Clinical analysis of EV‐Fingerprint to predict grade group 3 and above prostate cancer and avoid prostate biopsy
Notice bibliographique
Résumé
BACKGROUND: There is an unmet clinical need for minimally invasive diagnostic tests to improve the detection of grade group (GG) ≥3 prostate cancer relative to prostate antigen-specific risk calculators. We determined the accuracy of the blood-based extracellular vesicle (EV) biomarker assay (EV Fingerprint test) at the point of a prostate biopsy decision to predict GG ≥3 from GG ≤2 and avoid unnecessary biopsies. METHODS: This study analyzed 415 men referred to urology clinics and scheduled for a prostate biopsy, were recruited to the APCaRI 01 prospective cohort study. The EV machine learning analysis platform was used to generate predictive EV models from microflow data. Logistic regression was then used to analyze the combined EV models and patient clinical data and generate the patients' risk score for GG ≥3 prostate cancer. RESULTS: The EV-Fingerprint test was evaluated using the area under the curve (AUC) in discrimination of GG ≥3 from GG ≤2 and benign disease on initial biopsy. EV-Fingerprint identified GG ≥3 cancer patients with high accuracy (0.81 AUC) at 95% sensitivity and 97% negative predictive value. Using a 7.85% probability cutoff, 95% of men with GG ≥3 would have been recommended a biopsy while avoiding 144 unnecessary biopsies (35%) and missing four GG ≥3 cancers (5%). Conversely, a 5% cutoff would have avoided 31 unnecessary biopsies (7%), missing no GG ≥3 cancers (0%). CONCLUSIONS: EV-Fingerprint accurately predicted GG ≥3 prostate cancer and would have significantly reduced unnecessary prostate biopsies.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».