Diagnostic Strategies Incorporating Computed Tomography Angiography for Pulmonary Embolism
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: Pulmonary embolism (PE) is a significant cause of morbidity and mortality. The clinical diagnosis of PE can be quite challenging, necessitating a systematic, evidence-based, and cost-effective approach. MATERIALS AND METHODS: A sensitive search strategy using keywords associated with PE diagnosis and economic evaluation was conducted. The libraries searched included MEDLINE, EMBASE, Health Technology Assessments, NHS Economic Evaluation Database, and the Cochrane Central Register of Clinical Trials. Studies were required to be a model-based cost-effectiveness analysis (CEA) for PE diagnosis. To be included, studies had to have evaluated both the cost and effectiveness of diagnostic algorithms. In addition, computed tomography (CT) had to have been a component in at least 1 possible algorithm. The characteristics of each CEA were extracted. In addition, the characteristics of CT pulmonary angiography were extracted (sensitivity, specificity, and cost). The most cost-effective strategy and its comparator were presented with the corresponding incremental cost-effectiveness ratio. RESULTS: Thirteen studies met our inclusion criteria. Costs were obtained using a variety of methods. Most studies measured effectiveness using a metric of survival, whereas 3 studies used quality-adjusted life years. Studies varied considerably in terms of the quality of economic evaluation. All but 1 study reported that computed tomographic pulmonary angiography (CTPA)-typically combined with ultrasound or D-dimer-was part of the most cost-effective algorithm. CONCLUSIONS: CEA is a useful tool for evaluating potential algorithms for PE diagnosis. Future CEAs would do well to include the use of magnetic resonance angiography and the potential for alternate diagnoses in diagnostic algorithms.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle