MétaCan
Menu
Retour à la cohorte
Enregistrement W4378953374 · doi:10.1093/jnci/djad071

Lung cancer risk discrimination of prediagnostic proteomics measurements compared with existing prediction tools

2023· article· en· W4378953374 sur OpenAlexafffund
Xiaoshuang Feng, Wendy Wu, Justina Ucheojor Onwuka, Z. Haider, Karine Alcala, Karl Smith‐Byrne, Hana Zahed, Florence Guida, Renwei Wang, Julie K. Bassett, Victoria L. Stevens, Ying Wang, Stephanie J. Weinstein, Neal D. Freedman, Chu Chen, Lesley F. Tinker, Therese Haugdahl Nøst, Woon‐Puay Koh, David C. Muller, Sandra M. Colorado‐Yohar, ­Rosario ­Tumino, Christopher I. Amos, Xihong Lin, Xuehong Zhang, Alan A. Arslan, María‐José Sánchez, Elin Pettersen Sørgjerd, Gianluca Severi, Kristian Hveem, Paul Brennan, Arnulf Langhammer, Roger L. Milne, Jian‐Min Yuan, Beatrice Melin, Mikael Johansson, Hilary A. Robbins

Notice bibliographique

RevueJNCI Journal of the National Cancer Institute · 2023
Typearticle
Langueen
DomaineChemistry
ThématiqueAdvanced Proteomics Techniques and Applications
Établissements canadiensLunenfeld-Tanenbaum Research InstitutePublic Health OntarioUniversity of Toronto
Organismes subventionnairesNational Cancer InstituteFaculty of Medicine and Health, University of SydneySchool of Public Health, Imperial College LondonWorld Cancer Research FundMedical Research CouncilInstitut Gustave-RoussyCancer Council VictoriaDeutsche KrebshilfeInstituto de Salud Carlos IIIHelse Midt-NorgeVetenskapsrådetCancer Research UKWorld Health OrganizationEuropean CommissionNational Institutes of HealthImperial College LondonCanada Research ChairsCancerfondenCanadian Institutes of Health ResearchAssociazione Italiana per la Ricerca sul CancroNational Health and Medical Research CouncilInstitut National Du CancerInstitut National de la Santé et de la Recherche MédicaleNorges Teknisk-Naturvitenskapelige UniversitetDeutsches KrebsforschungszentrumLigue Contre le CancerBundesministerium für Bildung und ForschungNational Institute for Health and Care ResearchNorwegian Institute of Public HealthCenters for Disease Control and PreventionInternational Association for the Study of Lung CancerNIHR Imperial Biomedical Research CentreCentre International de Recherche sur le Cancer
Mots-clésProteomicsBiomarkerLung cancerMedicineRisk assessmentCancerOncologyInternal medicineComputer scienceBiology

Résumé

récupéré en direct d'OpenAlex

OpenAlex consigne un résumé pour ce travail, mais il n'a pas pu être récupéré à l'instant.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,619
Score d'incertitude au seuil0,357

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,117
Tête enseignante GPT0,371
Écart entre enseignants0,254 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJNCI Journal of the National Cancer InstituteMême sujetAdvanced Proteomics Techniques and ApplicationsTravaux en français237 207