A New Predictive Scoring System Based on Clinical Data and Computed Tomography Features for Diagnosing EGFR-mutated Lung Adenocarcinoma
Notice bibliographique
Résumé
Background: We aimed to develop a new EGFR mutation–predictive scoring system to use in screening for EGFR-mutated lung adenocarcinomas (LACS). Methods: The study enrolled 279 patients with LAC, including 121 patients with EGFR wild-type tumours and 158 with EGFR-mutated tumours. The Student t-test, chi-square test, or Fisher exact test was applied to discriminate clinical and computed tomography (CT) features between the two groups. Using a principal component analysis (PCA) model, we derived predictive coefficients for the presence of EGFR mutation in LAC. Results: The EGFR mutation–predictive score includes sex, smoking history, homogeneity, ground-glass opacity (GGO) on imaging, and the presence of pericardial effusion. The PCA predictive model took this form: sex × 16 + smoking history × 15 + GGO × 12 + pericardial effusion × 10 + emphysema × 11. Model scores ranged from 79 to 147. The area under the receiver operating characteristic curve was 0.752 [95% confidence interval (ci): 0.697 to 0.801] in the LAC population at the optimal cut-off value of 109, and the sensitivity and specificity were 68.4% (95% CI: 60.5% to 75.5%) and 74.4% (95% CI: 65.6% to 81.9%) respectively. Conclusions: The EGFR mutation risk scoring system based on clinical data and CT features is noninvasive and user-friendly. The model appears to frame a positive predictive value and was able to determine the value of repeating a biopsy if tissue is limited.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».