Sources of Error in Neuropathology Intraoperative Diagnosis
Notice bibliographique
Résumé
OBJECTIVE: The goal of this study was to optimize intraoperative neuropathology consultations by studying trends and sources of diagnostic error. We hypothesized that errors in intraoperative diagnoses would have sampling, technical, and interpretive sources. The study also audited diagnostic strengths, weaknesses and trends associated with increasing experience. We hypothesized that errors would decline and that the accuracy of "qualified" diagnoses would improve with experience. METHODS: The pathologist's first 100 cases (P1), second 100 (P2), and most recent 100 (P3, after ten years in practice) formed the data set. Intraoperative diagnoses were scored as correct, minor error or major error using the final diagnosis as the gold-standard. Incorrect diagnoses were re-examined by two reviewers to identify sources of error. RESULTS: Among the 300 cases there were 22 errors with 11 in P1, 9 in P2 and 2 in P3. Sampling contributed to 17 errors (77%), technical factors to 7 (32%) and interpretive factors to 16 (73%). Improvement in diagnostic accuracy between P1 and P2 (p = 0.8143), or P2 and P3 (p = 0.0582) did not reach significance. However, significant improvement was found between P1 and P3 (p = 0.0184). CONCLUSION: The present study was a practical and informative audit for the pathologist and trainees. It reaffirmed the accuracy of intraoperative neuropathology diagnoses and informed our understanding of sources of error. Most errors were due to a combination of sampling, technical and interpretive factors. A significant improvement in diagnostic proficiency was observed with increasing experience.
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 | 0,022 | 0,117 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».