Follow-up of Benign Thyroid Nodules—Can We Do Less?
Notice bibliographique
Résumé
OBJECTIVE: To determine the incidence of malignancy, follow-up ultrasound (US), and repeat fine needle aspiration (FNA) in thyroid nodules that have been previously biopsied as benign. METHODS: This is a retrospective, descriptive study of benign thyroid nodules evaluated by US between 2010-2011. We determined the frequency of follow-up ultrasounds and FNAs, mean years of follow-up, interval between follow-up US, change in nodule size, reasons for repeat FNA (rFNA), frequency of thyroidectomy, and thyroid malignancy during 5 years of follow-up. RESULTS: A total of 733 benign thyroid nodules were reviewed in 615 patients. Mean years of US follow-up was 3.47 ± 1.65 years; 275 (37.5%) had no follow-up US; 109 (14.9%) had 1 follow-up US; 93 (12.7%) had 2 follow-up US; and 256 (34.9%) had 3 or more follow-up US. Assessment of thyroid nodule size showed that 215 (28.8%) nodules decreased in size, 145 (19.4%) increased in size by less than 50%, and 91 (12.1%) increased in size by more than 50%. Of the 733 nodules, 17 nodules (2.3%) underwent thyroidectomy for which the pathology result of 9 (1.2%) showed malignancy, and 65 (8.9%) thyroid nodules underwent rFNA. When applying the 2015 recommendations for repeat FNA, 35% were done unnecessarily. CONCLUSION: In our sample of initially benign thyroid nodules, only 9 patients (1.2%) had pathology-proven malignancy after a mean follow-up of 3.5 years. Over 30% of patients had more than 3 rUSs. Decreased interval and frequency of rUS should be considered in future guidelines for thyroid management.
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 | 0,005 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».