Predicting the presence of colon cancer in members of a health maintenance organisation by evaluating analytes from standard laboratory records
Notice bibliographique
Résumé
BACKGROUND: A valid risk prediction model for colorectal cancer (CRC) could be used to identify individuals in the population who would most benefit from CRC screening. We evaluated the potential for information derived from a panel of blood tests to predict a diagnosis of CRC from 1 month to 3 years in the future. METHODS: We abstracted information on 1755 CRC cases and 54 730 matched cancer-free controls who had one or more blood tests recorded in the electronic records of Maccabi Health Services (MHS) during the period 30-180 days before diagnosis. A scoring model (CRC score) was constructed using the study subjects' blood test results. We calculated the odds ratio for being diagnosed with CRC after the date of blood draw, according to CRC score and time from blood draw. RESULTS: The odds ratio for having CRC detected within 6 months for those with a score of four or greater (vs three or less) was 7.3 (95% CI: 6.3-8.5) for men and was 7.8 (95% CI: 6.7-9.1) for women. CONCLUSIONS: Information taken from routine blood tests can be used to predict the risk of being diagnosed with CRC in the near future.
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 | 0,002 | 0,001 |
| 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 ».