Clinical Predictors of a Diagnosis of Idiopathic Pulmonary Fibrosis
Notice bibliographique
Résumé
RATIONALE: Idiopathic pulmonary fibrosis (IPF) and other idiopathic interstitial pneumonias (IIPs) have similar clinical and radiographic features, but their histopathology, response to therapy, and natural history differ. A surgical lung biopsy is often required to distinguish between these entities. OBJECTIVES: We sought to determine if clinical variables could predict a histopathologic diagnosis of IPF in patients without honeycomb change on high-resolution computed tomography (HRCT). METHODS: Data from 97 patients with biopsy-proven IPF and 38 patients with other IIPs were examined. Logistic regression models were built to identify the clinical variables that predict histopathologic diagnosis of IPF. MEASUREMENTS AND MAIN RESULTS: Increasing age and average total HRCT interstitial score on HRCT scan of the chest may predict a biopsy confirmation of IPF. Sex, pulmonary function, presence of desaturation, or distance walked during a 6-minute walk test did not help discriminate pulmonary fibrosis from other IIPs. CONCLUSIONS: Clinical data may be used to predict a diagnosis of IPF over other IIPs. Validation of these data with a prospective study is needed.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».