Monitoring postcolonoscopy colorectal cancers: dangerous crossroads?
Notice bibliographique
Résumé
Quality indicators for colonoscopy should be designed to render the outcomes of healthcare services measurable and transparent for both patients and physicians. For example, as the goal of colonoscopy is to prevent and detect colorectal cancer (CRC), improved quality should minimise the postcolonoscopy colorectal cancer (PCCRC) rate. In fact, most other indicators of procedural quality, such as adenoma detection rate and caecal intubation rate, owe their validation to a correlation with PCCRC rate. In an ideal world, rigorous monitoring of PCCRC rates can be used for benchmarking at multiple levels (regional, national, international) and would be a key driver of colonoscopy quality improvement within and outside screening programmes. It is therefore crucial to use a common language and common methodology when measuring, monitoring and reporting PCCRC. The process of benchmarking is neither quick nor simple. It starts with the implementation of a uniform terminology for a PCCRC. The term ‘PCCRC’ refers to colonoscopy in general, performed for screening, surveillance or symptoms, whereas the term ‘interval CRC’ refers to screening and colonoscopy surveillance, when a follow-up time interval is specified (intention-to-screen).1 The next key issue is what and how to monitor for calculating PCCRC rates. Several caveats should be recalled, foremost of which are the lack of complete clinical information, hurdles in crosslinking a cancer registry to colonoscopy databases and ambiguity on how to calculate rates. Such factors hinder meaningful interpretation of PCCRC rates and defining of quality standards, as shown by Morris et …
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,111 | 0,205 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,008 | 0,016 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».