Are prolactin levels efficient in predicting a pituitary lesion in patients with hyperprolactinemia?
Notice bibliographique
Résumé
PURPOSE: Data regarding the presence of a prolactin (PRL) threshold above which a pituitary magnetic resonance imaging (MRI) is mandatory in patients with hyperprolactinemia (hyperPRL) are controversial and derived primarily from studies focused on female populations. Aim of our study was to evaluate in a cohort of patients of both sexes with confirmed hyperPRL, the possible correlation between PRL values and the presence of pituitary abnormalities. METHODS: We retrospectively analyzed data from patients who underwent serial PRL sampling at our Division between January 2015 and December 2022. Patients diagnosed with monomeric hyperPRL at serial sampling and with subsequent contrast-enhanced MRI results available for the pituitary region were included in the study. Exclusion criteria were prior pituitary disease, severe renal insufficiency, liver cirrhosis, uncompensated primary hypothyroidism and ongoing therapy with hyperprolactinemic drugs. Physiological causes of hyperPRL were also ruled out. RESULTS: Out of the 1253 patients who underwent serial PRL sampling, 139 patients (101 women and 38 men) met the inclusion criteria: 106 (76.3%) patients had some form of pituitary disease, with microlesions observed in 69.8%, macrolesions in 25.5% and other findings in 4.7% of subjects. PRL values showed a modest accuracy in predicting the presence of a pituitary abnormality and the best cut-offs identified were >25 µg/L (AUC 0.767, p = 0.003) and >44.2 µg/L (AUC 0.697, p < 0.001) in men and women, respectively; however, if only patients with PRL values > 500 µg/L were excluded from the analysis, as they were already supposed to harbor a macroprolactinoma, PRL levels were not able to predict the presence of a macrolesion neither in men nor women. CONCLUSION: Given the high prevalence of pituitary abnormalities in patients of both sexes with hyperPRL at serial sampling, performing a pituitary imaging in all cases of hyperPRL, even if mild, appears to be a cautious choice.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».