Original Article - Why is high grade squamous intraepithelialneoplasia under-diagnosed on cytology in a quarter of cases? Analysis of smearcharacteristics in discrepant cases
Notice bibliographique
Résumé
BACKGROUND: The accuracy of cervical cytology has been quwstioned due to high false negative rate. In order to improve the sensitivity of cytology it is prudent to analyze the factors which hamper with the diagnosis of high grade lesions. AIMS: To study the cyto-histologic agreement in High grade squamous intraepithelial lesions (HSIL) of uterine cervix and to analyze the smear characteristics in discrepant cases. SETTINGS AND DESIGN: Cervical smears of 100 histology proven cases of Cervical intraepithelial neoplasia III ( CIN III ) were retrieved and reviewed to study cyto-histologic agreement in the diagnosis of high grade lesions.. The discrepant smears, undercalled on cytology, were further analyzed to determine the reasons for misinterpretations. Statistical analysis was performed to find out any significant factors for discrepancies. RESULTS: Cytology was able to correctly identify 74 HSILs while in 26 cases a diagnosis of Low grade squamous intraepithelial lesions (LSIL) or below was given. On review, 16 of these non correlating cases could be reclassified as HSIL on cytology while in 10 the diagnosis of LSIL or less persisted. 12/16 (75%) discrepant cases, reclassified as HSIL represented interpretive errors. Sampling errors (7/10) and air drying (5/10) were more frequent in under diagnosed cases. The statistical analysis did not yield any significant differences in the two review groups. CONCLUSION: 26% of HSIL cases were underdiagnosed on cervical smears. The major confounding factors responsible for under interpretation on cytology included air drying artifacts and metaplastic maturation of abnormal cells.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».