Serology-Based Model for Personalized Epithelial Ovarian Cancer Risk Evaluation
Notice bibliographique
Résumé
This study aimed to establish a prognosis-prediction model based on serological indicators in patients with epithelial ovarian cancer (EOC). Patients initially diagnosed as ovarian cancer and surgically treated in Fudan University Shanghai Cancer Center from 2014 to 2018 were consecutively enrolled. Serological indicators preoperatively were collected. A risk model score (RMS) was constructed based on the levels of serological indicators determined by receiver operating characteristic curves. We correlated this RMS with EOC patients’ overall survival (OS). Finally, 635 patients were identified. Pearson’s χ2 results showed that RMS was significantly related to clinical parameters. Kaplan−Meier analysis demonstrated that an RMS less than 3 correlated with a longer OS (p < 0.0001). Specifically, significant differences were perceived in the survival curves of different subgroups. Multivariate Cox analysis revealed that age (p = 0.015), FIGO stage (p = 0.006), ascites (p = 0.015) and RMS (p = 0.005) were independent risk factors for OS. Moreover, RMS combined with age, FIGO and ascites could better evaluate for patients’ prognosis in DCA analyses. Our novel RMS-guided classification preoperatively identified the prognostic subgroups of patients with EOC and showed higher accuracy than the conventional method, meaning that it could be a useful and economical tool for tailored monitoring and/or therapy.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».