Diagnostic Yield for Cancer and Diagnostic Accuracy of Computed Tomography–guided Core Needle Biopsy of Subsolid Pulmonary Lesions
Notice bibliographique
Résumé
PURPOSE: We aimed to determine the diagnostic yield for cancer and diagnostic accuracy of computed tomography-guided core needle biopsy (CTNB) in subsolid pulmonary lesions. MATERIALS AND METHODS: Fifty-two biopsies of 52 subsolid lesions in 51 patients were identified from a database of 912 lung biopsies and analyzed for the diagnostic yield for cancer and diagnostic accuracy of core CTNB diagnosis as well as complication rates. RESULTS: When indeterminate biopsy results were included in the analysis, the diagnostic yield for cancer was 80.8% and the diagnostic accuracy of core needle biopsy was 84.6% (n=52). It was 85.7% and 91.7%, respectively, when indeterminate results were excluded (n=48) and 82.4% and 82.4%, respectively, for biopsies with surgical confirmation (n=17). Attenuation was statistically significant for diagnostic yield for cancer (P=0.028) and diagnostic accuracy of core needle biopsy (P=0.001) when the indeterminate results were excluded (n=48). Attenuation and size were not statistically significant for diagnostic yield for cancer and diagnostic accuracy of needle biopsy (n=52), and size was not statistically significant for either when the indeterminate results were excluded. These results were achieved without any major complications as per the Society of Interventional Radiology Standards of Practice. CONCLUSIONS: CTNB offers a high yield in establishing a histopathologic diagnosis of subsolid pulmonary lesions, with both ground-glass and solid-predominance. The pure ground-glass category of lesions requires further research to determine the true diagnostic yield and diagnostic accuracy of core needle biopsies.
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 | 0,000 | 0,002 |
| 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 | 0,000 |
| 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 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 ».