Decipher identifies men with otherwise clinically favorable-intermediate risk disease who may not be good candidates for active surveillance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: We aimed to validate Decipher to predict adverse pathology (AP) at radical prostatectomy (RP) in men with National Comprehensive Cancer Network (NCCN) favorable-intermediate risk (F-IR) prostate cancer (PCa), and to better select F-IR candidates for active surveillance (AS). METHODS: In all, 647 patients diagnosed with NCCN very low/low risk (VL/LR) or F-IR prostate cancer were identified from a multi-institutional PCa biopsy database; all underwent RP with complete postoperative clinicopathological information and Decipher genomic risk scores. The performance of all risk assessment tools was evaluated using logistic regression model for the endpoint of AP, defined as grade group 3-5, pT3b or higher, or lymph node invasion. RESULTS: The median age was 61 years (interquartile range 56-66) for 220 patients with NCCN F-IR disease, 53% classified as low-risk by Cancer of the Prostate Risk Assessment (CAPRA 0-2) and 47% as intermediate-risk (CAPRA 3-5). Decipher classified 79%, 13% and 8% of men as low-, intermediate- and high-risk with 13%, 10%, and 41% rate of AP, respectively. Decipher was an independent predictor of AP with an odds ratio of 1.34 per 0.1 unit increased (p value = 0.002) and remained significant when adjusting by CAPRA. Notably, F-IR with Decipher low or intermediate score did not associate with significantly higher odds of AP compared to VL/LR. CONCLUSIONS: NCCN risk groups, including F-IR, are highly heterogeneous and should be replaced with multivariable risk-stratification. In particular, incorporating Decipher may be useful for safely expanding the use of AS in this patient population.
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.
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) | 0,001 | 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 découle