Systematic reviews and meta-analyses of benefits and harms of cryotherapy, LEEP, and cold knife conization to treat cervical intraepithelial neoplasia
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: Cervical intraepithelial neoplasia (CIN) stage 2-3 is a premalignant lesion that can progress to cervical cancer in 10-20 years if untreated. OBJECTIVES: To conduct systematic reviews of randomized and nonrandomized studies for effects of cryotherapy, loop electrosurgical excision procedure (LEEP), and cold knife conization (CKC) as treatment for CIN 2-3. SEARCH STRATEGY: Medline, Embase, and other databases were searched to February 2012 for benefits, and to July 2012 for harms. Additionally, experts were contacted. Keywords for CIN, cervical cancer, and the treatments were used. SELECTION CRITERIA: Studies of nonpregnant women 18 years or older not previously treated for CIN were included. DATA COLLECTION AND ANALYSIS: Two investigators independently screened and collected data. Relative risks and proportions were calculated and evidence assessed using GRADE (Grading of Recommendations Assessment, Development and Evaluation). MAIN RESULTS: Recurrence rate was 5.3% 12 months after cryotherapy or LEEP, and 1.4% after CKC. There seemed to be little or no differences in frequency of complications after LEEP or cryotherapy, but they occurred more often after CKC. Evidence suggests premature delivery is most common with CKC, but it also occurs after LEEP and cryotherapy. CONCLUSIONS: Despite a comprehensive search, there is very low quality evidence and often no evidence for important outcomes, including reproductive outcomes and complications. Studies assessing these outcomes are 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.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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