Identification of urinary biomarkers of colorectal cancer: Towards the development of a colorectal screening test in limited resource settings
Notice bibliographique
Résumé
BACKGROUND: African colorectal cancer (CRC) rates are rising rapidly. A low-cost CRC screening approach is needed to identify CRC from non-CRC patients who should be sent for colonoscopy (a scarcity in Africa). OBJECTIVE: To identify urinary metabolite biomarkers that, combined with easy-to-measure clinical variables, would identify patients that should be further screened for CRC by colonoscopy. Ideal metabolites would be water-soluble and easily translated into a sensitive, low-cost point-of-care (POC) test. METHODS: Liquid-chromatography mass spectrometry (LC-MS/MS) was used to quantify 142 metabolites in spot urine samples from 514 Nigerian CRC patients and healthy controls. Metabolite concentration data and clinical characteristics were used to determine optimal sets of biomarkers for identifying CRC from non-CRC subjects. RESULTS: Our statistical analysis identified N1, N12-diacetylspermine, hippurate, p-hydroxyhippurate, and glutamate as the best metabolites to discriminate CRC patients via POC screening. Logistic regression modeling using these metabolites plus clinical data achieved an area under the receiver-operator characteristic (AUCs) curves of 89.2% for the discovery set, and 89.7% for a separate validation set. CONCLUSIONS: Effective urinary biomarkers for CRC screening do exist. These results could be transferred into a simple, POC urinary test for screening CRC patients in Africa.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 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) | 0,001 | 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 ».