Patterns and Sources of Error in Intraoperative Neuropathology Diagnosis
Notice bibliographique
Résumé
The objective of this study was to gain a better understanding of sources of error and diagnostic trends with increasing experience in intraoperative consultations for an individual neuropathologist. The first 100 (P1) and subsequent 100 (P2) intraoperative consultations performed by the study pathologist were reviewed. Using the final diagnosis as the gold standard, intraoperative diagnoses were scored as correct, or having minor or major misinterpretations on clinicopathological grounds. Misinterpreted cases were then reexamined by two independent reviewers to identify sources of error in each case. Twenty misinterpretations, were identified among the 200 cases: 11 in P1 and 9 in P2. Of these 20, 12 were classified as being of potentially major clinicopathological significance by one or both reviewers. Sampling, technical and diagnostic errors were all influential alone or in combination. There was a modest improvement in diagnostic accuracy over time and a trend towards fewer diagnoses deferred to permanent sections. The analysis of errors in intraoperative neuropathology diagnosis is a simple and practical self audit for surgeons and pathologists and a valuable learning exercise for trainees. Such studies also provide a clearer understanding of patterns and sources of error for a more informed approach to optimizing intraoperative consultations.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».