Determinants of Cervical Cancer Screening Accuracy for Visual Inspection with Acetic Acid (VIA) and Lugol’s Iodine (VILI) Performed by Nurse and Physician
Notice bibliographique
Résumé
BACKGROUND: Visual inspection with acetic acid (VIA) and Lugol's iodine (VILI) are used to screen women for cervical cancer in low-resource settings. Little is known about correlates of their diagnostic accuracy by healthcare provider. We examined determinants of VIA and VILI screening accuracy by examiner in a cross-sectional screening study of 1528 women aged 30 years or older in a suburb of Kinshasa, Democratic Republic of Congo. METHODS: We used a logistic regression model for sensitivity and specificity to estimate the diagnostic accuracy of VIA and VILI, independently performed by nurse and physician, as a function of sociodemographic and reproductive health characteristics. RESULTS: Nurses rated tests as positive more often than physicians (36.3% vs 30.2% for VIA, 26.2% vs 25.2% for VILI). Women's age was the most important determinant of performance. It was inversely associated with sensitivity (nurse's VIA: p<0.001, nurse's VILI: p = 0.018, physician's VIA: p = 0.005, physician's VILI: p = 0.006) but positively associated with specificity (all four combinations: p<0.001). Increasing parity adversely affected sensitivity and specificity, but the effects on sensitivity were significant for nurses only. The screening performance of physician's assessment was significantly better than the nurse's (difference in sensitivity: VIA = 13%, VILI = 16%; difference in specificity: VIA = 6%, VILI = 1%). CONCLUSIONS: Age and parity influence the performance of visual tests for cervical cancer screening. Proper training of local healthcare providers in the conduct of these tests should take into account these factors for improved performance of VIA and VILI in detecting cervical precancerous lesions among women in limited-resource settings.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».