The Olfaction Ability of Medical Detection Canine to Detect Prostate Cancer From Urine Samples: Progress Captured in Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Background: To date, early cancer detection is considered vital to reduce the global cancer burden through low-cost, but accurate screening modalities. The anatomical positioning of prostate cancer (PCa) created a potentially distinctive diagnostic method through the identification of volatile organic compounds (VOCs) in urine, which might be detectable not by humans but by canine species. This review aimed to capture the potential of the medical detection canine (MDC) to detect PCa by providing its diagnostic accuracy estimation on urine odor testing. Methods: Databases, e.g., MEDLINE, Cochrane, ScienceDirect, and ProQuest, were searched to identify the studies. We focused on accessible original research, comparing the diagnostic utility of trained female MDC and histopathology examination as the gold standard for PCa diagnosis. The statistical analysis was performed in Meta-DiSc 1.4 and presented in diagnostic values, i.e., sensitivity (Sn), specificity (Sp), positive or negative likelihood ratio (LR+ or LR-), diagnostic odd ratio (DOR), and area under the curve (AUC) value, to conclude the Sn-Sp in a single outcome. Results: Female German Shepherds were the most commonly utilized MDC from the five studies included in the final analysis. We estimate the pooled diagnostic value of eight different MDCs, with the findings as follows: Sn (0.95 (0.94 - 0.97)), Sp (0.92 (0.90 - 0.93)), LR+ (4.48 (1.90 - 10.58)), LR- (0.12 (0.01 - 1.42)), DOR (35.39 (2.90 - 432.53)), and an AUC value of 0.9232. Conclusions: MDC's olfaction ability holds considerable potential on its diagnostic accuracies to distinguish the urine of PCa individuals by identifying its volatilome property.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».