Appropriateness of laboratory tests in the diagnosis of inflammatory rheumatic diseases among patients newly referred to rheumatologists
Notice bibliographique
Résumé
INTRODUCTION: Autoantibody tests are commonly ordered when screening for rheumatic diseases. Rheumatoid factor (RF) and antinuclear antibody (ANA) have low positive predictive values in general practice. Overuse of diagnostic tests can result in an increase in unnecessary referrals, patient anxiety, and further costs. OBJECTIVE: The objective was to evaluate the utilization patterns, appropriateness, and associated costs of tests including ANA, extractable nuclear antibodies (ENA), anti-double stranded DNA (anti-dsDNA), RF, and HLA-B27 in patients referred to rheumatologists. METHODS: A review was conducted of consecutive referrals (accepted and rejected) using university rheumatologists' practices over one year. Inappropriate investigations, and associated costs were analyzed. Tests were considered appropriate if at least one criterion for a specific disease was provided. RESULTS: Of 638 referrals the most common reported reasons for referral were: spondyloarthropathies (SpA), rheumatoid arthritis (RA), and lupus (SLE). Prior to referral: 61% had undergone ANA testing at least once, ANA was repeated in one third; 19% had ENA and 21% had anti-dsDNA. 20% had ANA testing with no clinical indication. Half of ENA and anti-dsDNA testing was in the context of a negative ANA. RF was requested in 65% and in close to one third, there was no clinical suspicion of inflammatory arthritis. CONCLUSION: Despite the recommendations by CRA Choosing Wisely Campaign, at least 50% of laboratory investigations, including RF, ANA, ENA, and anti-dsDNA, are inappropriately ordered. More selective ordering of the above tests would lead to marked cost reduction.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».