Prostate-specific antigen density does not predict metastatic disease on PSMA-PET in high-risk prostate cancer patients with negative conventional imaging
Notice bibliographique
Résumé
INTRODUCTION: The ability of prostate-specific antigen density (PSAD) to predict metastatic disease on prostate-specific membrane antigen-positron emission tomography (PSMA-PET) at initial staging in high-risk prostate cancer (PCa) for men with negative conventional imaging is unclear. We hypothesized that there might be a PSAD cutoff below which PSMA-PET would be unnecessary, as it would so rarely identify metastatic disease. METHODS: F-DCFPyl PSMA-PET for primary staging between January 2018 and December 2022 at the University Health Network was performed. Student's t-tests or Mann-Whitney U tests were used to compare continuous variables by PSMA-PET positivity status. Receiver operating characteristic curve analysis to compare PSA and PSAD performance and Chi-squared automatic interaction detector methodologies were used to identify predictors of metastatic disease. RESULTS: (IQR 0.19-0.83), respectively. PSMA-PET was positive in 40% of cases for metastatic disease. The area under the curve (AUC) to predict metastatic disease on PSMA-PET was 0.55 for PSAD (p=0.57). Patients with metastatic disease on PSMA-PET had higher Gleason grade group (GG) scores on biopsy (53 vs. 20% GG5, p<0.001) and more extraprostatic extension (19 vs. 6%, p=0.03) and perineural invasion (65 vs. 45%, p=0.03). CONCLUSIONS: In this retrospective cohort, PSAD does not reliably predict which patients with high-risk PCa and negative conventional imaging will have metastatic disease unveiled by PSMA-PET.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».