Slide cfu2014 congres_pvp_laser_prostate_green_light_nomogram_v_misrai_hupertan_draft_v1
-
Upload
vincent-h-hupertan -
Category
Healthcare
-
view
205 -
download
0
description
Transcript of Slide cfu2014 congres_pvp_laser_prostate_green_light_nomogram_v_misrai_hupertan_draft_v1
Made by @hupertan
Traitement de l’adénome de laprostate au laser Greenlight XPS : proposition
d’un outil de prédiction (nomogramme) préopératoire des résultats fonctionnels
attendus
V. HUPERTAN1, M. ROUPRÊT 2, F. BRUYERE3, V. MISRAI 4,∗1 Hôpital Bichât—Claude-Bernard, Paris, France
2 Hôpital Pitié-Salpêtrière, Paris, France3 Centre Hospitalier de Tours, Tours, France
4 Clinique Pasteur, Toulouse, France
Made by @hupertan
Made by @hupertan
Rationnel
• Technique en plein essor• Résultats hétérogènes dans la littérature=>
réticence
BUT:• construction et validation d’un modèle prédictif
avant la photo-vaporisation sélective de la prostate NOMOGRAMME
• #GreenLight XPS ™ Laser Photoselective Vaporization of the Prostate #PVP
• Représentativité des données• Fiabilité du modèle: validation et calibration– Qualité des données utilisées = « GIGO »– Volume des données– Bruit (biais de sélection)
• Extrapolation des résultats• Ergonomie (applicabilité)
Credit photo C2.0
Made by @hupertan
NOMOGRAMMECAHIER DES CHARGES
Made by @hupertan
Données
• Base de données prospective mono centrique 300 PVP , un seul opérateur @VMisrai
• Age médian = 69 ans;• Volume de prostate médian= 50 cc;• Score IPSS médian= 18;• Débit maximum inférieur à 5 ml/s = 75%;• Antécédents de RAU – 36 pts, 15%
Made by @hupertan
Approche
• Prédiction des résultats fonctionnels post-opératoires à trois mois
IPSS ≤ 7 et QdV≤3• Learn set/Test set = 70%/30%• Priorité à la performance en prédiction au détriment
des l’approche statistique (approche inductive)• Les facteurs quantitatifs (âge et volume prostatique)
ont été transformé à l’aide Special Transformation Functions: lsp
Made by @hupertan
Made by @hupertan
Résultats
AUC – Area Under Curve• AUCLearning set (L’indice de Harell)=
0,78 (IC 95 % = [0,71—0,84] • AUCTest Set
= 0.7000866
Made by @hupertan
Conclusion
• Risque de sur-apprentissage (« over-learning »)– Faible variabilité inter opérateur– Variabilité inter-intervention limité– Faible représentativité
• Base de réflexion pour une mise en commun des données, standardiser et créer un nomogramme français
@hupertan
If you like this slide, please «Tweet» / «Like it» / «Pin it» / «Share.it» with your friends, students, colleagues....