Impact of reliance on CT pulmonary angiography on diagnosis of pulmonary embolism: A Bayesian analysis
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
BACKGROUND: Spiral computed tomographic pulmonary angiography (CTPA) has become the primary test used to investigate suspected pulmonary embolism (PE) at many institutions, despite uncertainty regarding its sensitivity and specificity. Although CTPA-based diagnostic algorithms focus on minimizing the false-negative rate, we hypothesized that increasing use of CTPA also might lead to false-positive diagnoses. OBJECTIVE: Determine the frequency of possible false-positive diagnoses of PE when CTPA is the primary diagnostic test. DESIGN: Retrospective cohort study. SETTING: Two academic teaching hospitals. PARTICIPANTS: 322 patients with suspected PE evaluated with CTPA. MEASUREMENTS: We used a validated prediction rule to determine the pretest probability of PE in each patient. We combined these pretest probabilities with published estimates of CTPA test characteristics to generate expected posttest probabilities of PE. We compared these posttest probabilities to actual treatment decisions to determine the rate of false-positive diagnoses of PE. RESULTS: Among 322 patients investigated for PE, 37 (12%) had high pretest probability, 101 (32%) moderate, and 184 (57%) low. CT scans were interpreted as positive for PE in 57 patients (17.8%). Regardless of the pretest probability of PE, 96.5% of patients with a positive CTPA were treated with anticoagulants. Even under an optimistic assumption of CTPA test characteristics, as many as 25.4% of these patients may have been treated unnecessarily as a result of a false-positive diagnosis. Most of these patients had a low pretest probability of PE. CONCLUSIONS: Failure to utilize Bayesian reasoning when interpreting CTPA may lead to false-positive diagnoses of pulmonary embolism in a substantial proportion of patients.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| 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 découle