Urine biomarkers in cancer detection: A systematic review of preanalytical parameters and applied methods
Notice bibliographique
Résumé
The aim of this review was to explore the status of urine sampling as a liquid biopsy for noninvasive cancer research by reviewing used preanalytical parameters and protocols. We searched two main health sciences databases, PubMed and Web of Science. From all eligible publications (2010-2022), information was extracted regarding: (a) study population characteristics, (b) cancer type, (c) urine preanalytics, (d) analyte class, (e) isolation method, (f) detection method, (g) comparator used, (h) biomarker type, (i) conclusion and (j) sensitivity and specificity. The search query identified 7835 records, of which 924 unique publications remained after screening the title, abstract and full text. Our analysis demonstrated that many publications did not report information about the preanalytical parameters of their urine samples, even though several other studies have shown the importance of standardization of sample handling. Interestingly, it was noted that urine is used for many cancer types and not just cancers originating from the urogenital tract. Many different types of relevant analytes have been shown to be found in urine. Additionally, future considerations and recommendations are discussed: (a) the heterogeneous nature of urine, (b) the need for standardized practice protocols and (c) the road toward the clinic. Urine is an emerging liquid biopsy with broad applicability in different analytes and several cancer types. However, standard practice protocols for sample handling and processing would help to elaborate the clinical utility of urine in cancer research, detection and disease monitoring.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».