通过基于血液的生物化学和炎症标记物对前列腺癌的诊断分层
Donatella Coradduzza1, Leonardo Sibono2, Alessandro Tedde3
1Department of Biomedical Sciences, University of Sassari, 07100 Sassari, Italy.
Diagnostics (Basel, Switzerland)
|June 13, 2025
概括
这项研究确定了包括血红蛋白和IIEF分数在内的关键生物标志物,以帮助区分前列腺癌 (PCa) 和良性疾病. 这些发现支持改善早期诊断和患者分层,减少不必要的手术.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 在瘤学瘤学.
- 生物标志物发现发现
背景情况:
- 前列腺癌 (PCa) 诊断面临挑战,因为目前的PSA等生物标志物的特异性较低.
- 需要改善患者分层的工具,以减少过度诊断和指导个性化治疗.
研究的目的:
- 识别和验证临床和血液学生物标志物,以区分PCa与良性前列腺增生 (BPH) 和癌前病变 (PL).
- 使用单变量和多变量统计方法来进行可靠的生物标记物识别.
主要方法:
- 分析了514名疑似PCa患者的数据.
- 采用适应性Box-Cox转换和概率主要组件分析 (PPCA) 来进行数据预处理.
- 使用LASSO回归进行变量选择和分类,并使用ROC曲线分析进行性能评估.
主要成果:
- 五个变量 - - 年龄,PSA,指数%,血红蛋白 (HGB) 和IIEF - - 显示出一致的意义.
- 拉索回归实现了70%的分类准确度和0.74.7的AUC.
- 双点和临时后分析表明PCa和良性疾病之间存在部分分离.
结论:
- 多变量建模与重建的临床数据确定了PCa诊断的有希望的基于血液的生物标志物.
- 这些具有成本效益,常规可用的指标可以帮助早期检测PCa和患者分层.
- 这些发现可能有助于减少对侵入性诊断程序的需求.
关键词:
拉索回归法 (Lasso Regression) 是一种回归法.适应性 盒子Cox转换的转换生物标志物发现发现多变量分析多变量分析.个性化医疗是个性化的医疗.概率主要组成部分分析 (PPCA)前列腺癌是前列腺癌.更多相关视频
08:40Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging
Published on: April 8, 2016
12.8K
07:34Author Spotlight: Advancing Prostate Cancer Research Through Improved Tissue Sampling and Biobanking
Published on: November 17, 2023
635
