Platelet RNA sequencing for cancer screening in patients with unprovoked venous thromboembolism: a prospective cohort study
Notice bibliographique
Résumé
BACKGROUND: Platelet RNA sequencing has been shown to accurately detect cancer in previous studies. OBJECTIVES: To compare the diagnostic accuracy of platelet RNA sequencing with standard-of-care limited cancer screening in patients with unprovoked venous thromboembolism (VTE). METHODS: Patients aged ≥40 years with unprovoked VTE were recruited at 13 centers and followed for 12 months for cancer. Participants underwent standard-of-care limited cancer screening, and platelet RNA sequencing analysis was performed centrally at study end for cases and selected controls. Sensitivity and specificity were calculated, using the predefined primary positivity threshold of 0.54 for platelet RNA sequencing aiming at 86% test sensitivity, and an additional predefined threshold of 0.89 aiming at 99% test specificity. RESULTS: A total of 476 participants were enrolled, of whom 25 (5.3%) were diagnosed with cancer during 12-month follow-up. For each cancer patient, 3 cancer-free patients were randomly selected for the analysis. The sensitivity of limited screening was 72% (95% CI, 52-86) at a specificity of 91% (95% CI, 82-95). The area under the receiver operator characteristic for platelet RNA sequencing was 0.54 (95% CI, 0.41-0.66). At the primary positivity threshold, all patients had a positive test, for a sensitivity estimated at 100% (95% CI, 87-99) and a specificity of 8% (95% CI, 3.7-16.4). At the secondary threshold, sensitivity was 68% (95% CI, 48-83; p value compared with limited screening 0.71) at a specificity of 36% (95% CI, 26-47). CONCLUSION: Platelet RNA sequencing had poor diagnostic accuracy for detecting occult cancer in patients with unprovoked VTE with the current algorithm.
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 ».