Insights and limitations of endometrial cancer risk prediction models for clinical applicability: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Endometrial cancer (EC) is the most common gynecologic cancer in high-income countries, with rising incidence rates. Risk prediction models can identify high-risk individuals, enabling targeted prevention and early intervention. Despite the development of several multivariable risk models aimed at stratifying EC risk, none have yet been adopted for clinical use in cancer prevention. This systematic review critically examines the performance, validation, and clinical applicability of existing EC risk prediction models. METHODS: We systematically searched online search engines PubMed and Ovid MEDLINE for EC risk model publications written in English from January 1, 2000, to October 9, 2024. Studies were selected based on the inclusion of multivariable models for EC risk estimation. Data extraction focused on cohort characteristics, predictors included, validation efforts, and model performance metrics such as discrimination (C-statistics or AUROC) and calibration (E/O ratio or calibration slopes). The quality of model reporting was assessed using the TRIPOD-AI guidelines. RESULTS: Nine risk prediction models were identified, predominantly based on epidemiological factors, with four incorporating polygenic risk scores, and one using blood biomarkers. Most models were developed in datasets of postmenopausal women of White or European ancestry from Western countries. Only five models were externally validated; most exhibited moderate discrimination (AUROC ranging from 0.64 to 0.77). Calibration varied, with some models showing significant overestimation of risk. Importantly, the lack of racial and ethnic diversity in the development datasets limits their generalizability, particularly for non-White populations. CONCLUSIONS: Current EC risk prediction models show moderate performance but suffer from limited external validation, homogeneity in demographics, and exclusion of diverse populations. Future research should focus on broadening participant diversity and incorporating new risk factors, such as hormonal intrauterine device use, hysterectomies, environmental exposures, and socio-economic status. Developing dynamic models that account for these factors and model outcomes that span various forms of the disease can improve clinical relevance. Personalized, risk-based approaches targeting high-risk groups may offer a viable path forward for EC screening and prevention strategies, ensuring more equitable cancer care and improving patient outcomes.
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 | 0,061 | 0,280 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,010 | 0,017 |
| Bibliométrie | 0,013 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».