
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Tauranga Public Hospital | - |
| Autor(es): dc.contributor | University of Auckland | - |
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | Flinders University | - |
| Autor(es): dc.contributor | University Hospital of Zurich | - |
| Autor(es): dc.contributor | Icahn School of Medicine at Mount Sinai | - |
| Autor(es): dc.creator | Vasconcelos Ordones, Flavio | - |
| Autor(es): dc.creator | Kawano, Paulo Roberto | - |
| Autor(es): dc.creator | Vermeulen, Lodewikus | - |
| Autor(es): dc.creator | Hooshyari, Ali | - |
| Autor(es): dc.creator | Scholtz, David | - |
| Autor(es): dc.creator | Gilling, Peter John | - |
| Autor(es): dc.creator | Foreman, Darren | - |
| Autor(es): dc.creator | Kaufmann, Basil | - |
| Autor(es): dc.creator | Poyet, Cedric | - |
| Autor(es): dc.creator | Gorin, Michael | - |
| Autor(es): dc.creator | Barbosa, Abner Macola Pacheco | - |
| Autor(es): dc.creator | da Rocha, Naila Camila | - |
| Autor(es): dc.creator | de Andrade, Luis Gustavo Modelli | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T23:44:03Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T23:44:03Z | - |
| Data de envio: dc.date.issued | 2025-04-29 | - |
| Data de envio: dc.date.issued | 2025-01-31 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.urology.2024.11.001 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/307058 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/307058 | - |
| Descrição: dc.description | Objective: To create a machine-learning predictive model combining prostate imaging-reporting and data system (PI-RADS) score, PSA density, and clinical variables to predict clinically significant prostate cancer (csPCa). Methods: We evaluated a cohort of patients who underwent prostate biopsy for suspected prostate cancer (PCa) in New Zealand, Australia, and Switzerland. We collected data on age, body mass index (BMI), PSA level, prostate volume, PSA density (PSAD), PI-RADS scores, previous biopsy, and corresponding histology results. The dataset was divided into derivation (training) and validation (test) sets using random splits. An independent dataset was obtained from the Harvard Dataverse for external validation. A cohort of 1272 patients was analyzed. We fitted a Lasso model, XGBoost, and LightGBM to the training set and assessed their accuracy. Results: All models demonstrated ROC-AUC values ranging from 0.830 to 0.851. LightGBM was considered the superior model, with an ROC of 0.851 (95%CI: 0.804-0.897) in the test set and 0.818 (95% CI: 0.798-0.831) in the external dataset. The most important variable was PI-RADS, followed by PSA density, history of previous biopsy, age, and BMI. Conclusion: We developed a predictive model for detecting csPCa that exhibited a high ROC-AUC value for internal and external validations. This suggests that the integration of the clinical parameters outperformed each individual predictor. Additionally, the model demonstrated good calibration metrics, indicative of a more balanced model than the existing models. | - |
| Descrição: dc.description | Tauranga Public Hospital, Bay of Plenty | - |
| Descrição: dc.description | University of Auckland | - |
| Descrição: dc.description | Urology Department UNESP São Paulo State University, SP | - |
| Descrição: dc.description | College of Medicine and Public Health Flinders University | - |
| Descrição: dc.description | Department of Urology University Hospital of Zurich | - |
| Descrição: dc.description | Department of Urology Icahn School of Medicine at Mount Sinai | - |
| Descrição: dc.description | Department of Internal Medicine UNESP São Paulo State University, SP | - |
| Descrição: dc.description | Urology Department UNESP São Paulo State University, SP | - |
| Descrição: dc.description | Department of Internal Medicine UNESP São Paulo State University, SP | - |
| Formato: dc.format | 20-26 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Urology | - |
| ???dc.source???: dc.source | Scopus | - |
| Título: dc.title | A Novel Machine Learning-based Predictive Model of Clinically Significant Prostate Cancer and Online Risk Calculator | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: