Prior Negative Biopsy, PSA Density, and Anatomic Location Impact Cancer Detection Rate of MRI-Targeted PI-RADS Index Lesions
Notice bibliographique
Résumé
BACKGROUND: MRI fusion prostate biopsy has improved the detection of clinically significant prostate cancer (CSC). Continued refinements in predicting the pre-biopsy probability of CSC are essential for optimal patient counseling. We investigated potential factors related to improved cancer detection rates (CDR) of CSC in patients with PI-RADS ≥ 3 lesions. METHODS: The pathology of 980 index lesions in 980 patients sampled by transrectal mpMRI-targeted prostate biopsy across four medical centers between 2017-2020 was reviewed. PI-RADS lesion distribution included 291 PI-RADS-5, 374 PI-RADS-4, and 315 PI-RADS-3. We compared CDR of index PI-RADS ≥ 3 lesions based on location (TZ) vs. (PZ), PSA density (PSAD), and history of prior negative conventional transrectal ultrasound-guided biopsy (TRUS). RESULTS: (12-173), and 456/980 (46.5%), respectively. Higher PSAD, no prior history of negative TRUS biopsy, and PZ lesions were associated with higher CDR. Stratified CDR highlighted significant variance across subgroups. CDR for a PI-RADS-5 score, PZ lesion with PSAD ≥ 0.15, and prior negative biopsy was 77%. Conversely, the CDR rate for a PI-RADS-4 score, TZ lesion with PSAD < 0.15, and prior negative biopsy was significantly lower at 14%. CONCLUSIONS: For index PI-RADS ≥ 3 lesions, CDR varied significantly based on location, prior history of negative TRUS biopsy, and PSAD. Such considerations are critical when counseling on the merits and potential yield of prostate needle biopsy.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».