MétaCan
Menu
Retour à la cohorte
Enregistrement W2985497014 · doi:10.1016/j.jhepr.2019.10.007

How to improve HCC surveillance outcomes

2019· review· en· W2985497014 sur OpenAlexaff
Morris Sherman

Notice bibliographique

RevueJHEP Reports · 2019
Typereview
Langueen
DomaineMedicine
ThématiqueHepatocellular Carcinoma Treatment and Prognosis
Établissements canadiensUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésHepatocellular carcinomaMedicineComputer scienceInternal medicine

Résumé

récupéré en direct d'OpenAlex

Outside of expert centres, surveillance programmes for hepatocellular carcinoma (HCC) are not well executed. There are deficiencies in every stage of the process. Overcoming these obstacles is the most important method for improving surveillance. However, even if these obstacles were overcome, there would still be room for improvement. Assessing who is at risk of developing HCC remains incompletely validated. At present, risk scores have been developed for different causes of liver disease, but scores developed in different parts of the world for the same disease do not always agree. Furthermore, most scores stratify patients by risk but do not examine what level of risk should trigger surveillance. Which surveillance tools to use remains controversial - schemes have been proposed that use biomarkers alone, ultrasound alone, or a combination of both. However, the requisite level of test sensitivity that would be associated with high cure rates has not been defined, so at this point it is not clear whether surveillance requires both ultrasound and biomarkers, or whether the use of biomarkers alone is sufficient. Finally, surveillance should result in the identification of HCC at a very early stage. Diagnosing these lesions is difficult and optimal algorithms for lesions that are atypical on radiology have yet to be developed. Algorithms for the follow-up of abnormal biomarkers in the absence of ultrasound have also not been developed yet.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,990
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0040,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,120
Tête enseignante GPT0,330
Écart entre enseignants0,210 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations14
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJHEP ReportsMême sujetHepatocellular Carcinoma Treatment and PrognosisTravaux en français237 207