Value of Increasing Biopsy Cores per Target with Cognitive MRI-targeted Transrectal US Prostate Biopsy
Notice bibliographique
Résumé
Purpose To determine the increase in clinically significant cancer detection in the prostate with increasing number of core samples obtained by using cognitive MRI-targeted transrectal US biopsy. Materials and Methods This retrospective cross-sectional study included 330 consecutive patients (mean age, 64.3 years; range, 42-84 years) who underwent multiparametric prostate MRI from March 2012 to July 2017 and had an index lesion that subsequently underwent cognitive MRI-targeted biopsy using transrectal US with at least five core samples (which were sequentially labeled) per lesion. The detection rate of clinically significant cancer was calculated on sequential biopsy cores, comparing the first core alone versus three cores versus five cores per target. Clinically significant cancer was defined as International Society of Urological Pathology Grade Group 2 or higher. Results Increasing the number of biopsy core samples from one to three per target and from three to five per target increased the detection rate of clinically significant cancer by 6.4% (21 of 330) and 2.4% (eight of 330), respectively. The target yield for clinically significant cancer was 26% (87 of 330), 33% (108 of 330), and 35% (116 of 330) for one, three, and five cores, respectively. Subgroup analysis showed no significant difference in upgrade rates as a function of multiparametric MRI lesion size (P = .53-.59) or location (P = .28-.89). Conclusion More clinically significant prostate cancers are detected when increasing the number of core biopsy samples per index lesion from one to three and from three to five (6.4% and 2.4%, respectively) when performing cognitive MRI-targeted transrectal US biopsy. © RSNA, 2019 See also the editorial by Oto in this issue.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».