Impact of a Bayesian approach on the diagnosis of Interstitial Lung Diseases
Notice bibliographique
Résumé
Introduction: Current guidelines recommend a multi-disciplinary team (MDT) approach involving experienced pulmonologists, radiologists and pathologists in improving the confidence in diagnosing various interstitial lung diseases (ILD). However, accurately diagnosing fibrotic ILD remains a challenge with significant diagnostic heterogeneity, impacting the management and prognosis of patients. Aims: We evaluate the effects of implementing a Bayesian approach, incorporating clinical judgment, pre-test probability and radiological features, in improving the diagnosis of fibrotic ILD and reducing the number of unclassifiable ILD without the need for a surgical lung biopsy.(1) Methods: This is a prospective study of consecutive patients referred for MDT assessment from April 2015 to December 2018. We compared diagnostic categories and level of confidence between 2 groups of patients before and after the implementation of a Bayesian approach in ILD diagnosis.(1) Results: We report on the first 125 patients. The Bayesian approach was used in 46 (37%) patients. The proportion of cases with a confident diagnosis of idiopathic pulmonary fibrosis (IPF) was 25% and 22%, before and after the use of the approach, respectively (p=0.65). There was a trend towards a decrease in the proportion of cases with unclassifiable ILD, from 17% to 7% (p=0.11). Conclusion: A Bayesian approach in MDT discussion may reduce the number of cases with unclassifiable disease and improve the diagnostic classification of fibrotic ILD without the need for surgical biopsy. Further studies are needed on the utility and impact of this approach on subsequent management and patient-related outcomes. Reference: (1)Ryerson et al. Am J Respir Crit Care Med. 2017;196:1249
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 | 0,019 | 0,111 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».