[A predictive model for pancreatic cancer using serum protein footprint map].
Notice bibliographique
Résumé
OBJECTIVE: To establish a predictive model for pancreatic cancer by using serum protein footprint map. METHODS: Surface-enhanced laser desorption/ionization (SELDI) ProteinChip technology was applied to screen abnormally expressed proteins in 92 pancreatic cancer patients, 15 patients with benign pancreatic diseases, 18 patients with other diseases of digestive tract, and 96 healthy volunteers. 48 patients with pancreatic diseases and 48 healthy volunteers selected randomly constituted the training group, and 43 pancreatic cancer patients,48 healthy volunteers, 15 patients with pancreatic diseases, and 18 patients with malignant diseases of digestive tract selected randomly constituted the testing group. A predictive model was founded by bioinformation methods using the data of the training group. The data of the testing group was imported to this model to verify by blind method. The sensitivity and specificity of both diagnosis models and CA19-9, were analyzed to evaluate the clinical application value of the model in diagnosis of pancreatic cancer. RESULTS: Using IMAC3-Cu chip, 12 peaks of differentially expressed proteins were discovered. Six of those had significant value in diagnosis of pancreatic cancer. With the principle of decision tree, a model was founded to diagnose pancreatic cancer, which was composed of 4 decisive nodes and 5 terminal nodes. With the blind test, the sensitivity of the model was 90.7% (39/43) and the specificity was 89.6% (43/ 48) in differentiating cancer from normal status. The modal was better than CA19-9. Serial tests could raise the specificity to 97.9% (47/48), while parallel test could raise the sensitivity to 95.3% (41/43). CONCLUSION: The predictive model established by serum protein footprint map is a quick, easy, convenient and accurate method to diagnosis pancreatic cancer and screen new tumor markers.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».