Identifying Optimal Candidates for Trimodality Therapy among Nonmetastatic Muscle-Invasive Bladder Cancer Patients
Notice bibliographique
Résumé
(1) Background: This research aims to identify candidates for trimodality therapy (TMT) or radical cystectomy (RC) by using a predictive model. (2) Methods: Patients with nonmetastatic muscle-invasive bladder cancer (MIBC) in the Surveillance, Epidemiology, and End Results (SEER) database were enrolled. The clinical data of 2174 eligible patients were extracted and separated into RC and TMT groups. To control for confounding bias, propensity score matching (PSM) was carried out. A nomogram was established via multivariable logistic regression. The area under the receiver operating characteristic curve (AUC) and calibration curves were used to assess the nomogram’s prediction capacity. Decision curve analysis (DCA) was carried out to determine the nomogram’s clinical applicability. (3) Results: After being processed with PSM, the OS of the RC group was significantly longer compared with the TMT group (p < 0.001). This remarkable capacity for discrimination was exhibited in the training (AUC: 0.717) and validation (AUC: 0.774) sets. The calibration curves suggested acceptable uniformity. Excellent clinical utility was shown in the DCA curve. The RC and RC-Beneficial group survived significantly longer than the RC and TMT-Beneficial group (p < 0.001) or the TMT group (p < 0.001). However, no significant difference was found between the RC and TMT-Beneficial group and the TMT group (p = 0.321). (4) Conclusions: A predictive model with excellent discrimination and clinical application value was established to identify the optimal patients for TMT among nonmetastatic MIBC patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».