PSA density improves prediction of prostate cancer.
Notice bibliographique
Résumé
INTRODUCTION: Prostate-specific antigen (PSA) and the digital rectal exam (DRE) have moderate sensitivity but low specificity for cancer diagnosis, potentially causing unnecessary treatment complications with prostate biopsy. Transrectal ultrasound (TRUS) to evaluate prostate size and calculate PSA density can improve the specificity of PSA in predicting cancer. We evaluated the sensitivity and specificity of different pre-biopsy tests to detect prostate cancer. MATERIALS AND METHODS: Pre-biopsy data were collected from 521 men referred for biopsy from January-December 2011 and cancer aggressiveness data from 96 men who had radical prostatectomy. Model predictors included total PSA, DRE, the ratio of free to total PSA (PSAf/t), and PSA density. We used logistic regression and ROC curve analyses to compare the accuracy of different models to predict positive biopsy. RESULTS: The area under the curve (AUC) for model A (PSA total, DRE, PSAf/t) was moderate, but significant (AUC = .59, p < .05); only PSAf/t was a significant independent predictor of positive biopsy (OR = .002, p < .05). In model B (PSAf/t and PSA density; AUC= .66, p < .05), PSA density was the only strong predictor (OR = 1067.93, p < .05). Both models had comparable sensitivity (74% versus 72%) but model B had greater specificity (44% versus 61%). PSA density was also a significant predictor of different indices of aggressive cancer. CONCLUSIONS: PSA density has discriminative predictive power for prostate cancer. It had similar sensitivity, but greater specificity compared to using PSA total, DRE and PSAf/t. These results support the value of using PSA density to improve prediction of prostate cancer and reduce unnecessary biopsies.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».