A PRE-OPERATIVE PREDICTIVE MODEL FOR THE CLASSIFICATION OF NEWLY DIAGNOSED RENAL MASSES LESS THAN 5 CM IN DIAMETER AS BENIGN OR MALIGNANT
Notice bibliographique
Résumé
Objective: To develop a predictive model for preoperative differentiation between benign (B) and malignant (M) histology in patients with renal masses (RM) using recursive partitioning.\nMethods: We analyzed preoperative patient and tumour characteristics in 395 subjects who had surgery for RM suspicious for renal cell carcinoma.\nResults: The model predicted B vs. M histology with an overall accuracy of 89.6% (95% CI 86.2,92.5). It assigned patients with smaller tumours (<5.67cc) and a predominantly (>45%) exophytic component a high risk of B disease (52.6%). Patients with symptoms, larger tumours (>5.67cc) and larger endophytic component (>35%) have a 0% risk of B disease.\nConclusion: B vs. M disease can be predicted accurately. This predictive accuracy is higher than that shown in renal biopsy series. It is hypothesized that for smaller and exophytic RMs, a biopsy is indicated. Symptomatic, larger and endophytic RMs should be removed without further investigations.
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 ».