Optimizing technology for cervical cancer screening in high-resource settings
Notice bibliographique
Résumé
Although historically successful in reducing the burden of cervical cancer, Papanicolaou (Pap) testing faces numerous limitations. A growing body of evidence suggests that modern screening practice will benefit from primary screening for high-risk human papillomavirus (HPV) infection, the causative agent of cervical cancer. Molecular tests detecting the presence of HPV nucleic acids consistently demonstrate high sensitivity relative to Pap testing, and provide reliable, dichotomous results. Pap cytology is ideally suited to triage HPV-positive cases owing to its high test specificity, and the accuracy of cytological readings will be maximized in high-prevalence conditions. This algorithm of primary HPV testing with Pap triage has been shown to maintain the high sensitivity of HPV testing without compromising Pap cytology's strong ability to rule out falsely positive diagnoses. Given the anticipated decline of high-risk HPV-16 and -18 infections in the emergent post-HPV vaccination era, highly sensitive primary HPV testing is especially warranted. Novel screening technologies that identify HPV viral gene expression continue to emerge and seek to complement current HPV testing by identifying those women who may be at risk of progressive disease. How to best incorporate these new technologies into clinical practice presents our next great challenge. Implementation of novel algorithms for cervical screening is not a trivial task. Avoidance of exceedingly complex screening algorithms is an important priority.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,003 | 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 ».