Multiparametric MRI combined with PSA density as a noninvasive rule‐out strategy in active surveillance for prostate cancer
Notice bibliographique
Résumé
Abstract Objective To evaluate the diagnostic performance of multiparametric MRI (mpMRI), mpMRI combined with PSA density (PSAd) and combined biopsy (CBx) in detecting clinically significant prostate cancer (csPCa) in men undergoing active surveillance, using radical prostatectomy (RP) specimens as the reference standard. Patients and Methods In this prospective single‐centre study, 91 patients with low‐risk prostate cancer under active surveillance underwent mpMRI, PSAd measurement, CBx and ultimately RP. mpMRI was reported using PI‐RADS v2.0, and PSAd was dichotomised at 0.12 ng/ml/cm 3 . Diagnostic accuracy was compared using ISUP grade ≥2 and ≥3 thresholds. Radical prostatectomy pathology served as the reference standard. Results For detecting ISUP ≥3 cancer, mpMRI combined with PSAd achieved the highest sensitivity (93.3%) and negative predictive value (94.4%). CBx demonstrated the highest specificity (88.2%) and overall diagnostic balance (Youden index = 0.348). mpMRI alone showed intermediate performance. Differences in classification between strategies were statistically significant (McNemar p < 0.001). Conclusions mpMRI combined with PSAd provides high sensitivity and negative predictive value for ruling out aggressive prostate cancer, supporting its use as a non‐invasive triage tool in active surveillance. CBx remains the most specific method for histological confirmation. These strategies should be used complementarily to optimise decision‐making in active surveillance protocols.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».