Addition of MRI or DRE to clinical data and risk prediction for clinically significant prostate cancer.
Notice bibliographique
Résumé
e17105 Background: In patients suspected of prostate cancer, the decision to perform a biopsy hinges on available clinical data. Magnetic resonance imaging (MRI) and digital rectal exam (DRE) data are informative but may not be available. We created accurate models for clinically significant prostate cancer (csPCa), flexible to MRI and DRE data availability. Methods: Optimized ensembles of calibrated random forest models predicting csPCa (Grade Group ≥2) used total PSA, free PSA, prior negative biopsy status, and age, with or without DRE and MRI data (prostate volume and PI-RADS score). Risk models were derived (training cohorts n=1257 to 2191) and validated (validation cohorts n=317 to 1257) from different clinical sites. Models were evaluated by the area under the receiver operating characteristic curve (ROC AUC), sensitivity, specificity, positive predictive value, and negative predictive value, using thresholds providing ~ 95% sensitivity. Feature importance was determined by SHAP analysis. Results: All models had an AUC of at least 0.80, showing that predicting csPCa can be accurate without MRI or DRE data. Including MRI data significantly increased the AUC in the validation cohort (ClarityDX Prostate 0.80 vs ClarityDX Prostate +MRI 0.87). DRE had moderate value for models without MRI data (ClarityDX Prostate 0.80 vs ClarityDX Prostate +DRE 0.82) and minor value with MRI data (ClarityDX Prostate +MRI vs ClarityDX Prostate +DRE+MRI; AUC 0.87 vs 0.87; specificity 45% vs 47%, Table). Mean absolute SHAP values were highest for PI-RADS and prostate volume. Conclusions: These optimized risk models provide high accuracy for predicting csPCa in various clinical settings. Including MRI data greatly increases model accuracy, while DRE has a smaller effect on model accuracy. [Table: see text]
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 | 0,008 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».