Agreement between Dermatologists and Primary Care Practitioners in the Diagnosis of Malignant Melanoma: Review of the Literature
Notice bibliographique
Résumé
Background: The incidence of melanoma continues to rise in the developed world. It is therefore essential for primary care practitioners (PCPs) to be able to discriminate between malignant and benign cutaneous findings, as most patients present to PCPs first for examination of suspicious lesions. Objective: To compare dermatologists and PCPs in the diagnosis of malignant melanoma. Methods: Prospective studies published from January 1950 to August 2010 in MEDLINE, EMBASE, CINAHL, and CancerLit databases were examined. Relevant medical search terms, discussed amongst the authors, were entered into the databases. Only articles comparing dermatologists and PCPs in the diagnosis of malignant melanoma were selected. Results: Dermatologists were reported as having sensitivities, specificities, and diagnostic accuracies ranging from 0.74 to 1.00, 0.56 to 0.95, and 0.85 to 0.89, respectively. PCPs had sensitivities, specificities, and diagnostic accuracies ranging from 0.25 to 0.88, 0.26 to 0.71, and 0.49 to 0.80, respectively. Conclusions: PCPs should receive more training to improve their ability in the diagnosis of malignant melanoma. Contexte: La fréquence du mélanome est en hausse continue dans les pays développés. Dans ce contexte, il est essentiel que les médecins de premier recours (MPR) puissent distinguer les lésions cutanées malignes des lésions cutanées bénignes, étant donné que la plupart des patients consultent d'abord un MPR pour l'examen des lésions douteuses. Objectif: L'étude visait à comparer les dermatologues et les MPR dans le diagnostic du mélanome malin. Méthode: Nous avons procédé à un examen d'études prospectives, publiées de janvier 1950 à août 2010, dans les bases de données MEDLINE, EMBASE, CINAHL, et CancerLit. Les termes d'interrogation médicaux pertinents, ayant fait l'objet de discussion parmi les auteurs, ont été inscrits dans les bases de données. Seuls les articles dans lesquels il y avait une comparaison entre dermatologues et MPR dans le diagnostic du mélanome malin ont été sélectionnés. Résultats: La sensibilité, la spécificité, et la précision du diagnostic parmi les dermatologues variaient de 0.74 à 1.00, de 0.56 à 0.95, et de 0.85 à 0.89, respectivement, tandis que la sensibilité, la spécificité, et la précision du diagnostic parmi les MPR variaient 0.25 à 0.88, de 0.26 à 0.71, et de 0.49 à 0.80, respectivement. Conclusion: Les MPR devraient recevoir plus de formation afin d'améliorer leur capacité de diagnostic du mélanome malin.
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 | 0,011 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,013 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 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 ».