MON-526 Comparison of ACR-TIRADS to American Thyroid Association Guidelines: Can We Choose Wisely Without Missing Malignancy?
Notice bibliographique
Résumé
Abstract Thyroid ultrasound has been widely used to determine which nodules need further work up. The goal of this study was to apply the new ACR-TIRADs criteria to a retrospective data set and compare the outcomes to the ATA scoring system. Methods: In a retrospective study, ultrasonographic images of the all nodules biopsied in 2015 were reviewed by radiologists, blinded to fine needle aspiration (FNA) biopsy result, using a checklist to report the image. The checklist was prepared based on 2015 ATA guideline. The ultrasonographic characteristics of thyroid nodules were compared with the result of biopsy to determine positive predictive value (PPV), negative predictive value (NPV), sensitivity and specificity of checklist in predicting malignancy. These results were published previously. The same data was then reviewed using the ACR-TiRADS tool to assess the number of US and FNA that would been avoided and the number of non-benign cytologies that would have been avoided had these criteria guided care in 2015. Results: 419 thyroid nodules were reviewed 7.1% were malignant, 10.3% were FLUS and 78.3% were benign. Sensitivity of the ACR-TIRADs and ATA respectively was to detect non-benign nodules was 70% and 97% Specificity was 29% and 11%. Positive predictive value was 18% and 9% whereas Negative predictive value was 81% and 98%. 28% of the FNAs done in 2015 could have been avoiding if applying the TIRADs criteria, however 15 non-benign and 8 malignant cases would have been missed.Conclusion: The TIRADs approach adds value to the system by reducing many unnecessary biopsies but clinicians need to use their own judgement as some non-benign cases will be missed.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».