The use of pretest probability increases the value of high-resolution CT in diagnosing usual interstitial pneumonia
Notice bibliographique
Résumé
BACKGROUND: Recent studies have suggested that non-definitive patterns on high-resolution CT (HRCT) scan provide sufficient diagnostic specificity to forgo surgical lung biopsy in the diagnosis of idiopathic pulmonary fibrosis (IPF). The objective of this study was to determine test characteristics of non-definitive HRCT patterns for identifying histopathological usual interstitial pneumonia (UIP). METHODS: Patients with biopsy-proven interstitial lung disease (ILD) and non-definitive HRCT scans were identified from two academic ILD centres. Test characteristics for HRCT patterns as predictors of UIP on surgical lung biopsy were derived and validated in independent cohorts. RESULTS: In the derivation cohort, 64/385 (17%) had possible UIP pattern on HRCT; 321/385 (83%) had inconsistent with UIP pattern. 113/385 (29%) patients had histopathological UIP pattern in the derivation cohort. Possible UIP pattern had a specificity of 91.2% (95% CI 87.2% to 94.3%) and a positive predictive value (PPV) of 62.5% (95% CI 49.5% to 74.3%) for UIP pattern on surgical lung biopsy. The addition of age, sex and total traction bronchiectasis score improved the PPV. Inconsistent with UIP pattern demonstrated poor PPV (22.7%, 95% CI 18.3% to 27.7%). HRCT pattern specificity was nearly identical in the validation cohort (92.7%, 95% CI 82.4% to 98.0%). The substantially higher prevalence of UIP pattern in the validation cohort improved the PPV of HRCT patterns. CONCLUSIONS: A possible UIP pattern on HRCT has high specificity for UIP on surgical lung biopsy, but PPV is highly dependent on underlying prevalence. Adding clinical and radiographic features to possible UIP pattern on HRCT may provide sufficient probability of histopathological UIP across prevalence ranges to change clinical decision-making.
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 | 0,003 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».