A Prospective Evaluation of Early Detection Biomarkers for Ovarian Cancer in the European EPIC Cohort
Notice bibliographique
Résumé
PURPOSE: About 60% of ovarian cancers are diagnosed at late stage, when 5-year survival is less than 30% in contrast to 90% for local disease. This has prompted search for early detection biomarkers. For initial testing, specimens taken months or years before ovarian cancer diagnosis are the best source of information to evaluate early detection biomarkers. Here we evaluate the most promising ovarian cancer screening biomarkers in prospectively collected samples from the European Prospective Investigation into Cancer and Nutrition study. EXPERIMENTAL DESIGN: We measured CA125, HE4, CA72.4, and CA15.3 in 810 invasive epithelial ovarian cancer cases and 1,939 controls. We calculated the sensitivity at 95% and 98% specificity as well as area under the receiver operator curve (C-statistic) for each marker individually and in combination. In addition, we evaluated marker performance by stage at diagnosis and time between blood draw and diagnosis. RESULTS: We observed the best discrimination between cases and controls within 6 months of diagnosis for CA125 (C-statistic = 0.92), then HE4 (0.84), CA72.4 (0.77), and CA15.3 (0.73). Marker performance declined with longer time between blood draw and diagnosis and for earlier staged disease. However, assessment of discriminatory ability at early stage was limited by small numbers. Combinations of markers performed modestly, but significantly better than any single marker. CONCLUSIONS: CA125 remains the single best marker for the early detection of invasive epithelial ovarian cancer, but can be slightly improved by combining with other markers. Identifying novel markers for ovarian cancer will require studies including larger numbers of early-stage cases. Clin Cancer Res; 22(18); 4664-75. ©2016 AACRSee related commentary by Skates, p. 4542.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».