MétaCan
Menu
Retour à la cohorte
Enregistrement W2789356670 · doi:10.1111/ejh.13059

Screening and diagnostic clinical algorithm for paroxysmal nocturnal hemoglobinuria: Expert consensus

2018· article· en· W2789356670 sur OpenAlexaff
Alexander Röth, Jaroslaw P. Maciejewski, Jun‐ichi Nishimura, Deepak Jain, Jeffrey I. Weitz

Notice bibliographique

RevueEuropean Journal Of Haematology · 2018
Typearticle
Langueen
DomaineImmunology and Microbiology
ThématiqueComplement system in diseases
Établissements canadiensMcMaster UniversityThrombosis and Atherosclerosis Research Institute
Organismes subventionnairesAlexion Pharmaceuticals
Mots-clésParoxysmal nocturnal hemoglobinuriaMedicineDifferential diagnosisDelphi methodConsensus conferencePediatricsCase findingAlgorithmFamily medicineIntensive care medicinePathologyInternal medicineArtificial intelligenceComputer science

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Paroxysmal nocturnal hemoglobinuria (PNH) is a severe, life-threatening disorder for which early diagnosis is essential. However, given the rarity of the disease and non-specificity of symptoms, correct diagnosis may be delayed or missed. While various hematologic guidelines note common signs and symptoms associated with PNH, international expert consensus based on real-world clinical experience and an actionable algorithm for non-specialists to facilitate screening and diagnosis are lacking. The objective of the study is to develop a clinically relevant, consensus-driven screening and diagnostic algorithm on PNH for non-specialist clinicians. METHODS: An expert advisory committee of PNH experts from North America, Europe, and Japan was convened, and a modified Delphi methodology was employed to develop an algorithm to assist non-specialist clinicians in identifying signs/symptoms of PNH and conducting appropriate differential diagnosis. Twelve globally representative Delphi panelists with clinical expertise in PNH were identified and recruited. Panelists provided their differential diagnosis for 5 blinded case studies via 2 rounds of online questionnaires. Responses mentioned by >50% of panelists in the first round were included in the second-round questionnaire, at which point consensus was attained if >80% of panelists agreed on an approach. RESULTS: Consensus was reached for 95% of screening and diagnostic decision points and 90% of tests required at decision points. CONCLUSION: These results facilitated development of a consensus-based, clinically relevant algorithm, providing non-specialist clinicians with actionable guidance on PNH screening and diagnosis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,063
score de la tête « metaresearch » (Gemma)0,088
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,063
Score d'incertitude au seuil0,331

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0630,088
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0060,002
Études des sciences et des technologies0,0020,001
Communication savante0,0030,003
Science ouverte0,0050,007
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0090,004

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,333
Écart entre enseignants0,283 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations35
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal Of HaematologyMême sujetComplement system in diseasesTravaux en français237 207