Prostate Cancer Detection by Novice Micro-Ultrasound Users Enrolled in a Training Program
Notice bibliographique
Résumé
Objective Micro-ultrasound is an imaging modality used to visualize and target prostate cancer during transrectal or transperineal biopsy. We evaluated the effectiveness of a micro-ultrasound training program and estimated the learning curve for prostate biopsy. Methods A training program registry was assessed for the rate of clinically significant prostate cancer (csPCa, grade group ≥ 2), negative predictive value, and specificity at each stage of the program. Nine metrics of biopsy quality were evaluated in 4 stages for each practitioner. Non-linear fitting and logistic regression models were used to evaluate the time-course of these metrics over training. Results Thirteen practitioners from 8 institutions completed stages 1 to 3 of the program, and 9 completed all 4 stages. Over 1190 micro-ultrasound biopsy procedures were performed. Detection of csPCa increased from 40% to 57% from stage 1 to stage 4 (P < 0.01). Stage 4 “expert” level was independently associated with higher detection of csPCa when correcting for overall risk factors (OR 1.95; P = 0.03). Limitations include the retrospective analysis and variation in biopsy protocols. Conclusion The micro-ultrasound training program was effective in improving biopsy quality and rate of csPCa detection. The presented learning curve provides an initial guide for acquiring expertise with real-time micro ultrasound image-guided biopsy.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».