Improving the stratification of intermediate risk prostate cancer
Notice bibliographique
Résumé
BACKGROUND: Intermediate risk prostate cancer (IR PCa) may exhibit a wide array of phenotypes, from favorable to unfavorable. NCCN criteria help distinguishing between favorable versus unfavorable subgroups. We studied and attempted to improve this classification. METHODS: Within the SEER database 2010-2016, we identified 19,193 IR PCa patients treated with radical prostatectomy. A multivariable logistic regression model predicting unfavorable IR PCa was developed and externally validated, in addition to a head-to-head comparison with NCCN IR PCa stratification. RESULTS: Model development (development cohort N.=13,436: 3585 unfavorable versus 9851 favorable) rested on age, PSA, clinical T stage, biopsy Gleason Grade Group (GGG) and percentage of positive cores. All were independent predictors of unfavorable IR PCa. In external validation cohort (N.=5757: 1652 unfavorable versus 4105 favorable), NCCN stratification was 61.8% accurate in discriminating between favorable versus unfavorable, compared to 67.6% for nomogram, which exhibited excellent calibration, less pronounced departures from ideal prediction and greater net-benefit in decision curve analyses (DCA) than NCCN stratification. The optimal nomogram cutoff misclassified 312 of 1976 patients (15.8%) versus 598 of 2877 (20.8%) for NCCN stratification. Of NCCN misclassified patients, 90.0% harbored pT3-4 stages versus 84.6% of nomogram. CONCLUSIONS: The newly developed, externally validated nomogram discriminates better between favorable versus unfavorable IR PCa, according to overall accuracy, calibration, DCA, and actual numbers and stage distribution of misclassified patients.
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) | 0,000 | 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 ».