Pleural pro-gastrin releasing peptide is a potential diagnostic marker for malignant pleural effusion induced by small-cell lung cancer
Notice bibliographique
Résumé
Background: Serum pro-gastrin releasing peptide (proGRP) is a well-recognized diagnostic marker for small cell lung cancer (SCLC). Pleural effusion is common in patients with advanced SCLC. The diagnostic accuracy of pleural proGRP for malignant pleural effusion (MPE) has not yet been established. This study aimed to evaluate the diagnostic accuracy of pleural proGRP for MPE. Methods: We prospectively recruited patients with undiagnosed pleural effusions from two centers (Hohhot and Changshu). An electrochemiluminescence immunoassay was used to detect pleural fluid proGRP. The diagnostic accuracy of proGRP for MPE was evaluated using a receiver operating characteristic (ROC) curve. Results: In both the Hohhot (n=153) and Changshu (n=58) cohorts, pleural proGRP in MPE patients did not significantly differ from that in patients with benign pleural effusions (BPEs) (Hohhot, P=0.91; Changshu, P=0.12). In the Hohhot and Changshu cohorts, the areas under the curves (AUCs) of proGRP were 0.51 [95% confidence interval (CI): 0.41-0.60] and 0.62 (95% CI: 0.47-0.77), respectively. However, patients with SCLC-induced MPE had significantly higher proGRP levels than those with BPE and other types of MPE (P=0.001 for both). In the pooled cohort, the AUC of proGRP for SCLC-induced MPE was 0.90 (95% CI: 0.78-1.00, P=0.001). At a threshold of 40 pg/mL, proGRP had a sensitivity of 1.00 (95% CI: 0.61-1.00) and specificity of 0.59 (95% CI: 0.52-0.66). The positive likelihood ratio was 2.61 (95% CI: 1.99-3.41), and the negative likelihood ratio was 0. Conclusions: Pleural proGRP has no diagnostic value for MPE, but has high diagnostic accuracy for SCLC-induced MPE. In patients with proGRP levels <40 pg/mL, MPE secondary to SCLC can be excluded.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».