Developing a Predictive Model for Significant Prostate Cancer Detection in Prostatic Biopsies from Seven Clinical Variables : Is Machine Learning Superior to Logistic Regression?
Morote Robles, Juan (Hospital Universitari Vall d'Hebron)
Miró, Berta (Vall d'Hebron Institut de Recerca (VHIR))
Hernando-Sánchez, Patricia (GMV Innovative Solutions)
Paesano, Nahuel (Universitat Autònoma de Barcelona. Departament de Cirurgia)
Picola, Natàlia (Hospital Universitari de Bellvitge)
Muñoz-Rodríguez, Jesús (Parc Taulí Hospital Universitari. Institut d'Investigació i Innovació Parc Taulí (I3PT))
Ruiz-Plazas, Xavier (Hospital Universitari Joan XXIII de Tarragona)
Muñoz Rivero, Marta Viridiana (Hospital Universitari Arnau de Vilanova)
Celma, Ana (Vall d'Hebron Institut de Recerca (VHIR))
García-de Manuel, Gemma (Hospital Universitari de Girona Doctor Josep Trueta)
Servian, Pol (Institut Germans Trias i Pujol. Hospital Universitari Germans Trias i Pujol)
Abascal, Jose Maria (Parc de Salut MAR de Barcelona)
Trilla Herrera, Enrique (Vall d'Hebron Institut de Recerca (VHIR))
Méndez Fernández, Olga (Vall d'Hebron Institut de Recerca (VHIR))

Data:	2025
Resum:	Objective: This study compares machine learning (ML) and logistic regression (LR) algorithms in developing a predictive model for sPCa using the seven predictive variables from the Barcelona (BCN-MRI) predictive model. Method: A cohort of 5005 men suspected of having PCa who underwent MRI and targeted and/or systematic biopsies was used for training, testing, and validation. A feedforward neural network (FNN)-based SimpleNet model (GMV) and a logistic regression-based model (BCN) were developed. The models were evaluated for discrimination ability, precision-recall, net benefit, and clinical utility. Both models demonstrated strong predictive performance. Results: The GMV model achieved an area under the curve of 0. 88 in training and 0. 85 in test cohorts (95% CI: 0. 83-0. 90), while the BCN model reached 0. 85 and 0. 84 (95% CI: 0. 82-0. 87), respectively (p.
Ajuts:	Instituto de Salud Carlos III PI20/01666
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.
Llengua:	Anglès
Document:	Article ; recerca ; Versió publicada
Matèria:	Predictive models ; Cancer detection ; Learning ; Regression
Publicat a:	Cancers, Vol. 17 Núm. 7 (april 2025) , p. 1101, ISSN 2072-6694

DOI: 10.3390/cancers17071101
PMID: 40227611

18 p, 3.3 MB

El registre apareix a les col·leccions:
Documents de recerca > Documents dels grups de recerca de la UAB > Centres i grups de recerca (producció científica) > Ciències de la salut i biociències > Institut d'Investigació en Ciencies de la Salut Germans Trias i Pujol (IGTP)
Documents de recerca > Documents dels grups de recerca de la UAB > Centres i grups de recerca (producció científica) > Ciències de la salut i biociències > Institut d’Investigació i Innovació Parc Taulí (I3PT)
Articles > Articles de recerca
Articles > Articles publicats