Glandular Cell Abnormalities on SurePath Preparations: A Retrospective Review with Cytology-Histology Correlations
Notice bibliographique
Résumé
OBJECTIVE: Detecting glandular lesions is challenging by all Pap test methodologies. As the availability of data on identifying glandular abnormalities by SurePath is scarce, we investigated the detection rates and the correlation with histology follow-up. STUDY DESIGN: A total of 105,927 cases (SurePath and conventional) were searched for the diagnosis of atypical glandular cells or higher glandular abnormalities (AGC+) with the corresponding histologic diagnosis. The associations between the Pap test methods and diagnostic categories were assessed by χ2 test. RESULTS: Overall, 0.32% of SurePath (159/49,375) and 0.29% of conventional (164/56,552) cases showed AGC+ (p = 0.38). Histology confirmed significant abnormalities in 42 versus 53.5% of the cases, respectively (p = 0.064); 72.7% (SurePath) versus 65.2% (conventional) of these were glandular in nature (p = 0.37). The diagnosis of neoplasia (favored or definitive) showed malignancy on follow-up in 100% of SurePath cases (12/12). In contrast, 82.1% of these conventional cases disclosed premalignant or malignant lesions by histology (p = 0.12). CONCLUSIONS: AGC+ cases showed higher prevalence on SurePath preparations. Conventional cases had more abnormalities on follow-up, while glandular lesions represented a higher proportion of abnormal histologies following SurePath AGC+s. The positive predictive value of favored or definite neoplasia was higher in SurePath cases. Overall, these differences were not statistically significant.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».