Derivation and validation of text search algorithms for renal and adrenal lesion identification in radiology text reports
Notice bibliographique
Résumé
Introduction: Most cohort studies are limited by sampling and accrual bias. The capability to detect specific lesions identified in radiological text reports could eliminate these biases and benefit patient care, clinical research, and trial recruitment. This study derived and internally validated text search algorithms to identify four common urological lesions (solid renal masses, complex renal cysts, adrenal masses, and simple renal cysts) using radiology text reports. Methods: A simple random sample of 10 000 abdominal ultrasound (US) and computed tomography (CT) reports was drawn from our hospital’s data warehouse. Reports were manually reviewed to determine the true status of the four lesions. Using commonly available software, we created logistic regression models having as predictors the status of a priori selected text terms in the report. We used bootstrap sampling with 95th percentile thresholds to select variables for the final models, which were modified into point systems. A second independent, random sample of 2855 reports, stratified by the number of points for each abnormality, was reviewed in a blinded fashion to measure the accuracy of each lesion’s point system. Results: The prevalence of solid renal mass, complex renal cyst, adrenal mass and simple renal cyst, was 2.0%, 1.7%, 3.2%, and 20.0%, respectively. Each model contained between one and five text terms with c-statistics ranging between 0.66 and 0.90. In the independent validation, the scoring systems accurately predicted the probability that a text report cited the four lesions. Conclusions: Textual radiology reports can be analyzed using common statistical software to accurately determine the probability that important abnormalities of the kidneys or adrenal glands exist. These methods can be used for case identification or epidemiological studies.
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 | 0,086 | 0,346 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,016 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».