Clinical Validation of a Serum Protein Panel (FLNA, FLNB and KRT19) for Diagnosis of Prostate Cancer
Notice bibliographique
Résumé
This study reports on the development of a novel serum protein panel of three prostate cancer biomarkers, Filamin A, Filamin B and Keratin-19 (FLNA, FLNB and KRT19) using multivariate models for disease screening and prognosis. ELISA and IPMRM (LC-MS/MS) based assays were developed and analytically validated by quantitative measurements of the biomarkers in serum. Retrospectively collected and clinically annotated serum samples with PSA values and Gleason scores were analyzed from subjects who underwent prostate biopsy, and showed no evidence of cancer with or without indication of prostatic hyperplasia, or had a definitive pathology diagnosis of prostatic adenocarcinoma. Probit linear regression models were used to combine the analytes into score functions to address the following clinical questions: does the biomarker test augment PSA for population screening? Can aggressive disease be differentiated from lower risk disease, and can the panel discriminate between prostate cancer and benign prostate hyperplasia? Modelling of the data showed that the new prostate biomarkers and PSA in combination were better than PSA alone in identifying prostate cancer, improved the prediction of high and low risk disease, and improved prediction of cancer versus benign prostate hyperplasia.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».