ».